专利名称：一种基于Bayes-KFCM算法的模拟电路故障诊断方法
技术领域：
本发明涉及一种模拟电路故障诊断方法，尤其涉及一种基于Bayes-KFCM算法的模拟电路故障诊断方法。
背景技术：
模拟电路的测试和诊断主要针对电路的功能测试，目前根据仿真在测试过程的顺序划分可分为测前仿真和测后仿真，根据近几年研究文献和专利资料表明，智能故障诊断方法是现在的研究的热点和重点，该方法属于测前仿真方法，智能诊断方法能部分解决模拟电路故障的模糊性、不确定性等问题。最常见和广泛应用的智能诊断方法是神经网络法， 近几年基于SVM的模拟电路故障诊断方法获得了较大发展，成为智能诊断方法得一个重要分支。然而，这两种传统智能方法均属于有导师学习算法，即训练诊断模型时必须已知故障样本已有的属类标签，然而当一个新的故障发生时，这两种故障诊断算法均不能有效的诊断出新故障。另外，当电路发生新的故障类，基于有导师学习算法的诊断系统需要重新训练所有样本集，诊断效率低。因此，为了能够有效的诊断新故障，同时也能诊断已知故障类，基于无导师学习的故障分类算法是一种合适的诊断智能算法。此外，故障特征的选择和提取是模拟电路故障诊断中的一项关键技术，由于模拟电路的元器件具有容差特点，使电路的输出响应在一定范围内具有随机性，且电路的输出往往呈现非线性特征。因此模拟电路的不同故障的故障特征可能存在交叉或重叠现象，成为模糊故障，无法被正确诊断定位。为了解决模糊故障特征的识别问题，模拟电路故障诊断中采用信号处理和降维方法对故障响应信号进行特征提取和选择。最常见的信号处理方法是小波变换，计算小波系数的能量熵值作为故障特征，该方法已经被证明能有效的提取故障特征。然而仅仅采用单一的故障特征并不能彻底解决模糊故障特征的重叠和交叉现象， 如果选择多种特征信息从不同侧面反映故障特征，则具有一定的信息互补性。因此，借助信息融合技术实现不同特征融合是模拟电路故障特征提取的有效途径。
发明内容
本发明所要解决的技术问题在于克服现有故障诊断方法采用有导师学习算法所带来的诊断效率低，且无法对新故障进行有效诊断的不足，提供一种基于Bayes-KFCM算法的模拟电路故障诊断方法，该算法为无导师学习算法，具有更高的诊断效率，且能够对新故障进行有效诊断。一种基于Bayes-KFCM算法的模拟电路故障诊断方法，包括以下步骤 步骤A、选择待侧电路的最优可测节点和测试信号频率；
步骤B、对待测电路输入测试信号，模拟各种典型的故障状态，采集最优可测节点的电压输出值，得到故障数据作为训练数据；在相同的测试信号和可测节点下，采集测试电路在实际工作状态下的数据作为测试数据；
步骤C、分别提取故障数据和测试数据的特征，并进行去噪，生成训练样本集和测试样本集；
步骤D、利用训练样本集对故障诊断模型进行训练，并利用训练好的故障诊断模型对测试样本集进行故障诊断；
所述步骤D具体包括以下步骤
步骤D1、利用KFCM聚类算法对故障诊断模型进行训练，具体为通过核函数将训练样本集映射到高维空间；然后通过模糊C均值方法进行聚类，当正确聚类的样本数与所有的聚类样本数之比大于或等于一预设的阈值，则算法停止，训练结束，将训练好的聚类模型作为诊断模型，同时得到各类训练样本的聚类中心，以及每类训练样本中与该类聚类中心距离最大的训练样本的距离值
of—Wiaxi，其中1 = 1,...,η为训练样本的类数；
步骤D2、将测试样本通过核函数映射到高维空间，在高维空间中计算测试样本到各类
聚类中心的距离O ,其中ι = l”",n ；当d Jesti > d _maxi时，则测试样本为新故
