一種模擬電路故障診斷方法研究

劉琳

摘 要： 將LSSVM算法應用于模擬電路故障診斷模型，使用PSO算法對LSSVM算法的參數進行尋優。以帶通濾波器電路和雙二次高通濾波器電路的故障診斷實例對該文研究的模擬電路故障診斷方法進行驗證。使用三層小波包分解輸出電壓信號，得到8個頻帶能量特征向量，通過Monte Carlo仿真得到數據樣本，用于故障診斷模型的訓練和測試。結果表明，該文使用的改進LSSVM算法構建的故障診斷模型針對8種故障的診斷準確率均高于95%，具有較好的故障診斷性能。

關鍵詞： 模擬電路； 故障診斷； 最小二乘支持向量機； 粒子群優化算法

中圖分類號： TN710.4?34； TP391 文獻標識碼： A 文章編號： 1004?373X（2017）06?0183?04

Abstract： The LSSVM algorithm is applied to the analog circuit fault diagnosis model， and its parameters are optimized with particle swarm optimization （PSO） algorithm. The circuits of the band?pass filter and bi?quadratic high?pass filter are taken as the instance of the fault diagnosis to verify the analog circuit fault diagnosis method. The three?layer wavelet packet is used to decompose the output voltage signal to obtain 8 frequency band energy feature vectors. The data samples are acquired with Carlo Monte simulation， which are used to train and test the fault diagnosis model. The results show that the fault diagnosis model′s diagnosis accuracy for eight faults is higher than 95%， which is constructed with the improved LSSVM algorithm， and has high fault diagnosis performance.

Keywords： analog circuit； fault diagnosis； least square support vector machine； particle swarm optimization algorithm

0 引 言

目前各個行業對于大規模混合集成電路的應用越來越廣泛，因此越來越多的學者開始重點研究電路故障診斷以及測試[1?2]。實際上數字電路故障診斷技術已經得到了完善的發展，然而模擬電路因具有非線性的特點，同時由于故障復雜多樣性以及元件的容差性使得無法采取有效的方法診斷模擬電路的故障。國內外學者在1960年左右開始研究模擬電路故障診斷，并得到了很多經典的方法和理論，例如支持向量機法、人工神經網絡、小波分解、模糊理論以及故障字典等，并對這些理論進行了充分的實踐研究[3?5]。Suykens等人以機器學習損失函數為出發點提出了最小二乘支持向量機法，將二范數作為優化目標函數，采用等式約束條件取代不等式約束條件，這樣在進行優化的過程中一組線性方程組的解可以通過Kuhn?Tucker條件來獲取[6?7]。作為一種進化算法，PSO 算法和模擬退火算法有一定的相似性，采用迭代的方法，以隨機解為出發點進行優化。這種算法具有收斂速度塊、精度高以及實現容易的特點，在對一些實際問題進行解決的過程中具有一定的優勢。粒子群算法也屬于并行算法的類型[8?9]。本文將LSSVM算法應用于模擬電路故障診斷模型。

1 模擬電路故障診斷模型

完善后的慣性權重系數能夠對搜索過程的高復雜性以及非線性進行模擬，全局以及局部搜索能力利用粒子群算法可以得到有效的平衡。

步驟4：對所能達到的停止條件進行檢查，檢查適應度值以及最大迭代次數是否能夠滿足要求，當滿足條件時就停止迭代過程，如果不滿足條件就繼續執行步驟2。

步驟5：在獲取粒子全局最優值的基礎上進行LSSVM 回歸預測，參數流程如圖1所示[14]。

2 帶通濾波器電路故障診斷

首先以帶通濾波器電路故障診斷實例對本文研究的模擬電路故障診斷方法進行驗證。所研究的帶通濾波器電路如圖2所示[15]，診斷對象為R2，R3，C1和C2。各元件的標稱值[16]為：R2=2 kΩ，R3=2 kΩ，C1=10 nF，C2=10 nF。使用ORCAD10.5軟件對電路故障進行模擬。

將幅值為5 V，0.01 ms的脈沖電路施加于所研究的帶通濾波器電路實例電路中，使用三層小波包分解輸出電壓信號，得到8個頻帶能量特征向量，通過Monte Carlo仿真得到200組數據樣本，隨機抽取其中150組用于對診斷模型的訓練，另外50組用于對診斷模型的測試，部分樣本數據見表1。使用常規LSSVM算法和本文使用的改進LSSVM算法構建故障診斷模型。模型中，γ取值為[0.5，200]，核參數σ取值范圍為[0.2，5]，種群規模為50，最大迭代次數為100。

