多軟故障維納特征的分層智能優(yōu)化選擇方法技術(shù)

多軟故障維納特征的分層智能優(yōu)化選擇方法.模擬電路在混合電路中的比例越來越小，但是模擬電路不可取代，與具體過程相連接的環(huán)節(jié)必需用到模擬電路。本發(fā)明專利技術(shù)的方法包括如下步驟：（1）對待診斷的電路進行故障狀態(tài)進行分類;（2）求出上述N種狀態(tài)的前m階維納核；（3）取一組維納核函數(shù)的自變量，選擇出各故障狀態(tài)對應(yīng)的前m階維納核的特征值，并按照一定的規(guī)律構(gòu)成特征矢量，共有N個特征矢量；（4）將這N個特征矢量的集總歐氏距離作為評價函數(shù)，（5）對得到的最優(yōu)故障狀態(tài)特征矢量間的距離進行判別，分層選擇特征，以提高診斷準確率。本發(fā)明專利技術(shù)用于多軟故障維納特征的分層智能優(yōu)化選擇。

【技術(shù)實現(xiàn)步驟摘要】
【專利說明】
:本專利技術(shù)涉及一種。
技術(shù)介紹
:隨著數(shù)字技術(shù)的發(fā)展和集成技術(shù)的提高，模擬電路在混合電路中的比例越來越小，但是模擬電路不可取代，與具體過程相連接的環(huán)節(jié)必需用到模擬電路。模擬電路所占的比例雖然小，但是由模擬電路引起的故障卻遠遠高于數(shù)字電路產(chǎn)生的故障。但是，模擬電路，特別是非線性模擬電路的診斷理論尚不完善。現(xiàn)有的智能故障診斷方法雖然具有一定的實用性，但是對于較復(fù)雜的電路不適用，主要原因是現(xiàn)有的非線性模擬電路的智能故障診斷，特征矢量只進行一次優(yōu)化選擇，當某些故障特征相似時診斷準確率明顯下降，影響診斷效果，因此，急需要一種好的方法。本專利技術(shù)申請的方法正式針對這種需要而專利技術(shù)的。
技術(shù)實現(xiàn)思路
:本專利技術(shù)的目的是提供一種。上述的目的通過以下的技術(shù)方案實現(xiàn):一種，該方法包括如下步驟:(1)對待診斷的電路進行故障狀態(tài)進行分類，假設(shè)共有N種狀態(tài)；(2)求出上述N種狀態(tài)的前m階維納核；(3)取一組維納核函數(shù)的自變量，選擇出各故障狀態(tài)對應(yīng)的前m階維納核的特征值，并按照一定的規(guī)律構(gòu)成特征矢量，共有N個特征矢量；(4)將這N個特征矢量的集總歐氏距離作為評價函數(shù)，利用智能優(yōu)化算法更換維納核函數(shù)的自變量，來搜索集總歐氏距離的最大值，直到搜索到最優(yōu)解，保存對應(yīng)的自變量值和各最優(yōu)故障狀態(tài)特征矢量，這些矢量稱為第一層最優(yōu)特征矢量；(5)對得到的最優(yōu)故障狀態(tài)特征矢量間的距離進行判別，相互距離大于或等于設(shè)定的閾值h的所有故障狀態(tài)歸為第一層故障群，而相互距離小于設(shè)定閾值h的所有故障狀態(tài)歸為第二層故障群；(6)對第二層故障群采用和前述的方法類似的過程進行智能優(yōu)化故障特征選擇，得到第二層故障群中各故障狀態(tài)的新的最優(yōu)故障狀態(tài)特征矢量，稱為第二層最優(yōu)特征矢量；(7)依照上述(5)的方法，可以再對第二層最優(yōu)特征矢量的相互距離進行判別，相互距離大于或等于設(shè)定的閾值h的所有故障狀態(tài)保留在第二層故障群，相互距離小于設(shè)定閾值h的所有故障狀態(tài)歸為第三層故障群;依此類推，可以繼續(xù)分更多的層，直到診斷效果滿意為止。通常取2至3層即可滿足診斷準確率的要求。(8)進行故障診斷時，按照第1層、第2層及第3層的順序，依次采用每層的最優(yōu)特征矢量進行智能診斷，分幾層就診斷幾次。有益效果:1.本專利技術(shù)在求得各個故障狀態(tài)維納核的基礎(chǔ)上，采用智能優(yōu)化算法對N種狀態(tài)進行最優(yōu)故障狀態(tài)特征矢量搜索，并根據(jù)所設(shè)定的閾值h對特征矢量間的距離進行判別分層，分出第1層故障群、第2層故障群以及第3層故障群，并得到第1層、第2層及第3層的最優(yōu)特征矢量，用于故障診斷。本專利技術(shù)采用分層的方法解決故障特征相似的非線性模擬電路的診斷特征提取問題，有效加大了不同故障之間的特征差異，可提高故障診斷的準確率，且實用性強。本專利技術(shù)用于非線性模擬電路的故障診斷，特別適用于存在多軟故障等較難診斷的情況。【附圖說明】:附圖1是本專利技術(shù)分層特征選擇原理圖。