专利名称：基于支持向量分类的功率电子电路健康监测方法
技术领域：
本发明涉及一种基于支持向量分类的功率电子电路健康监测方法，属于电路网络测试领域。
背景技术：
功率电子电路的故障诊断技术在各个领域得到了广泛的研究和应用，但基于电路健康评估和监测方面的研究和应用显得较少。功率电子电路的健康监测十分重要，根据电路的健康状况可以十分方便的实施电路的故障预测与健康管理(PHM)。功率电子电路的PHM主要分为三类基于Canary的预警装置应用与设计；故障预兆推理和监控；损伤累积建模与分析。此处所采用的功率电子电路健康监测方法属于第二类，主要包括电路的健康评估、故障检测与故障分类等关键技术。目前，模式识别与人工智能等基于数据驱动技术的运用是功率电子电路健康监测与评估研究中的热点。在这些方法中，支持向量机以其外推能力强、学习样本稀疏、对样本的数据维数不敏感等优点，已经成为继建模分析、神经网络等方法后的又一个研究重点。支持向量机功能较强，在诊断领域可以实施故障诊断和定位、故障检测和预测等。但常规支持向量机不能直接用于多分模式识别，必须进行一定的重新设计才能完成此类工作。目前，主要的设计思路包括两种组合单类支持向量机分类器、直接设计一个多类支持向量机分类器。目前，典型设计中以前者居多。M-ary SVC是目前所有方法中已知所需单分类器数目最小的一种多分类方法，决策也十分简单。但这种方法没有充分考虑各种模式的优化组合，因而造成了不同的分类器结构，因而可能导致不同的测试性能。如果在机器学习之前，能够考虑各种训练模式的优化组合，并重新组织分类器的训练结构，则可以较好的解决这一问题。
发明内容
为了解决上述问题，本发明提出了一种基于支持向量分类(SVC)的功率电子电路健康监测方法，该方法基于改进型的M-ary SVC进行故障分类和定位，并借助于SVDD方法实施故障训练，可提高功率电子电路的故障诊断效率。本发明为解决其技术问题采用如下技术方案
一种基于支持向量分类的功率电子电路健康监测方法，包括如下步骤
1)对待测的功率电子电路进行可测性分析，确定电路故障的层次、类型和数目并采用软件进行仿真；
2)进行离线操作包括数据采集、故障特征提取、分类器训练和故障字典的构建，所述故障特征提�。捎每焖俑道镆斗治龇椒ɑ蛐〔ò治龇椒ǎ凰龇掷嗥餮盗钒⊿VDD训练方法，即支持向量机数据描述训练方法和SVC训练方法，即支持向量机分类器训练方法，其中，SVDD训练方法是一种单类分类方法，SVC训练方法是一种多类分类方法，利用SVDD训练方法把健康态的样本和故障态的样本分别进行训练，得到两组训练参数，把两组训练参数依次放入存储器中进行存储，形成两个故障字典，分别称为故障字典1 和故障字典Ff ； SVC的训练是采用M-ary支持向量机分类器进行训练，这种分类器是一种多分类器，此处把故障态样本进行SVC训练，得到对应的训练参数，把所有的训练参数保存进存储器，即形成了故障字典Fm;
3)在进行实际电路的在线监测时，利用可测点采集故障信息，并利用步骤2)中同样的故障特征提取方法实施故障信息压缩和提�。⒗美胂卟僮髦械墓收献值涠愿霉收涎窘凶刺霾哂胱刺拦溃咛宀街�
①首先调取故障字典Ff，判断样本是否属于有故障状态，如果是，则转向步骤③，否则，转向步骤②；
②调取故障字典冊，判断样本是否属于健康态，如果是，则转向第③步，否则，报警产生新故障；
③调取故障字典Fm，按照前面所述的调整之后的训练结构进行故障定位，并输出所定位的故障模式；
④状态评估的方法如下如果当前样本的状态属于健康态，则计算当前的样本与球心距之间的距离distx，并设定一定的阈值，即基线baseline，判断如果distX<baseline，则表明当前的系统属于健康态，工作状态良好；如果distx Skiseline，则表明系统健康出现问题，可能出现故障的概率较大。所述步骤2)中的分类器是M-ary支持向量分类器，进行机器学习时所需的训练样本标签分配，具体步骤如下
