[发明专利]基于多特征信息融合的电路故障诊断方法

说明书

本发明提供一种基于多特征信息融合的电路故障诊断方法，所述方法包括：结合统计特性与集成经验模态分解来提取故障特征信息，并通过主成分分析法对特征向量进行降维，进而获取最终的故障特征向量；由各故障特征子空间构造子ELM神经网络的样本集，依次输入到ELM网络模型中，训练ELM网络模型并确定模型的最佳参数，采用训练好的模型决策诊断得到初步输出；将经过ELM网络得到的初步诊断输出视为不同的证据体输入到D‑S证据理论中，根据决策融合规则，得到诊断融合之后的决策结果。本发明方法对模拟电路故障特征提取的效果较好，相比于单一信息而言具有更高的诊断精度，可以实现对电路故障的准确分类，因此具有较好的工程应用价值。

技术领域

本发明涉及一种基于多特征信息融合的电路故障诊断方法，属于模拟电路故障诊断技术领域。

背景技术

随着科技的快速进步，电子技术的发展迅猛，从小型产品到大型系统都离不开电子设备的支持，电子产品的复杂程度也随之提高，部件之间的联系错综复杂。对模拟电路的研究表明，非线性、元件容差、温度漂移以及难以模型化等特点使得电路的诊断系统变得复杂，难以对故障有精准的定位，而意外的电路故障会导致严重的经济影响，因此模拟电路的故障诊断成为研究中亟待解决的热点问题。模拟电路特有的部分性能以及输出参数限制着诊断技术的进步，同时传统的理论和方法无法满足现有大规模集成模拟电路的诊断要求，迫使人们对其进行改进与完善。

由于模拟电路的单一特征信息无法完全代表该电路的状态，在进行故障诊断时通常需要收集同一电路内不同类型的信息，考虑信息融合的故障诊断方法应运而生。信息融合技术利用数据的互补性和冗余性，能够有效提高系统和设备的可靠性，在模拟电路的应用上具有很大的发展空间。基于多特征信息融合的电路故障诊断方法通过决策层信息融合，定位故障模式，以此来解决模拟电路系统非线性、噪声大、信号变化微弱的问题。

发明内容

针对现有技术存在的问题，本发明提供一种基于多特征信息融合的电路故障诊断方法，以实现模拟电路故障模式的准确分类。其中，该方法可以分为三个主要部分：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。

电路故障特征提取：

为提高模拟电路故障特征提取的准确性与有效性，本发明结合了统计特性与集成经验模态分解(EEMD)来提取故障特征信息，电路特征向量提取流程如图1所示，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]；

(1)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；

(2)方差：v＝E[(X-m)²]，表示信号各个数据与均值的偏离程度；

(3)峰值：p＝max(X)，表示数据序列的最大值；

(4)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；

(5)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；

(6)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；

(7)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；