基于XGBoost和随机森林算法的模拟电路故障诊断方法技术

本发明专利技术公开了一种针对模拟电路ITC’97国际标准电路中的跳蛙（Leapfrog）滤波电路出现的故障进行检测的方法，该方法包括Leapfrog电路仿真系统的电路设计、Monte‑Carlo统计分析法产生数据、对测试信号进行小波包变换的特征提取方法、对特征进行随机森林算法的特征降维方法和对最终特征进行基于XGBoost模型的诊断方法。本发明专利技术的优点在于提出了一种将基于机器学习算法的模拟电路故障的数据处理形式。将该方法运用在模拟电路故障诊断上的，并通过不同方法的对比验证其故障诊断率超越了传统的模拟电路故障诊断方法且在模型训练的速度性能方面也有所提高，更加符合于工业现场对模拟电路故障诊断的精度与速度要求。

Analog Circuit Fault Diagnosis Method Based on XGBoost and Random Forest Algorithms

【技术实现步骤摘要】
基于XGBoost和随机森林算法的模拟电路故障诊断方法
本专利技术涉及一种基于XGBoost和随机森林算法的模拟电路故障诊断方法,属于故障诊断

技术介绍
随着第三次科技革命的兴起，电子设备与系统的规模在不断扩大，保障电子器械的低故障率，成为各大电子器械厂商普遍关注的内容，因此也对电路的故障诊断方法不断提出了新的要求。同时在电路设备中，模拟电路对环境敏感且故障率高，因此快速并且准确得寻找到模拟电路的故障具有重要的研究意义。此外，在大数据技术的发展中，许多机器学习算法相继提出，比如：随机森林、XGBoost、Adaboost等，其在推荐算法、供应商信用评价、结构损伤识别和交通状态短时预测等问题中都得到了广泛的应用，但其至今还很少应用在模拟电路故障诊断方面。该类方法难以运用在模拟电路故障诊断的一个重要原因是该领域尚未产生足够多的数据样本信息，难以训练出准确的分类模型，另一个原因是电子设备的生产加工对故障的诊断速度提出了要求，然而此类算法在模型的训练过程的时间开销大，无法满足工业要求。
技术实现思路
本专利技术的目的是提供一种基于XGBoost和随机森林算法的模拟电路故障诊断方法，在保证诊断准确率的同时，提高诊断速度以满足工业现场对电路诊断的精度与速度要求。为了达到上述目的，本专利技术采用的方法是：一种基于XGBoost和随机森林算法的模拟电路故障诊断方法，包括以下步骤：(1)采用Monte-Carlo统计方法对Leapfrog电路容差和阻差故障进行模拟仿真并构建样本集合；(2)通过小波包变换对测试源采集到的信号进行分解，选择合适的基小波函数进行5层小波包分解，提取粗第5层从低频到高频的共32个频率成分系数，作为样本特征部分；(3)构建随机森林模型RF，其弱分类器为CART决策树，通过网格搜索法调整RF模型参数，通过不同弱分类器的基尼指数评估特征重要性，之后对选取最重要的5个特征从而实现降维；(4)将降维后的特征与故障ID进行样本重构，将样本分组为训练样本与测试样本，选取XGBoost模型作为分类器,对XGBoost模型进行调参。本专利技术选择模拟电路ITC’97国际标准电路中的跳蛙(Leapfrog)滤波电路作为研究对象，该电路作为一种低通滤波器，常被用来滤除高频信号，通过直流信号和低频带的部分信号，广泛应用在音频放大器和数字机顶盒中，是低通滤波器的代表性电路，具有典型意义，能够保障样本的数量和有效性。作为本专利技术的一种改进，所述的步骤(1)的具体步骤如下：(1-1)用OrCAD/PSpice软件仿真跳蛙(Leapfrog)滤波电路，设置激励源，选取输出节点作为测试信号来源；(1-2)构建软故障模型，电阻标称值设为10k，容差范围设为5％。当R∈[9.5k，10.5k]时，电阻值处于标称值的±5％以内，因此认为其为无故障状态。同理认为15k为偏高软故障模型，当R∈[14.5k，15.5k]时，认为其为偏高软故障。