徐釗 張一童 潘震 池程芝

摘要：DC-DC變換器是綜合模塊化航電的電源轉(zhuǎn)換模塊的核心部件，對其進(jìn)行故障診斷可以有效提高設(shè)備的可靠性，減少維修保障費用，極大地提高飛機的使用效能。在PSPICE環(huán)境下設(shè)計了典型的基于Sepic拓?fù)浣Y(jié)構(gòu)的DC-DC變換器模型，并對DCDC變換器進(jìn)行失效規(guī)律的分析；對DC-DC變換器的典型故障類型進(jìn)行故障模擬，通過仿真獲取相應(yīng)的原始數(shù)據(jù)；采用數(shù)據(jù)預(yù)處理、特征提取與選擇、遺傳算法-支持向量機方法對DC-DC變換器進(jìn)行故障診斷分析。仿真驗證了上述方法的有效性。

關(guān)鍵詞：航電模塊；特征提??；支持向量機；故障診斷

中圖分類號：V240.2文獻(xiàn)標(biāo)識碼：ADOI：10.19452/j.issn1007-5453.2021.10.013

基金項目：國家自然科學(xué)基金（61803309，61603303）；航空科學(xué)基金（20185553034）

21世紀(jì)初，美軍在聯(lián)合攻擊戰(zhàn)斗機計劃中提出故障預(yù)測與健康管理（prognostics and health management，PHM）的技術(shù)概念。具體是指用盡可能少的傳感器來采集系統(tǒng)的各種數(shù)據(jù)信息，若發(fā)生故障，可借助各種分類算法定位故障模塊和具體的器件，結(jié)合各種可利用的資源信息提供相應(yīng)的維修保障措施，以實現(xiàn)系統(tǒng)的視情維修，維護(hù)成本可大大降低[1-4]?；跀?shù)據(jù)驅(qū)動的方法利用大量飛行中的數(shù)據(jù)信息來分析飛機各部位的故障原因并發(fā)出消除故障命令，大大提高了飛行的安全性。利用故障診斷技術(shù)可以在準(zhǔn)確的時間內(nèi)對航電系統(tǒng)的部件進(jìn)行準(zhǔn)確的維修，有效提高設(shè)備的可靠性，減少維修保障費用，極大地提高飛機的作戰(zhàn)效能。

在作戰(zhàn)飛機執(zhí)行任務(wù)過程中，電氣設(shè)備的工作狀態(tài)會對其能否正常完成任務(wù)有重大影響。電源轉(zhuǎn)換模塊（power conversion module， PCM）將飛機中電源系統(tǒng)的供電電壓轉(zhuǎn)換為飛機內(nèi)部機架的直流電壓，通過控制電源陣列開關(guān)給各模塊供電；PCM模塊作為核心模塊，其健康狀態(tài)會影響到其他所有模塊，是其他模塊正常工作的基礎(chǔ)。DC-DC變換器作為整個PCM模塊的核心部分，也反映了整個模塊的工作狀態(tài)。因此，利用監(jiān)測數(shù)據(jù)對DC-DC變換器進(jìn)行故障診斷具有重要意義。

1研究現(xiàn)狀

在常見的DC-DC變換器中，BUCK是降壓型變換器，BOOST為升壓型變換器，而Sepic型DC-DC變換器是一種輸出電壓可以小于、等于或大于輸入電壓的變換器，廣泛應(yīng)用于航空電子系統(tǒng)領(lǐng)域。

對于DC-DC變換器的故障診斷研究，國內(nèi)外都有很多研究成果。參考文獻(xiàn)[5]將專家系統(tǒng)應(yīng)用于開關(guān)電源故障診斷，參考文獻(xiàn)[6]將人工神經(jīng)網(wǎng)絡(luò)運用在開關(guān)電源的故障診斷。劉洪等[7]利用支持向量機（support vector machine， SVM）實現(xiàn)了剩余使用壽命的預(yù)測，鐘書輝[8]提出了基于專家系統(tǒng)的雷達(dá)電源診斷。其他學(xué)者[9-14]也提出了不同智能算法相互結(jié)合進(jìn)行開關(guān)電源故障診斷，如小波變換、專家系統(tǒng)和人工神經(jīng)網(wǎng)絡(luò)等。

