一種基于級(jí)聯(lián)集成分類器的模擬電路故障診斷方法
【專利摘要】本發(fā)明公開了一種模擬電路的故障診斷方法及其實(shí)現(xiàn)方式。發(fā)明的內(nèi)容分為三部分：(1)模擬電路故障特征信息提??；(2)故障分類器構(gòu)造；(3)算法軟件實(shí)現(xiàn)。該方法包括以下步驟：故障特征信息庫(kù)的構(gòu)造，采用信息熵最大原則，選取最優(yōu)母小波，對(duì)被測(cè)電路的響應(yīng)節(jié)點(diǎn)進(jìn)行小波分解，提取被測(cè)電路的最優(yōu)特征，利用主成分分析對(duì)故障特征進(jìn)行降維；故障分類與智能診斷，根據(jù)獲得的故障特征信息，利用多分類器級(jí)聯(lián)模型和分類器集成技術(shù)構(gòu)造故障診斷器辨識(shí)存在的故障及其原因；采用C#.NET平臺(tái)，結(jié)合Weka軟件對(duì)算法進(jìn)行具體實(shí)現(xiàn)。本發(fā)明的故障診斷方法及其實(shí)現(xiàn)方式具有故障診斷性能更高、診斷范圍更廣和算法健壯性、可解釋性更強(qiáng)的優(yōu)點(diǎn)。
【專利說明】一種基于級(jí)聯(lián)集成分類器的模擬電路故障診斷方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種模擬電路的故障診斷方法及其實(shí)現(xiàn)方式。
【背景技術(shù)】
[0002]模擬電路的故障診斷始于20世紀(jì)60年代，對(duì)其的理論研究是從網(wǎng)絡(luò)元件參數(shù)可解性開始的，但由于其獨(dú)特的困難如故障狀態(tài)多樣性、元件參數(shù)的容差性、信息不足以及結(jié)構(gòu)模型的復(fù)雜性等，使得對(duì)于模擬電路的故障診斷的研究發(fā)展相對(duì)比較緩慢，其測(cè)試與故障診斷一直以來(lái)都成為困擾電路測(cè)試工業(yè)的難題。20世紀(jì)90年代后，隨著人工智能技術(shù)的發(fā)展，模糊理論，小波技術(shù)以及一些機(jī)器學(xué)習(xí)方法都相繼應(yīng)用于該領(lǐng)域并取得了良好的效果，但其都存在片面性，對(duì)解決實(shí)際的模擬電路故障診斷與分析問題都還多多少少存在一定的差距。與此同時(shí)，模擬電路故障診斷的實(shí)際需求卻不斷增大。因此，研究一種對(duì)模擬電路板準(zhǔn)確、快速的故障檢測(cè)和故障定位方法，縮短檢測(cè)維護(hù)時(shí)間及降低維修成本，對(duì)于完成電子設(shè)備中模擬電路板的保障維修具有重大意義。

【發(fā)明內(nèi)容】

[0003]本發(fā)明公開一種模擬電路的故障診斷方法及其實(shí)現(xiàn)方式，包括:信號(hào)的故障特征提取、故障的分類識(shí)別和算法的軟件實(shí)現(xiàn)三方面。該方法由以下步驟組成:(1)構(gòu)造故障特征信息庫(kù)，根據(jù)被測(cè)電路信號(hào)特點(diǎn)，采用信息熵最大原則(MEP)，選取最優(yōu)母小波，對(duì)被測(cè)電路的響應(yīng)節(jié)點(diǎn)進(jìn)行小波分解，提取被測(cè)電路的最優(yōu)特征，然后利用主成分分析(PCA)對(duì)每層進(jìn)行降維從而得到故障特征信息。(2)故障分析與智能診斷，根據(jù)獲得的故障特征信息參數(shù)，利用多分類器級(jí)聯(lián)模型和集成(Ensemble)[同態(tài)和異態(tài)]技術(shù)構(gòu)造智能故障診斷器辨識(shí)出可能存在的故障及其原因。