【技术分享】模拟电路故障诊断中的特征提取方法_新京葡萄京

故障特征提取是仿真电路故障诊断的关键，而仿真电路由于故障模型简单、元件参数的容差、非线性、噪声以及大规模集成化等现象使电路故障信息展现出为多特征、低噪声、非线性的数据集，且受到特征信号观测手段、征兆萃取方法、状态辨识技术、临床科学知识完善程度以及临床经济性的制约，使仿真电路的故障诊断技术迟缓于数字电路故障诊断技术而面对极大的挑战。仿真电路故障诊断本质上等价于模式识别问题，因此研究如何把电路状态的完整特征从高维特征空间传输到较低维特征空间，并萃取有效地故障特征以提升故障诊断亲率就出了一个最重要的课题。本文将详细讲解部分仿真电路故障诊断中用于的特征提取方法的原理步骤及其优缺点，为更进一步的研究打下基础。

　　基于统计资料理论的特征提取　　传统的基于统计资料理论的特征提取方法是考虑到测点数据的一阶矩和二阶矩，根据这些测点数据的最重要统计资料特征来减少特征空间维数超过有效地特征提取的目的，其中还包括基于可分离性准则、K-L转换、主元分析等特征提取方法。　　主元分析是基于数据样本方差－协方差（相关系数）矩阵的数据特征分析方法，它从特征有效性的角度，通过线性变换，在数据空间中去找一组向量尽量的说明数据的方差，将数据从原本的高维空间同构到一个较低维向量空间，降维后保有数据的主要信息，且主分量间彼此独立国家，从而使数据更加更容易处置。在仿真电路故障诊断中，使用主元分析构建数据压缩和特征提取的过程是：首先将完整特征数据标准化，避免原变量的量纲有所不同和数值差异过于大带给的影响；然后创建数据的相关矩阵，并计算出来矩阵的特征值及特征向量，并对扣除的特征值展开排序；最后根据特征值的方差贡献率挑选主元，一般来说拒绝总计方差贡献率超过80％到90%才可，临床系统结构如图1右图。

经过主元分析将特征向量降维后，增加了临床神经网络的输出，提升了网络训练速度，减少了神经网络的计算出来复杂度。

本文来源：新京葡萄京-www.agentangkasnet303.com