会员注册 | 登录 | 微信快捷登录 支付宝快捷登录 QQ登录 微博登录 | 帮助中心 人人文库renrendoc.com美如初恋!
站内搜索 百度文库

热门搜索: 直缝焊接机 矿井提升机 循环球式转向器图纸 机器人手爪发展史 管道机器人dwg 动平衡试验台设计

采用模糊支持向量机的模拟电路故障诊断新方法[J].doc采用模糊支持向量机的模拟电路故障诊断新方法[J].doc -- 5 元

宽屏显示 收藏 分享

资源预览需要最新版本的Flash Player支持。
您尚未安装或版本过低,建议您

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510.1010NewmethodofanalogcircuitfaultdiagnosisusingfuzzysupportvectormachineTangJingyuanShiYibingSchoolofAutomationEngineering,UniversityofElectronicScienceandTechnologyofChina,Chengdu610054,ChinaAbstractInordertosolvetheproblemofcorrectlyidentifyingfaultclassesinanalogcircuitfaultdiagnosisandimproveclassificationability,anovelfaultdiagnosismethodbasedonfuzzysupportvectormachineFSVMisproposedinthispaper.Firstly,thefaultfeaturevectorsareextractedbyjointtimefrequencydomainfeatureextractionmethodandthefuzzymembershipofthefeaturevectorsiscomputedbyanovelproposedmembershipfunctiontoovercomethesensitivitytonoiseandoutliers.Then,aftertrainingtheFSVMbyfaultyfeaturevectors,theFSVMmodelofthecircuitfaultdiagnosissystemisbuilt.Finally,testsamplesfeaturevectorsareinputintothetrainedFSVMmodeltoidentifythedifferentfaultcases.ThesimulationresultsforanalogandmixedsignaltestbenchmarkCTSVfiltercircuitsdemonstratethattheproposedmethodcannotonlycorrectlyclassifythesinglefaultclassesbutalsothemultiplefaultclasseswithahighlyaverageclassificationsuccessrate98.2.Themethoddevelopsanewdirectionforthefaultdiagnosisofanalogcircuit.Keywordsfeatureextraction,fuzzysupportvectormachineFSVM,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14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57对模拟电路诊断技术研究的不断深入和发展,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8supportvectormachine,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,8电子测量与仪器学报2009年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57。但文献57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,FSVM1011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,01ix≤。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912,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221expibbzcrzrzcb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,SVDD13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xn长度为N,联合时频域特征提取方法如下5步。1对信号xn进行FFT变换得到频域谱Xw,求出幅度最大值Pmax和最小值Pmin。2计算时间序列xn的4个特征量tEx,2VartEx,33thtMEx,44thtMEx3计算频域序列Xw的4个特征量ffEXw,2fVarfEXw,33thMEXw,44thffMEXw4组合加权时域和频域的特征向量3434maxmin,,,,,,,,,ththttffththfffffffaVartbMcMdaVarfbMcMdaPaPF45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xn的取值范围为1,2,21,则时域特征量满足下列关系122213332121442100thtthtVartMM≤≤≤≤≤≤≤≤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1L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。图1联合时频域故障特征提取流程图10电子测量与仪器学报2009年Fig.1Flowchartoffaultfeatureextractioninjointtimefrequencydomain4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ITC97国际标准电路中的CTSV滤波器4,6为例进行仿真和分析。CTSV滤波器电路如图2所示,电路中无源器件具有1容差。