[发明专利]基于支持向量分类的功率电子电路健康监测方法

权利要求书

1.一种基于支持向量分类的功率电子电路健康监测方法，其特征在于，包括如下步骤：

1）对待测的功率电子电路进行可测性分析，确定电路故障的层次、类型和数目并采用软件进行仿真；

2）进行离线操作包括数据采集、故障特征提取、分类器训练和故障字典的构建，所述故障特征提取，采用快速傅里叶分析方法或小波包分析方法；所述分类器训练包括SVDD训练方法，即支持向量机数据描述训练方法和SVC训练方法，即支持向量机分类器训练方法，其中，SVDD训练方法是一种单类分类方法，SVC训练方法是一种多类分类方法，利用SVDD训练方法把健康态的样本和故障态的样本分别进行训练，得到两组训练参数，把两组训练参数依次放入存储器中进行存储，形成两个故障字典，分别称为故障字典Fh和故障字典Ff；SVC的训练是采用M-ary支持向量机分类器进行训练，这种分类器是一种多分类器，此处把故障态样本进行SVC训练，得到对应的训练参数，把所有的训练参数保存进存储器，即形成了故障字典Fm；

3）在进行实际电路的在线监测时，利用可测点采集故障信息，并利用步骤2)中同样的故障特征提取方法实施故障信息压缩和提取，并利用离线操作中的故障字典对该故障样本进行状态决策与状态评估，具体步骤：

① 首先调取故障字典Ff，判断样本是否属于有故障状态，如果是，则转向第③，否则，转向步骤②；

② 调取故障字典Fh，判断样本是否属于健康态，如果是，则转向第③步，否则，报警产生新故障；

③ 调取故障字典Fm，按照前面所述的调整之后的训练结构进行故障定位，并输出所定位的故障模式；

④ 状态评估的方法如下：如果当前样本的状态属于健康态，则计算当前的样本与球心距之间的距离distx，并设定一定的阈值，即基线baseline，判断如果distx<baseline，则表明当前的系统属于健康态，工作状态良好；如果distx≥baseline，则表明系统健康出现问题，可能出现故障的概率较大。

2.根据权利要求1所述的基于支持向量分类的功率电子电路健康监测方法，其特征在于所述步骤2）中的分类器是M-ary支持向量分类器，进行机器学习时所需的训练样本标签分配，具体步骤如下：

① 计算所需的M-ary SVC子分类器的个数；

② 按照基于数字编码方法，使得子分类器进行排列，子分类器的排列按照自后往前或从左到右排列，每一列称为一层，最左边的列为第一层，最右边的列称为最后一层，每一列对应全部的故障模式，即某个子分类器的样本标签划分是在称为一层的概念上开展的；

③ 设计第一层SVC分类器的结构，即重新安排样本标签，再按照顺序，依次设计其他层的SVC结构，直至第一个SVC为止；此处定义两个概念：宏和子宏，所谓宏是针对某层SVC的训练样本集而言的，在本层内，包含属于“-1”标签或“+1”标签的模式类的集合都称为一个宏；子宏是由上层的宏或宏内的子宏分解而来，每个上层的宏总是分解为一个或两个子宏，这两个子宏之间还需重新调整样本的标签，即重新调整为两个新宏，由此，某层SVC的宏既包括一个子宏，也包括多个来自上层分解的子宏，最后一层的子宏数目最多，且每个子宏仅包括一种模式类，表明所有的模式类均已经分开，此处利用最小距离方法把一个宏分解为子宏，是由于对一个宏内的模式类而言，总是存在某几个模式类之间的欧式距离和最小，把这几个模式类划入到一个子宏内，剩余模式类划入另外一个子宏；

④ 按照步骤③得到的宏的结构安排SVC训练，每层经过训练之后得到的训练参数放入存储器中进行保存，形成一个二元支持向量机分类器BSVC；

⑤ 保存所有的BSVC参数即整体形成一部故障字典Fm，以用于多故障模式分类。