采用模糊支持向量机的模拟电路故障诊断新方法

第23卷第6期电子测量与仪器学报Vol.23No.62009年6月JOURNALOFELECTRONICMEASUREMENTANDINSTRUMENT·7·本文于2008年10月收到。*基金项目:教育部新世纪优秀人才支持计划(编号:NCET-05-0804)资助项目;国家高技术研究发展计划(编号:2006AA06Z222)部分资助。更多电子资料请登录赛微电子网采用模糊支持向量机的模拟电路故障诊断新方法*唐静远师奕兵(电子科技大学自动化工程学院,成都610054)摘要:为了解决模拟电路故障诊断复杂多样难于辨识的问题,有效提高分类的准确度,提出了一种模拟电路故障诊断的新方法。首先对采集的信号进行时-频域联合特征提取并采用新的模糊隶属度函数确定训练样本的隶属度,消除噪声和野点对故障诊断的影响;然后将训练集输入模糊支持向量机分类方法训练获得故障诊断模型;最后将测试集输入训练好的模糊支持向量机分类模型,实现对不同故障类型的识别。将该方法应用于CTSV滤波电路进行故障诊断仿真实验,结果显示该方法不仅能正确分类单故障而且能有效分类多故障,平均故障诊断率达到98.2%,为模拟电路故障诊断开辟新的途径。关键词:特征提取；模糊支持向量机；模拟电路；故障诊断中图分类号:TN707文献标识码:A国家标准学科分类代码:510.1010NewmethodofanalogcircuitfaultdiagnosisusingfuzzysupportvectormachineTangJingyuanShiYibing(SchoolofAutomationEngineering,UniversityofElectronicScienceandTechnologyofChina,Chengdu610054,China)Abstract:Inordertosolvetheproblemofcorrectlyidentifyingfaultclassesinanalogcircuitfaultdiagnosisandimproveclassificationability,anovelfaultdiagnosismethodbasedonfuzzysupportvectormachine(FSVM)ispro-posedinthispaper.Firstly,thefaultfeaturevectorsareextractedbyjointtime-frequencydomainfeatureextractionmethodandthefuzzymembershipofthefeaturevectorsiscomputedbyanovelproposedmembershipfunctiontoovercomethesensitivitytonoiseandoutliers.Then,aftertrainingtheFSVMbyfaultyfeaturevectors,theFSVMmod-elofthecircuitfaultdiagnosissystemisbuilt.Finally,testsamples’featurevectorsareinputintothetrainedFSVMmodeltoidentifythedifferentfaultcases.Thesimulationresultsforanalogandmixed-signaltestbenchmarkCTSVfiltercircuitsdemonstratethattheproposedmethodcannotonlycorrectlyclassifythesinglefaultclassesbutalsothemultiplefaultclasseswithahighlyaverageclassificationsuccessrate98.2%.Themethoddevelopsanewdirectionforthefaultdiagnosisofanalogcircuit.Keywords:featureextraction,fuzzysupportvectormachine(FSVM),analogcircuits,faultdiagnosis1引言由于模拟电路自身的特点,如响应连续性、器件的容差性、可及节点有限性和电路非线性等原因,其诊断技术发展缓慢。20世纪90年代以来,众多学者把人工智能技术应用到模拟电路故障诊断中来,并取得了显著的成果。文献[1-4]对模拟电路的故障诊断技术分别采用了贝叶斯神经网络、径向基神经网络和小波神经网络方法取得比故障字典法更好的诊断结果;文献[5-7]对模拟电路诊断技术研究的不断·8·电子测量与仪器学报2009年深入和发展,提出了基于支持向量机方法的模拟电路故障诊断技术并取得了较好的识别效果。支持向量机[8](supportvectormachine,简称SVM)是一种以有限样本统计学习理论为基础发展起来的新的通用学习方法,有效地解决了小样本、高维数、非线性等的学习问题,并克服了人工神经网络学习合理结构难以确定和存在局部最优等缺点;被看作是对传统分类器的一个好的替代,特别是在高维数据空间下,具有较好的泛化能力,已在模拟故障诊断得到了成功的应用[5-7]。但文献[5-7]在构造最优分类平面时所有的样本具有相同的作用,而故障诊断中采集的测试样本常常含有噪声和野点,这些含有“异常”信息的样本在特征空间中常常位于分类平面附近,导致获得的分类平面不是真正的最优分类平面从而影响诊断效果。