无源器件的标称值为R1R2R3R4R510k,R63k,R77k,C1C220nF。考虑待测电路单故障F1R150、F2R150、F3C150、F4C150、F5C250、F6C250、F7R550、F8R550多故障F9R150C150、F10R150C150、F11R550C250、F12R550R250、F13R530C130C230、F14R530图2CSTV滤波器ITC97Fig.2CSTVfilterITC97C130C230其中的或表示故障值向上或向下偏离元件的标称值再加上电路正常工作状态NF,则共有15种状态模式。激励信号选择分段线性PWL电压信号,其坐标为0,00.5ms,5V1ms,5V1.5ms,5V3ms,5V。在Orcad10.5软件内对CTSV电路建模仿真,所有的故障模式均采用正态蒙特卡罗分析,从Vin节点输入激励信号,在节点V采集各种状态下电路在激励下响应的电压信号,每种模式的各仿真样本按一定的时间间隔根据具体情况设定,如1s进行采样,本文采样点数是400点。每种故障模式迭代仿真50次,每类故障均随机抽取一定比例样本作为训练样本,剩余的作为测试样本。4.2基于FSVM的模拟电路故障诊断基于FSVM的模拟电路故障诊断方法如下1对每个采样样本按3节所述方法进行故障特征向量的提取,每种故障经过上述计算可得到50个故障特征样本。2利用文献13中方法求出各类样本各自的中心c和最小超球半径r,对某样本z代入2节的式10求出相对于各类故障的隶属度,1,2,,kuzkK。3采用一类对其余类的多分类策略将FSVM推广到多分类FSVM进行模拟电路的多种类别故障诊断。假如存在K个故障类别,则需要训练K个模糊支持向量机,对第k1,2,,kK个模糊支持向量机,以第k类故障样本为正样本,其余类别为负样本,对样本z其模糊隶属度取值为111max,,,,,kzkkKzuzykuzuzuzuzuzyk式中yz表示样本z所属故障类标。然后代入式1求解优化问题,获得第k个决策函数sgn,ikkiixSVfxwKxxb4预测测试样本的故障类别。将测试样本点x代入前面求得的K个决策函数,样本点x被分类为1,,argmaxijiKjcfx。利用前面所述诊断步骤进行CSTV模拟电路故障诊断,本文方法不仅能正确诊断出文中所列的单故障类别而且能有效诊断出所列的多故障类别,采用3倍交叉验证获得总体平均故障诊断率达98.2。比较研究训练样本和测试样本各占一定比例条件下错分惩罚参数C和核参数Gamma对故障诊断的影响,实验发现核参数的选择对故障诊断正确率影响第6期采用模糊支持向量机的模拟电路故障诊断新方法11较大,而错分惩罚参数在大于某个常数值后几乎不对诊断产生影响篇幅原因只给出固定C10和Gamma10的情况,图3和图4给出测试和训练样本各占50比例的实验结果。图3给出在固定C10时,诊断正确率随着Gamma改变而发生的变化情况,从图3看出在C定值条件下,故障诊断率随Gamma增大而下降原因是小Gamma值的高斯核函数能很好的表示电路故障的分布随着Gamma值增大,正确表示故障分布的能力下降导致误分类增多,故障诊断率下降。图4是在固定Gamma10时,不同的C值对故障诊断正确率的影响从图4可以看出在C5时对故障诊断影响较大,继续增大C值对故障诊断几乎没有影响。在错分惩罚参数C10和核参数图3核参数Gamma与故障诊断率之间的关系Fig.3TherelationshipofGammaandfaultrateGamma10时,每类分别抽取相同比例样本作为训练样本训练模糊支持向量机,其余样本作为测试样本,得到的故障诊断正确率随训练样本比例变化的关系如图5所示从图5可以看出在测试和训练样本各占50时,诊断正确率达到第一个峰值,在测试样本占20时达到第二个峰值在实际故障诊断中,为提高故障诊断泛化能力和提高诊断效率,选择训练和测试样本各占50。实验结果显示本文的故障诊断方法利用时频域图4惩罚参数C与故障诊断率之间的关系Fig.4TherelationshipofCandfaultdiagnosisrate图5训练样本比例与故障诊断率之间的关系Fig.5Therelationshipoftrainingsampleratioandfaultdiagnosisrate故障特征能够更好地突出不同故障信号的特征,有效地识别故障,同时采用样本的模糊隶属度消除噪声或野点对构造支持向量机最优分类面的影响,进一步改善故障诊断的能力,提高故障分类准确率和泛化性能。12电子测量与仪器学报2009年5结论提出了一种模拟电路故障诊断的新方法,该方法首先对采集的故障信号进行联合时域和频域的特征提取,然后训练基于新颖模糊度隶属函数的模糊支持向量机作为故障模式分类器以实现对不同故障类别的分类。提取的特征既代表时域的特性又代表频域的特性,能有效地突出不同故障的特征和有利于识别故障结合新颖的模糊隶属度消除噪声或野点对故障分类的影响,更加有效地提高了故障诊断性能。以CTSV滤波器为诊断实例,实验结果表明该方法不仅能正确分类出单故障类别,而且也能正确有效诊断出多故障类别,故障诊断平均正确率达98.2,对模拟电路故障诊断具有很好的适应性和诊断性能,为模拟电路故障诊断开辟新的途径。参考文献1AMINIANM,AMINIANF.NeuralnetworkbasedanalogcircuitfaultdiagnosisusingwavelettransformaspreprocessorJ.CircuitsandSystemsIIAnalogandDigitalSignalProcessing,IEEETransactionsonCircuitsandSystemsIIExpressBriefs,2000,47,151156.2AMINIANF,AMINIANM.FaultdiagnosisofanalogcircuitsusingBayesianneuralnetworkswithwavelettransformaspreprocessorJ.JournalofElectronicTestingTheoryandApplications,2001,17,2936.3CATELANIM,FORTA.SoftfaultsdetectionandisolationinanalogcircuitssomeresultsandaccomparisonbetweenafuzzyapproachandradialbasisfunctionnetworksJ.IEEETransactionsonInstrumentationandMeasurement,2002,512196202.4金瑜,陈光,刘红.基于小波神经网络的模拟电路故障诊断J.