[发明专利]基于粒子群优化的流形SVM模拟电路故障诊断方法

说明书

本发明公开了基于粒子群优化的流形SVM模拟电路故障诊断方法，主要步骤为：用软件模拟诊断对象的故障；对于电路中的每一种故障用蒙特卡洛分析，检测故障的特征信号，用小波包将故障信号分解，基于最优小波熵原则使信号分解具有最大规律性，提取每组信号最优能量值为故障的特征值；对故障分类之前使用粒子群算法，对考虑到样本数据类间间隔的支持向量中的权重参数以及惩罚参数进行参数寻优，使SVM的最优超平面具有更好的分类效果，提高故障诊断的正确率。

技术领域

本发明属于模拟电路技术领域，是一种基于粒子群优化的流形SVM模拟电路故障诊断方法，主要应用于模拟电路的故障诊断，主要是基于小波包最优能量熵和流形结构，并用权重改进的粒子群算法对参数优化过的SVM(Support Vector Machine，支持向量机)模拟电路故障诊断。

背景技术

大数据时代的到来使得工业智能化迅猛发展，模拟电路也随之出现在各个领域，对于电路出现故障的诊断也就变得尤为重要。但是模拟电路复杂多样，故障参数连续，元器件容差等多种因素限制了其诊断技术的发展。人工智能概念的普及促进了机器学习算法的发展，更多学者将其运用于模拟电路的故障诊断。辛健等人提出小波变换与神经网络相结合的方法，但神经网络本身存在不足，训练样本多、存在过学习、鲁棒性差等问题。何拥军，曾文英等人提出了信息熵支持向量机算法来诊断传感器电路的故障，虽然提高了泛化能力，缩短了诊断时间，但却忽略了数据内部的结构特征，无法得出准确的诊断信息，影响了SVM的分类性能。本文提出了基于粒子群优化的流形SVM，融合数据分布结构的先验信息，同时将粒子群算法与支持向量机相结合，对其中的参数进行优化，能够有效地增强SVM的诊断效果。

发明内容

针对现有技术的缺陷，本发明提出了基于粒子群优化的流形SVM模拟电路故障诊断，可以更快更准确的诊断出模拟电路出现的故障。包括如下步骤：

1)用软件模拟诊断对象的故障，并测出分类故障的准确率；

2)对于电路中的每一种故障用蒙特卡洛分析，检测故障的特征信号，用小波包分析电路故障信号，基于最优小波熵原则使信号分解具有最大规律性，提取每组信号最优能量值为故障的特征值；

3)对故障分类时，选用考虑到数据内部流形结构的SVM，再使用改进权重的PSO算法对支持向量机中的参数进行寻优，最后将一部分数据进行样本训练，剩余部分进行判别分析，从而得出分类的正确率。

在1)中所用到的软件为orcad以及Pspice。

对于2)中提取的电路故障信号的步骤为：

(2-1)将所测量的信号进行3层小波包分解，能够得出8个频带的小波包分解系数

(2-2)在此基础上构建最优小波树，主要基于最优能量熵：

a.计算出小波树中每个节点的能量熵；

b.从最低一层小波包分解的子空间比较，若两个子空间的熵值小于母空间熵，保留这两个子空间，母空间的熵用这两个子空间的熵之和代替，反之保留母空间，舍弃子空间；

c.最后将剩余最优能量熵的系数重构可得最优小波树，再计算该信号的能量值，作为故障信号的特征值；

在3)中对故障分类时，构造SVM时，主要将样本数据之间的流形结构考虑进去，该方法步骤如下：

3-1).同类数据之间构造一个权重函数来刻画样本数据的流形局部几何结构，其权重函数为：

3-2)设定样本的内类相似度矩阵为：S＝ω(W'-W)ω，其中为同类的权重函数。

3-3)依此可以得到基于流形结构的类内离散度M＝μS+(1-μ)S_w，对于原始的最优化问题可以描述为；