①计算所需的M-arySVC子分类器的个数；
②按照基于数字编码方法，使得子分类器进行排列，子分类器的排列按照自后往前或从左到右排列，每一列称为一层，最左边的列为第一层，最右边的列称为最后一层，每一列对应全部的故障模式，即某个子分类器的样本标签划分是在称为一层的概念上开展的；
③设计第一层SVC分类器的结构，即重新安排样本标签，再按照顺序，依次设计其他层的SVC结构，直至第一个SVC为止；此处定义两个概念宏和子宏。所谓宏是针对某层 SVC的训练样本集而言的，在本层内，包含属于“-1，，标签或“+1，，标签的模式类的集合都称为一个宏；子宏是由上层的宏或宏内的子宏分解而来，每个上层的宏总是分解为一个或两个子宏，这两个子宏之间还需重新调整样本的标签，即重新调整为两个新宏，由此，某层SVC 的宏既包括一个子宏，也包括多个来自上层分解的子宏，最后一层的子宏数目最多，且每个子宏仅包括一种模式类，表明所有的模式类均已经分开，此处利用最小距离方法把一个宏分解为子宏，是由于对一个宏内的模式类而言，总是存在某几个模式类之间的欧式距离和最�。颜饧父瞿Ｊ嚼嗷氲揭桓鲎雍昴冢Ｓ嗄Ｊ嚼嗷肓硗庖桓鲎雍辏�
④按照步骤③得到的宏的结构安排SVC训练，每层经过训练之后得到的训练参数放入存储器中进行保存，形成一个二元支持向量机分类器BSVC ；
⑤保存所有的BSVC参数即整体形成一部故障字典Fm，以用于多故障模式分类。本发明的有益效果如下
1、通过对M-ary支持向量机的训练结构进行调整，能够显著优化该分类器的结构，从而达到提高训练效率，减少支持向量，并提高测试效率的目的。2、通过借助SVDD的异常检测机制对故障进行训练，可以提高监测系统对新故障和未知故障的监测能力，以达到提高监测性能的目的。3、通过借助支持向量分析方法(即SVC与SVDD的联合判决)，可以提高功率电子电路故障监测和评估的自动化程度和诊断效率，可以应用在功率电子电路系统的离线和在线故障诊断(板级和系统级)。
图1基于支持向量分类的功率电子电路状态监测流程图。
具体实施例方式
下面结合附图对本发明创造作进一步的详细说明。本发明设计了一种基于支持向量分类的功率电子电路健康监测方法，该方法主要包括故障模式设计和电路可测性分析、离线操作与在线操作三部分。所采用的步骤流程如图1所示。具体操作包括如下步骤
一、故障模式设计和电路可测性分析。在采用本方法之前，首先需要对待测的功率电子电路进行故障模式的分析，确定故障的层次(即故障属于器件级、�？榧痘故亲酉低臣�)、类型(例如是单软故障还是多软故障，是单硬故障还是多硬故障，还是软故障与硬故障的并存)和数目(即有多少个器件是潜在的故障源，是否要考虑二种或二种以上器件的故障组合等)。一般的，故障层次、类型和数目的确定往往随对象的用途、规�：驼锒弦蟛煌煌纾杂诤毓芙隙嗟墓β是缏坊蚩煽啃砸蠼细叩墓β实缏范裕锒系牟愦瓮枰锒现疗骷叮骷收弦远嘤补收衔鳎欢杂谕仄私峁垢丛忧夷？榛飨缘墓β实缱拥缏范裕锒系牟愦瓮枰锒现聊？榧叮坏闭锒厦嫦虻亩韵笫且桓鼋峁垢丛印喔龅缏纺？榈耐聪低呈保耸钡恼锒喜愦瓮亲酉低臣�。目前大部分的故障诊断系统考虑较多的是单故障模式，因为单故障的产生概率较大。此处，假设需要在线诊断的故障模式一共有N种(电路的正常情况往往也作为其中一种特殊的故障模式列入)。另外，还需要确定哪些元件是需要进行监测的(即在实际应用中容易产生故障的器件，或者，这些器件十分重要，一旦产生故障可能会导致整个系统的崩溃，这些器件都是需要考虑的)，或者哪些节点是可测节点(即通过这些节点可以采集到反映故障模式的信息)，或哪些故障信息类型(即采集的信息是电压还是电流)可以实施后续的故障判别。