基于GA—SVM的多總線故障診斷系統優化

王桂明 王剛

摘 要：多總線自動化測試系統主要由GPIB、IEEE1394、VXI 三總線構成，可以對電路板上的不同信號進行采集，實現電路板故障的有效檢測，確定發生故障的電路元器件。支持向量機分類器采用遺傳算法，對算法中的各種參數進行了優化。

關鍵詞：自動化測試系統 故障診斷 支持向量機

中圖分類號：TP277 文獻標識碼：A 文章編號：1674-098X（2015）07（a）-0084-01

自動化測試系統被廣泛應用于故障診斷領域，為了進一步完善故障診斷方式、方法，多種智能算法被應用到故障診斷中去。新的故障診斷方法利用了人工智能算法，會自動進行學習及推理，全面體現出了人類的智能因素，通過智能算法對機器進行分析診斷。目前對人工智能算法的研究已經成為了推動故障診斷方法改進的關鍵。神經網絡、故障字典、支持向量機等診斷方法是目前應用較多的。而支持向量機（SVM）具有良好識別小樣本的優點，因此，近年來國際機器學習領域在支持向量機方面有較多研究。

1 支持向量機原理及GA-SVM分類器算法簡介

1.1 支持向量機原理

支持向量機具有良好識別小樣本的優點，能夠很好地學習及推理小樣本數據，不僅泛化能力強而且結構簡單，這在解決非線性及小樣本等類型問題中得到很好的體現。支持向量機具有多種優勢，這也使得它在許多領域得到了廣泛應用，如發動機的故障診斷、雷達輻射信號識別等。SVM是一種模式識別分類法，它以統計學理論為基礎，通過核函數實現從原輸入空間到高維特征空間的函數映射，完成映射后進行最優超平面構造，構造最優超平面的關鍵是構造最優分類超平面。最優分類超平面有兩類：線性不可分及線性可分，其中線性可分的最優分類超平面是支持向量機所使用的。支持向量機在解決二分類問題上有重要作用。

1.2 GA-SVM 分類器算法

支持向量機設置是否正確對模型泛化能力及識別精度有著直接影響。為了確保良好的參數設置，支持向量機的核函數選用徑向基核函數（RBF核函數），這種基核函數不僅應用最為廣泛，同時也具有最好性能，支持向量機使用RBF核函數時參數設置主要是懲罰因子C及參數r。支持向量機在參數設置方面并沒有提供正確選擇適當參數的方法， 因此選擇參數值時主要依靠實驗數據及測試人員經驗。遺傳算法是一種全局尋優算法，主要借鑒了生物的自然選擇及遺傳機制，可實現種群的最佳收斂，以使之成為適合環境的最優群體。利用該算法可以解決支持向量機在參數選擇上的不足，進而得到參數設置的最優解。

2 多總線自動化檢測系統

多總線自動化檢測系統是一種通用自動檢測系統，主要是由GPIB、VXI、1394三種總線構成。這一系統結構組成主要包括測試機柜、主控計算機及數模混合接口適配器三大部分。其中測試機柜又可分為兩部分：VXI總線機箱和程控電源，VXI總線機箱內包含了零槽控制器IEEE1394、6.5位數字多用表、64通道時序數字I/O、4通道A/D、32通道繼電器開關等多種VXI模塊化儀器；程控電源由多總線自動測試系統的主控計算機通過GPIB總線進行調控操作，程控電源包含了一路交流和兩路直流，其中直流程控電源每一路可為系統提供兩組電壓。主控計算機作為多總線自動測試系統的核心部分，它上面的FD2.0軟件完成了系統的主要任務，比如各模塊儀器的控制使用、測試與診斷結果的報表打印等，軟件FD2.0的主要組成部分包括：測試診斷開發平臺、測試診斷執行平臺、用戶界面編輯、數據信息管理和在線幫助，各功能模塊的有機結合幫組測試人員有效地完成測試工作。適配器是多總線自動測試系統的重要組成之一，測試機柜為適配器提供電源，適配器含有3個具有150個管腳的連接器，適配器與被測板是通過適配板進行連接的，數據在采集后通過VXI總線機箱進一步傳遞到主控計算機，由主控計算機對數據進行分析，適配板通過對被測板進行穩壓與濾波等輔助操作，進一步保證了測試信號的高質量，同時也有利于故障診斷的正確性保障。

3 基于GA-SVM的比較器驅動電路故障診斷

自動測試系統為待診斷電路的比較器驅動開關電路模塊提供工作所需電源、地信號以及激勵信號?？刂菩盘柕淖饔檬菍﹄妷罕容^器的輸出端信號進行控制，從而實現對三極管導通與否的控制。

3.1 選擇激勵信號

查找電路板硬軟故障與激勵信號的選擇有著重要聯系，激勵信號的正確選取可以增大工作狀態不一樣情況下的電路信號特征值之間的差異性，有利于提取故障診斷所需特征值。一般來說系統設置的所需激勵信號可調性靈活，這可實現測試所需的波形，不需要由特定的波形發生器提供而是任意波形發生器都可以，還可根據測試要求調節激勵信號的頻率、占空比、幅值等，比如電阻軟障礙的檢測可以通過調節比較器輸出信號的占空比值進行。

3.2 提取特征值

根據發生故障的元器件不同，可將故障分為無故障、電容故障、電阻故障、二極管故障、比較器故障、三極管故障、繼電器故障7大類。電阻故障的常見模式有三種：開路、短路及電阻阻值漂移超范圍。圖1中R3在不同工作狀態下，2路輸出信號的幅值、高值與低值、占空比以及V1的集電極輸出都會發生較大的變化，這些電路特性的變化可保存用作故障診斷的數據樣本。

3.3 故障診斷結果

為了得出故障診斷結果，通常將常見的7種故障狀態的電路測試值各測10組輸出信號，得出樣本數據130組，其中訓練樣本、測試樣本各一半，然后采用支持向量機方法進行故障診斷。在具有較少數據樣本時，基于遺傳算法的支持向量機分類器還是能夠得出正確率較高的故障診斷數據。

4 結語

該文對基于GA-SVM的多總線自動化測試系統故障診斷優化進行了研究，介紹了支持向量機的基本原理及GA-SVM分類器算法，對基于GA-SVM的比較器驅動電路故障診斷進行了分析，運用遺傳算法實現故障診斷優化。

參考文獻

[1] 李洪烈，李洪河，王好同.自動測試技術現狀和發展[J].海軍航空工程學院學報，2002，17（2）：231-234.