孔夢(mèng)君 于蓮芝 吳志強(qiáng)

摘 要：為提高模擬電路故障診斷率，提出一種基于IWO-PSO優(yōu)化支持向量機(jī)的電路故障診斷方法。通過(guò)對(duì)典型電路進(jìn)行Monte-Carlo分析，提取輸出端時(shí)域信號(hào)，經(jīng)小波包提取特征參量，生成樣本數(shù)據(jù)，再經(jīng)IWO-PSO改進(jìn)入侵雜草算法，優(yōu)化多核SVM參數(shù)后建立相應(yīng)故障診斷模型。實(shí)驗(yàn)表明，該模型能較好實(shí)現(xiàn)地電路故障診斷模擬，與已有方法相比，可獲得較高的故障診斷正確率。

關(guān)鍵詞：入侵雜草算法；小波包變換；多核SVM；故障診斷

DOI：10. 11907/rjdk. 182353

中圖分類號(hào)：TP306+.3 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-7800（2019）005-0053-05

Abstract： In order to improve the fault diagnosis rate of analog circuits， a circuit fault diagnosis method based on IWO-PSO optimization support vector machine is proposed in this paper. Through the Monte-Carlo analysis of typical circuit， the output time domain signal and the characteristic parameters are extracted by wavelet packet， sample data are generated， and then the multi-kernel SVM parameters through IWO-PSO are optimized to improve the invasive weed algorithm and the corresponding fault diagnosis model is established. The experimental case shows that the fault diagnosis model can achieve the analog circuit fault diagnosis better. Compared with the existing methods， the fault diagnosis model established by this method can achieve higher accuracy of fault diagnosis.

Key Words： invasive weed algorithm； wavelet packet transform； multi-kernel SVM； fault diagnosis

0 引言

近年來(lái)隨著集成電路的廣泛應(yīng)用，數(shù)?；旌想娐氛紦?jù)了重要地位，電路故障也逐漸引起廣泛關(guān)注。據(jù)統(tǒng)計(jì)，雖然數(shù)字電路在混合電路中占很大比例，但是80%的故障是由模擬電路造成的[1]。因此，當(dāng)模擬電路出現(xiàn)故障后，能否準(zhǔn)確定位至關(guān)重要。在模擬電路檢測(cè)過(guò)程中，根據(jù)電子元件參數(shù)值變化，可以將故障分為軟故障和硬故障兩類。其中硬故障主要指電子元件發(fā)生短路和開路，而軟故障指電子元器件參數(shù)值隨時(shí)間或環(huán)境的變化發(fā)生相應(yīng)變化，但沒(méi)有改變電路基本拓?fù)浣Y(jié)構(gòu)。硬故障是軟故障的一種特殊情況，因此研究軟故障診斷問(wèn)題具有實(shí)際價(jià)值。

關(guān)于模擬電路故障診斷的研究較為豐富，文獻(xiàn)[2]研究電路參數(shù)與元件參數(shù)變化規(guī)律，提出基于節(jié)點(diǎn)電壓靈敏度序列守恒的診斷原理，實(shí)現(xiàn)了模擬電路軟硬故障的統(tǒng)一診斷；文獻(xiàn)[3]研究故障電路中斜率故障模型，降低了元件參數(shù)連續(xù)變化對(duì)模擬電路的影響，但只適用于單故障診斷；文獻(xiàn)[4-5]提出一種融合遺傳算法、小波變換與神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷方法，將節(jié)點(diǎn)電壓通過(guò)小波變換提取故障特征，從而減少信號(hào)冗余，同時(shí)用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，提高神經(jīng)網(wǎng)絡(luò)收斂性能。該方法中的測(cè)試系統(tǒng)能在實(shí)際工程中運(yùn)用。文獻(xiàn)[6]對(duì)文獻(xiàn)[4]的小波變換預(yù)處理問(wèn)題進(jìn)行改進(jìn)，采用PSO算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)。文獻(xiàn)[7]采用三級(jí)小波分解，并用PSO優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)，對(duì)模擬電路進(jìn)行故障診斷。文獻(xiàn)[8]提出一種支持向量機(jī)和模糊聚類結(jié)合方法，分析電路故障特征數(shù)據(jù)空間分布特性，采用多級(jí)二叉樹結(jié)構(gòu)的SVM實(shí)現(xiàn)故障分級(jí)診斷。文獻(xiàn)[9]提出了一種基于mRMR原則和優(yōu)化支持向量機(jī)的模擬電路故障診斷方法，依據(jù)mRMR原則提取模擬電路響應(yīng)信號(hào)最優(yōu)故障特征，輸入SVM進(jìn)行故障分類識(shí)別，并用遺傳算法優(yōu)化SVM核參數(shù)。

為提高模擬電路故障識(shí)別和定位準(zhǔn)確率，本文采用小波包提取模擬電路故障特征值，并利用一對(duì)多的分類支持向量機(jī)進(jìn)行故障診斷。通過(guò)IWO-PSO混合算法優(yōu)化多核SVM，以便對(duì)各種情況下的故障模式進(jìn)行分類，達(dá)到更為準(zhǔn)確的診斷結(jié)果。

1 IWO-PSO改進(jìn)入侵雜草優(yōu)化算法

入侵雜草優(yōu)化算法（invasive weed optimization，IWO）是一種模擬自然雜草繁殖過(guò)程的群智能優(yōu)化方法，由Mehrabian[10]在2006年提出，因其結(jié)構(gòu)簡(jiǎn)單、易于理解和編程，并且涉及參數(shù)少、魯棒性強(qiáng)，從而被成功地應(yīng)用于諸多領(lǐng)域[11]。該算法應(yīng)用正態(tài)分布的擴(kuò)散機(jī)制，使其全局搜索能力較強(qiáng)，但也存在搜索深度不足的缺陷[12]。

2 IWO-PSO優(yōu)化支持向量機(jī)

2.1 支持向量機(jī)

支持向量機(jī)（SVM）是以統(tǒng)計(jì)學(xué)習(xí)理論的VC維理論為基礎(chǔ)，以結(jié)構(gòu)風(fēng)險(xiǎn)最小化為原則的機(jī)器學(xué)習(xí)方法[15]。支持向量機(jī)最初主要是為了解決與分類相關(guān)的問(wèn)題，后來(lái)隨著支持向量機(jī)理論的不斷完善與發(fā)展，也解決了一些擬合與回歸問(wèn)題。因此根據(jù)問(wèn)題側(cè)重點(diǎn)，支持向量機(jī)分為支持向量機(jī)分類和支持向量回歸兩類[16-17]。近年來(lái)，支持向量機(jī)在算法實(shí)現(xiàn)和理論研究方面都取得了相應(yīng)進(jìn)展，為避免過(guò)學(xué)習(xí)和維數(shù)災(zāi)難問(wèn)題提供了解決方案。對(duì)于給定的樣本，SVM性能受核函數(shù)影響較大。本文主要應(yīng)用C-支持向量機(jī)分類。