CN103728551B - 一种基于级联集成分类器的模拟电路故障诊断方法 - Google Patents

Abstract

本发明公开了一种模拟电路的故障诊断方法及其实现方式。发明的内容分为三部分：(1)模拟电路故障特征信息提取；(2)故障分类器构造；(3)算法软件实现。该方法包括以下步骤：故障特征信息库的构造，采用信息熵最大原则，选取最优母小波，对被测电路的响应节点进行小波分解，提取被测电路的最优特征，利用主成分分析对故障特征进行降维；故障分类与智能诊断，根据获得的故障特征信息，利用多分类器级联模型和分类器集成技术构造故障诊断器辨识存在的故障及其原因；采用C#.NET平台，结合Weka软件对算法进行具体实现。本发明的故障诊断方法及其实现方式具有故障诊断性能更高、诊断范围更广和算法健壮性、可解释性更强的优点。

Description

一种基于级联集成分类器的模拟电路故障诊断方法

技术领域

本发明涉及一种模拟电路的故障诊断方法及其实现方式。

背景技术

模拟电路的故障诊断始于20世纪60年代，对其的理论研究是从网络元件参数可解性开始的，但由于其独特的困难如故障状态多样性、元件参数的容差性、信息不足以及结构模型的复杂性等，使得对于模拟电路的故障诊断的研究发展相对比较缓慢，其测试与故障诊断一直以来都成为困扰电路测试工业的难题。20世纪90年代后，随着人工智能技术的发展，模糊理论，小波技术以及一些机器学习方法都相继应用于该领域并取得了良好的效果，但其都存在片面性，对解决实际的模拟电路故障诊断与分析问题都还多多少少存在一定的差距。与此同时，模拟电路故障诊断的实际需求却不断增大。因此，研究一种对模拟电路板准确、快速的故障检测和故障定位方法，缩短检测维护时间及降低维修成本，对于完成电子设备中模拟电路板的保障维修具有重大意义。

发明内容

本发明公开一种模拟电路的故障诊断方法，包括信号的故障特征提取、故障的分类识别和算法的软件实现，其特征在于该方法按以下步骤进行：(1)构造故障特征信息库：根据被测电路信号特点，采用信息熵最大原则，选取最优母小波，对被测电路的响应节点进行小波分解，提取被测电路的最优特征，然后利用主成分分析对每层进行降维从而得到故障特征信息；(2)故障分析与智能诊断：根据获得的故障特征信息参数，利用多分类器级联模型和集成同态和集成异态技术构造智能故障诊断器辨识出可能存在的故障及其原因：a)故障诊断器采用多分类器级联模型，首先解决正常样本与早期故障样本难于区分的问题，即先将正常电路的特征样本与所有故障电路的样本分别构成两个不相交的子集，采用同态的集成技术构造支持向量机分类器，形成层级G₀，用于区分出正常和故障状态；其次对故障样本，采用异态的集成技术训练出不同算法的基分类器，然后利用加权投票算法对分类器进行合并，形成层级G₁，用于区分出不同故障状态；b)级联模型的分类器构造采用集成技术，首先对于层级G₀，采用同态集成技术，即利用单边抽样的Bagging算法，解决数据的不平衡问题训练出集成的支持向量机分类器；然后对于层级G₁，采用异态集成技术训练出基于贝叶斯、决策树和支持向量机算法的合成分类器对样本进行加权投票输出，增加故障诊断***的泛化精度；(3)算法的软件实现：采用微软C#.NET平台，将Weka软件项目的weka.jar文件通过IKVM.NET工具转换成能被.NET调用的weka.dll程序集，对weka.dll中的某些类进行重写，完成对算法的具体实现之后采用三层架构模型编写软件，实现对故障的具体分析与诊断。

附图说明

图1故障特征提取流程图

图2故障决策流程图

图3软件架构图

具体实施方式

基于知识的模拟电路故障诊断技术从本质上讲是一个模式识别与分类问题。因此，如何提取故障的有效特征是模拟电路故障诊断的关键技术和重要一环，同时提取特征的最终目的是对测试样本构造分类器，实现对不同故障种类的正确分类识别。最终要达到这样的目的，完成对故障诊断的真实实现，必须要对算法进行软件的实现。

为了达到上述目的，本发明的方法是这样实现的：

1、模拟电路故障特征信息的最优小波提取

作为信号处理的小波故障特征信息提取方法是当前的研究热点，小波分析属于多分辨率分析，是一种精细的时频分析方法，对信号进行多层分解，有利于得到更多的采样信号局部细节特性，然而由于不同类型的小波具有不同的时频特性，为了更有效的提取电路的故障特征信息，应该使小波的时频特征与电路响应节点的时频特征相匹配，因此，本发明使用一种基于信息熵最大原则的最优母小波选择方法来解决此问题。具体的步骤如下，其流程如图1所示：