上述这些工作可以采用仿真软件PSpice或Saber等软件进行，采用软件进行仿真时，需要在软件内部绘制原理图，并根据实际电路系统可能出现的故障模式进行设置，例如，如果设置电阻器件出现了开路硬故障，可以在电阻的一端串联一个极大的电阻(例如 100 ΜΩ)加以仿真和模拟。同时，可借助于软件自带的功能进行各种情况下的仿真模拟，例如Monte Carlo分析用于设置容差器件的分析等。软件分析可以提供所有的可测节点的电压输出信息，也包括各个支路的电流等信息。因此，采集这些信息并进行定性或定量分析， 分辨出哪些节点和信息类型有利于进行故障信息采集，并在能够分辨所有故障模式的前提下，确保所利用的可测节点数和故障信息类型数最少。二、离线操作。离线操作主要包括数据采集、特征提取与分类器训练三个部分。<1>数据采集(即A/D转换)。因为本发明的分类器由多个支持向量分类器构成，需要采用基于监督机制的机器学习方法进行训练，故需要一定的故障特征样本。样本的获取既可以采用历史真实样本获�。部梢圆捎梅抡嫒砑右允迪帧Ｈ绻捎梅抡娣绞交袢」收涎荆枰悸鞘导视τ弥性莶畹挠跋欤舜Σ捎肕onte Carlo算法进行模拟，Monte Carlo分析可以采用均勻或正态分布。
6
在进行实际的硬件数据采集时，还需要特别考虑诊断所需的传感器类型和精度如果采集的为电流信号，则需要通过硬件电路(例如霍尔器件)把电流信号转换为电压信号再进行数据采集。ADC的采样速率、精度和数据点个数等可根据实际需要确定，比如，数据采集的AD转换器精度为14位，采样率 f =IMHz。<2>故障特征提取。对采集到的数据样本进行故障特征提取，以压缩数据并去除高频噪声的干扰。故障特征提取的方法很多，可以采用快速傅里叶分析(FFT)或小波包分
析。以小波包分析为例，设为原始信号S经小波包分解后的第i层(i=l，2，…，乃的第 J·个节点的小波包分解系数， 为巧的单支重构信号，则总信号S可等价于如下形式
I 1'
1-1 J-I
当功率电子电路工作不正常，开始出现故障或预兆时，对经过小波包分解的各个系数都会产生一定的影响。由小波分解原理可知，低频系数包含了样本的原始轮廓，虽然高频系数包含了某些故障特征的变化，但受噪声干扰也十分严重，因此，为了尽量减少功率电子电路工作时各种噪声对样本的干扰，此处仅采用第ri层的小波包变换的低频系数作为故障特征矢量。为了进一步压缩数据维，对每层的小波系数进行规格化操作，规格化函数为 norai(·)。其中，norai( = maE(sum(abs(·))) , abs(·)为矢量取绝对值函数，sum(·)表示矢量的
求和函数，maK(·)表示取矢量的最大值函数。 把所有节点的规格化数据进行组合之后，合并成为一个维矢量
权利要求
1.一种基于支持向量分类的功率电子电路健康监测方法，其特征在于，包括如下步骤1)对待测的功率电子电路进行可测性分析，确定电路故障的层次、类型和数目并采用软件进行仿真；2)进行离线操作包括数据采集、故障特征提取、分类器训练和故障字典的构建，所述故障特征提取，采用快速傅里叶分析方法或小波包分析方法；所述分类器训练包括SVDD训练方法，即支持向量机数据描述训练方法和SVC训练方法，即支持向量机分类器训练方法，其中，SVDD训练方法是一种单类分类方法，SVC训练方法是一种多类分类方法，利用SVDD训练方法把健康态的样本和故障态的样本分别进行训练，得到两组训练参数，把两组训练参数依次放入存储器中进行存储，形成两个故障字典，分别称为故障字典1 和故障字典Ff ； SVC的训练是采用M-ary支持向量机分类器进行训练，这种分类器是一种多分类器，此处把故障态样本进行SVC训练，得到对应的训练参数，把所有的训练参数保存进存储器，即形成了故障字典Fm;3)在进行实际电路的在线监测时，利用可测点采集故障信息，并利用步骤2)中同样的故障特征提取方法实施故障信息压缩和提�。