障类样本，对新故障类样本采用KFCM聚类算法进行聚类，将新的聚类模型加入诊断系统； 否则利用Bayes故障分类准则对测试样本进行故障定位，其中Bayes故障分类准则如下式
Ciass(x) = argrnax —(忒(x)2 - df) N*
式中、是第i类的训练样本数是所有的训练样本数，式(功是测试样本χ离第i 类训练样本1类中心的距离，裏是所有第i类训练样本与其聚类中心距离的求和平均值，
Bayes故障分类表示测试样本χ属于具有最大為O)2 _右)值的故障类。
N 进一步地，本发明在特征提取时采用多故障特征融合和选择的方法，来克服单一故障特征不能彻底解决模糊故障特征的重叠和交叉现象的问题，具体如下 步骤C中所述特征提取具体按照以下方法
步骤Cl、将采集的电压值进行多层小波分解，分解成细节系数和近似系数； 步骤C2、计算每层细节系数和近似系数的能量熵值，由多层小波系数能量熵值组成的向量作为电压信号的第一个特征表示；
步骤C3、计算每层细节系数和近似系数的分形维数值，由多层小波系数分形维数值组成的向量作为电压信号的第二个特征表示；
步骤C4、采用线性求和方法融合两种特征，其中线性求和融合公式如下表示
权利要求
1.一种基于Bayes-KFCM算法的模拟电路故障诊断方法，包括以下步骤 步骤A、选择待侧电路的最优可测节点和测试信号频率；步骤B、对待测电路输入测试信号，模拟各种典型的故障状态，采集最优可测节点的电压输出值，得到故障数据作为训练数据；在相同的测试信号和可测节点下，采集测试电路在实际工作状态下的数据作为测试数据；步骤C、分别提取故障数据和测试数据的特征，并进行去噪，生成训练样本集和测试样本集；步骤D、利用训练样本集对故障诊断模型进行训练，并利用训练好的故障诊断模型对测试样本集进行故障诊断；其特征在于，所述步骤D具体包括以下步骤步骤D1、利用KFCM聚类算法对故障诊断模型进行训练，具体为通过核函数将训练样本集映射到高维空间；然后通过模糊C均值方法进行聚类，当正确聚类的样本数与所有的聚类样本数之比大于或等于一预设的阈值，则算法停止，训练结束，将训练好的聚类模型作为诊断模型，同时得到各类训练样本的聚类中心，以及每类训练样本中与该类聚类中心距离最大的训练样本的距离值^_max,，其中；=1，...ρ ,η为训练样本的类数；步骤D2、将测试样本通过核函数映射到高维空间，在高维空间中计算测试样本到各类聚类中心的距离d Jesti ,其中/ = 1，...,《 ；当d Jxsti > d —Hiaxi时，则测试样本为新故障类样本，对新故障类样本采用KFCM聚类算法进行聚类，将新的聚类模型加入诊断系统； 否则利用Bayes故障分类准则对测试样本进行故障定位，其中Bayes故障分类准则如下式Ciass(x) = argmax — (4 (χ)2 - d^) N式中，辦是第i类的训练样本数，N是所有的训练样本数，啡)是测试样本χ离第i 类训练样本聚类中心的距离，式是所有第i类训练样本与其聚类中心距离的求和平均值，Bayes故障分类表示测试样本χ属于具有最大^；^&”-右)值的故障类。N
2.如权利要求1所述基于Bayes-KFCM算法的模拟电路故障诊断方法，其特征在于，步骤Dl中所述阈值的取值为90%。