(1)设任意给定的节点响应信号为f(t)，根据小波变换的定义式， $W_f(a,b)=\frac{1}{\sqrt{a}}\&Integral;f\left(t\right){\mathrm{\&psi;}}^{*}\left(\frac{t-b}{a}\right)dt=<f\left(t\right),{\mathrm{\&psi;}}_{a,b}\left(t\right)>,$ 式中：ψ为小波母函数，a为尺度参数，b为时间中心参数，W_f(a，b)为信号的小波分解系数，对信号进行小波变换，但变换式一般只能通过计算机进行近似计算，为了达到较高的精度和计算的简单性，一般采用梯形法作近似数值积分运算，取t＝n·ΔT，b＝k·ΔT，计算公式为

$W_f(a,k)=\frac{\mathrm{\&Delta;}T}{2\sqrt{a}}\underset{n}{\&Sigma;}\&lsqb;f\left(n\right)\mathrm{\&psi;}\left(\frac{n-k}{a}\right)+f(n+1)\left(\frac{n+1-k}{a}\right)\&rsqb;,$ 式中：ΔT为采样间隔，假定a＝2ⁱ(i＝1，2...，n)，对于每一个给定的a＝2ⁱ，依次计算k不同时的值，同时取不同的小波母函数进行计算，即可得到取不同小波母函数时的一组小波变换系数。

(2)采用不同小波变换，计算电路的信息熵，选择最优的母小波对电路节点响应进行小波变换。设响应节点正常信号为r(t)，故障响应信号f_i(t)(i＝1，...，c)，其中i为故障种类，c为故障总数，则电路的信息熵计算方法如下：分别对正常信号r(t)和故障响信号f_i(t)进行相应小波变换，分解层次为n，则分别取第n层低频逼近系数和第1，...，n层高频逼近系数构成一个向量，设正常信号为R(k)，故障信号为F_i(k)，其中k为信号采样样本个数，将正常信号R(k)记为F₀(k)，则所有信号小波变换后构成的向量可表示为F_i(k)(i＝0，1，...，c)，然后分别计算每两个向量之间的余弦相似度根据信息熵基本理论，可定义电路信息熵则可以根据电路信息熵的最大原则来选择最优的小波母函数。例如经过计算可得冲激响应信号适合于用Haar小波进行变换。

(3)在进行PCA之前，为了避免数据量纲的影响，对响应信号小波变换的每层系数分别进行数据归一化，采用下式进行：其中l为第n层小波分解，N为每层小波系数的个数。归一化后，将每层小波系数合并构成一个新的向量将所有归一化的样本向量组合成矩阵X，建立相关矩阵，m为样本数目，由R即可获得特征值λ_i和特征向量a_i(i＝1，2，...，n)，计算第i个主元对总方差的贡献率，按贡献率由大到小进行排列，依次选取k个主元使得积累贡献率之和大于90％。之后依据计算出所需的各主元值，形成最终的特征向量样本。

2、故障分类器的构造

故障诊断的目的是对测试样本进行分类识别，通常的做法是设计不同的分类算法，比如现在常用的分类器包括神经网络分类器、支持向量机分类器、贝叶斯分类器等，为了实现尽可能好的识别性能，常常会设计不同的分类方案，然而无论是哪一种分类器对不同的问题得到的效果并不总是最好的，因而现在常用的做法有各种分类器的改进方法和基于分类器集成(Ensemble)的技术等，而集成学习利用多个基分类器的输出能提高传统分类器的精度，取得了很好的效果。本发明则基于分类器的集成技术，采用一种级联模型来构造推理故障诊断分类器，其基本思路是：首先解决正常样本与早期故障样本难于区分的问题，先将正常电路的特征样本与所有故障电路的样本分别构成两个不相交的子集，采用同态的集成技术构造支持向量机分类器，形成层级G₀，用于区分出正常和故障状态；其次对故障样本，采用异态的集成技术训练出不同算法的基分类器，然后利用加权投票算法对分类器进行合并，形成层级G₁，用于区分出不同故障状态，用这样的二层次结构模型形成了一种诊断推理思想。其具体的思路和实施步骤如下，流程如图2所示：

(1)将正常电路的特征样本与所有故障电路的样本分成两个不相交的子集X_N和X_F，设X_N为正类样本实例，X_F为反类样本实例，然而根据实际经验我们知道，正常类在数据集中出现的概率很大，而故障类出现的概率却非常小，这样就会造成正常类的样本数量要明显多于其他故障类构成的样本，这种数据集称为不平衡数据集。处理这种不平衡数据集的分类方法主要思路有：(a)使用对不平衡类别有很好适应性的基分类器，而集成学***衡类别问题。目前第二种思路占主导地位。Bagging作为一种重要的集成学习算法实施方法简单，效果良好。本发明采用一种称为同态集成分类技术的方法，使用单边抽样Bagging集成学习算法对样本集X_N和X_F进行训练，而基分类器使用同一种分类学习算法-支持向量机，它克服了神经网络的不足，在解决小样本、非线性及高维模式识别等问题中表现出结构简单、全局最优、泛化能力强等特点。基于支持向量机的单边抽样Bagging集成学习算法，是这样进行训练的，在每一轮首先抽出所以正类样本实例，再从反类样本实例中随机有放回地抽取与正类同样多的实例样本，和所有正类实例一起构成训练集T_i，然后用基分类学习算法-支持向量机从T_i中训练出基分类器，最后将每一轮学习出的基分类器进行融合，组成我们故障诊断分类器的第一层级G₀，可以用于正常与故障的分类，正常输出为0，而故障输出为1。

