基于ＧＳＤ＿ＳＶＤＤ的模拟电路动态在线故障诊断方法技术

本发明专利技术公开了一种基于ＧＳＤ＿ＳＶＤＤ的模拟电路动态在线故障诊断方法，属于模拟电路故障诊断技术领域。本发明专利技术方法在离线测试中使用ＫＦＣＭ算法计算电路每个可测节点的故障分离度值，根据故障分离度值的大小选择最优测试节点集合；在在线诊断过程中，采用基于图谱空间距离正负样本加权的ＳＶＤＤ单类分类方法构建故障诊断模型，并采用分层诊断方法对测试样本进行诊断，同时动态更新故障类库及诊断模型。本发明专利技术方法有效的降低了诊断模型的训练和在线诊断时间，确保了在线诊断的实时性要求，提高了故障诊断的精度，并能动态更新诊断模型参数，使诊断系统具有自适应能力。

【技术实现步骤摘要】

本专利技术涉及一种模拟电路故障诊断方法，尤其是一种基于GSD_SVDD的模拟电路 在线故障诊断方法。
技术介绍
现代电子设备自测试、自诊断、自修复的发展趋势对模拟电路故障诊断提出了新 的要求，一旦某部分电路发生故障，要求能实现电路在线实时测试诊断，在不影响电路的正 常工作下，完成故障的隔离定位和修复并重新投入系统使用。尽管过去二十多年人们在离 线电路故障诊断技术上取得了不少的成果，然而在线实时电子设备故障诊断的研究仍然不 成熟。与离线模拟电路故障诊断相比，在线故障诊断面临了更多的困难，不仅需要克服 模拟电路中广泛存在的非线性，故障类型多，元器件存在容差等问题，还需要满足以下两点 要求(1)实时性。在线故障诊断对系统的实时性要求更高，一旦某部分电路发生故障，要 求诊断系统能立即诊断出结果，以便对系统故障进行及时修复，这都要求在线故障诊断中 数据采集、数据预处理、数据诊断的速度更快，不能影响电路的正常运行；(2)自适应性。在 线系统出现故障后要及时将诊断的故障信息反馈给诊断系统，实时修改诊断系统的各种参 数，增加系统的自适应性，电子设备在线运行过程中，由于设备环境、元器件容差等影响，设 备状态不断变化，因此要求诊断系统的各种参数要随时间不断更新，适应电子设备环境新 的要求。目前，基于信号处理的人工智能法是模拟电路在线诊断方法研究的热点。结合现 有文献和专利技术，模拟电路线诊断过程中，常用的信息处理技术有傅里叶变换，小波变 换，分数阶信号处理等，而常用的人工智能方法有神经网络法、粗糙集法、支持向量机法、智 能融合法等。基于信号处理的人工智能诊断方法虽然诊断效率高，解决了故障诊断的模糊 性和不确定性等问题，但是仍然具有以下不足(1)在线采集的信号受电子元件容差和外 界噪声的影响，导致信号处理时间过程长，无法满足在线诊断实时性的要求，而且信号处理 后的特征样本可分性不高；(2)人工智能法通常需要事先建立智能诊断模型，诊断模型训 练时间过长与实时性要求相矛盾。(3)在线诊断系统要求具有自适应性，而智能系统本身的 自适应能力与学习能力又局限了故障诊断的准确性和实时性。(4)现有的模拟电路在线故 障诊断方法得到的诊断精度不理想，误诊率较高。
技术实现思路
本专利技术的目的在于提供一种能够解决现有模拟电路在线诊断技术中存在的诊断 模型训练时间过长与实时性要求相矛盾、自适应能力不强和误诊率高的问题的模拟电路在 线故障诊断方法。本专利技术的思路是通过采用一种改进的SVDD分类方法，即基于图谱空间距离正负 样本加权的SVDD单类分类方法(简称GSD-SVDD，以下均同)，用于模拟电路故障诊断，以解决现有方法诊断模型训练时间过长与实时性要求相矛盾的问题。SVDD的基本思想是通过在特征空间中找出一个包围目标样本点的超球体并通过 最小化超球体所包围的体积来让目标样本点全部(或尽可能多)地被包围在超球体中，而 非目标样本点尽可能的不被包含在超球体中。SVDD是一种单类分类模型，由于只需要一类 训练样本，在具有较高诊断效果的同时，诊断模型的训练速度快，较传统人工智能法更能适 应在线故障诊断的实时性。但是，传统的SVDD在训练过程中对噪声和奇异点很敏感，当训 练样本中含有一些噪声或野值样本时，这些含有“异常”信息的样本在特征空间中常常位于 超球体附近，导致获得的超球体不是真正的最优超球体。本专利技术的GSD-SVDD方法根据图谱 空间距离为正负样本进行加权，将训练样本分成正负样本两类，每个样本点分配一个模糊 隶属度系数，由于每个样本点具有不同的惩罚系数，使得各样本点对描述边界影响能力不 同，可以通过弱化噪声点和奇异点的权值来减少噪声和奇异点的影响，以获得鲁棒性更好、 精度更高的描述超球体，能有效提高传统SVDD诊断模型的泛化能力和诊断精度。具体而言，本专利技术通过以下技术方案来达到本专利技术的目的基于GSD_SVDD的模拟电路动态在线故障诊断方法，其特征在于，包括以下各步 骤A、从待测电路中选择最优测试节点集合；B、通过步骤A中选择的测试节点采集待测电路的正常样本和故障样本，对采集的 样本进行特征提取和降维的预处理，得到训练正常样本集和故障样本集；C、对步骤B得到的训练正常样本集和故障样本集分别使用GSD_SVDD方法进行训 练，得到正常类诊断模型和故障类诊断模型；所述GSD_SVDD方法是一种基于图谱空间距 离正负样本加权的SVDD单类分类方法，该方法根据训练样本的图谱空间距离，将训练样本 分成正、负两类，将训练样本的图谱空间距离作为权值对该训练样本进行加权，并由加权的 正、负样本通过求解最小二次规划目标训练得到一个最优空间超球体，该超球体内包含正 样本，而负样本位于超球体外，训练时每个样本依据图谱空间距离不同而被赋予不同的惩 罚度；D、采集待测电路在线运行的测试样本，进行滤波、特征提取和降维的预处理；E、对步骤D采集的测试样本进行分层故障诊断首先，用正常类诊断模型判断是 否是故障，如果是，则采用故障类诊断模型定位故障类别，并更新样本库和诊断模型。上述技术方案中，选取最优测试节点集合可使用传统的寻优方法，例如灵敏度值 方法和智能算法寻优法，但灵敏度方法往往需要列出电路方程，对大规模电路和非线性电 路的适用性不强；而智能算法寻优法，需要设置寻优的目标函数，且寻优时间往往过长。因 此本专利技术采用故障分离度值来进行最优测试节点的选择，即根据KFCM算法计算在该节点 下采集的故障样本的故障分离度值，根据分离度值的大小选择最优测试节点集合，该方法 不需写出电路的节点方程，适合任意规模的线性电路和非线性电路，该方法反映了测试节 点的故障样本分离程度，有利于提高诊断系统的精度。另外，在对测试样本进行分层故障诊断时，本专利技术是根据测试样本与正常样本类 及故障样本类超球体球心距离是否大于该超球体半径来判断测试样本是否属于该类，但在 实际诊断中会存在多个故障类超球体满足上述条件，从而无法判定测试样本的所属类别。 为解决该问题，本专利技术采用贝叶斯决策规则判断测试样本所属的故障类，其判断函数为class of z=arg max Ni/N(ri-di(z))其中，Ni是训练样本中第i类故障样本数，i = l,...,c,c为故障样本类数，N为 所有训练样本总数，^是第i类GSD-SVDD诊断模型超球体的半径，Cli (ζ)是测试样本ζ距 离第i类诊断模型超球体球心的距离。综上所述，本专利技术在离线测试中使用KFCM算法计算电路每个可测节点的故障分 离度值，根据分离度值的大小选择最优测试节点集合；在在线诊断过程中，采用基于图谱空 间距离正负样本加权的SVDD单类分类方法(GSD-SVDD)进行故障诊断模型的构造，并采用 分层诊断方法对测试样本进行诊断并动态更新故障类库及诊断模型。相比现有技术，本发 明方法具有以下优点(1)本专利技术根据电路中可测节点的故障分离度值选择最优测试节点集合，不需要 写出节点方程，适合任意规模的线性电路和非线性电路，反映了测试节点的故障样本分离 程度，提高了诊断系统的精度。(2)本专利技术采用基于图谱空间距离正负样本加权的SVDD单类分类方法构建诊断 模型，既具有传统SVDD诊断方法模型训练速度快、诊断实时性好的优点，同时又减少了噪 声和奇异点的影响，提高了诊断模本文档来自技高网...

