[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

说明书

本发明公开了一种针对模拟电路ITC’97国际标准电路中的跳蛙（Leapfrog）滤波电路出现的故障进行检测的方法，该方法包括Leapfrog电路仿真系统的电路设计、Monte‑Carlo统计分析法产生数据、对测试信号进行小波包变换的特征提取方法、对特征进行随机森林算法的特征降维方法和对最终特征进行基于XGBoost模型的诊断方法。本发明的优点在于提出了一种将基于机器学习算法的模拟电路故障的数据处理形式。将该方法运用在模拟电路故障诊断上的，并通过不同方法的对比验证其故障诊断率超越了传统的模拟电路故障诊断方法且在模型训练的速度性能方面也有所提高，更加符合于工业现场对模拟电路故障诊断的精度与速度要求。

技术领域

本发明涉及一种基于XGBoost和随机森林算法的模拟电路故障诊断方法,属于故障诊断技术领域。

背景技术

随着第三次科技革命的兴起，电子设备与系统的规模在不断扩大，保障电子器械的低故障率，成为各大电子器械厂商普遍关注的内容，因此也对电路的故障诊断方法不断提出了新的要求。同时在电路设备中，模拟电路对环境敏感且故障率高，因此快速并且准确得寻找到模拟电路的故障具有重要的研究意义。

此外，在大数据技术的发展中，许多机器学习算法相继提出，比如：随机森林、XGBoost、Adaboost等，其在推荐算法、供应商信用评价、结构损伤识别和交通状态短时预测等问题中都得到了广泛的应用，但其至今还很少应用在模拟电路故障诊断方面。该类方法难以运用在模拟电路故障诊断的一个重要原因是该领域尚未产生足够多的数据样本信息，难以训练出准确的分类模型，另一个原因是电子设备的生产加工对故障的诊断速度提出了要求，然而此类算法在模型的训练过程的时间开销大，无法满足工业要求。

发明内容

本发明的目的是提供一种基于XGBoost和随机森林算法的模拟电路故障诊断方法，在保证诊断准确率的同时，提高诊断速度以满足工业现场对电路诊断的精度与速度要求。

为了达到上述目的，本发明采用的方法是：一种基于XGBoost和随机森林算法的模拟电路故障诊断方法，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。

本发明选择模拟电路ITC’97国际标准电路中的跳蛙(Leapfrog)滤波电路作为研究对象，该电路作为一种低通滤波器，常被用来滤除高频信号，通过直流信号和低频带的部分信号，广泛应用在音频放大器和数字机顶盒中，是低通滤波器的代表性电路，具有典型意义，能够保障样本的数量和有效性。

作为本发明的一种改进，所述的步骤(1)的具体步骤如下：

(1-1)用OrCAD/PSpice软件仿真跳蛙(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，电阻标称值设为10k，容差范围设为5％。当R∈[9.5k，10.5k]时，电阻值处于标称值的±5％以内，因此认为其为无故障状态。同理认为15k为偏高软故障模型，当R∈[14.5k，15.5k]时，认为其为偏高软故障。5k为偏低软故障模型，当当R∈[4.5k，5.5k]时，认为其为偏低软故障，电容故障构建方式与此类似，具体软故障编码如下：