(2)当G₀分类器输出为1时，样本为故障样本，需进一步判断是哪一种故障，这样也就需要再构造一个或几个故障分类器。针对这种类别数较多的问题，除了一些传统的分类算法以外，如神经网络等。目前还出现了很多改进的算法，比如说先基于聚类算法进行粗分类再对每个粗分类构造分类器和一种称为异态集成技术的多分类器合并算法，即用相同的数据样本，而基分类器采用不同的算法进行训练，最终对得到的基分类器进行合并等。本发明采用异态集成分类技术的，来构造第二层级G₁分类器，基分类器则选择贝叶斯算法、决策树算法和支持向量机算法，再对各种基分类器进行评估，采用加权的投票方式输出结果，这样构造的集成分类器的分类曲线将会明显平滑，同时还具有鲁棒性强的特点。

3、算法的一种软件实现方式

算法是解决问题的灵魂，而算法的实现才使灵魂具有了依附的肉体，才具有了真实的现实意义。要实现如上所述的算法，是一件枯燥和困难的事情，然而幸运的是，Weka作为一个公开的数据挖掘工作平台，集合了大量能承担数据挖掘任务的机器学***台利用Weka项目软件完成了对上述算法的实现，具体步骤如下：

(1)算法的软件实现采用微软C#.NET平台，要在.NET下能调用Weka软件项目的weka.jar文件，需要利用IKVM.NET工具将weka.jar文件转换成能被.NET调用的weka.dll程序集，只需执行ikvmc-target：libraryweka.jar即可，并将weka.dll导入.NET的项目引用中。

(2)将C++中实现的一维小波变换函数导出为能在C#中调用的函数，采用的如下方法：

usingSystem.Runtime.InteropServices；

[DllImport(“Wavelet1D.dll”，CharSet＝CharSet.Auto)]

publicstaticexternint[]Wavelet1D(stringfilename，intlevel，stringwname，refint[]length)；

之后在C#中调用最优母小波对信号进行小波变换函数，得到小波变换系数之后对其进行量纲归一化，再调用weka中PrincipalComponents类实现样本的主成分分析。需注意在使用wekaPrincipalComponents类之前需使用using语句导入weka.filters.unsupervised.attribute，org.antlr.stringtemplate，org.antlr.stringtemplate.language命名空间。

(3)实现对Bagging类的重写，由于weka中的weka.classifiers.meta.Bagging类实现的是标准的有放回地抽样方式对训练集进行操作，而本发明采用的是单边抽样Bagging算法，所以需对其类中的方法进行重写，命名为SSBagging类。之后直接调用LibSVM基分类器训练出第一层级G₀分类器，命名为SSBaggingClassify类，其基本代码如下：

(4)构造完第一层级G₀分类器，当其输出为1时，需进一步判断其是何种故障，根据上述思路需构造基于Ensemble技术的分类器，需用weka中的用于分类的关键类weka.classifiers.functions.LibSVM，weka.classifiers.tress.J48，weka.classifiers.bayes.NaiveBayes和用于集成技术的weka.classifiers.meta.Vote。其基本代码如下：

最后，软件采用三层架构模型进行实现，其结构图如图3，不再赘述。

Claims (1)

1.一种模拟电路的故障诊断方法，包括信号的故障特征提取、故障的分类识别和算法的软件实现，其特征在于该方法按以下步骤进行：(1)构造故障特征信息库：根据被测电路信号特点，采用信息熵最大原则，选取最优母小波，对被测电路的响应节点进行小波分解，提取被测电路的最优特征，然后利用主成分分析对每层进行降维从而得到故障特征信息；(2)故障分析与智能诊断：根据获得的故障特征信息参数，利用多分类器级联模型和集成同态和集成异态技术构造智能故障诊断器辨识出可能存在的故障及其原因：a)故障诊断器采用多分类器级联模型，首先解决正常样本与早期故障样本难于区分的问题，即先将正常电路的特征样本与所有故障电路的样本分别构成两个不相交的子集，采用同态的集成技术构造支持向量机分类器，形成层级G₀，用于区分出正常和故障状态；其次对故障样本，采用异态的集成技术训练出不同算法的基分类器，然后利用加权投票算法对分类器进行合并，形成层级G₁，用于区分出不同故障状态；b)级联模型的分类器构造采用集成技术，首先对于层级G₀，采用同态集成技术，即利用单边抽样的Bagging算法，解决数据的不平衡问题训练出集成的支持向量机分类器；然后对于层级G₁，采用异态集成技术训练出基于贝叶斯、决策树和支持向量机算法的合成分类器对样本进行加权投票输出，增加故障诊断***的泛化精度；(3)算法的软件实现：采用微软C#.NET平台，将Weka软件项目的weka.jar文件通过IKVM.NET工具转换成能被.NET调用的weka.dll程序集，对weka.dll中的某些类进行重写，完成对算法的具体实现之后采用三层架构模型编写软件，实现对故障的具体分析与诊断。