使用相同的訓練數據對兩種診斷模型進行訓練，訓練曲線如圖3所示。可以看出本文使用的改進LSSVM算法構建故障診斷模型訓練誤差更低、訓練步數更少。

使用相同的測試數據對兩種已經訓練后的診斷模型進行測試，得到兩種模型的測試準確率對比如表2所示。

可以看出，本文使用的改進LSSVM算法構建的故障診斷模型針對8種故障的診斷準確率均高于95%，均高于常規LSSVM算法，平均準確率為96.07%，高于常規LSSVM算法的平均準確率88.99%。

3 雙二次高通濾波器電路故障診斷

以雙二次高通濾波器電路故障診斷實例對本文研究的模擬電路故障診斷方法進行驗證。所研究的雙二次高通濾波器電路如圖4所示[17]，診斷對象為R1，R2，C1和C2。各元件的標稱值[18]為：R1=6 kΩ，R2=6 kΩ，C1=5 nF，C2=5 nF。使用ORCAD10.5軟件對電路故障進行模擬。將幅值為5 V，0.01 ms的脈沖電路施加于所研究的雙二次高通濾波器電路實例電路中，使用三層小波包分解輸出電壓信號，得到8個頻帶能量特征向量，通過Monte Carlo仿真得到300組數據樣本，隨機抽取其中200組用于對診斷模型的訓練，另外100組用于對診斷模型的測試，部分樣本數據見表3。

使用常規LSSVM算法和本文使用的改進LSSVM算法構建故障診斷模型。使用相同的訓練數據對兩種診斷模型進行訓練，訓練曲線如圖5所示。

使用相同的測試數據對兩種已經訓練后的診斷模型進行測試，得到兩種模型的測試準確率對比如表4所示。可以看出，本文使用的改進LSSVM算法構建的故障診斷模型針對8種故障的診斷準確率均高于95%，均高于常規LSSVM算法，平均準確率為96.03%，高于常規LSSVM算法的平均準確率89.92%。

4 結 論

本文將LSSVM算法應用于模擬電路故障診斷模型。以帶通濾波器電路和雙二次高通濾波器電路的故障診斷為實例對本文研究的模擬電路故障診斷方法進行驗證。結果表明，本文使用的改進LSSVM算法構建的故障診斷模型針對8種故障的診斷準確率均高于95%，均高于常規LSSVM算法，具有較好的故障診斷性能。

表3 部分樣本數據

表4 兩種模型的測試準確率對比

參考文獻

[1] 胡梅，胡列峰，明德祥.模擬電路統一軟故障診斷的研究[J].電子測量與儀器學報，2013（11）：1060?1066.

[2] 祝文姬.模擬電路故障診斷的神經網絡方法及其應用[D].長沙：湖南大學，2011.

[3] 劉麗霞.基于小波理論與LSSVM的模擬集成電路故障診斷方法[D].西安：西安電子科技大學，2011.

[4] 黃亮.模擬電路故障診斷研究[D].北京：北京交通大學，2012.

[5] 李晴.基于優化機器學習算法的模擬電路故障診斷研究[D].長沙：湖南大學，2013.

[6] 方葛豐.模擬電路故障診斷優化理論與方法的研究[D].長沙：湖南大學，2013.

[7] 李明亮.基于神經網絡的模擬電路故障診斷方法研究[D].北京：中國地質大學，2007.

[8] 宋麗偉，彭敏放，田成來，等.基于PSO?RBF神經網絡的模擬電路診斷[J].計算機應用研究，2012（1）：72?74.

[9] 謝春，宋國明，姜書艷，等.自適應GA優化WNN的模擬電路軟故障診斷方法[J].計算機應用研究，2012（1）：75?78.

[10] 孫斌，姚海濤.基于PSO優化LSSVM的短期風速預測[J].電力系統保護與控制，2012（5）：

85?89.

[11] 王賀，胡志堅，張翌暉，等.基于IPSO?LSSVM的風電功率短期預測研究[J].電力系統保護與控制，2012（24）：107?112.

[12] 楊青，田楓，王大志，等.基于提升小波和遞推LSSVM的實時故障診斷方法[J].儀器儀表學報，2011（3）：596?602.

[13] 龍文，焦建軍，龍祖強.基于PSO優化LSSVM的未知模型混沌系統控制[J].物理學報，2011（11）：120?125.

[14] 孫健，王成華，洪峰，等.基于人工魚群優化支持向量機的模擬電路故障診斷[J].系統仿真學報，2014（4）：843?847.

[15] 王靜，蔣剛，陳中杰.基于改進PSO_LSSVM機械結構疲勞裂紋擴展預測[J].計算機應用研究，2013（12）：3597?3599.

[16] 童曉.基于LSSVM和改進PSO算法的燃煤鍋爐燃燒優化研究[D].北京：中國計量學院，2015.

[17] 仇軍.改進PSO?LSSVM方法在城市時用水量預測中的應用[D].上海：上海交通大學，2013.

[18] 宋麗偉.基于小波分析和神經網絡的模擬電路故障診斷[D].長沙：湖南大學，2012.