3.如权利要求1所述基于Bayes-KFCM算法的模拟电路故障诊断方法，其特征在于，步骤C中所述特征提取具体按照以下方法步骤Cl、将采集的电压值进行多层小波分解，分解成细节系数和近似系数； 步骤C2、计算每层细节系数和近似系数的能量熵值，由多层小波系数能量熵值组成的向量作为电压信号的第一个特征表示；步骤C3、计算每层细节系数和近似系数的分形维数值，由多层小波系数分形维数值组成的向量作为电压信号的第二个特征表示；步骤C4、采用线性求和方法融合两种特征，其中线性求和融合公式如下表示X(D)+ Y(D)式中，P—表示融合的特征向量，XCD)和Y(D)分别代表由信号的一层小波分解系数 D计算得到的能量熵值和分形维数值，α和β分别代表小波系数能量值和小波系数分形维数值在融合中所占的权重，且m肩=1 ；步骤C5、计算融合特征向量中每一个特征与其余特征的总体相关性大小，并由高到低进行排序，选择特征相关累计贡献值大于的前力个特征，进行特征降维1的取值范围为(0，100);设样本&中含有P个样本，每个样本的特征维数为I则样本&的特征相关系数向量按照以下方法得到首先，计算样本A的样本均值向量为然后，计算样本A的协方差矩阵，其中由字符ι表亍协方差矩阵中的每一个元素 厂== (Ρ- ^Σ^η — ^)( — ^f ； -Ι接着，根据矩阵r计算相关矩阵最后，分别计算每个特征对其余/f-1特征的相关系数之和ν - V ν H 一 Zj·/dW ，则特征维数为r的样本&的特征相关系数向量为y = [i v..， v]；其中特征相关累计贡献值根据以下公式计算 k i w 减J=TJiHyi 。 α / IJL
4.如权利要求3所述基于Bayes-KFCM算法的模拟电路故障诊断方法，其特征在于，小波系数能量值和小波系数分形维数值在特征融合中所占的权重《和於的取值均为0.5。
5.如权利要求3所述基于Bayes-KFCM算法的模拟电路故障诊断方法，其特征在于，K 的取值为90。
6.如权利要求1-5任一项所述基于Bayes-KFCM算法的模拟电路故障诊断方法，其特征在于，所述测试信号频率通过以下方法选择步骤Al、获取待测电路的幅频响应曲线；步骤A2、选择幅频响应曲线上的拐点及其附近的频率，作为待选频率集合； 步骤A3、人工模拟一些典型的测试故障，在电路的输出端采集待测电路在所有待选频率激励下电路的响应电压值作为故障样本值，计算不同测试故障类样本的类内类间距离，并选择测试故障类的类内类间距离最大的待选频率作为测试频率。
7.如权利要求1-5任一项所述基于Bayes-KFCM算法的模拟电路故障诊断方法，其特征在于，所述最优可测节点通过以下方法选择步骤A4、将待测电路中所有可测的测试节点作为待选测试节点，人工模拟一些典型的测试故障，将选择的测试信号作为激励源加载到待测电路，采集所有待选测试节点上所有测试故障的电压值作为故障样本值；步骤A5、计算各待选测试节点中测试故障类样本的类内类间距离，选择所有故障类的类内类间距离最大的前#个测试节点，#为预先设定的小于待选测试节点总数的整数。
全文摘要
本发明公开了一种基于Bayes-KFCM算法的模拟电路故障诊断方法。本发明采用核模糊C均值聚类算法进行故障诊断，首先判断测试样本是否是新故障，如果是，则训练新类故障样本的诊断模型加入诊断系统，如果不是，则依据Bayes故障分类准则对测试样本进行故障定位。本发明对故障样本进行小波变换预处理，将样本的小波系数能量值和小波系数分形维数值进行多特征融合，提取故障特征；以最大类内类间距离作为依据，选择最优可测节点和/或测试信号频率。相比现有技术，本发明方法能有效的诊断出模拟电路的新故障，并能提高诊断准确度。
文档编号G01R31/316GK102520341SQ20111039656
公开日2012年6月27日 申请日期2011年12月5日 优先权日2011年12月5日
发明者林华, 王友仁, 罗慧 申请人:南京航空航天大学