针对这种情况,本文提出一种基于新颖简单模糊隶属度函数的模糊支持向量机(fuzzysupportvectormachine,FSVM)[10-11]故障诊断方法,对不同的样本采用不同的惩罚权系数,在构造目标函数时,对含有噪声的样本赋予较小的权值,从而达到消除噪声的影响,同时给出一种时频域的故障特征提取方法,提取的特征不仅含有时域高阶统计信息而且含有频域高阶统计信息,能突出不同故障的特性和很好的识别故障。2模糊支持向量机2002年,LIN等[9]提出了FSVM算法,在采用模糊支持向量机进行分类时,相对常规支持向量机的训练样本,除了样本的特征与类属标识外,模糊支持向量机训练的每个样本还增加了模糊隶属度以减少噪声点的影响。设训练样本集为111(,,())xyx,,(,,())nnnxyx,NixR,{1,1}iy,0()1ix≤。假设()zx为将训练样本从原始空间RN映射到高维特征空间Z之间的映射关系。模糊隶属度()ix表示该样本隶属于某类的可靠程度,i是支持向量机目标函数中的分类误差项,则()iix为带权误差项。由文献[9]得到最优分类平面为下式目标函数的最优解。211,()210,1,,.0,1,,niiiTiiiiwwCxywzbinstinF()≥≥(1)式中:惩罚因子C为常数,w表示线性分类函数iy的权系数。由式(1)可以看出,当()ix很小时,减少了i在式(1)中的影响,以致将相应的ix看作不重要的样本。相应的最优分类面的判别函数式为:()sgn(,)iiixSVfxwKxxb(2)式中:(,)iKxx为核函数,本文采用常用的高斯核2*(,)exp2GammaxzKxz,其中,Gamma为高斯分布宽度。在给定问题中选择恰当的隶属度直接影响到分类的效果。目前有多种确立隶属度的方法[9-12],如线性函数、二次函数,启发式、噪声分布等方法。本文介绍一种简单有效的无穷次连续可微隶属度函数。记{|1}iiSxy表示正样本集;{|iiSxy1}表示负样本集。样本新颖隶属度函数为:221exp()ibbzcrzrzcb其他(3)式中:121expbr,是一个充分小的正数,该函数是一个无穷次连续可微函数,||zc||表示两点间的距离,c是某一类(正类或负类)的中心,r是包含该类样本集的最小超球面的半径。离中心点越近,对应的值越大,在||zc||=r上的点对应的值最小。一般情况下,噪声点离该类点的中心都比较远,或在||zc||=r上;对噪声点按(3)式计算得到的值(模糊关系)比较小,由此对正确分类造成的影响就会比较小从而减第6期采用模糊支持向量机的模拟电路故障诊断新方法·9·少噪声对分类结果的影响提高FSVM的分类正确率。本文采用支持向量数据描述(supportvectordatadescription,SVDD)[13]方法求解各类样本点中心c和最小超球半径r。3联合时频域的故障特征提取随着电路结构日趋复杂,故障类别越来越多,反映故障的状态、特征也相应增加,恰当地选取能够表征电路运行状态变化的特征参数是精确诊断电路故障的关键因素之一。提出一种联合时频域故障特征提取新方法。假设离散时间序列信号x(n)长度为N,联合时频域特征提取方法如下5步。1)对信号x(n)进行FFT变换得到频域谱X(w),求出幅度最大值Pmax和最小值Pmin。2)计算时间序列x(n)的4个特征量:tEx,2()VartEx,33()thtMEx,44()thtMEx3)计算频域序列X(w)的4个特征量:()ffEXw,2(())fVarfEXw,33(())thffMEXw,44(())thffMEXw4)组合加权时域和频域的特征向量:3434maxmin,,,,,,,,*,*ththttffththfffffffaVartbMcMdaVarfbMcMdaPaPF(4)5)对样本集的组合故障特征向量F构成的特征矩阵进行主成分分析(PCA)或奇异值分解(SVD)变换提取前5个重要特征作为最后用于故障诊断的故障特征集FF。其中,在2)步中E[]表示求均值;式(4)中的系数a,b,c,d,af,bf,cf和df皆为常数,目的是为了将特征矩阵尺度归一化到[L1,L2]范围。它们的选取满足一定的约束条件,假设信号x(n)的取值范围为[1,2],21,则时域特征量满足下列关系:12221333212144210()()()0()thtthtVartMM≤≤≤≤≤≤≤≤(5)由式(5)可以推出要将时域特征量尺度归一化到121221[(),()]LL范围,则a,b,c和d可以按式(6)取值:212112232121,,max||,||,abcd(6)同理,频域特征量满足:1222213333321214442100fthfthfNNVarfNNMNMN≤≤≤≤≤≤≤≤(7)由式(7)要将频域特征量尺度归一化到1[L21221(),()]L范围,af,bf,cf和df可按式(8)取值:221211232432121,()max(,)(),()ffffabNNcNdN(8)提取的特征向量分别代表信号在时域和频域内的均值,方差,偏度和峭度等统计特征,包含了许多重要信息,能很好的反映各种状态下电路的不同特性,有利于区分故障。联合时-频域的模拟电路故障信息处理和特征提取流程如图1所示。·10·电子测量与仪器学报2009年图1联合时-频域故障特征提取流程图Fig.1Flowchartoffaultfeatureextractioninjointtime-frequencydomain4故障诊断实例4.1电路模型、参数设置及故障仿真设置本文以选自ITC