基于優化AdaBoost-SVM的模擬電路故障診斷

劉洋 華壁辰 張侃健 魏海坤

摘要：為提高含容參元件模擬電路軟故障的診斷率，并考慮到單分類器分類精度的提升已達到了一個瓶頸，提出一種優化AdaBoost-SVM算法并將其應用于模擬電路故障診斷中。以 OrCAD/PSpice軟件中對電路進行Monte-Carlo分析的數據為基礎，選取特征時，采用對時頻信號中易直接測量的物理量歸一化后組合的方式。實驗結果表明，通過選取的組合特征向量，利用優化的AdaBoost-SVM算法，構造出具有差異度的SVM分類器并集成后，能夠自適應地提升單SVM分類器性能，表現出更好的分類精度與泛化性能，能較好地滿足容差模擬電路軟故障診斷要求。

關鍵詞：AdaBoost;支持向量機;集成學習;模擬電路;故障診斷

DOI：10.11907/ejdk.182899開放科學（資源服務）標識碼（OSID）：

中圖分類號：TP319文獻標識碼：A 文章編號：1672-7800（2019）010-0130-05

0引言

社會信息化、自動化與智能化發展推動了信息技術、空間技術及新能源技術等諸多技術領域的進步，也使應用于相關領域電子設備的復雜度與密集度不斷增長，同時人們對電子設備運行可靠性與穩定性的要求也不斷提高。當電子設備出現故障時，要求能及時排查故障，并對電子元器件進行檢修和更換。現代電子設備大多為數字電路與模擬電路組成的混合電路，而根據統計，一旦設備發生故障，80%的可能性是由模擬電路部分引起的，因此電子系統可靠性很大程度上取決于模擬電路部分的穩定性，對模擬電路故障診斷領域的研究顯得至關重要，并引起了國內外專家學者的廣泛關注。

在眾多模擬電路故障診斷方法中，傳統診斷方法包括故障字典法、概率統計法、元件參數法與故障驗證法。近年來，基于人工智能的模擬電路故障診斷方法得到了快速發展，并逐步成為故障診斷的主要研究方向之一。該診斷方法相比于傳統研究方法，最大特點是無需提前建立數學模型，從而避免了復雜的公式與數學運算，運用相對靈活，適用場合廣泛，具有較好的應用前景。

人工智能診斷方法主要包括神經網絡方法、支持向量機（SupportVectorMachine，SVM）方法與專家系統等，特別是支持向量機方法，由于其具有較好的小樣本學習能力，可以解決高維數與非線性等實際問題，一定程度上克服了神經網絡診斷方法存在的缺點，且泛化能力較強，因此成為繼神經網絡之后的又一研究熱點。

以上方法均是以單分類器為基礎進行研究的，而單分類器分類精度的提升已達到了一個瓶頸，很難再有大的提升空間。針對該問題，本文研究基于SVM集成算法的診斷方法，在訓練出單SVM分類器的基礎上，采用集成學習方式，利用優化的AdaBoost算法對單SVM分類器精度進行提升，由具有差異度的單分類器得到組合分類器。另外從工業應用實際出發，考慮實時性與分類精度要求，對故障特征測量與選取方式進行改進。最后通過與單SVM分類器進行對比實驗后得出，本文提出的方法可以提高容差模擬電路軟故障診斷精度。

1模擬電路軟故障特征提取

模擬電路故障可分為硬故障與軟故障，而軟故障又占發生故障的絕大多數，當元件參數隨著時間或外在環境變化偏離正常取值范圍時，即可認為發生了軟故障，本文重點研究容差模擬電路軟故障診斷。

將數據采集與特征選取作為故障診斷的前提步驟，建立的模型與算法性能都取決于樣本特征選取，因此一開始選擇合理、有效的特征則顯得格外重要。大多數故障診斷在提取特征信號時采用單一測量信號，例如采用單個輸出測試點幅頻響應的電壓幅值，這極易導致不同故障模式無法進行合理區分，從而造成診斷精度偏低的狀況。針對該問題，文獻提出基于時域特征的故障診斷分析模型，并驗證了其有效性。對于電路特征信號的選用，科研人員也進行了相關研究，最終都是以時域和頻域特征為基礎進行信號選用。本文針對實際工程應用中對實時性的要求，為避免提取特征時復雜的數學運算帶來的大量時間消耗，結合文獻的特征提取方式，綜合選取時頻信號中易直接測量的物理量，通過歸一化后再組合的方式，作為模擬電路軟故障特征。

2SVM集成算法

2.2利用AdaBoost對支持向量機集成

集成學習是機器學習算法中非常強大的工具，可通過構建并結合多個分類器完成學習任務。目前的集成學習算法大致可分為以下兩類：Boosting算法與Bagging算法。Boosting算法中最常用的是AdaBoost算法，這是一種自適應迭代算法，包含以下兩個核心步驟：權值調整與基分類器組合。AdaBoost算法可提高被前一輪基分類器錯誤分類的樣本權值，并降低分類正確的樣本權值，從而使未得到正確分類的樣本由于權值的加大，得到后一輪基分類器的更大關注。AdaBoost采用加權多數表決方法，AdaBoost算法性質使得生成的組合分類器相比單分類器具有更高的正確率。