5k为偏低软故障模型，当当R∈[4.5k，5.5k]时，认为其为偏低软故障，电容故障构建方式与此类似，具体软故障编码如下：以上为单故障模式的模型构建方式，此外模拟电路电容电阻原件也可能存在多故障模式，及同时有多个元件发生故障，我们假定多故障模式为同时仅有两个元件发生故障，其故障模型构建方式如下表：(1-3)对Leapfrog低通滤波器电路进行交流小信号扫描分析(ACSweep)，激励信号的偏置设置为0V，幅值设置为5V，扫描信号的频率范围设置为10Hz～1MEGHz，用蒙特卡洛(Monte-Carlo)统计分析方法进行200次仿真分析，收集不同的电路元件分析得到的正常状况与故障模式的测试信号的电压数据。作为本专利技术的一种改进，所述的步骤(2)中采用Monte-Carlo分析得到的正常状况与故障模式下的输出相应波形进行小波包去噪，选择‘db1’小波包对信号进行小波包分解，对其进行5层小波包分解，对第五层节点的各个系数进行重构，一共得到32个频带的能量值，具体分解方式如下：a)对电路所有模式下的输出模型进行分析，选择合适的基小波函数进行5层小波包分解，提取粗第5层从低频到高频的共32个频率成分系数，构成的系数序列可表示为：{W0，W1，W2，……，W31}b)对小波包的分解系数进行重构，提取频带范围不互相重叠的信号，Wj的重构信号用Sj表示，则原始信号可表示为：c)计算各频带Sj对应的能量特征值Ej：d)将各个频带的能量特征值Ej进行组合，表示为模拟电路故障特征向量T：T＝[E0,E1,E2,E3,……，E31]e)若能量相差较大，需对T进行归一化处理得到T’:作为本专利技术的一种改进，所述的步骤(3)中降维的具体步骤如下:(3-1)构建Bagging模型，其每一个弱分类器为CART决策树，即随机森林算法，将故障特征向量T与故障类型F作为样本集，通过样本集对随机森林算法(RF)进行训练，其中针对不同的弱分类器构建数据集时，采用自助采样阀，同时在构建决策树选择、结点的划分属性时也引入随机性；RF的参数包括：决策树数量n_estimators，每棵决策树最大特征数max_feature，决策树最大深度max_depth以及叶子节点最小样本数min_samples_leaf,这些参数的变化都将对RF的性能产生影响。(3-2)运用网格搜索法对RF的参数进行调节，通过交叉验证的思路对学习模型进行评估从而寻找最优参数。Python的scikit-learn库中提供的GridSearchCV模块对这一功能进行了支持。最终确定随机森林中决策树数量(n_estimators)为12，决策树最大深度(max_depth)为20；(3-3)调整好参数，并通过(3-1)中的方法构建了N课的CARF决策树作为弱分类器，根据基尼指数(GiniIndex)判断不同特征在每一弱分类器中的贡献度，其中基尼指数的计算方式为：特征Ej在节点m处的贡献度即可用m结点分枝前后的基尼指数变化量来衡量：若Ej所在的CARF的结点属于集合M，则Ej在第i棵树中的重要性为：若RF中CARF分类器个数为n，则最后将Ej对所有弱分类器的贡献度进行归一化处理即可。(3-4)根据(3-3)中的VIM计算方法得到E0～E31的VIM，根据VIM对特征的相关性进行排序，选取前5维特征，从而实现特征降维。作为本专利技术的一种改进，所述的步骤(4)中的调参结果如下：此外部分提升器参数对实验结果的影响较大，仍需重点调节，包括：学习率eta、决策树最大深度max_depth、最小叶子节点样本权重min_child_weight和最小损失函数下降值gamma。调参的具体调节步骤如下：a)首先选择较大学习率eta,设置在0.05到0.3之间，其余参数设定为默认初始值，利用XGBoost内部的交叉验证函数获取最佳决策树数量n_estimators，XGBoost中将对该参数作为命令行参数和num_round一起输入到模型中；b)结合给定的学习速率和决策树数量，对提升器其他参数设置合理的范围，包括：max_depth、min_child_weight和gamma，在该范围内初始设定一个较大的值，然后根据网格搜索法不断缩小范围；c)重复以上步骤，进一步降低学习率eta，直至找到最优参数。最本文档来自技高网...

