一种用于模拟电路故障分类的改进型LSSVM建立方法与流程

本发明涉及一种改进型lssvm建立方法，尤其是一种用于模拟电路故障分类的改进型lssvm建立方法。

背景技术

在现代电子系统数模混合电路中，约有80％的故障发生在模拟电路部分。相对于数字电路，模拟电路的诊断测试更加复杂，电路的非线性、元件的容差性等问题对故障诊断技术提出了更高的要求。随着人工智能的快速发展，在模拟电路故障诊断中，众多学者应用了神经网络、模糊理论、支持向量机等技术，取得了较好的研究成果。

在收敛速度慢、训练结果存在随机性以及过学习等问题。而svm是vapnik等在统计学习理论的基础上提出的，具有良好的泛化和推广能力。由传统svm延生出的最小二乘支持向量机简化了运算过程，将不等式转化成等式求解。但是这些方法未能克服传统机器学习的局限性：当训练和测试数据不是相同的数据分布时，训练得到的模型就需要持续更新；训练数据不足时也不能得到很好的分类模型。在实际应用中，模拟电路受到制造工艺、噪声、热效应等因素的影响，数据之间存在一定的分布差异，这会影响模型分类器的分类诊断效果。

技术实现要素：

本发明的目的在于：提供一种用于模拟电路故障分类的改进型lssvm建立方法，能够利用建立的改进型lssvm对模拟电路故障进行分类识别。

为了解决上述技术问题，本发明提供了一种用于模拟电路故障分类的改进型lssvm建立方法，包括如下步骤：

步骤1，对待测电路施加两种激励信号并分别设置相应的故障模式，在经过多次的蒙特卡罗分析后，采集两种激励信号下的输出响应信号分别作为源域辅助数据集和目标域数据集，并对两种输出响应信号做数据预处理；

步骤2，对数据预处理后的两种输出响应信号分别进行小波包分解，提取小波系数的最大绝对值作为故障特征，分别构成训练集样本和测试集样本；

步骤3，在最小二乘支持向量机中引入迁移学习算法，将源域辅助数据集迁移至目标故障训练的目标域数据集中，组成新的目标域数据集，再构建改进后的lssvm分类器；

步骤4，利用训练集样本和测试集样本对构建的改进后的lssvm分类器进行训练和测试。

进一步地，步骤1中，两种激励信号分别为5v、1khz的正弦波以及10μs、5v的脉冲波。

进一步地，步骤2中，小波包分解的具体步骤为：将输出响应信号经过一层小波包分解得到第一层的低频信号和高频信号，再分别对第一层的低频信号和高频信号进行分解，分别得到第二层的低频信号和高频信号，持续分解得到第n层小波包分解后的低频信号和高频信号。

进一步地，步骤2中，提取小波系数的最大绝对值的步骤为：经过n层小波包分解后得到2ⁿ个小波包系数序列，然后选取每个序列中所有数值的绝对值最大的数作为故障特征，最终得到2ⁿ个故障特征。

进一步地，步骤3中，改进后的lssvm分类器在原lssvm分类器的目标函数中增加源域辅助数据集的误差惩罚项构成的。

进一步地，步骤3中，改进后的lssvm分类器的目标函数为：

式中，w为分类超平面的权重，ct、cs分别为目标域数据集和源域辅助数据集的惩罚参数，ξi为预测误差，ψ(xi)为x的非线性映射，b为分类超平面的阈值，n和m分别是目标域和源域数据集的样本个数。

本发明的有益效果在于：通过小波包变换对信号的低频部分和高频部分进行分解，能够自适应地选择相应频带，使之与信号频谱相匹配，增强了对信号的分析能力，有利于后续分类；将迁移学习方法引入模拟电路故障诊断领域，泛化了lssvm算法模型对数据分布的要求，提高了样本数据不足时分类结果的精确度。

附图说明

图1为本发明的方法流程图；

图2为本发明实施例的待测电路；

图3为本发明实施例的待测电路单故障下分类准确率对比图；

图4为本发明实施例的待测电路双故障下分类准确率对比图。

具体实施方式

如图1所示，发明提供了一种用于模拟电路故障分类的改进型lssvm建立方法，包括如下步骤：

步骤1，对待测电路施加两种激励信号并分别设置相应的故障模式，在经过多次的蒙特卡罗分析后，采集两种激励信号下的输出响应信号分别作为源域辅助数据集和目标域数据集，并对两种输出响应信号做数据预处理，待测电路如图2所示；

