专利名称：一种基于混杂算法的模拟电路状态预测方法
技术领域：
本发明涉及电信号处理领域，具体来讲，涉及一种基于混杂算法的模拟电 路状态预测方法。
背景技术：
模拟电路是复杂电子系统的主要构成模块，其状态的好坏直接影响电子系统 或设备的正常运行，若发生故障往往造成不可挽回的损失，进行有效的状态监 测和故障预测，及时发现早期故障，在电子系统尚未完全故障之前，及时更换 故障元件，对故障防患于未然，会带来巨大的经济效益。因此，对模拟电路进 行有效的状态监测和预测有着非常重要的作用。复杂电子系统发生故障的原因是多种多样的，表征故障状态的信息有很多信 号，这些信号具备许多特性，如线性或非线性、平稳性或非平稳性甚至具备混 沌特性，可能是一个或同时具备多个特性，具有很强的不确定性和随机性。此 外，由于电子设备的结构复杂性和元件的磨损性，缓变故障出现的出现是一个 渐进过程，故障征兆比较微弱，尤其以模拟电路为主的设备有元件容差的影响， 得到的表征故障状态信息的信号具有较强的背景噪声。因此，需要对表征故障 状态信息的信号进行合理的选择、处理，并在此基础上，对模拟电路状态进行发明内容本发明的目的在于在对表征故障状态信息的信号进行合理的选择、处理基 础上，提供一种基于混杂算法的模拟电路状态预测方法。为实现上述发明目的，本发明一种基于混杂算法的模拟电路状态预测方法 包括以下步骤(1)、针对具体模拟电路，选择多个频率的测试信号输入，并在测试点间 隔一定时间，提取测试点信号的频谱特征，获得包含故障信息的高维频谱特征，采取主元成分分析法，将高维频谱特征映射为一维频谱特征；(2) 、用小波技术对一维频谱特征进行去噪处理；(3) 、将一维频谱特征作为原始数据，采用ARMA-GM(1,1)组合模型对反 映故障渐变的趋势项进行预测，采用最小二乘支持向量机模型对反映故障渐变 的非线性项进行预测，将趋势项预测值和非线性项预测值进行叠加，得到模拟 电路状态预测值。本发明通过选择多个频率的测试信号，在测试点提取表征故障状态信息的 信号的频谱特征，进行降维处理，并去噪，获得了表征故障状态的原始数据， 最后通过本发明设计的混杂算法，即采用ARMA-GM(1,1)模型对反映故障渐变 的趋势项进行预测，采用最小二乘支持向量机模型对反映故障渐变的非线性项 进行预测，将趋势项预测和非线性项预测进行叠加，得到了模拟电路状态预测。 通过实验验证，本发明的方法对模拟电路状态预测的精度非常高，能准确地对 模拟电路状态进行预测。
图1是本发明一种具体实施方式
原理框图；图2是验证本发明预测方法的一具体模拟电路原理图；图3是测试频率对应的幅频特征随着参数的变化图；图4是图3所示的变化PCA分析获得的一维幅频特征图；图5是图4所示的幅频特征去噪后的幅频特征图；图6是特征预测比较图。
具体实施方式
下面结合附图，对本发明优选具体实施方式
进行描述。在以下的描述中， 当采用的已知功能和设计的详细描述也许会淡化本发明的主题内容时，这些描 述在这儿将被忽略。图1是本发明一种具体实施方式
原理框图。在本实施方式中，本发明的基 于混杂算法的模拟电路状态预测方法具体为步骤ST101:针对具体模拟电路，选择多个频率的测试信号输入步骤ST102:在测试点间隔一定时间，提取测试点信号的频谱特征，获得包 含故障信息的高维频谱特征步骤ST103:采取主元成分分析法，进行降维处理，将高维频谱特征映射为 --维频谱特征；步骤ST2:用小波技术对一维频谱特征进行去噪处理；步骤ST301:将一维频谱特征作为原始数据，求取模型预测阶数；步骤ST302:采用ARMA-GM(1,1)组合模型对反映故障渐变的趋势项进行 预测；步骤ST303:采用最小二乘支持向量机模型，即LSSVM模型对反映故障渐 变的非线性项进行预测，步骤ST304:将趋势项预测值和非线性项预测值进行叠加，得到模拟电路状以下对本发明的混杂算法作进一步的说明1、 模型预测阶数的确定在本实施例中，步骤ST301是确定ARMA-GM(1,1)组合模型以及LSSVM模型的预测阶数P，具体来讲，是用原始数据:c(w)求自相关矩阵，通过奇异值分解选取合适的阈值检验来确定出该相关矩阵的秩，通过模型检验法确定模型 的预测阶数p 。