[发明专利]一种基于改进优选小波包的故障诊断方法

说明书

本发明公开了一种基于改进优选小波包的决策树SVM模拟电路故障诊断方法，包括如下步骤：利用电路仿真软件提取各故障模式下的电路响应信号；利用改进的优选小波包方法选出提取故障特征的最佳小波基函数；利用选取出的最优小波基函数对原信号进行小波包变换，形成故障样本特征向量集；利用最小生成树求取所有故障特征向量集之间的链路结构；利用组间互连接距离求出最佳的决策树拓扑结构；按照拓扑树结构训练出决策树模型，最后利用故障样本向量集训练每一个节点对应的SVM分类器。本发明具有良好的鲁棒性，泛化性能较强。

技术领域

本发明涉及模拟电路故障诊断技术，特别是一种基于改进优选小波包的故障诊断方法。

背景技术

模拟电路测试与故障诊断在电路设计、设备生产和仪器维护中发挥着关键作用，是目前学术研究者和工程师在电子测试领域中具有挑战性的重要课题。随着电子技术的迅速发展，模拟电路的复杂度和密集度不断增长，对模拟电路运行可靠性提出了更为严格的要求。在模拟电路测试和故障诊断中，传统的故障诊断理论和方法不能很好地解决因元件容差性、输出响应的连续性和非线性等电路固有属性而造成的故障多样性和复杂性问题，研究切合实用、高效高性能的现代智能故障诊断理论和方法尤为迫切。

模拟电路故障诊断包括故障检测、故障识别和故障预测三个方面。经过近20年的发展，以人工智能为理论基础的模拟电路故障诊断方法成为故障诊断领域的热点，尤其是以神经网络为代表的方法，由于具有较强的分类、辨识和推理能力，以及在处理非线性映射和容错方面的优点，使其成为模拟电路智能故障诊断方法的典范。本世纪以来，将小波分析理论、生物进化算法及信息融合技术等应用于模拟电路故障诊断的研究也开始起步，出现了多种方法相融合的新途径。利用小波分析提高故障特征的质量，结合模糊理论和进化算法优化分类器的结构，已成为智能故障诊断方法的主要方向。

基于优选小波包的方法近年来被提出，广泛应用于模拟电路故障诊断的故障特征提取，现有的基于优选小波包的诊断方法存在选取标准泛化性不强，不能较好的表征特征向量集的类间可分性测度从而难以挑选出实际上最佳的最优小波基函数的问题。

发明内容

本发明的目的在于提供一种基于改进优选小波包的决策树SVM模拟电路故障诊断方法，提高电路故障诊断在提取故障特征样本环节的有效性。

实现本发明目的的技术方案为：一种基于改进优选小波包的故障诊断方法，包括如下步骤：

步骤1，利用电路仿真软件提取各故障模式下的电路响应信号；

步骤2，利用改进的基于能量熵的优选小波包方法挑选出提取故障特征的最佳小波基函数；

步骤3，利用选取出的最优小波基函数对原信号进行小波包变换，形成故障样本特征向量集；

步骤4，利用最小生成树求取所有故障特征向量集之间的拓扑链路结构；

步骤5，利用组间互连接距离求出最佳的决策树拓扑结构，然后按照拓扑树结构训练出决策树模型；

步骤6，利用故障样本向量集训练每一个节点对应的SVM分类器。

进一步地，步骤2所述采用的改进型基于能量熵的优选小波方法可以更好的提取出有利于增加类间可分性测度的小波包基函数，具体如下：

在待选小波包基函数库中挑选一个给定的小波基函数对原始样本进行小波包变换，公式如下：

小波包系数递推公式如下：

小波包的重构公式如下：

其中，h(k)和g(k)分别为多尺度分析中低通滤波系数和高通滤波系数，表示小波包分解后节点(j,n)所对应的第k个系数，节点(j,n)表示第j层的第n个频带；