[发明专利]基于XGBoost和随机森林算法的模拟电路故障诊断方法

权利要求书

1.基于XGBoost和随机森林算法的模拟电路故障诊断方法，其特征在于，包括以下步骤：

(1)采用Monte-Carlo统计方法对Leapfrog电路容差和阻差故障进行模拟仿真并构建样本集合；

(2)通过小波包变换对测试源采集到的信号进行分解，选择合适的基小波函数进行5层小波包分解，提取粗第5层从低频到高频的共32个频率成分系数，作为样本特征部分；

(3)构建随机森林模型RF，其弱分类器为CART决策树，通过网格搜索法调整RF模型参数，通过不同弱分类器的基尼指数评估特征重要性，之后对选取最重要的5个特征从而实现降维；

(4)将降维后的特征与故障ID进行样本重构，将样本分组为训练样本与测试样本，选取XGBoost模型作为分类器,对XGBoost模型进行调参。

2.根据权利要求1所述的基于XGBoost和随机森林算法的模拟电路故障诊断方法，其特征在于：所述的步骤(1)的具体步骤如下：

(1-1)用OrCAD/PSpice软件仿真Leapfrog滤波电路，设置激励源，选取输出节点作为测试信号来源；

(1-2)构建软故障模型，分别构建单故障模型和多故障模型；

(1-3)对Leapfrog低通滤波器电路进行交流小信号扫描分析，激励信号的偏置设置为0V，幅值设置为5V，扫描信号的频率范围设置为10Hz～1MEGHz，用Monte-Carlo统计分析方法进行200次仿真分析，收集不同的电路元件分析得到的正常状况与故障模式的测试信号的电压数据。

3.根据权利要求1所述的基于XGBoost和随机森林算法的模拟电路故障诊断方法，其特征在于：所述的步骤(2)中小波包分解，的具体分解方式如下：

a)对电路所有模式下的输出模型进行分析，选择合适的基小波函数进行5层小波包分解，提取粗第5层从低频到高频的共32个频率成分系数，构成的系数序列可表示为：

{W0，W1，W2，……，W31}

b)对小波包的分解系数进行重构，提取频带范围不互相重叠的信号，Wj的重构信号用Sj表示，则原始信号可表示为：

c)计算各频带Sj对应的能量特征值Ej：

d)将各个频带的能量特征值Ej进行组合，表示为模拟电路故障特征向量T：

T＝[E0,E1,E2,E3,……，E31]

e)若能量相差较大，需对T进行归一化处理得到T’:

4.根据权利要求1中的权利要求1所述的基于XGBoost和随机森林算法的模拟电路故障诊断方法，其特征在于：所述的步骤(3)中降维的具体步骤如下:

(3-1)构建Bagging模型，其每一个弱分类器为CART决策树，即随机森林算法，将故障特征向量T与故障类型F作为样本集，通过样本集对随机森林算法RF进行训练，其中针对不同的弱分类器构建数据集时，采用自助采样阀，同时在构建决策树选择、结点的划分属性时也引入随机性；

(3-2)运用网格搜索法对RF的参数进行调节，通过交叉验证的思路对学习模型进行评估从而寻找最优参数；

(3-3)调整好参数，并通过步骤(3-1)中的方法构建了N课的CARF决策树作为弱分类器，根据基尼指数判断不同特征在每一弱分类器中的贡献度；所述的基尼指数的计算方式为：

特征Ej在节点m处的贡献度即可用m结点分枝前后的基尼指数变化量来衡量：

若Ej所在的CARF的结点属于集合M，则Ej在第i棵树中的重要性为：

若RF中CARF分类器个数为n，则

最后将Ej对所有弱分类器的贡献度进行归一化处理即可

(3-4)根据(3-3)中的VIM计算方法得到E0～E31的VIM，根据VIM对特征的相关性进行排序，选取前5维特征，从而实现特征降维。

5.根据权利要求1中的基于XGBoost算法的诊断方法，其特征在于：所述的步骤(4)中的调参方法为：

(4-1)首先选择较大学习率eta,设置在0.05到0.3之间，其余参数设定为默认初始值，利用XGBoost内部的交叉验证函数获取最佳决策树数量n_estimators，XGBoost中将对该参数作为命令行参数和num_round一起输入到模型中；

(4-2)结合给定的学习速率和决策树数量，对提升器其他参数设置合理的范围，包括：max_depth、min_child_weight和gamma，在该范围内初始设定一个较大的值，然后根据网格搜索法不断缩小范围；

(4-3)重复以上步骤，进一步降低学习率eta，直至找到最优参数。