[发明专利]基于M-ary结构分类器的模拟电子电路故障诊断方法

说明书

技术领域

发明涉及一种基于M-ary结构分类器的模拟电子电路故障诊断方法，属于模拟电路网络测试领域。

背景技术

模拟电路的诊断技术已经成为继网络分析、网络综合之后的第三大分支。其中，基于人工智能的模拟诊断方法因具有诸多优点而成为目前国际上的研究热点之一。目前，模拟电路智能故障诊断方法的主流是基于机器学习一类的模式识别方法。

基于机器学习的模式识别方法可以分为监督学习和非监督学习两类。在模拟电路诊断中，大部分方法都是基于监督学习或者各种方法的混合集成。在各类监督学习方法中，支持向量机方法以其泛化能力强、所需样本较少、对样本维数不敏感等优点，已经成为继各种神经网络方法之后的又一大研究重点，因此，基于支持向量机的故障分类器十分适合诊断模拟电路故障。但支持向量机不能用于多模式分类的故障诊断，必须进行一定的设计才能完成此类工作，目前的方法主要有两种：组合单类支持向量机分类器、直接改造单类支持向量机分类器以设计一个多类支持向量机分类器，后者算法较为复杂，目前最常用的方法是前者。在采用单类支持向量机组合构成多类支持向量机分类器的过程中，所需单类支持向量机分类器的个数是不同的，对于“one against rest”结构和由各种决策树支持向量机分类器，需要诊断的故障模式为N+1类时，需要的单类支持向量机个数为N个；对于“one against one”和DDAG分类器结构，需要的单类支持向量机个数为个。当N较大时，所需的分类器训练、故障字典存储复杂度和测试复杂度会较大(当然也和支持向量的个数有关系)，如果采用M-ary编码结构，则可以使得单类支持向量机分类器的个数大大减少，这是目前所有方法中已知的单类分类器数目最小的分类器结构。

采用支持向量机分类器具有很多优点，但是常用的支持向量机分类器在高维空间内采用超面分割两类样本，这种方法用于某些模拟电子电路故障诊断中时，没有考虑原始样本的分布属性及特点(例如：两类样本可能以超球或近似超球的形式分布)，可能会造成样本的误诊率上升。

发明内容

本发明所要解决的技术问题是针对现有技术存在的缺陷提供一种基于M-ary结构分类器的模拟电子电路故障诊断方法。

本发明为实现上述目的，采用如下技术方案：

本发明是一种基于M-ary结构分类器的模拟电子电路故障诊断方法，包括如下步骤：

一.构建故障字典

1)对模拟电子电路进行可测性分析，确定模拟电子电路的可测节点和故障类型；

2)对模拟电子电路施加与故障类型对应的测试激励后采用数据采集卡在步骤1所述的可测节点处采集模拟电子电路的输出响应信号；

3)将步骤2所述的输出响应信号经过傅里叶分析或小波变换提取故障特征；

4)将步骤3所述的故障特征依次经过归一化和基于M-ary编码结构SVDD分类器得到训练参数，所述训练参数即构成故障字典；

二.故障诊断

5)将步骤4所述的故障字典内的信息作为基于M-ary编码结构的支持向量机的节点，即构成了基于M-ary编码结构的支持向量机分类器；

6)当待测的功率电子电路运行时，则重复步骤2至3得到实际故障样本；

8)将步骤6所述的实际的故障样本经过步骤5所述的基于M-ary编码结构的支持向量机分类器输出故障模式。

本发明通过借鉴M-ary支持向量机的子分类器设计和编码方法，可以显著降低故障字典中子分类器的数目，简化了后续的故障定位和分类；采用SVDD方法对数据样本进行训练，得到的分类器是一个封闭的高维超球体结构，这在一定程度上可以提高样本的诊断精度，用于模拟电子电路的故障诊断中可以提高诊断的自动化程度和诊断效率，可以应用的场合包括：模拟电子系统的离线和在线故障诊断，板级、模块级或子系统级装置的内嵌式自测试(BIT)。

附图说明

图1：本发明故障诊断框图；

图2：带M-ary结构的SVDD分类器对四种模式的分类示意图。

具体实施方式

下面结合附图对发明的技术方案进行详细说明：

本发明设计了一种基于SVDD的分类器，该分类器由多个超球体子分类器构成，新设计的分类器主要用于模拟电子电路的故障诊断中，所采用的方法和步骤如图1所示。本发明的实施主要分为两个步骤进行：建立故障字典；采集数据样本并利用设计的分类器进行计算和定位。具体操作如下：