【技术实现步骤摘要】
本专利技术涉及模拟电路故障诊断，尤其涉及一种基于koopman算子纯数据驱动的模拟电路软故障诊断方法。
技术介绍
1、随着电路电子技术的迅速发展，电路系统朝着“大数字，小模拟”的电路结构演变。在模拟电路和数字电路组成的混合电路系统中，模拟电路所占比重不超过20％且仅占芯片总面积的5％左右，但是在电路系统发生故障时，超过80％的概率都是由模拟电路元器件故障引起的，且模拟电路的故障诊断成本占了诊断总成本的95％。因此模拟电路元器件正常运行对电路系统的可靠性和稳定性至关重要。
2、准确的模块级故障定位与辨识明晰的检测结果是电子工程迫切需要解决的课题，也是理论走向实际应用的关键步骤，由于模拟电路输入输出都是连续量，元件参数具有很大的离散性、非线性等问题，导致其故障诊断技术发展缓慢，至今仍未形成系统、成熟的理论和方法，随着人工智能技术的发展，为解决模拟电路故障诊断中的元件容差与非线性等难题提供了新的途径。
技术实现思路
1、本专利技术要解决的技术问题在于针对现有技术中的缺陷，提供一种基于koopman算子纯数据驱动的模拟电路软故障诊断方法，以提升电路诊断的精确度和诊断效率。
2、本专利技术解决其技术问题所采用的技术方案是：
3、本专利技术提供一种基于koopman算子纯数据驱动的模拟电路软故障诊断方法，该方法包括：
4、建立模拟电路原理图，选取模拟电路末端的输出信号的电压响应作为诊断信号，根据元器件在不同软故障下对故障类别进行编码分类，通过ps
5、将不同故障模式下的输出响应的电压通过延迟嵌入构造hankel矩阵对时序数据进行向量化，将时间信号反映在矩阵结构中来实现系统全局线性化；
6、通过dmd动态模式分解来求解每种故障模式下的koopman算子，基于奇异值分解的方法的得到koopman算子的特征值和故障模式，在koopman算符的特征空间内根据模态分布以及故障信号的模态能量占比，提取其特征值变化的范德蒙矩阵得到关键模态作为样本集；
7、设定最佳的一维自编码卷积神经网络的各模块层数，将样本集划分若干折交叉验证，输入到训练好的一维自编码卷积神经网络中进行故障诊断，得到诊断结果。
8、进一步地，本专利技术的选取模拟电路末端的输出信号的电压响应作为诊断信号，包括：
9、在pspice中绘制原理图，仿真分析后在matlab中搭建其控制电路的simulink模型，通过pspice软件与matlab/simulink软件之间的数据通信来获取各个故障模式下的输出信号。
10、进一步地，本专利技术的将不同故障模式下的输出响应的电压通过延迟嵌入构造hankel矩阵对时序数据进行向量化，包括：
11、对于一维n个采样点的时间序列s,s＝(x1,x2…xn)，相点xi∈r，构建hankel矩阵shankel，为了实现信号与噪声的充分分离，重构矩阵时应保证行数与列数的乘积尽可能大，根据不等式定理，当m和n相等或者接近时两者的乘积能够取得最大值；
12、
13、其中，m为时滞参数，由自相关或互信息的方法获得，n满足m+n-1＝n。
14、进一步地，本专利技术的通过dmd动态模式分解来求解每种故障模式下的koopman算子，包括：
15、dmd提供无限维koopman算子特征值和特征向量的有限维近似，通过奇异值分解算法寻求koopman算子k的相似矩阵进而得出原始序列的动力学特征模式；dmd方法从实验数据计算有限维线性模型的特征值和特征向量，该模型近似于无限维的koopman算子，并能分解给出与每个模态相关的增长率和频率；
16、通过模拟实验采集非自治系统数据如下，将其在时间维度上分成两个连续的矩阵：
17、x＝[x1 x2 … xn-1] y＝[x2 x3 … xn]，x,y∈rm×(n-1)
18、xi∈rm×1是时间步i处定义系统的m维状态的列向量，采用dmd计算最佳拟合线性算子a与数据y的联系：
19、
20、dmd模态也称为动态模式，每个dmd模态对应于a的特定特征值；当状态维度n大于一定值时，矩阵a难以直接分析，dmd通过减少pod投影矩阵的秩来规避a的完全特征分解，在数据充足的情况下，koopman算子的特征值和dmd的特征值是等价的，使用dmd方法通过计算矩阵a的伴随矩阵的左特征向量来计算koopman算子的特征函数。
21、进一步地，本专利技术的dmd方法的具体过程包括：
22、(1)对矩阵x进行奇异值分解：
23、x≈u∑v*
24、其中，*表示共轭转置，u和v分别为左特征向量和右特征向量，u和v的列向量是正交的，因此u*u＝i,v*v＝i，∑为包含r个非零的特征值的对角矩阵；
25、(2)接下来进行低秩截断，如果数据中存在低维结构,∑的奇异值将急剧下降到零,只有有限数量的主导模式；选取一个给定的秩r，其奇异值的和占了全部奇异值之和的99％以上的比例，可得：
26、
27、将其投影到r阶特征向量中，得到相似矩阵：
28、
29、经相似变换后的矩阵与原矩阵a具有相同的特征值，且a的特征向量可以通过的特征向量表示；
30、(3)对相似矩阵进行特征值分解：
31、
32、式中，w的每一列是特征向量,λ∈rr×r为对角矩阵λ＝diag([λ1λ2…λr])，包含矩阵的复特征值；
33、(4)最后，从w和λ重构a的特征分解；其中，a的特征值由λ给出，a的特征向量由φ的列给出：
34、φ＝yv∑-1w
35、上式中由特征值和特征向量的低阶矩阵逼近得到，动力学模式分解重构矩阵通过r阶特征向量求和得到；
36、
37、式中，φ为由动力学模式分解特征向量φi组成的矩阵，ω＝diag(λj)为相似矩阵的特征值λj组成的对角阵，b为所有模式的幅值，其中x1为初始快照t1＝0的值，表示广义逆。
38、进一步地，本专利技术的在koopman算符的特征空间内根据模态分布以及故障信号的模态能量占比，提取其特征值变化的范德蒙矩阵得到关键模态，包括：
39、用信号的能量对模态进行排序，模态的能量被定义为，每一时刻、每一点振幅的平方和；每一时刻的的信号等于初始信号乘以特征值，计算为：uxk＝ux1·λk-1＝φ·b·λk-1，其中ux1为信号的初始值，b为模态对应的初始值，φ为模态，λ为特征值，对于不同的模态，不同时间，利用范德蒙矩阵来储存特征值的变化，总共有m个特征值：
40、
41、求第r个模态随时间的变化，只需要提出范德蒙矩阵的一部分，然后利用进行求解即可，λr是第r个模态对应的特征根；之后得到了这个模态下，每一时刻每一位置组成的时间-空本文档来自技高网...