【技术保护点】
基于ＧＳＤ＿ＳＶＤＤ的模拟电路动态在线故障诊断方法，其特征在于，包括以下各步骤：　　Ａ、从待测电路中选择最优测试节点集合；　　Ｂ、通过步骤Ａ中选择的测试节点采集待测电路的正常样本和故障样本，对采集的样本进行特征提取和降维的预处理，得到训练正常样本集和故障样本集；　　Ｃ、对步骤Ｂ得到的训练正常样本集和故障样本集分别使用ＧＳＤ＿ＳＶＤＤ方法进行训练，得到正常类诊断模型和故障类诊断模型；所述ＧＳＤ＿ＳＶＤＤ方法是一种基于图谱空间距离正负样本加权的ＳＶＤＤ单类分类方法，该方法根据训练样本的图谱空间距离，将训练样本分成正、负两类，将训练样本的图谱空间距离作为权值对该训练样本进行加权，并由加权的正、负样本通过求解最小二次规划目标训练得到一个最优空间超球体，该超球体内包含正样本，而负样本位于超球体外，训练时每个样本依据图谱空间距离不同而被赋予不同的惩罚度；　　Ｄ、采集待测电路在线运行的测试样本，进行滤波、特征提取和降维的预处理；　　Ｅ、对步骤Ｄ采集的测试样本进行分层故障诊断：首先，用正常类诊断模型判断是否是故障，如果是，则采用故障类诊断模型定位故障类别，并更新样本库和诊断模型。

【技术特征摘要】

【专利技术属性】
技术研发人员：罗慧，王友仁，崔江，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：84[中国|南京]