a)故障診斷器采用多分類器級(jí)聯(lián)模型，首先解決正常樣本與早期故障樣本難于區(qū)分的問題，即先將正常電路的特征樣本與所有故障電路的樣本分別構(gòu)成兩個(gè)不相交的子集，采用同態(tài)的集成技術(shù)構(gòu)造支持向量機(jī)分類器，形成層級(jí)h，用于區(qū)分出正常和故障狀態(tài)；其次對(duì)故障樣本，采用異態(tài)的集成技術(shù)訓(xùn)練出不同算法的基分類器，然后利用加權(quán)投票算法對(duì)分類器進(jìn)行合并，形成層級(jí)h，用于區(qū)分出不同故障狀態(tài)，這二層次結(jié)構(gòu)就形成了多分類的級(jí)聯(lián)推理思想。b)級(jí)聯(lián)模型的分類器構(gòu)造采用集成技術(shù)，首先對(duì)于層級(jí)&，采用同態(tài)集成技術(shù)，即利用單邊抽樣的Bagging算法，解決數(shù)據(jù)的不平衡問題訓(xùn)練出集成的支持向量機(jī)分類器。然后對(duì)于層級(jí)h，采用異態(tài)集成技術(shù)訓(xùn)練出基于貝葉斯、決策樹和支持向量機(jī)算法的合成分類器對(duì)樣本進(jìn)行加權(quán)投票輸出，增加故障診斷系統(tǒng)的泛化精度。(3)算法的軟件實(shí)現(xiàn)采用微軟C#.NET平臺(tái)，將Weka軟件項(xiàng)目的weka.jar文件通過IKVM.NET工具轉(zhuǎn)換成能被.NET調(diào)用的weka.dll程序集，對(duì)weka.dll中的某些類進(jìn)行重寫，完成對(duì)算法的具體實(shí)現(xiàn)之后采用三層架構(gòu)模型編寫軟件，實(shí)現(xiàn)對(duì)故障的具體分析與診斷。
【專利附圖】

【附圖說明】[0004]圖1故障特征提取流程圖
[0005]圖2故障決策流程圖
[0006]圖3軟件架構(gòu)圖
【具體實(shí)施方式】
[0007]基于知識(shí)的模擬電路故障診斷技術(shù)從本質(zhì)上講是一個(gè)模式識(shí)別與分類問題。因此，如何提取故障的有效特征是模擬電路故障診斷的關(guān)鍵技術(shù)和重要一環(huán)，同時(shí)提取特征的最終目的是對(duì)測(cè)試樣本構(gòu)造分類器，實(shí)現(xiàn)對(duì)不同故障種類的正確分類識(shí)別。最終要達(dá)到這樣的目的，完成對(duì)故障診斷的真實(shí)實(shí)現(xiàn)，必須要對(duì)算法進(jìn)行軟件的實(shí)現(xiàn)。
[0008]為了達(dá)到上述目的，本發(fā)明的方法是這樣實(shí)現(xiàn)的:
[0009]1、模擬電路故障特征信息的最優(yōu)小波提取
[0010]作為信號(hào)處理的小波故障特征信息提取方法是當(dāng)前的研究熱點(diǎn)，小波分析屬于多分辨率分析，是一種精細(xì)的時(shí)頻分析方法，對(duì)信號(hào)進(jìn)行多層分解，有利于得到更多的采樣信號(hào)局部細(xì)節(jié)特性，然而由于不同類型的小波具有不同的時(shí)頻特性，為了更有效的提取電路的故障特征信息，應(yīng)該使小波的時(shí)頻特征與電路響應(yīng)節(jié)點(diǎn)的時(shí)頻特征相匹配，因此，本發(fā)明使用一種基于信息熵最大原則的最優(yōu)母小波選擇方法來(lái)解決此問題。具體的步驟如下，其流程如圖1所不:
[0011](1)設(shè)任意給定的節(jié)點(diǎn)響應(yīng)信號(hào)為f (t)，根據(jù)小波變換的定義式，
【權(quán)利要求】
1.本發(fā)明涉及到一種模擬電路的故障診斷方法及其實(shí)現(xiàn)方式。其內(nèi)容主要包括信號(hào)的故障特征提取、故障的分類識(shí)別和算法的軟件實(shí)現(xiàn)三方面。其特征在于該方法按以下步驟進(jìn)行:(1)構(gòu)造故障特征信息庫(kù)，根據(jù)被測(cè)電路信號(hào)特點(diǎn)，采用信息熵最大原則(MEP)，選取最優(yōu)母小波，對(duì)被測(cè)電路的響應(yīng)節(jié)點(diǎn)進(jìn)行小波分解，提取被測(cè)電路的最優(yōu)特征，然后利用主成分分析(PCA)對(duì)每層進(jìn)行降維從而得到故障特征信息。(2)故障分析與智能診斷，根據(jù)獲得的故障特征信息參數(shù)，利用多分類器級(jí)聯(lián)模型和集成(Ensemble)[同態(tài)和異態(tài)]技術(shù)構(gòu)造智能故障診斷器辨識(shí)出可能存在的故障及其原因。a)故障診斷器采用多分類器級(jí)聯(lián)模型，首先解決正常樣本與早期故障樣本難于區(qū)分的問題，即先將正常電路的特征樣本與所有故障電路的樣本分別構(gòu)成兩個(gè)不相交的子集，采用同態(tài)的集成技術(shù)構(gòu)造支持向量機(jī)分類器，形成層級(jí)h，用于區(qū)分出正常和故障狀態(tài)；其次對(duì)故障樣本，采用異態(tài)的集成技術(shù)訓(xùn)練出不同算法的基分類器，然后利用加權(quán)投票算法對(duì)分類器進(jìn)行合并，形成層級(jí)h，用于區(qū)分出不同故障狀態(tài)，這二層次結(jié)構(gòu)就形成了多分類的級(jí)聯(lián)推理思想。b)級(jí)聯(lián)模型的分類器構(gòu)造采用集成技術(shù)，首先對(duì)于層級(jí)&，采用同態(tài)集成技術(shù)，即利用單邊抽樣的Bagging算法，解決數(shù)據(jù)的不平衡問題訓(xùn)練出集成的支持向量機(jī)分類器。然后對(duì)于層級(jí)Gi，采用異態(tài)集成技術(shù)訓(xùn)練出基于貝葉斯、決策樹和支持向量機(jī)算法的合成分類器對(duì)樣本進(jìn)行加權(quán)投票輸出，增加故障診斷系統(tǒng)的泛化精度。(3)算法的軟件實(shí)現(xiàn)采用微軟C#.NET平臺(tái)，將Weka軟件項(xiàng)目的weka.jar文件通過IKVM.NET工具轉(zhuǎn)換成能被.NET調(diào)用的weka.dll程序集，對(duì)weka.dll中的某些類進(jìn)行重寫，完成對(duì)算法的具體實(shí)現(xiàn)之后采用三層架構(gòu)模型編寫軟件，實(shí)現(xiàn)對(duì)故障的具體分析與診斷。本發(fā)明故障診斷方法具有故障診斷性能更高、診斷范圍更廣和算法健壯性、可解釋性更強(qiáng)的優(yōu)點(diǎn)。
【文檔編號(hào)】G01R31/3163GK103728551SQ201310034374
【公開日】2014年4月16日 申請(qǐng)日期:2013年1月30日 優(yōu)先權(quán)日:2013年1月30日
【發(fā)明者】史賢俊, 周紹磊, 廖劍, 肖支才, 戴邵武, 張文廣, 王朕, 張樹團(tuán), 秦亮 申請(qǐng)人:中國(guó)人民解放軍海軍航空工程學(xué)院