【技术保护点】
1.一种基于Koopman算子纯数据驱动的模拟电路软故障诊断方法，其特征在于，该方法包括：
2.根据权利要求1所述的基于Koopman算子纯数据驱动的模拟电路软故障诊断方法，其特征在于，所述选取模拟电路末端的输出信号的电压响应作为诊断信号，包括：
3.根据权利要求1或2所述的基于Koopman算子纯数据驱动的模拟电路软故障诊断方法，其特征在于，所述将不同故障模式下的输出响应的电压通过延迟嵌入构造Hankel矩阵对时序数据进行向量化，包括：
4.根据权利要求3所述的基于Koopman算子纯数据驱动的模拟电路软故障诊断方法，其特征在于，所述通过DMD动态模式分解来求解每种故障模式下的Koopman算子，包括：
5.根据权利要求4所述的基于Koopman算子纯数据驱动的模拟电路软故障诊断方法，其特征在于，所述DMD方法的具体过程包括：
6.根据权利要求5所述的基于Koopman算子纯数据驱动的模拟电路软故障诊断方法，其特征在于，所述在Koopman算符的特征空间内根据模态分布以及故障信号的模态能量占比，提取其特征值变化的范德蒙
7.根据权利要求6所述的基于Koopman算子纯数据驱动的模拟电路软故障诊断方法，其特征在于，所述将样本集划分若干折交叉验证，输入到训练好的一维自编码卷积神经网络中进行故障诊断，得到诊断结果，包括：
8.根据权利要求7所述的基于Koopman算子纯数据驱动的模拟电路软故障诊断方法，其特征在于，所述一维自编码卷积神经网络，采用基于1D-CNN的分类器构造遵循端到端框架，为了获得更好的训练模型，采用Adam梯度算法，通过计算梯度的一阶矩估计和二阶矩估计而为不同的参数设计独立的自适应性学习率，1D-CNN模型包括两个块、fc层和softmax分类器，其中，两个块对应第一卷积层、第二池化层、第三卷积层、第四池化层，fc层对应全连接层，softmax分类器对应输出层，通过减少权重的固定比例来降低模型的复杂度避免过拟合；将训练集输入到1D-CNN模型中进行训练测试，设置迭代轮数，每轮迭代的次数，得到迭代过程中训练集与测试集准确度和损失变化曲线，当测试集准确度达到了一定的百分数，表示能够从原始时间序列中提取深度故障特征。
9.一种基于Koopman算子纯数据驱动的模拟电路软故障诊断系统，其特征在于，包括：
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种基于koopman算子纯数据驱动的模拟电路软故障诊断方法，其特征在于，该方法包括：
2.根据权利要求1所述的基于koopman算子纯数据驱动的模拟电路软故障诊断方法，其特征在于，所述选取模拟电路末端的输出信号的电压响应作为诊断信号，包括：
3.根据权利要求1或2所述的基于koopman算子纯数据驱动的模拟电路软故障诊断方法，其特征在于，所述将不同故障模式下的输出响应的电压通过延迟嵌入构造hankel矩阵对时序数据进行向量化，包括：
4.根据权利要求3所述的基于koopman算子纯数据驱动的模拟电路软故障诊断方法，其特征在于，所述通过dmd动态模式分解来求解每种故障模式下的koopman算子，包括：
5.根据权利要求4所述的基于koopman算子纯数据驱动的模拟电路软故障诊断方法，其特征在于，所述dmd方法的具体过程包括：
6.根据权利要求5所述的基于koopman算子纯数据驱动的模拟电路软故障诊断方法，其特征在于，所述在koopman算符的特征空间内根据模态分布以及故障信号的模态能量占比，提取其特征值变化的范德蒙矩阵得到关键模态，包括：
7.根据权利要求6所述的基于koopman算子纯数据驱动的模拟电路软故障诊...
【专利技术属性】
技术研发人员：刘美容，段涛，何鎏璐，
申请(专利权)人：宁波力斗智能技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。