本文利用AdaBoost對支持向量機進行集成，將SVM作為AdaBoost的基分類器，利用多分類算法（SAMME.R）進行分類。該算法步驟具體描述如下：

通過該算法即可構建多個基分類器，對其錯分的訓練樣本通過不斷增加權值，并進行迭代訓練以提升其分類性能。為了構造具有差異度的SVM分類器，王曉丹等提出變υ-AdaBoostRBFSVM算法，在Wine等數據集上進行測試并取得了良好效果。本文將該方法引入到SVM基分類器訓練中，同時利用AdaBoost算法提升SVM基分類器性能，構建并優化SVM集成分類器流程如圖1所示。

3故障診斷實例分析

為了便于對研究效果進行對比論證，本文選用ITC97國際標準電路中的Leapfrog Filter電路進行故障診斷實驗，以說明本文方法對容差模擬電路軟故障診斷的具體過程，并驗證該方法的可行性與有效性。

3.1模擬電路單軟故障建模

數據生成需要使用OrCAD/PSpicc軟件提供的Mon-te-Cado分析功能，該方法首先根據實際情況確定元件參數分布情況，每次分析時，元件值從元件分布規律中隨機抽樣，每次分析得到的數據不完全相同，以更好地模擬實際條件下容差模擬電路狀態的多樣性。在運行Mon-te-Cado分析之前，元件必須提前設置偏差分布屬性。針對Leapfrog Filter電路，電阻電容分別從專門用于統計分析的元件符號庫BREAKOUT中選擇RBREAK和CBREAK，同時根據假設，利用模型編輯工具Model Editor對元件建模并設置容差范圍、概率分布。電阻和電容模型分別設為R=I DEV/GAUSS 5%和C=1DEV/GAUSS 5%，即獨立變化且服從高斯分布。最后建模得到的Leapfrog Filter電路仿真原理如圖2所示。

3.2模擬電路故障數據采集

在OrCAD/PSpice軟件中，可以把經過Monte-Carlo分析得到的波形數據存儲成“.CSV（Comma Separated Files）”文件并導出，然后導入PyCharm中，利用Python進行數據分析與特征提取。本文采集了9種故障模式分別經過500次Monte-Carlo分析的時域信號和頻域信號，進行后續特征提取與數據分析。

3.3模擬電路特征提取

本文采集了輸出節點響應波形的時域信號和頻域信號，把工程中物理意義清晰、易辨別、易直接測量的信號量作為主要特征，在對其合理歸一化后進行組合。

3.3.1時域動態特征提取

在經典控制系統中，通常將調整時間、上升時間、峰值時間、超調量、過渡過程時間和振蕩次數作為動態性能指標，利用相關指標可以表征出一個系統的快速性和平穩性。借鑒控制系統中的概念，本文仿真時采用時域瞬態分析，將電路輸入的激勵信號設置為單脈沖電壓信號，輸出節點的響應可以產生類似二階系統階躍響應在欠阻尼狀態下的輸出波形，得到波形如圖3所示。

本文選取的動態時域特征為圖3波形中標記的上升時間（t₁）、峰值電壓時間（t₂）、最小值電壓時間（t₃）、過渡過程時間（t₄）、峰值電壓（U_max）和最小值電壓（U_min）共6個特征量。

3.3.2頻域特征提取

3.4優化SVM集成算法構建

單個SVM只能解決二分類問題，模擬電路故障診斷一般屬于多分類問題，需要組合多個SVM求解，常用組合策略有一對一（One-Vs-One，OVO）與一對多（One-Vs-Rest，OVR）準則。本文中SVM基分類器選用策略為OVO準則，核函數為RBF核，該核函數主要包含參數（σ和懲罰參數C兩個參數。考慮到對于不穩定的分類器，使用Ada-Boost算法可以改善其分類準確率。如果分類器是穩定的，則AdaBoost對其性能的改善通常很小。本文采用的基分-類器為支持向量機，屬于穩定的基分類器，因此在對其進行集成時加入參數擾動機制，本文通過變σ-AdaBoostRBFSVM算法對SVM集成算法進行優化。即懲罰參數C取定值，σ參數由每次迭代訓練時樣本集的標準差給定，根據訓練過程，繪制出迭代次數（基分類器數）與分類準確率關系曲線如圖4所示。

由圖4可以看出，在經過55次迭代之后，分類準確值基本趨于穩定值96.4%，因此可以初步確定迭代次數（基分類器數）選取55較為合適。

3.5結果比較

為與單SVM分類器性能進行對比，本文將OVO-SVM和OVR-SVM應用于Leapfrog Filter電路的故障診斷，不同算法使用相同的故障特征，每種故障診斷方法進行5次獨立故障診斷實驗。取相應故障診斷5次訓練集與測試集的平均正確率，得到的診斷結果如表3所示。

診斷結果表明，通過變σ參數構造具有差異度的SVM基分類器，利用AdaBoost算法可將多個SVM基分類器組合構成一個強分類器。本文方法在進行故障診斷時的訓練準確率和測試準確率相對兩種單SVM分類器提升了4%左右，表現出更好的分類性能。

4結語

本文將優化的SVM集成算法應用到含容參元件的模擬電路軟故障診斷中，故障特征提取采用時域動態特征與頻域特征相結合的方式，既避免了單一測量信號特征提取方法導致的診斷精度偏低的狀況，又避免了小波（包）特征提取等方法復雜的求解計算，在工程中更為可靠且易實現。仿真結果表明，基于優化AdaBoost-SVM的方法相比于單SVM分類器，在模擬電路故障診斷精確度與可靠性上獲得了一定提升，具備較高的實際應用價值。