一种模拟电路软故障诊断方法技术

本发明专利技术公开了一种模拟电路软故障诊断方法，依次通过模拟电路的故障数据采集

【技术实现步骤摘要】
一种模拟电路软故障诊断方法


[0001]本专利技术涉及模拟电路软故障诊断
，具体为一种模拟电路软故障诊断方法
。

技术介绍

[0002]高度复杂和集成的模拟电路在各个领域发挥了巨大的作用，已经成为当代各电子设备的重要组成部分；
[0003]而随着经济市场的不断扩大，如何提高其稳定性和寿命时长已经有了迫切的需求，针对模拟电路的故障诊断技术，将有效的提高对设备的电路系统故障种类进行确认定位，从而对设备故障问题提供正确的维护维修；
[0004]尽管在现代电子系统中，数字电路部分占据着系统较多的比重，但仍然有
80
％的故障是由模拟电路故障引起的
。
而相对应的故障诊断方法却发展缓慢，所以模拟电路的故障诊断一直是研究中的热门问题
。
[0005]利用智能算法来辅助甚至代替人工对故障的检测与计算的方法具有高效省时的特点，而针对模拟电路的故障诊断技术应用在电路系统中时，只要保证该方法有足够的故障数据和训练时间，那么它就可以通过输出节点的变化对电路元器件故障类型进行预警，从而能及时提醒维修人员更换元器件，排除故障；目前针对模拟电路的诊断技术还仍处于发展阶段，因此研究新的故障诊断的思路对今后的应用前景巨大，从而具有很高的研究价值；
[0006]为此，本专利技术提供了一种改进的自适应性噪声完备集合经验模态分解与遗传算法优化支持向量机的故障诊断方法
。