步骤2，对数据预处理后的两种输出响应信号分别进行小波包分解，提取小波系数的最大绝对值作为故障特征，分别构成训练集样本和测试集样本；

步骤3，在最小二乘支持向量机中引入迁移学习算法，将源域辅助数据集迁移至目标故障训练的目标域数据集中，组成新的目标域数据集，利用训练目标域数据集得到目标函数，然后用目标函数来预测新数据的标签，再构建改进后的lssvm分类器；

步骤4，利用训练集样本和测试集样本对构建的改进后的lssvm分类器进行训练和测试。

利用本发明方法建立的改进型lssvm能够自适应地选择相应频带，增强了对信号的分析能力，有利于后续分类。在样本数据较少的情况下，本发明方法的分类准确率要高于传统lssvm方法。

进一步地，步骤1中，两种激励信号分别为5v、1khz的正弦波以及10μs、5v的脉冲波；其中，以5v、1khz的正弦波作为激励信号得到的输出响应信号作为源域辅助数据集，以10μs、5v的脉冲波作为激励信号得到的输出响应信号为待分析的目标域数据集。

进一步地，步骤2中，小波包分解的具体步骤为：将输出响应信号经过一层小波包分解得到第一层的低频信号和高频信号，再分别对第一层的低频信号和高频信号进行分解，分别得到第二层的低频信号和高频信号，持续分解得到第n层小波包分解后的低频信号和高频信号；经过n层小波包分解后得到2ⁿ个小波包系数序列，然后选取每个序列中所有数值的绝对值最大的数作为故障特征，最终得到2ⁿ个故障特征，本发明的n＝5；

给定尺度函数φ(t)和小波函数且满足二尺度关系为：

式中，h(k)为低通滤波系数，g(k)为高通滤波系数。再定义如下二尺度方程递推关系为：

当n＝0时，γ0＝φ(t)，由此，小波包{γn(t)}是一个包含尺度函数和小波函数的函数集合。小波包系数的递推式为：

式中，是小波包分解后第j层的第i个频带的第k个小波包系数。定义小波包分解后第j层的第i个频带的特征量作为故障特征，为：

设训练集样本和测试集样本分别为t和s：

式中，tt和ts分别是目标域数据集和源域辅助数据集，xi是第i个样本的特征向量，yi是对应的故障类别标签，n和m分别是目标域数据集和源域辅助数据集的样本个数，一般n≤m，测试集样本选取的是与训练集样本不同的目标故障数据。

进一步地，步骤3中，改进后的lssvm分类器在原lssvm分类器的目标函数中增加源域辅助数据集的误差惩罚项构成的。给定一个有标签的源域数据ds和对应的源任务ts，一个标签数极少的目标域dt和对应的学习任务tt。迁移学习的目的是通过ds和ts的知识迁移到dt，从而提高目标预测函数的性能(ds≠dt或ts≠tt)。现给定为目标样本数据，为源域相似样本数据。改进后的lssvm分类器的目标函数为：

式中，w为分类超平面的权重，ct、cs分别为目标域数据集和源域辅助数据集的惩罚参数，ξi为预测误差，ψ(xi)为x的非线性映射，b为分类超平面的阈值，n和m分别是目标域和源域数据集的样本个数，w^t为权重w的转置。

引入lagrange乘子，导出上式的对偶规划：每个等式约束与拉格朗日乘子αi≥0相乘，再加入目标函数，建立lagrange函数：

由取极值的必要条件对l分别求各变量的偏导数，并令其为零，得到：

消去变量w和ξi，可得矩阵方程：

式中，ωij＝yiyjk(xi,xj)，k(xi,xj)＝ψ(xi)^tψ(xj)为核函数，y＝[y1,…,yn+m]^t和e＝[1,…,1]^t是n+m维的列向量，c＝diag[ct,…,ct,cs,….cs]。

由上式可以求得一组参数α和b，从而得到改进后的lssvm决策函数表达式：

选用核函数k(xi,xj)中广泛使用的高斯核构造改进后的lssvm分类器。表达式为：

k(x,xi)＝exp(-||x-xi||²/(2σ²))。

采用粒子群算法优化核函数的参数σ以及惩罚因子c。这样完成支持向量机分类器的构建，同时将训练样本送至分类器，完成模型的训练过程。

利用测试集样本数据送至改进后的lssvm分类器中进行分类识别，根据分类所得的标签量，判定电路当前的状态，进而实现故障模式识别。如图3和4所示，试验表明改进后的基于迁移学习的lssvm对单故障和双故障模式的总体诊断正确率为97.2％和95.7％，且在样本数据较少的情况下，诊断正确率要高于传统lssvm方法。