本发明属于模拟电路故障分析领域，具体涉及一种重叠故障样本非欧空间图网络的自适应建模与精确隔离方法
背景技术：
1、重叠故障是指模拟电路内不同的故障状态之间的样本数据分布区域出现相互重叠现象。目前，现有的模拟电路智能化诊断方法通常仅从重叠故障数据的样本点中学习特征，无法建模和挖掘样本点间拓扑关系所包含的有效诊断信息，导致对故障样本数据的挖掘不够充分，限制了故障诊断能力的提升。
2、现有方法对模拟电路重叠故障的处理方式主要有三种：第一种方式是采取故障合并的方式，对重叠故障不予以区分，这限制了故障隔离能力的提升；第二种方式是强行学习构建出分类界限，这容易导致诊断错误；第三种方式是从测试性设计的角度，通过增加测试点获得新的特征信息实现重叠故障分类，具体实施难度较大。
3、然而，在多工况模拟电路中，由于模拟电路存在大量非线性器件和反馈回路，受软故障参数范围宽、信号连续变化、器件容差，以及工况变化等因素影响，不同故障状态之间的数据在欧式空间中易出现重叠性。例如，在典型的放大电路中，由于电阻容差、器件参数漂移、电路工况切换等多因素耦合作用，电路输出端电压幅值易出现较大范围波动，不同故障状态的样本数据在欧式空间中易出现部分重叠现象。此外，随着模拟电路小型化、集成化的发展趋势，电路集成度越来越高，电路被设计成多层结构，或是被集成封装，模拟电路的测试可及节点数量变得更少，可采集的数据维度更低，加重了故障样本数据的重叠性和故障隔离的难度。在工程应用中，由于对重叠故障的精确隔离能力不足，检出故障后难以现场实现准确的故障定位和器件级的维修更换，通常将检出的故障部件返回厂家进行故障排查定位和维修，测试周期长，维护维修成本高。
4、传统的bpnn、knn以及rf方法没有考虑拓扑结构信息，仅采用了少数监测点的监测参数信息，以单个样本点数据作为模型输入进行特征挖掘与故障诊断。当故障数据在欧式空间中存在重叠时，上述三个方法很难对其进行分离，易出现不收敛或过拟合等现象，因而故障诊断的准确性不高。
5、如何挖掘和建模重叠故障样本之间的拓扑结构特征，实现重叠故障的精确隔离是尚未解决的技术难题。为此，提出一种重叠故障样本非欧空间的自适应建模与精确隔离方法是非常有必要的。
技术实现思路
1、本发明所要解决的技术问题是现有技术难以区分重叠故障、无法实现对重叠故障的精确隔离和故障诊断准确性不高，为此提出一种重叠故障样本非欧空间的自适应建模与精确隔离方法。
2、为实现上述目的，本发明所提供的技术解决方案是：
3、一种重叠故障样本非欧空间图网络的自适应建模与精确隔离方法，其特殊之处在于，包括以下步骤：
4、步骤1：通过特征优选评价函数计算训练数据集中样本的各个样本特征的pf值；
5、步骤2：根据所述各个样本特征的pf值进行特征排序，得到排序后的特征集合；
6、步骤3：构建最优特征集合，包括以下子步骤；
7、步骤3.1：构建待选特征集合，将步骤2中得到的排序后的特征集合中pf值最大的特征选入待选特征集合；
8、步骤3.2：逐步遍历步骤2中得到的排序后的特征集合中pf值大的特征，依次对待选特征集合进行fisher判别法和重叠系数判别法，选取其中可分离性提高、或可分离性不变而重叠系数值变小的样本构建最优特征集合；
9、步骤4：通过步骤3.2中得到的最优特征集合构建高斯混合模型，并通过高斯混合模型中每个单高斯模型的生成概率对每个聚类按比例采样，在保持样本分布基础上得到精简数量的节点样本抽样数量，再在对应聚类内随机抽样，得到由抽样样本组成的最优节点数据集；
10、步骤5：采用图网络边连接算法对每个聚类的最优节点数据集构建初步图网络，
11、步骤6：对初步图网络中的邻接矩阵的参数进行自适应调整，得到最终的图网络模型；
12、步骤7：重复步骤5至步骤6，为每个聚类分别构建图网络模型；
13、步骤8：先使用训练样本对诊断模型进行训练，再使用训练数据样本与待诊断样本组成的样本集合构建诊断模型；
14、步骤9：对每一个图网络模型进行卷积层操作和池化操作；
15、步骤9.1：对图网络进行卷积运算，对节点样本进行一轮邻居信息的学习，获得每个节点优化更新后的新的特征表示；
16、步骤9.2：采用基于读出机制的全局池化算法，对图网络进行池化运算，得到池化后的图网络。
17、进一步地，
18、所述步骤3.2包括以下子步骤：
19、步骤3.2.1：对待选特征集合的可分离性采用fisher判别分析法进行判别：
20、若待选特征集合可分离性提高，则将该特征加入待选特征集合，选择下一个特征进行步骤3.2.1的判别；
21、若待选特征集合可分离性降低，则选择下一个特征进行步骤3.2.1的判别；