【技术保护点】
1.基于XGBoost和随机森林算法的模拟电路故障诊断方法，其特征在于，包括以下步骤：(1)采用Monte‑Carlo统计方法对Leapfrog电路容差和阻差故障进行模拟仿真并构建样本集合；(2)通过小波包变换对测试源采集到的信号进行分解，选择合适的基小波函数进行5层小波包分解，提取粗第5层从低频到高频的共32个频率成分系数，作为样本特征部分；(3)构建随机森林模型RF，其弱分类器为CART决策树，通过网格搜索法调整RF模型参数，通过不同弱分类器的基尼指数评估特征重要性，之后对选取最重要的5个特征从而实现降维；(4)将降维后的特征与故障ID进行样本重构，将样本分组为训练样本与测试样本，选取XGBoost模型作为分类器,对XGBoost模型进行调参。

【技术特征摘要】
1.基于XGBoost和随机森林算法的模拟电路故障诊断方法，其特征在于，包括以下步骤：(1)采用Monte-Carlo统计方法对Leapfrog电路容差和阻差故障进行模拟仿真并构建样本集合；(2)通过小波包变换对测试源采集到的信号进行分解，选择合适的基小波函数进行5层小波包分解，提取粗第5层从低频到高频的共32个频率成分系数，作为样本特征部分；(3)构建随机森林模型RF，其弱分类器为CART决策树，通过网格搜索法调整RF模型参数，通过不同弱分类器的基尼指数评估特征重要性，之后对选取最重要的5个特征从而实现降维；(4)将降维后的特征与故障ID进行样本重构，将样本分组为训练样本与测试样本，选取XGBoost模型作为分类器,对XGBoost模型进行调参。2.根据权利要求1所述的基于XGBoost和随机森林算法的模拟电路故障诊断方法，其特征在于：所述的步骤(1)的具体步骤如下：(1-1)用OrCAD/PSpice软件仿真Leapfrog滤波电路，设置激励源，选取输出节点作为测试信号来源；(1-2)构建软故障模型，分别构建单故障模型和多故障模型；(1-3)对Leapfrog低通滤波器电路进行交流小信号扫描分析，激励信号的偏置设置为0V，幅值设置为5V，扫描信号的频率范围设置为10Hz～1MEGHz，用Monte-Carlo统计分析方法进行200次仿真分析，收集不同的电路元件分析得到的正常状况与故障模式的测试信号的电压数据。3.根据权利要求1所述的基于XGBoost和随机森林算法的模拟电路故障诊断方法，其特征在于：所述的步骤(2)中小波包分解，的具体分解方式如下：a)对电路所有模式下的输出模型进行分析，选择合适的基小波函数进行5层小波包分解，提取粗第5层从低频到高频的共32个频率成分系数，构成的系数序列可表示为：{W0，W1，W2，……，W31}b)对小波包的分解系数进行重构，提取频带范围不互相重叠的信号，Wj的重构信号用Sj表示，则原始信号可表示为：c)计算各频带Sj对应的能量特征值Ej：d)将各个频带的能量特征值Ej进行组合，表示为模拟电路故障...

【专利技术属性】
技术研发人员：张侃建，华璧辰，刘洋，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏,32