基于核方法的模拟电路故障诊断-论文.pdf

《基于核方法的模拟电路故障诊断-论文.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、自动化测试技术C计o算mp机ute测r量M与eas控ur制em．en2t01&4．C2o2n(tr6o)l·1673·文章编号：1671—4598(2014)06—1673一O3中图分类号：TM391．9文献标识码：A基于核方法的模拟电路故障诊断陈文华(浙江师范大学数理与信息工程学院，浙江金华321004)摘要：核方法通过非线性映射将原始数据嵌入到高维特征空间，然后进行线性分析和处理，为基于知识的数据分析带来新的方法和模式；传统方法无法解决故障特征数据维数高、在故障样本交叠一№一．一～严；重出～一～一～y时～一多一n∞分

2、一讪h～类一性一能～一(～一啦较～n一差的一～一。问～一．一题一m一，～因一～一此一在电路故障特征数据预处理阶段，提出了分步骤分别在时域对电路输出电压波形进行小波包分析和在频域测量电路幅频特性的方法来提取电路故障特征；预处理后的故障特征向量只是8维向量，减少了SVM的训练时间；将该方法应用于国际标准电路中的CTSV滤波器电路的故障诊断，结果表明：该方法能突出不同故障的特性。故障诊断正确率达到98．57(414／420)。关键词：核函数；小波包；故障诊断；支持向量机AnalogCircuitFaultDiagnosisBa

3、sedonKernelMethodschenWenhua电路频率响应的方法提取电路故障特征，然后分步用支持向量O引言一～～～蒙～～一一一～机对随机选择的故障样本进行训练和预测，取得了很高的故障模拟电路故障诊断经过多年的研究，已初步奠定了故障诊诊断率。断的基础理论，但已有的故障诊断方法大多集中在讨论单故障、硬故障的诊断，具有容差的模拟电路多故障、软故障诊断1核方法简介的研究明显不足；利用智能计算技术进行模拟电路故障诊断核方法的基本思想是将低维向量空间中的随机向量利用非时，大多数研究者都集中于神经网络的应用，但这种基于经验线

4、性函数映射到高维特征空间，然后在高维特征空间中设计线风险最小化原则的学习机器，如何从有限的故障样本中得到泛性的学习算法。如果特征空间各坐标分量间的相互作用仅限于化能力较强的决策函数还是个难题，因其渐进性的前提条件得内积，则无需知道映射函数的具体形式，只要利用满足Mer—不到满足，导致在故障诊断这种小样本问题中难以取得令人满cer定理的核函数替换线性算法中的内积，就可实现原空间中意的结果_1j。对应的非善线性算法。一目前模拟电路故障智能诊断面临的主要难题是典型故障样2小波包分析方法简介本的严重不足以及诊断知识的发现问题，基

5、于统计学习理论的小波包分析方法将信号频带进行多层次划分，对小波分析支持向量机机器学习算法为两类核方法之一，很好地执行了结没有进一步分解的高频分量作进一步分解，并能根据被分析信构风险最小化原则，其应用于故障诊断最大的优势在于它适合号的特征，自适应地选择频带，使之与信号频谱相匹配，从而于小样本决策，能在有限特征信息情况下，最大限度地发掘数提高时一频分辨率。据中隐含的分类知识[2]。本文分别用对被诊断电路输出波形进行小波包分解和测量3待诊断电路故障特征提取方法提取故障特征是模拟电路故障诊断的关键，也是构造样本集的基础，同时是进

6、行电路故障诊断和测试的难点。单一的方收稿日期：2014—01—06；修回日期：2014—02—28。基金项目：江省教育厅2012年度一般项目(Y201226067)。法往往难以达到高的故障正确诊断率，因此，本文先后采用两作者简介：陈文华(1966一)，男，湖北人，理学硕士，主要从事电路故种故障特征提取方法。障智能诊断与测试技术及嵌入式系统的研究。方法一：小波包分析提取故障特征的方法。运用小波包分·1674·计算机测量与控制第22卷解提取故障特征值是基于“能量——故障”的诊断方法]，在电路的响应电压信号。对电路每次响应信号

7、的1～1001S信小波包分解系数单支重构的基础上，以各频段信号能量为基础号进行采样可得1000个数据点。首先对数据点进行小波包分来构造故障特征向量。该方法直接利用各频率成份能量的变化析以提取故障特征。经过分析和比较，当基小波采用‘dbl，来诊断故障，无需知道系统的模型结构，原因在于各频率成份小波，分解层次选为3层时可达到较高的正确诊断率；具体为信号能量中包含丰富的故障信息，某种或某几种频率成份能量提取第3层从低频到高频共8个频段的能量，以各频段能量百的改变即代表对应的故障模式。分比构造8维特征向量，分别得到各种故障模式下

8、的35个样具体步骤为：首先，记录一段输出电压波形，持续时间只本集，这样共可得到420个8维样本集。随机选择其中的320需要为ms级，然后用Matlab中的wpdec函数对波形的采样个样本用以训练SVM，其余100个样本用来测试SVM的预测点数据进行3层小波包分析得到有8个叶结点的完整的小波包准确性。二叉树，最后用we