技术实现思路

[0007]本专利技术的目的在于提供一种改进的自适应性噪声完备集合经验模态分解与遗传算法优化支持向量机的模拟电路软故障诊断方法，以解决上述
技术介绍
中提出的问题
。
[0008]为实现上述目的，本专利技术提供如下技术方案：一种模拟电路软故障诊断方法，包括如下步骤：
[0009]步骤1：模拟电路的故障数据采集；
[0010]步骤2：改进的自适应性噪声完备集合经验模态分解对步骤1中的采集故障数据预处理，进而得到故障特征向量；
[0011]步骤3：采样遗传算法优化支持向量机识别分类与步骤2中的采集故障数据预处理，并对遗传算法优化支持向量机识别分类输出的结果识别
。
[0012]进一步的，所述步骤1包括软故障参数范围设置
、
线路连接搭建以及测量在采集输出端口
OUT
处采集电压信号，用在待测电路同一输出测量节点采集不同故障类型的输出电压信号
。
[0013]进一步的，所述步骤1中的故障数据采集包含每一组数据有
60
个故障采集点
。
[0014]进一步的，所述步骤2包含将其中一组数据通过改进的自适应性噪声完备集合经验模态分解得到各频段的固有模态分量和一组残差值，并将前两个模态分量和该种故障的原始数据预处理所得到的故障特征向量作为这一组的故障特征向量
。
[0015]进一步的，所述步骤3是通过优化算法遗传算法来选取最优的高斯核函数中自带的高斯核函数的参数
C
和
σ
进而训练出最优分类模型
。
[0016]进一步的，最优分类模型的高斯核函数
C
和
σ
由下述流程获得：
[0017]1)
确定寻求最优问题参数；
[0018]2)
对参数进行编码，本文使用的是二进制编码；
[0019]3)
选定遗传适应性函数；
[0020]4)
初始化种群，确定种群的大小
n
，对种群进行选择
、
变异
、
交叉算子的操作，变异概率为
10
％和交叉概率为
10
％，遗传操作比例为
0.9
；
[0021]5)
随机生成表示当前种群集合的种群
P
；
[0022]在种群中使用交叉算子
、
选择算子
、
变异算子来产生下一代族群群体；
[0023]6)
如果新一代种群满足设定的条件，既结束运算，输出最优数据，如果不满足，继续回到上一工序迭代，最后输出最优的参数
C
和
σ
；
[0024]7)
达到通过遗传适应性函数，评估种群中每个个体的适应度
(fitness)
，来确定个体的优劣程度，进而寻求最优问题参数
。
[0025]与现有技术相比，本专利技术的有益效果是：
[0026]本专利技术，通过模拟电路的故障数据采集
、
改进的自适应性噪声完备集合经验模态分解对模拟电路的故障数据采集中的采集故障数据预处理，达到自适应性噪声完备集合经验模态分解的效果，并通过自适应性噪声完备集合经验模态分解与遗传算法优化支持向量机配合，具有先对故障数据进行自适应噪声完备集合经验模态分解，提取出固有模态函数，构建故障特征向量集，然后将遗传算法引入支持向量机中，对支持向量机的模型参数进行智能化的最优参数寻求，最后导入故障特征向量集，应用支持向量机对其进行故障分类诊断的目的；
[0027]具有快速
、
准确识别非线性
、
不平稳
、
时变性的故障数据集下的故障类型，具有有效性和良好的综合诊断性特点；
[0028]本专利技术将改进的自适应性噪声完备集合经验模态分解与遗传算法优化支持向量机相结合，构建出了一种新的模拟电路的故障诊断思路框架，与其他的智能算法以及传统的智能优化算法相比，本专利技术具有更良好的综合诊断特性，从而能够为电子电路维修行业从业者提供一种新的
、
种类丰富的检测模拟电路运行工作时出现软故障的手段，便于电子电路维修行业从业者对模拟电路运行过程中出现的元器件参数变化范围超过容差的问题检测，从而提高了电子电路维修行业人员故障检测的效率，避免了因为模拟电路部分故障而引发的整体电路系统重大故障的发生
、
保障了整体电路系统的正常运行
。
附图说明
[0029]图1为本专利技术一种小波包分析与麻雀算法优化支持向量机的故障诊断方法的流程示意图；
[0030]图2为本专利技术在模拟电路中采集故障信息的节点
OUT
处对应的电路位置
。
具体实施方式
[0031]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
。
[0032]请参阅图1‑2，本专利技术提供一种技术方案：一种模拟电路软故障诊断方法，包括如下步骤：
[0033]步骤1：模拟电路的故障数据采集；
[0034]所述步骤1包本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种模拟电路软故障诊断方法，其特征在于，包括如下步骤：步骤1：模拟电路的故障数据采集；步骤2：改进的自适应性噪声完备集合经验模态分解对步骤1中的采集故障数据预处理，进而得到故障特征向量；步骤3：采样遗传算法优化支持向量机识别分类与步骤2中的采集故障数据预处理，并对遗传算法优化支持向量机识别分类输出的结果识别
。2.
根据权利要求1所述的一种模拟电路软故障诊断方法，其特征在于：所述步骤1包括软故障参数范围设置
、
线路连接搭建以及测量在采集输出端口
OUT
处采集电压信号，用在待测电路同一输出测量节点采集不同故障类型的输出电压信号
。3.
根据权利要求2所述的一种模拟电路软故障诊断方法，其特征在于：所述步骤1中的故障数据采集包含每一组数据有
60
个故障采集点
。4.
根据权利要求1所述的一种模拟电路软故障诊断方法，其特征在于：所述步骤2包含将其中一组数据通过改进的自适应性噪声完备集合经验模态分解得到各频段的固有模态分量和一组残差值，并将前两个模态分量和该种故障的原始数据预处理所得到的故障特征向量作为这一组的故障特征向量
。5.
根据权利要求1所述的一种模拟电路软故障诊断方法，其特征在于：所述步骤3是通过优化算法遗传算法来选取最优的高斯核函数中自带的高斯核函数的参数
C
和
σ
进而训练出最优分类模型，参数
C<...

【专利技术属性】
技术研发人员：熊建斌，唐廖浩，张震浩，杨焕槟，吴俊廷，杨雄家，黄文波，张思晴，徐炎冰，何文潼，许锐斌，赖文斌，庞建军，
申请(专利权)人：广东技术师范大学，
类型：发明
国别省市：