22、若待选特征集合可分离性不变，则转向步骤3.2.2；
23、步骤3.2.2：对待选特征集合的重叠系数进行判别：
24、若重叠系数变小，则将该特征加入待选特征集合，选择下一个特征进行步骤3.2.1的判别；
25、若重叠系数变大或不变，则选择下一个特征进行步骤3.2.1的判别。
26、进一步地，
27、所述步骤5包括以下子步骤：
28、步骤5.1：采用相似度量函数计算最优节点数据集的样本间相似度；
29、步骤5.2：计算最优节点数据集的半径阈值；
30、步骤5.3：对最优节点数据集中的每个样本建立边关系；
31、步骤5.4：遍历所有孤立点，将其中最相似的节点建立边关系；
32、步骤5.5：构建初步的图网络模型。
33、进一步地，
34、所述步骤8采用考虑重叠特性的注意力权重确定算法构建诊断模型，包括以下子步骤：
35、步骤8.1：针对训练样本数据集合，计算各个状态下各样本点的局部密度；
36、步骤8.2：针对训练样本数据集合，计算各状态下样本点密度总和；
37、步骤8.3：针对训练样本数据集合，计算各状态下样本点的注意力权重；
38、步骤8.4：针对训练数据样本与待诊断样本组成的样本集合，计算待诊断样本点的局部密度；
39、步骤8.5：针对训练数据样本与待诊断样本组成的样本集合，计算待诊断样本点的总密度；
40、步骤8.6：针对训练数据样本与待诊断样本组成的样本集合，计算待诊断样本点的注意力权重。
41、本发明的构思及原理：
42、本发明提供了一种重叠故障样本非欧空间图网络的自适应建模与精确隔离方法，包括故障样本非欧空间图网络自适应建模方法和考虑重叠特性的改进图卷积神经网络故障诊断方法：
43、故障样本非欧空间图网络自适应建模方法，在故障特征优选方面，选择差异较大的特征，采用熵权优先函数进行特征排序，再通过fda可分离性分析与重叠系数分析进行两次分离性判别；在图网络节点方面，根据训练样本数据的分布特性，提出了一种基于高斯混合模型的图网络节点优选算法；在边层面，基于相似度度量方法，结合k-近邻算法与ε-半径算法确定图节点间的边连接规则；在图网络层面，采用k-近邻算法与ε-半径算法组合的方式确定图网络中的初始连接权重，最后基于局部线性嵌入的思想，挖掘节点的局部范围特征，通过优化方程的求解分析局部信息而开展注意力确定算法研究，实现图网络的动态自适应调整，提高了故障诊断的准确性；
44、考虑重叠特性的改进图卷积神经网络故障诊断方法，为每一种状态下的故障数据群(即聚类)建立一个图网络模型，并以滤波与激活函数组合的方式，聚合邻居节点信息，学习节点的向量表示；然后开展图网络池化算法研究，学习得到一个由图到对应标签的映射关系，以表示向量的形式综合描述图的结构特征和节点特征，以图分类的方式实现故障分类。最后，在故障特征空间构建和图网络建模方法研究的基础上，开展注意力权重确定算法研究，分析待诊断样本数据的局部密度特性，根据故障样本密度确定注意力权值，优化图卷积神经网络的特性学习过程，进一步完成不同特征之间的分离，从而实现不同故障状态的精准分离。
45、本发明的优点是：
46、1.本发明以故障样本群族作为模型的输入进行特征挖掘与故障诊断，充分挖掘了各故障样本点间的非欧空间拓扑关系信息，并与各个监测参量的节点信息融合，实现了故障样本群全局特征信息的综合挖掘，学习了不同故障样本群的差异化特征表示，极大的降低了所选故障空间的重叠性，保证了较高的故障诊断准确性。
47、2.本发明的基于局部线性嵌入的思想，挖掘节点的局部范围特征，通过优化方程的求解分析局部信息而开展注意力确定算法研究，提升主要特征的影响力，进而最大程度避免了因数据重叠造成的不收敛与过拟合问题，实现图网络的动态自适应调整，提高了故障诊断的准确性。
48、3.本发明开展图网络池化算法研究，学习得到一个由图到对应标签的映射关系，以表示向量的形式综合描述图的结构特征和节点特征，使得同类图相似性大，不同类的图相似性小。
49、4.本发明采用全局池化算法，对图网络模型进行池化运算，再通过读出机制，将节点进行聚合操作，实现故障节点的精确隔离。
1.一种重叠故障样本非欧空间图网络的自适应建模与精确隔离方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的重叠故障样本非欧空间图网络的自适应建模与精确隔离方法，其特征在于：
3.根据权利要求1所述的重叠故障样本非欧空间图网络的自适应建模与精确隔离方法，其特征在于：
4.根据权利要求1所述的重叠故障样本非欧空间图网络的自适应建模与精确隔离方法，其特征在于：
