[发明专利]基于多小波分析及SVM的X射线高压电源故障诊断方法

权利要求书

1.一种基于多小波分析及SVM的X射线高压电源故障诊断方法，其特征在于，所述基于多小波分析及SVM的X射线高压电源故障诊断方法包括：

首先通过实时设备采集X射线高压电源工作信号，对于信号利用GHM多小波直接进行多尺度分解，获取各个频段多小波系数；

然后提取多小波高频系数进行软阈值收缩，去除噪声干扰；

其次计算处理后的多小波高频系数的各频段绝对值和、能量和能量熵归一化后拼接成多维特征矢量；

最后将特征矢量送入训练好的SVM模型，获得最终的诊断结果；

所述基于多小波分析及SVM的X射线高压电源故障诊断方法具体包括：

步骤一，对输入是长度为N的电流信号，采用GHM多小波对信号进行多尺度分解，分解层数为L，分解后按照层数由高到低排列将高频系数表示为D_L,D_L-1,...,D₂,D₁，其中每个系数矩阵有2维；

步骤二，信号x(n)表示为：

x(n)＝f(n)+σz(n),n＝0,1,...,N-1；

f(n)为一维真实信号，z(n)为噪声，σ为噪声方差，N为信号长度；多小波去噪就是根据实际应用对多小波分解系数做出合理的处理；多小波软阈值处理多小波分解系数的方法表达为：

其中ω是小波系数，t是阈值；设置阈值

步骤三，对于长度为N的电流信号，采用GHM多小波进行L级分解后获取的多小波高频系数可表示为D_L,D_L-1,...,D₂,D₁，提取的多小波系数特征包括：每个频带系数的最大值、最小值、能量及能量熵；

步骤四，利用SVM模型对输入特征矢量进行诊断具体包括：SVM包含：线性SVM及非线性SVM，线性SVM目标函数及约束条件如下式：

该问题的学习方式采用对偶算法，则原问题式的对偶问题是：

非线性SVM对偶问题的目标函数及分类决策函数分别：

2.如权利要求1所述的基于多小波分析及SVM的X射线高压电源故障诊断方法，其特征在于，所述步骤一和步骤三中的N满足2的整数次幂。

3.如权利要求1所述的基于多小波分析及SVM的X射线高压电源故障诊断方法，其特征在于，所述步骤三中：

第L层高频系数D_L的能量定义为：

多小波高频系数的能量熵S表示为：

4.如权利要求1所述的基于多小波分析及SVM的X射线高压电源故障诊断方法，其特征在于，所述步骤四中采用SMO算法将原二次规划问题分解为只有两个变量的二次规划子问题，并对子问题进行解析求解，直到所有变量满足KKT条件为止；通过启发式的方法得到原二次规划问题的最优解，最后实现SVM的高效求解。

5.一种应用权利要求1～4任意一项所述基于多小波分析及SVM的X射线高压电源故障诊断方法的电源故障探测平台。