[发明专利]一种模拟电路故障诊断方法

摘要

本发明公开了一种基于信号特征空间建模的模拟电路故障诊断模式分类算法。该方法利用测试节点采集的信号，基于信息熵原理(MEP)对其进行最优分数Fourier变换(FrFT)和R型聚类分析描述故障样本特征，把故障建模为不同的空间分布；借鉴特征评价“类内距离最小，类间距离最大”的类别可分性判据构造核参数的目标优选函数，基于自适应遗传算法对目标函数最优化求解，整定核参数；结合Q型聚类分析构造层次式支持向量机分类器(SVC)对故障进行发现和分离；该算法能从测量信号中提取反映故障特征的敏感量，并获得了较快的故障诊断速度和较高的故障诊断正确率。Continuous-Time State-Variable Filter电路和ML-8雷达故障诊断实例验证了该算法的快速和有效。

主权项

本发明涉及到一种基于信号特征空间建模的模拟电路故障诊断模式分类方法，其特征在于该方法具体实现步骤如下：步骤一，模拟电路故障特征信息的空间建模。电路故障时，各有效节点信号将发生改变，利用分数Fourier变换(FrFT)良好的时频局部化分辨特性，对采集的信号进行变换，基于信息熵原理(MEP)寻找反映各故障模式差异性最大的最优p阶Fourier变换。鉴于时频变化的相关性，构造虚拟变量对变换后的采样点进行R型聚类分析完成变量维数约简，找出对故障出现的敏感量，优化特征空间样本的分布。对被诊断系统正常情况下和各种故障情况下分别进行分析，最终构造故障诊断样本特征库；步骤二，核参数整定。把数据投影到高维空间中，借鉴特征评价“类内距离最小，类间距离最大”的类别可分性判据构造核参数的目标优选函数，基于自适应遗传算法对目标函数最优化进行求解，选取支持向量机核参数；步骤三，训练故障模式分类器。对特征数据矩阵进行标准化处理，再进行采样样本的Q型聚类分析，将样本聚为两类，分别由两类组成样本集，利用步骤二中的核参数整定方法，选取最优核参数，对支持向量机进行训练，依此顺序，采用同样方法不断对已经分类的子样本集进行进一步分类，直到各类被完全分开，这样构造N‑1个(N为类别个数)支持向量机分类器(SVC)组成层次递推式故障模式分类器；步骤四，对未知故障样本进行诊断识别。将采集的信号执行步骤一并进行标准化处理后，输入由步骤三所训练的故障模式分类器，对故障进行发现和分离，实现诊断的唯一性。