[发明专利]一种基于Bayes-KFCM算法的模拟电路故障诊断方法

摘要

本发明公开了一种基于Bayes-KFCM算法的模拟电路故障诊断方法。本发明采用核模糊C均值聚类算法进行故障诊断，首先判断测试样本是否是新故障，如果是，则训练新类故障样本的诊断模型加入诊断系统，如果不是，则依据Bayes故障分类准则对测试样本进行故障定位。本发明对故障样本进行小波变换预处理，将样本的小波系数能量值和小波系数分形维数值进行多特征融合，提取故障特征；以最大类内类间距离作为依据，选择最优可测节点和/或测试信号频率。相比现有技术，本发明方法能有效的诊断出模拟电路的新故障，并能提高诊断准确度。

主权项

1.一种基于Bayes-KFCM算法的模拟电路故障诊断方法，包括以下步骤：步骤A、选择待侧电路的最优可测节点和测试信号频率；步骤B、对待测电路输入测试信号，模拟各种典型的故障状态，采集最优可测节点的电压输出值，得到故障数据作为训练数据；在相同的测试信号和可测节点下，采集测试电路在实际工作状态下的数据作为测试数据；步骤C、分别提取故障数据和测试数据的特征，并进行去噪，生成训练样本集和测试样本集；步骤D、利用训练样本集对故障诊断模型进行训练，并利用训练好的故障诊断模型对测试样本集进行故障诊断；其特征在于，所述步骤D具体包括以下步骤：步骤D1、利用KFCM聚类算法对故障诊断模型进行训练，具体为：通过核函数将训练样本集映射到高维空间；然后通过模糊C均值方法进行聚类，当正确聚类的样本数与所有的聚类样本数之比大于或等于一预设的阈值，则算法停止，训练结束，将训练好的聚类模型作为诊断模型，同时得到各类训练样本的聚类中心，以及每类训练样本中与该类聚类中心距离最大的训练样本的距离值，其中，n为训练样本的类数；步骤D2、将测试样本通过核函数映射到高维空间，在高维空间中计算测试样本到各类聚类中心的距离，其中；当时，则测试样本为新故障类样本，对新故障类样本采用KFCM聚类算法进行聚类，将新的聚类模型加入诊断系统；否则利用Bayes故障分类准则对测试样本进行故障定位，其中Bayes故障分类准则如下式：式中，是第i类的训练样本数，是所有的训练样本数，是测试样本x离第i类训练样本聚类中心的距离，是所有第i类训练样本与其聚类中心距离的求和平均值，Bayes故障分类表示测试样本x属于具有最大值的故障类。