基于遗传算法优化相关向量机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基于遗传算法优化相关向量机的模拟电路故障诊断方法，包括如下步骤：S1：数据仿真、采集；S2：特征提取；S3：遗传算法优化相关向量机以及故障分类与诊断：将经过经验模态分解与复合多尺度交叉熵计算得到的特征构建特征向量并输入到遗传算法优化的相关向量机模型中进行训练，进行故障的诊断与分类；本发明专利技术对高集成度，高复杂度的智能仪器仪表设备的模拟电路监测与维护行业友好，有利于提高模拟电路系统安全性和稳定性。即使是高集成度，高复杂度的智能仪器仪表设备的模拟电路系统，也能够实现快速且准确的故障诊断。因此，本发明专利技术在保障模拟电路平稳运行的同时，进一步提高了仪器设备的使用寿命与应用安全。提高了仪器设备的使用寿命与应用安全。提高了仪器设备的使用寿命与应用安全。

【技术实现步骤摘要】
基于遗传算法优化相关向量机的模拟电路故障诊断方法


[0001]本专利技术属于模拟电路故障诊断
，具体涉及一种基于遗传算法优化相关向量机的模拟电路故障诊断方法。

技术介绍

[0002]随着经济的飞速发展以及仪器智能化的快速推进，高集成度和复杂度的模拟电路广泛的应用于各类智能仪器仪表中。模拟电路是智能仪器仪表的重要组成部分。模拟电路的正常运行需要信号的产生、方法、转换以及运算等过程的保证。任何一个部分出现故障，将影响模拟电路所控制的仪器仪表的正常运行。因此，如何构建智能的模拟电路故障诊断算法，实现对模拟电路故障的实时诊断、分类，对提高对智能仪器仪表的稳定性具有相当重要的意义。为此，我们提出一种基于遗传算法优化相关向量机的模拟电路故障诊断方法，以解决上述
技术介绍
中提到的问题。