仪器仪表学报,2007,28916001604.JINY,CHENGJ,LIUH.FaultdiagnosisofanalogcircuitbasedonwaveletneuralnetworkJ.ChineseJournalofScientificInstrument,2007,28916001604.5WANGA,LIUJ.AnovelfaultdiagnosisofanalogcircuitalgorithmbasedonincompletewaveletpackettransformandimprovedbalancedbinarytreeSVMsJ.BioInspiredComputationalIntelligenceandApplications,2007,482493.6孙永奎,陈光,李辉.基于可测性分析和支持向量机的模拟电路故障诊断J.仪器仪表学报,2008,29611821186.SUNYK,CHENGJ,LIH.FaultdiagnosismethodforanalogcircuitbasedontestabilityanalysisandsupportvectormachineJ.ChineseJournalofScientificInstrument,2008,29611821186.7孙永奎,陈光,李辉.支持向量机在模拟电路故障诊断中应用J.电子测量与仪器学报,2008,2227275.SUNYK,CHENGJ,LIH.SupportvectormachineforanalogcircuitfaultdiagnosisJ.JournalofElectronicMeasurementandInstrument,2008,2227275.8VAPNIKVN.StatisticallearningtheoryM.NewYorkSpringer,1995.9LINCF,WANSHD.FuzzysupportvectormachinesJ.IEEETransactionsonNeuralNetworks,2002,132464471.10LINY,LEEY,WAHBAG.SupportvectormachinesforclassificationinnonstandardsituationsJ.MachineLearning,2002,46191202.11HUANGHP,LIUYH.FuzzysupportvectormachinesforpatternrecognitionanddataminingJ.InternationalJournalofFuzzySystems,2002,43826835.12张祥,肖小玲,徐光祐.基于样本之间紧密度的模糊支持向量机方法J.软件学报,2006,175951958.ZHANGX,XIAOXL,XUGY.FuzzysupportvectormachinebasedonaffinityamongsamplesJ.JournalofSoftware,2006,175951958.13DAVIDMJT,ROBERTPWD.SupportvectordatadescriptionJ.MachineLearning,2004,544566.作者简介唐静远男,1974年出生,1998年于北京航空航天大学获得学士学位,2005年于军事交通学院获得硕士学位,现为电子科技大学博士研究生,主要研究方向为模拟电路故障诊断、支持向量机集成及其应用。TangJingyuanmale,bornin1974.HereceivedBSfromBeihangUniversityin1998,MSfromMilitaryTrafficCollegein2005.NowheisaPhDcandidateinUniversityofElectronicScienceandTechnologyofChina.Hisresearchdirectionisfaultdiagnosisofanalogcircuit,integrationandapplicationofsupportvectormachine.师奕兵男,1964年出生,分别于1985年、1988年和2002年在电子科技大学获无线电技术学士学位、电路与系统硕士学位、测试计量技术及仪器博士学位。2002年起,担任电子科技大学教授、博士生导师。主要研究方向及感兴趣的第6期采用模糊支持向量机的模拟电路故障诊断新方法13领域有VLSI和电子系统的计算机辅助测试、电子测量仪器理论及设计技术、测井技术以及基于网络的测试。ShiYibingmale,bornin1964,PhD.Nowheisaprofessor,tutorofPhDinUniversityofElectronicScienceandTechnologyofChina.ThemainresearchdirectionisCATforVLSIandelectronicsystem,theoryofelectronicmeasurementandtechnologyofdesign,oilfieldloggingtechniqueandtestbasedonnetwork.
编号:201312191559467622    大小:856.50KB    格式:DOC    上传时间:2013-12-19
  【编辑】
5
关 键 词:
管理 组织 经营
温馨提示:
1: 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
2: 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
3.本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
5. 人人文库网仅提供交流平台,并不能对任何下载内容负责。
6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
  人人文库网所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
0条评论

还可以输入200字符

暂无评论,赶快抢占沙发吧。

当前资源信息

4.0
 
(2人评价)
浏览:19次
abaodong上传于2013-12-19

官方联系方式

客服手机:13961746681   
2:不支持迅雷下载,请使用浏览器下载   
3:不支持QQ浏览器下载,请用其他浏览器   
4:下载后的文档和图纸-无水印   
5:文档经过压缩,下载后原文更清晰   

相关资源

相关资源

相关搜索

管理   组织   经营  
关于我们 - 网站声明 - 网站地图 - 友情链接 - 网站客服客服 - 联系我们
copyright@ 2015-2017 人人文库网网站版权所有
苏ICP备12009002号-5