[发明专利]基于向量值正则核函数逼近的模拟电路故障诊断方法

说明书

基于向量值正则核函数逼近的模拟电路故障诊断方法，包括如下步骤：（1）获取模拟电路的故障响应电压信号；（2）对采集的信号进行小波包变换，计算小波包系数能量值作为特征参量；（3）应用量子粒子群算法优化向量值正则核函数逼近的正则化参数和核参数，训练故障诊断模型。（4）应用训练完成的诊断模型，对电路故障进行识别。该发明中向量值正则核函数逼近方法的分类性能优化其他的分类算法，同时应用量子粒子群算法优化参数亦优于传统获取参数的方法，本发明提出的故障诊断方法可高效地诊断出电路的元件故障，包括软故障及硬故障。

技术领域

本发明属于模拟电路故障诊断技术领域，具体涉及一种基于向量值正则核函数逼近的模拟电路故障诊断方法。

背景技术

随着集成电路技术的发展，大规模数模混合集成电路广泛应用于电子消费品，工业控制及航空航天等领域。一旦其发生故障，将会影响到设备的性能和功能，甚至导致灾难性后果。另据资料报道，虽然模拟部分仅占集成电路芯片的5％，但其故障诊断及测试成本却占总成本的95％。因此，极有必要开展模拟电路故障诊断及测试技术的研究。

现阶段，已有诸多学者采用人工神经网络(Artificial Neural Network，

ANN)和支持向量机(Support Vector Machine，SVM)等方法对模拟电路故障进行诊断。然而，ANN方法存在学习速度慢、容易陷入局部最优解及过训练等问题，难以适应诊断实时性要求。支持向量机(support vector machine，SVM)建立在结构风险最小原理基础上，可较好地解决分类中的小样本和非线性问题，但在面临不平衡数据集及大样本时，难以达到最佳分类能力。

发明内容

本发明要解决的技术问题是，克服现有技术存在的上述缺陷，提供一种诊断速度快、准确率高的基于向量值正则核函数逼近的模拟电路故障诊断方法。

本发明首先采集测试电路的时域响应信号，进行小波包分解后，计算各结点的能量值作为样本特征参量，应用QPSO优化VVRKFA模型的正则参数及核参数并构建基于VVRKFA的故障诊断模型，最后向该模型输入测试数据，识别故障类别。

本发明首次提出将VVRKFA引入模拟电路的故障诊断中。本发明中通过应用VVRKFA构建故障诊断分类器，定位故障。应用VVRKFA区分故障类型时，需要选择其正则参数及核参数，以使其达到最佳分类性能。通过应用VVRKFA识别故障，取得相对于其他现有方法更高的故障诊断正确度。并且在处理大规模数据时，VVRKFA仅需更短的训练及测试时间。

本发明解决其技术问题所采用的技术方案是：

基于向量值正则核函数逼近(Vector-Valued regularized kernel functionapproximation,VVRKFA)的模拟电路故障诊断方法，包括以下步骤：

(1)提取被测试模拟电路各节点的时域响应电压信号，即采集输出信号。

(2)对采集的输出信号进行小波包分解，计算各节点的能量作为原始样本特征数据。并将原始样本特征数据平均划分为训练样本集及测试样本集两部分。

(3)基于训练样本集，应用量子粒子群算法(Quantum particle swarmoptimization,QPSO)优化向量值正则核函数逼近(Vector-Valued Regularized KernelFunction Approximation,VVRKFA)数学模型的正则参数及核参数，构建基于VVRKFA的故障诊断模型。

(4)向构建的基于VVRKFA的故障诊断模型输入测试样本集，对电路故障类别进行识别。

进一步，所述步骤(1)中，被测模拟电路只有一个输入端和一个输出端，输入端输入正弦信号，输出端采样电压信号。