技术实现思路

[0003]本专利技术的目的在于提供一种基于遗传算法优化相关向量机的模拟电路故障诊断方法，以解决上述
技术介绍
中提出的问题。
[0004]为实现上述目的，本专利技术提供如下技术方案：一种基于遗传算法优化相关向量机的模拟电路故障诊断方法，包括如下步骤：
[0005]S1：数据仿真、采集：采用Monte Carlo分析仿真Sallen
‑
key滤波电路，通过容差变异体操作设置不同故障并输出电压响应，构建故障数据库；
[0006]S2：特征提取：使用经验模态分解，将原始信号分解为有限个固有模态分量以及一个残余分量，再利用复合多尺度熵算法，分别计算出这些固有模态分量在不同时间尺度下的样本熵值，并据此构造能反映电路故障的特征向量；减少信号冗余，提高特征敏感度；
[0007]经验模态分解是一个把原始信号变得相对平稳的过程，将任何信号分解为若干个单一频率的模态分量以及一个近似单调的RES残余分量，且不需要对原始信号做任何的预处理与分析，但是每一个模态分量必须同时满足下面两个条件：
[0008]1、在整个时间范围内，信号序列的极值点个数与过零点个数相等，或者最多相差一个；
[0009]2、在信号的有限时间段内，由信号局部极大值形成的上包络线和局部极小值形成的下包络线所确定均值应该为0；
[0010]复合多尺度交叉熵通过依次平滑移动生成N个粗粒序列；
[0011]S3：遗传算法优化相关向量机以及故障分类与诊断：将经过经验模态分解与复合多尺度交叉熵计算得到的特征构建特征向量并输入到遗传算法优化的相关向量机模型中进行训练，进行故障的诊断与分类，所提出的遗传算法优化的相关向量机，通过遗传算法自适应优化核函数的参数，与选择最优参数训练特征向量，具有更佳的分类性能。
[0012]参与经验模态分解和多尺度交叉熵计算的故障电压数据包括7类容差变异情况；
随机抽取80％特征向量用于训练遗传算法优化的相关向量机，随机抽取20％特征向量用于测试遗传算法优化的相关向量机；遗传算法优化的相关向量机核函数参数经过种群计算，自适应地选择最优参数。
[0013]通过Monte Carlo分析仿真Sallen
‑
key滤波电路，并经过变异体操作设置不同电路故障采集不同故障数据，电源电压：100V、电源频率：25Khz；采集每256个点为一组故障数据。
[0014]遗传算法优化的相关向量机的模型选择高斯核函数为核函数，高斯核函数参数通过遗传算法优化获得。
[0015]与现有技术相比，本专利技术的有益效果是：本专利技术提供的一种基于遗传算法优化相关向量机的模拟电路故障诊断方法，本专利技术对高集成度，高复杂度的智能仪器仪表设备的模拟电路监测与维护行业友好，有利于提高模拟电路系统安全性和稳定性。即使是高集成度，高复杂度的智能仪器仪表设备的模拟电路系统，也能够实现快速且准确的故障诊断。因此，本专利技术在保障模拟电路平稳运行的同时，进一步提高了仪器设备的使用寿命与应用安全。
[0016]本专利技术针对非线性、非平稳性电压故障数据，首次提出一种基于遗传算法优化相关向量机的模拟电路故障诊断方法，该方法通过Sallen
‑
key滤波电路故障数据进一步验证了可行性和迁移性，与其他所提出方法相比，具有更高的识别精度和识别效率。本专利技术首次提出采用经验模态分解、复合多尺度交叉熵和遗传算法优化相关向量机结合构建模拟电路故障诊断模型，所提出的模型能够进一步提高故障电压数据的特征敏感度，具有更好的故障诊断性能。本专利技术首次提出将遗传算法优化的相关向量机应用于模拟电路故障诊断中，具有小样本训练优势的相关向量机适用于提取特征信息后的特征向量，自适应优化后的核函数参数为相关向量机提供了更好训练效果。本专利技术适用于各类智能仪器仪表的模拟电路故障诊断，能够在短时间内准确诊断电路故障位置与类型，有效地提高了仪器设备的使用寿命和应用安全。
附图说明
[0017]图1为本专利技术基于遗传算法优化相关向量机的模拟电路故障诊断方法的故障诊断框架图；
[0018]图2为本专利技术基于遗传算法优化相关向量机的模拟电路故障诊断方法搭建的Sallen
‑
key滤波电路图；
[0019]图3为本专利技术基于遗传算法优化相关向量机的模拟电路故障诊断方法变异体操作、故障数据仿真图。
具体实施方式
[0020]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0021]本专利技术提供了如图1
‑
3的一种基于遗传算法优化相关向量机的模拟电路故障诊断
方法，包括如下步骤：
[0022]S1：数据仿真、采集：采用Monte Carlo分析仿真Sallen
‑
key滤波电路，通过容差变异体操作设置不同故障并输出电压响应，构建故障数据库；
[0023]S2：特征提取：使用经验模态分解，将原始信号分解为有限个固有模态分量以及一个残余分量，再利用复合多尺度熵算法，分别计算出这些固有模态分量在不同时间尺度下的样本熵值，并据此构造能反映电路故障的特征向量；减少信号冗余，提高特征敏感度；
[0024]经验模态分解是一个把原始信号变得相对平稳的过程，将任何信号分解为若干个单一频率的模态分量以及一个近似单调的RES残余分量，且不需要对原始信号做任何的预处理与分析，但是每一个模态分量必须同时满足下面两个条件：
[0025]1、在整个时间范围内，信号序列的极值点个数与过零点个数相等，或者最多相差一个；
[0026]2、在信号的有限时间段内，由信号局部极大值形成的上包络线和局部极小值形成的下包络线所确定均值应该为0；
[0027]复合多尺度交叉熵通过依次平滑移动生成N个粗粒序列；
[0028]S3：遗传算法优化相关向量机以及故障分类与诊断：将经过经验模态分解与复合多尺度交叉熵计算得到的特征构建特征向量本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于遗传算法优化相关向量机的模拟电路故障诊断方法，其特征在于：包括如下步骤：S1：数据仿真、采集：采用Monte Carlo分析仿真Sallen
‑
key滤波电路，通过容差变异体操作设置不同故障并输出电压响应，构建故障数据库；S2：特征提取：使用经验模态分解，将原始信号分解为有限个固有模态分量以及一个残余分量，再利用复合多尺度熵算法，分别计算出这些固有模态分量在不同时间尺度下的样本熵值，并据此构造能反映电路故障的特征向量；S3：遗传算法优化相关向量机以及故障分类与诊断：将经过经验模态分解与复合多尺度交叉熵计算得到的特征构建特征向量并输入到遗传算法优化的相关向量机模型中进行训练，进行故障的诊断与分类，所提出的遗传算法优化的相关向量机，通过遗传算法自适应优化核函数的参数，与选择最优参数训练特征向量。2.根据权利要求1所述的一种基于遗传算法优化相关向量机的模拟电路故障诊断方法，其特征在于：经验模态分解是一个把原始信号变得相对平稳的过程，将任何信号分解为若干个单一频率的模态分量以及一个近似单调的RES残余分量，且不需要对原始信号做任何的预处理与分析，但是每一个模态分量必须同时满足下面两个条件：1、在整个时间范围内，信号序列的极值点个数与过零点个数相等，或者...

【专利技术属性】
技术研发人员：熊建斌，陈康，梁琼，余得正，聂锦机，吴秀翔，唐廖浩，叶宝玉，
申请(专利权)人：广东技术师范大学，
类型：发明
国别省市：