2、 ARMA-GM(1，1)组合模型对趋势项进行预测 2.1、 ARMA模型的建立获得的原始数据(x(^蕴涵了模拟电路运行状态的信息，在步骤ST302中， 利用模型预测阶数/ 和原始数据^( )}，首先建立ARMA模型，模拟电路运行其中e(w)为离散白噪声，",和^分别为自回归(AR)参数和滑动平均(MA) 参数。AR模型可以在一定程度上逼近ARMA模型，在本实施例中，AR模型来拟 合，上述公式(1)简化为状态符合:<formula>formula see original document page 6</formula>在上述公式(2)中，只要确定模型预测阶数p和自回归参数《就能获得 AR模型的预测值。模型预测阶数户在步骤ST301中己经确定，只需要确定自 回归参数",即可。在本实施例中，为使得预测误差功率最小，采用Burg算法来 确定自回归参数。,2.2、 GM(1,1)模型的建立灰色模型是一种较好的动态系统建模方法，通过原始数据累加的原理，弱 化数据信息的随机性，显示出数据中蕴涵的规律。在本实施例中，根据原始数据^(")}，即1(/),/ = 1,...,"，定义 x(1) (0 =力x(附),/ = 1,... ，" = 0.5 x (x(" (A) + x(1) (A: -1)), A: = 2,…,"一阶灰色模型方程为《+ ax(')=6。设a^"，Zf为参数序列<formula>formula see original document page 6</formula>由最小二乘法得到参数估计值a二(S^)-157，可得参数",6。代入GM(l，l) 模型x(A: +1) = x(1) (A +1) - x("= (1 - e。 )(x(l)-仝)Z ( 3 )a可得GM(1,1)模型的预测值。任意灰色模型随着时间的推移，越是原理时间原点，旧数据的信息将逐步 降低，须考虑及时将新数据置入模型中并去掉旧数据，建立的GM(1,1)模型才能 随时反映信息当前的特征。在本实施例中，对GM(1，1)模型的建立方法进行了改 进，使得模型参数(",6)是在线自适应改变的。具体为在原始数据fx(^中，我 们可以建立GM(1,1)模型预测输出数据，当原始数据增加为{* + 1)}时，我们选 择(x(2),…,x("+li建模预测输出数据，依次类推，这样每预测一次数据就要建立 新的模型，即重新计算模型参数"6)，使得模型参数是在线可变的，具有一定的自适应性。2.3、组合ARMA-GM(1,1)预测模型任何一种预测方法都包含有系统的独立信息。ARMA模型能较好地预测出 信号的随机特性，建立模型往往需要较多的数据样本，对信号的平稳性要求甚 高；GM(1,1)模型对蕴涵在信号中的发展趋势如周期性、总体变化方向具有良好 的预测能力，需要样本数据较少，适用于变化较大的数据，但对数据的随机性 预测误差较大，且需数据信息均为正值。为了有效利用两种预测方法的优点， 在本实施例中，把两种预测模型结合起来时，进行加权组合，这样可以增加系 统的预测性能。具体如下= w x A (w) + (1 — w)S2 (w)其中，f(")是ARMA-GM(U)组合模型对原始数据^(^的预测值，AW是 采用ARMA模型得到的预测值，A(n)是采用GM(1,1)模型得到的预测值，0<W<1是组合权值，它的选择直接影响着组合预测的精度，由各自预测模型的精度来 决定。若ARMA模型预测误差平方和越小，表示预测精度越高，则w取值就越 大，意味着在组合模型中ARMA模型预测值所占权值就应当越大。根据这个原 理，ARMA模型预测误差平方和x， GM(1,1)模型预测误差平方和力，组合权值 w = y2/(M + y2)。在本实施例中，该ARMA-GM(1,1)组合模型很好地结合了两种模 型的优点，对反映故障渐变的趋势项有较为准确的预测。3、 LSSVM模型对非线性项进行预测在本实施例中，采用粒子群智能算法对LSSVM模型中的核参数cr和惩罚系 数y进行了优化。4、 趋势项预测值和非线性项预测值将趋势项预测值和非线性项预测值进行叠加，得到模拟电路状态预测值， 即实现了对模拟电路状态的预测。 实例验证图2是验证本发明预测方法的一具体模拟电路原理图。图中，该模拟电路 包括三个运算放大器以及电阻R1 5、电阻Rf、电容C1 2组成。有测试点1 3， 测试点3输出测试点信号，根据该电路的特性选择电阻R4为故障元件，设置缓变参数变化范围为0 45%，故障类型为参数逐渐增大。