[发明专利]基于多特征信息融合的电路故障诊断方法

权利要求书

1.一种基于多特征信息融合的电路故障诊断方法，实现模拟电路故障模式的准确分类；其中，该方法分为三个部分：电路故障特征提取、ELM网络获取初步诊断输出以及D-S证据理论融合诊断结果；其特征在于：

电路故障特征提取：

结合统计特性与集成经验模态分解EEMD来提取故障特征信息，具体实施步骤如下：

步骤1，对待测电路施加相应的激励信号，在测试节点进行采样，得到输出响应序列X(n)；

步骤2，计算输出响应序列X(n)的统计特性特征，包括均值、方差、峰值、三阶矩、偏斜度、峭度系数、均方根以及脉冲因子，构成特征向量F＝[m,v,p,t,s,k,rm,I]；

步骤3，对输出响应序列X(n)进行集成经验模态分解EEMD分解，得到一组本征模态函数IMF分量，计算各IMF的总能量并构成特征向量E＝[E₁,E₂,…,E_u]；

步骤4，将特征向量F与特征向量E联合，构成初选故障特征向量集W＝[m,v,p,t,s,k,rm,I,E₁,E₂,…,E_u]；

步骤5，对初选故障特征向量集W进行主成分分析法降维，选取满足累积贡献率的成分个数组成特征量，从而作为最终提取的故障特征向量；

ELM网络获取初步诊断输出：

极限学习机ELM属于单隐含层前馈神经网络的一种，该网络模型由输入层、隐含层和输出层组成，数据由输入层进行输入到网络中，在隐含层中进行计算和训练，由输出层输出结果，每一层都由足够多的神经元组成；极限学习机算法随机产生输入层与隐含层间的连接权值及隐含层神经元的阈值，且在训练过程中无需调整，只需要设置隐含层神经元的个数即可；

D-S证据理论融合诊断结果：

D-S证据理论根据对相同问题的描述，基于某些规则对这些问题的证据进行整合，删除部分冗余信息，最后做出决策和判断；D-S证据理论的识别框架是一个非空集合Θ，Θ内部包含着各自独立且相斥的不同类别的事件；M函数表示分配给各种事件的信任程度，也称为基本概率分配(BPA)，M:2^Θ→[0,1]，且满足M(Φ)＝0，∑M(A)＝1。

2.根据权利要求1所述的基于多特征信息融合的电路故障诊断方法，其特征在于：均值：表示输出响应序列的平均值，其中x_i表示第i个采样数据，n表示输出响应序列中的采样数据个数；

方差：v＝E[(X-m)²]，表示信号各个数据与均值的偏离程度；

峰值：p＝max(X)，表示数据序列的最大值；

三阶矩：t＝E[(X-m)³]，用来衡量信号概率密度分布函数形态的高次矩变化；

偏斜度：s＝t/d，其中表示数据在概率分布密度曲线中偏离平均值或是相对于平均值不对称的特征数；

峭度：k＝E(X⁴)-3[E(X²)]²，是四阶中心矩，峭度的大小表明偏离正常状态的程度；

均方根：将所有采样数据平方求和，求其均值，再开平方，就得到均方根值，均方根值常用来分析噪声；

脉冲因子：信号峰值与整流平均值的比值，其中p表示采样数据的信号峰值。

3.根据权利要求1所述的基于多特征信息融合的电路故障诊断方法，其特征在于：各IMF能量的计算公式为：

其中，C_a(i)表示第a个IMF，h表示C_a(i)的长度。