【具體實施方式】:實施例1:一種，該方法包括如下步驟:(1)對待診斷的電路進行故障狀態(tài)進行分類，假設(shè)共有N種狀態(tài)；(2)求出上述N種狀態(tài)的前m階維納核；(3)取一組維納核函數(shù)的自變量，選擇出各故障狀態(tài)對應(yīng)的前m階維納核的特征值，并按照一定的規(guī)律構(gòu)成特征矢量，共有N個特征矢量；(4)將這N個特征矢量的集總歐氏距離作為評價函數(shù)，利用智能優(yōu)化算法更換維納核函數(shù)的自變量，來搜索集總歐氏距離的最大值，直到搜索到最優(yōu)解，保存對應(yīng)的自變量值和各最優(yōu)故障狀態(tài)特征矢量，這些矢量稱為第一層最優(yōu)特征矢量；(5)對得到的最優(yōu)故障狀態(tài)特征矢量間的距離進行判別，相互距離大于或等于設(shè)定的閾值h的所有故障狀態(tài)歸為第一層故障群，而相互距離小于設(shè)定閾值h的所有故障狀態(tài)歸為第二層故障群；(6)對第二層故障群采用和前述的方法類似的過程進行智能優(yōu)化故障特征選擇，得到第二層故障群中各故障狀態(tài)的新的最優(yōu)故障狀態(tài)特征矢量，稱為第二層最優(yōu)特征矢量；(7)依照上述(5)的方法，可以再對第二層最優(yōu)特征矢量的相互距離進行判別，相互距離大于或等于設(shè)定的閾值h的所有故障狀態(tài)保留在第二層故障群，相互距離小于設(shè)定閾值h的所有故障狀態(tài)歸為第三層故障群;依此類推，可以繼續(xù)分更多的層，直到診斷效果滿意為止，通常取2至3層即可滿足診斷準確率的要求。(8)進行故障診斷時，按照第1層、第2層及第3層的順序，依次采用每層的最優(yōu)特征矢量進行智能診斷，分幾層就診斷幾次。【主權(quán)項】1.一種，其特征是:該方法包括如下步驟:(1)對待診斷的電路進行故障狀態(tài)進行分類，假設(shè)共有N種狀態(tài)；(2)求出上述N種狀態(tài)的前m階維納核；(3)取一組維納核函數(shù)的自變量，選擇出各故障狀態(tài)對應(yīng)的前m階維納核的特征值，并按照一定的規(guī)律構(gòu)成特征矢量，共有N個特征矢量；(4)將這N個特征矢量的集總歐氏距離作為評價函數(shù)，利用智能優(yōu)化算法更換維納核函數(shù)的自變量，來搜索集總歐氏距離的最大值，直到搜索到最優(yōu)解，保存對應(yīng)的自變量值和各最優(yōu)故障狀態(tài)特征矢量，這些矢量稱為第一層最優(yōu)特征矢量；(5)對得到的最優(yōu)故障狀態(tài)特征矢量間的距離進行判別，相互距離大于或等于設(shè)定的閾值h的所有故障狀態(tài)歸為第一層故障群，而相互距離小于設(shè)定閾值h的所有故障狀態(tài)歸為第二層故障群；(6)對第二層故障群采用和前述的方法類似的過程進行智能優(yōu)化故障特征選擇，得到第二層故障群中各故障狀態(tài)的新的最優(yōu)故障狀態(tài)特征矢量，稱為第二層最優(yōu)特征矢量；(7)依照上述(5)的方法，可以再對第二層最優(yōu)特征矢量的相互距離進行判別，相互距離大于或等于設(shè)定的閾值h的所有故障狀態(tài)保留在第二層故障群，相互距離小于設(shè)定閾值h的所有故障狀態(tài)歸為第三層故障群;依此類推，可以繼續(xù)分更多的層，直到診斷效果滿意為止，通常取2至3層即可滿足診斷準確率的要求。(8)進行故障診斷時，按照第1層、第2層及第3層的順序，依次采用每層的最優(yōu)特征矢量進行智能診斷，分幾層就診斷幾次。【專利摘要】<b></b><b>.</b><b>模擬電路在混合電路中的比例越來越小，但是模擬電路不可取代，與具體過程相連接的環(huán)節(jié)必需用到模擬電路。本專利技術(shù)的方法包括如下步驟：（</b><b>1</b><b>）對待診斷的電路進行故障狀態(tài)進行分類</b><b>;</b><b>（</b><b>2</b><b>）求出上述</b><b>N</b><b>種狀態(tài)的前</b><b>m</b><b>階維納核；（</b><b>3</b><b>）取一組維納核函數(shù)的自變量，選擇出各故障狀態(tài)對應(yīng)的前</b><b>m</b><b>階維納核的特征值，并按照一定的規(guī)律構(gòu)成特征矢量，共有</b><b>N</b><b>個特征矢量；（</b><b>4</b><b>）將這</b><b>N</b><b>本文檔來自技高網(wǎng)...