选择7个频率，即8、 9、 10、 11、 12、 13、 14Khz的测试信号输入，参数 的改变获得的频谱特征为幅频特征，该幅频特征相当于本发明所述的间隔一定 时间采样的频谱特征，只是这样看起来更为直观一些，可以看出故障变化的实 际频谱特征与预测频谱特征的关系。该电路的各测试频率对应的幅频特征随着 参数的变化也在逐渐改变，如图3所示。步骤l:通过观测各测试频率所对应的幅频特征的变化，可知原始7维幅频 特征具有高维性和冗余性，采用主元成分分析，即PCA分析获得一维幅频特征，如图4所示；步骤2:由于正常元件在允许容差范围内的随机变化导致采集的幅频特征具有噪声，这也同时体现在处理后的一维幅频特征中，采用小波技术对其进行去噪处理，去噪后的幅频特征如图5所示；步骤3:去噪后的幅频特征用本发明的方法进行预测，得到预测值和实测值 幅频特征，如图6所示。在图6中，我们可以清楚地发现，本发明的基于混杂算法的模拟电路状态预测方法得到预测值与实测值是基本吻合的。这样当模拟电路状态预测值超出 警戒范围时，就能准确提前报警，避免损失的发生。尽管上面对本发明说明性的具体实施方式
进行了描述，但应当清楚，本发 明不限于具体实施方式
的范围，对本技术领域的普通技术人员来讲，只要各种 变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而 易见的， 一切利用本发明构思的发明创造均在保护之列。
权利要求
1、一种基于混杂算法的模拟电路状态预测方法包括以下步骤(1)、针对具体模拟电路，选择多个频率的测试信号输入，并在测试点间隔一定时间，提取测试点信号的频谱特征，获得包含故障信息的高维频谱特征，采取主元成分分析法，将高维频谱特征映射为一维频谱特征；(2)、用小波技术对一维频谱特征进行去噪处理；(3)、将一维频谱特征作为原始数据，采用ARMA-GM(1，1)组合模型对反映故障渐变的趋势项进行预测，采用最小二乘支持向量机模型对反映故障渐变的非线性项进行预测，将趋势项预测值和非线性项预测值进行叠加，得到模拟电路状态预测值。
2、 根据权利要求l所述的基于混杂算法的模拟电路状态预测方法，其特征 在于，所述的GM(1,1)模型的建立，在原始数据(x(^中，建立GM(1,1)模型预 测输出数据，当原始数据增加为^c(n + l"时，我们选择^(2),…，x(n + ll建模预测输 出数据，依次类推，每预测一次数据就要建立新的模型。
3、 根据权利要求l所述的基于混杂算法的模拟电路状态预测方法，其特征 在于，所述的ARMA-GM(1,1)组合模型按以下公式组合= W X A (W) + (1 — "VV);2 (W)其中， 一)是ARMA-GM(1,1)组合模型对原始数据^(一的预测值，； 是 采用ARMA模型得到的预测值，^(")是采用GM(1,1)模型得到的预测值， 0<^<1是组合权值。
4、 根据权利要求3所述的基于混杂算法的模拟电路状态预测方法，其特征 在于，所述的组合权值其中，^是ARMA模型预测误差平方和，^是GM(1,1)模型预测误差平方和。
5、 根据权利要求l所述的基于混杂算法的模拟电路状态预测方法，其特征 在于，所述的最小二乘支持向量机模型采用粒子群智能算法对LSSVM模型中的 核参数a和惩罚系数y进行了优化。
全文摘要
本发明公开了一种基于混杂算法的模拟电路状态预测方法包括以下步骤(1)针对具体模拟电路选择多个频率的测试信号输入，间隔提取测试点信号的频谱特征，采取主元成分分析法映射为一维频谱特征；(2)用小波技术进行去噪处理；(3)将一维频谱特征作为原始数据，采用ARMA-GM(1，1)组合模型趋势项进行预测，采用LSSVM模型对非线性项进行预测，将趋势项预测值和非线性项预测值进行叠加得到模拟电路状态预测值。本发明通过选择多个频率的测试信号提取表征故障状态信息的信号的频谱特征，进行降维、去噪，获得原始数据，最后通过混杂算法得到了模拟电路状态预测。通过实验验证，该方法对模拟电路状态预测的精度非常高，能准确地对模拟电路状态进行预测。
文档编号G06F17/50GK101329697SQ20081004467
公开日2008年12月24日 申请日期2008年6月11日 优先权日2008年6月11日
发明者王厚军, 许丽佳, 兵 龙 申请人:电子科技大学