[发明专利]一种基于支持向量机的模拟电路故障诊断方法

说明书

技术领域

本发明涉及一种模拟电路故障诊断方法，特别涉及一种基于支持向量机的模拟电路故障诊断方法。

背景技术

模拟电路故障诊断归根到底是一个模式分类问题，即根据测量数据判断电路状态属于哪个故障类。近几年来较常用的方法是利用神经网络来进行模拟电路故障诊断。但神经网络理论上有较多的缺陷无法圆满解决，例如结构选择、局部极值、过学习等问题，其中最重要的问题就是推广能力不足，在学习样本不完备的情况下难以得到准确的诊断结论，不能很好的解决实际问题中小样本问题。而实际工程中的故障诊断问题往往很难得到大量样本，因此故障样本的缺乏成为制约神经网络用于故障诊断的瓶颈问题。而基于结构风险最小化的支持向量机适用于小样本情况，用于故障诊断有更好的适应能力，更高的分类准确率，更适用于解决实际的工程问题。

支持向量机(Support Vector Machine，SVM)是以结构风险最小化原则为理论基础而建立的新的机器学习算法，专门针对少样本情况下的机器学习问题，目前主要应用与模式识别，回归估计，概率密度函数估计等方面。在故障模式的识别中，SVM能在少训练样本的前提下，考虑对渐进性能的要求，在现有有限信息的条件下得到最优的结果。SVM的应用研究虽然已经取得了阶段性研究成果，但还有一些问题需要进一步深入研究，其中最重要最核心的问题是SVM中核函数及其参数的选择，目前仍没有一个统一的模式，多是采用凭借经验选择，大范围搜索或验证的方法进行寻优。

目前，SVM中的RBF核函数参数(γ，C)的求解方法有以下几种：第一种方法是网格搜索法，利用不同的(γ，C)取值对应的不同的SVM的性质，在直线logγ＝logC-logγ附近寻优，此方法计算量小，费时少，但学习精度略低；第二种方法是网格搜索法，此方法分别对参数C和γ取X个值和Y个值，再对其所有组合一一对应的SVM分别进行训练并计算其学习性能，从而找出最优的参数组合，优点是可以并行处理每个SVM的训练，且具有较高的学习精度，但估算范围难以确定且计算量大，费时较多。由上述可知，目前存在的核函数参数(γ，C)的寻优方法均有尚待完善之处，存在无法兼顾小计算量和高学习精度的难题。

发明内容

为解决支持向量机用于模拟电路故障诊断所存在的技术问题，本发明提供一种基于支持向量机的模拟电路故障诊断方法，本发明利用改进蚂蚁算法优化RBF核函数参数，具有速度快，准确率高，泛化能力强的优点。

本发明解决上述技术问题的技术方案包括以下步骤：

1)、对待测电路进行灵敏度分析，确定电路的测试节点；

2)、针对典型故障情况，对电路进行仿真得到可及点电压值，一部分作为SVM的训练样本，一部分作为测试样本，并存入存储器；

3)、利用改进蚂蚁算法进行RBF核函数参数(γ，C)的选择，即在蚂蚁算法的路径中，交替使用概率选择和随机选择的方法；

4)、依据故障类别个数决定构建的SVM个数。一组训练好的SVM故障诊断分类器，对每个测试样本，应只有其中一个SVM的输出为1，否则，表示出错，应重新进行训练；

5)、用训练样本训练网络，并将训练后的结果以及误差存入存储器中；

6)、测量待测电路的实际电压信号，将其输入训练好的SVM，分析SVM的稳态输出，得到故障的类型，完成模式识别，实现故障诊断。

本发明的技术效果在于：本发明在传统蚂蚁算法的概率路径选择中加入随机选择算子，可使寻优过程能在保留前次搜索产生的较好解和随机寻得的较好解之间取得平衡。在原算法的基础上，提高蚂蚁选择路径的随机性，相当于变异出不同的解，使寻优过程从传统算法中易出现的停滞状态中摆脱出来。用此方法的寻优结果做核函数参数的SVM，用于模拟电路故障诊断时，具有更高的诊断精度和更快的训练速度，且更适用于实际工程问题中的小样本情况。

附图说明

图1为本发明的流程图。

图2为本发明中改进蚂蚁算法的流程图。

具体技术方案

下面结合附图对本发明进一步的说明。

本发明的流程图如图1所示，其具体过程如下：

(1)测前准备部分。首先，构造一个有代表性的测试电路。

选择故障集：对已建立的模拟电路，考虑电路中的元件故障，而不考虑电路中的引线故障。实际的方案是根据被测电路的特点和以往的经验以及元件故障率来选择若干单故障和多个故障作为故障集。

添加激励信号：通常选用与实际工作相似的输入信号作为激励信号。为了充分隔离故障集中的所有(至少大部分)故障，实际工作中可采用多种输入信号的组合信号作为电路激励。