⒗美胂卟僮髦械墓收献值涠愿霉收涎窘凶刺霾哂胱刺拦溃咛宀街琚偈紫鹊魅」收献值銯f，判断样本是否属于有故障状态，如果是，则转向第③，否则， 转向步骤②；②调取故障字典冊，判断样本是否属于健康态，如果是，则转向第③步，否则，报警产生新故障；③调取故障字典Fm，按照前面所述的调整之后的训练结构进行故障定位，并输出所定位的故障模式；④状态评估的方法如下如果当前样本的状态属于健康态，则计算当前的样本与球心距之间的距离distx，并设定一定的阈值，即基线baseline，判断如果distX<baseline，则表明当前的系统属于健康态，工作状态良好；如果distx Skiseline，则表明系统健康出现问题，可能出现故障的概率较大。
2.根据权利要求1所述的基于支持向量分类的功率电子电路健康监测方法，其特征在于所述步骤2)中的分类器是M-ary支持向量分类器，进行机器学习时所需的训练样本标签分配，具体步骤如下①计算所需的M-arySVC子分类器的个数；②按照基于数字编码方法，使得子分类器进行排列，子分类器的排列按照自后往前或从左到右排列，每一列称为一层，最左边的列为第一层，最右边的列称为最后一层，每一列对应全部的故障模式，即某个子分类器的样本标签划分是在称为一层的概念上开展的；③设计第一层SVC分类器的结构，即重新安排样本标签，再按照顺序，依次设计其他层的SVC结构，直至第一个SVC为止；此处定义两个概念宏和子宏，所谓宏是针对某层SVC 的训练样本集而言的，在本层内，包含属于“_1”标签或“+1”标签的模式类的集合都称为一个宏；子宏是由上层的宏或宏内的子宏分解而来，每个上层的宏总是分解为一个或两个子宏，这两个子宏之间还需重新调整样本的标签，即重新调整为两个新宏，由此，某层SVC的宏既包括一个子宏，也包括多个来自上层分解的子宏，最后一层的子宏数目最多，且每个子宏仅包括一种模式类，表明所有的模式类均已经分开，此处利用最小距离方法把一个宏分解为子宏，是由于对一个宏内的模式类而言，总是存在某几个模式类之间的欧式距离和最�。颜饧父瞿Ｊ嚼嗷氲揭桓鲎雍昴冢Ｓ嗄Ｊ嚼嗷肓硗庖桓鲎雍辏虎馨凑詹街琚鄣玫降暮甑慕峁拱才臩VC训练，每层经过训练之后得到的训练参数放入存储器中进行保存，形成一个二元支持向量机分类器BSVC ；⑤保存所有的BSVC参数即整体形成一部故障字典Fm，以用于多故障模式分类。
全文摘要
一种基于支持向量分类的功率电子电路的健康监测方法，属于电路网络测试领域。该方法包括如下步骤1)对待测的功率电子电路进行可测性分析，确定电路故障的层次、类型和数目并采用软件进行仿真；2)进行离线操作包括数据采集、特征提取、分类器训练和故障字典的构建；3)在进行实际电路的在线监测时，利用可测点采集故障信息，并利用步骤2)中同样的故障特征提取方法实施故障信息压缩和提取，并利用离线操作中的故障字典对该故障样本进行状态决策与状态评估。本发明具有子分类器数目少、方法简便、可靠性高等优点，能够实施功率电子电路的健康评估和未知故障分类，因而可以提高功率电子电路的自动化程度和故障诊断效率。
文档编号G01R31/08GK102435910SQ201110270118
公开日2012年5月2日 申请日期2011年9月14日 优先权日2011年9月14日
发明者吴鑫, 崔江, 王友仁, 陈则王 申请人:南京航空航天大学
专业数控铣床产品供应商
20年生产经验，实力工厂，精工品质，质量有保障