【技術(shù)保護點】
一種多軟故障維納特征的分層智能優(yōu)化選擇方法，其特征是：該方法包括如下步驟：（1）對待診斷的電路進行故障狀態(tài)進行分類，假設(shè)共有N種狀態(tài);（2）求出上述N種狀態(tài)的前m階維納核；（3）取一組維納核函數(shù)的自變量，選擇出各故障狀態(tài)對應(yīng)的前m階維納核的特征值，并按照一定的規(guī)律構(gòu)成特征矢量，共有N個特征矢量；（4）將這N個特征矢量的集總歐氏距離作為評價函數(shù)，利用智能優(yōu)化算法更換維納核函數(shù)的自變量，來搜索集總歐氏距離的最大值，直到搜索到最優(yōu)解，保存對應(yīng)的自變量值和各最優(yōu)故障狀態(tài)特征矢量，這些矢量稱為第一層最優(yōu)特征矢量；（5）對得到的最優(yōu)故障狀態(tài)特征矢量間的距離進行判別，相互距離大于或等于設(shè)定的閾值h的所有故障狀態(tài)歸為第一層故障群，而相互距離小于設(shè)定閾值h的所有故障狀態(tài)歸為第二層故障群；（6）對第二層故障群采用和前述的方法類似的過程進行智能優(yōu)化故障特征選擇，得到第二層故障群中各故障狀態(tài)的新的最優(yōu)故障狀態(tài)特征矢量，稱為第二層最優(yōu)特征矢量；（7）依照上述（5）的方法，可以再對第二層最優(yōu)特征矢量的相互距離進行判別，相互距離大于或等于設(shè)定的閾值h的所有故障狀態(tài)保留在第二層故障群，相互距離小于設(shè)定閾值h的所有故障狀態(tài)歸為第三層故障群；依此類推，可以繼續(xù)分更多的層，直到診斷效果滿意為止，通常取2至3層即可滿足診斷準確率的要求。（8）進行故障診斷時，按照第1層、第2層及第3層的順序，依次采用每層的最優(yōu)特征矢量進行智能診斷，分幾層就診斷幾次。...

【技術(shù)特征摘要】

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：林海軍，張旭輝，徐志成，王鑫磊，何林俊，張斌，劉云峰，
申請(專利權(quán))人：哈爾濱理工大學(xué)，
類型：發(fā)明
國別省市：黑龍江;23