本文基于隨機森林特征選擇算法和GA-SVM對DC-DC變換器進(jìn)行故障診斷分析，通過仿真也驗證了算法的可行性。

2失效模式分析

大量研究表明，電路中不同子器件的失效會導(dǎo)致電子線路的性能退化，元器件的性能和實時參數(shù)影響著整個電子線路的狀態(tài)和性能。在DC-DC變換器中，常見以及損壞概率較大的器件有鋁電解電容、開關(guān)晶體管和功率二極管。

在DC-DC變換器中，鋁電解電容在DC-DC變換器中的主要作用是濾波，用來吸收電壓紋波，進(jìn)而達(dá)到平滑輸出電壓的作用，鋁電解電容失效會使DC-DC變換器輸出信號中交流成分增加。開關(guān)晶體管在DC-DC變換器中主要作用是功率轉(zhuǎn)換，其性能退化程度將直接影響電路的失效率、溫升指標(biāo)和技術(shù)性能。功率二極管在DC-DC變換器中主要作用是續(xù)流、整流等，在電子線路中較為常用。主電路工作頻率較低，電感器件不是易損器件，對其不進(jìn)行分類研究。我們需要對故障電路中的上述易損器件進(jìn)行分類，以便后續(xù)定位維修。

3 DC-DC變換器診斷框架

本文采用的故障診斷框架如圖1所示。主要由數(shù)據(jù)預(yù)處理、特征提取、特征選擇、故障診斷4個模塊組成。數(shù)據(jù)預(yù)處理主要完成數(shù)據(jù)缺失值填補、數(shù)據(jù)標(biāo)準(zhǔn)化等操作，便于后續(xù)的數(shù)據(jù)分析；特征提取和特征選擇模塊可以從數(shù)據(jù)中挖掘信息，發(fā)掘在數(shù)據(jù)集中與故障相關(guān)有較大價值的特征變量；故障診斷建模模塊通過GA-SVM算法建立特征變量與故障類型之間的對應(yīng)關(guān)系。

3.1故障仿真與特征提取

模擬電路的故障分為硬故障（災(zāi)難性故障）和軟故障，如元器件的參數(shù)漂移。硬故障通常是指元件的短路、開路以及元件參數(shù)發(fā)生大的偏差等，導(dǎo)致系統(tǒng)嚴(yán)重失效，甚至完全癱瘓，破壞了電路的拓?fù)浣Y(jié)構(gòu)，它是一種結(jié)構(gòu)性的損壞。軟故障主要是指元器件參數(shù)隨著時間或者環(huán)境條件的變化而偏離容差范圍，大多數(shù)情況下設(shè)備并未完全失效，但會引起系統(tǒng)性能的異?；驉夯?。

本部分的故障診斷算法研究主要針對DC-DC變換器中的硬故障類型，分別為二極管開路/短路故障、電解電容擊穿/開路故障、MOS管開路/短路故障等。由于在仿真軟件中無法對MOS管開路故障進(jìn)行模擬，故只考慮了其他五類故障，但故障診斷的算法是相通的。在實際電路中，某些信號不會留有專門的采樣接口，本文采用輸出電壓作為信號特征，在實際操作中較易實現(xiàn)且對電路性能影響較小。

對輸出電壓分別提取如下特征：（1）時域特征變量：均值、標(biāo)準(zhǔn)差、偏度、峰度、峰峰值、最大值和最小值；（2）頻域特征變量；（3）小波包分解、重構(gòu)各頻段小波能量。

DC-DC變換器的關(guān)鍵參數(shù)為輸出電壓，故在正常狀態(tài)和故障狀態(tài)下的輸出電壓值會有明顯的差異。采集不同故障類型下的輸出電壓值，可以根據(jù)輸出電壓的特征信息進(jìn)行有效的分類。由上述7維時域特征矢量和小波包分解、重構(gòu)各頻段小波能量頻域特征矢量可知，初選特征矢量為15維，各個特征分量之間存在較大的數(shù)據(jù)冗余。如果直接用于SVM的訓(xùn)練，得出的模型精度不高且訓(xùn)練速度較慢，本文考慮采用隨機森林降維法對其進(jìn)行特征選擇（降維）處理。

對于特征選擇，利用所有決策樹得到的平均“不純度”（基尼系數(shù)）衰減來量化特征的重要性。根據(jù)重要性可以移除相關(guān)度較低的特征，進(jìn)而簡化模型。決策樹需要找出最佳節(jié)點和最佳的分枝方法，即不純度。通常來說，不純度越低，決策樹對訓(xùn)練集的擬合越好。基于隨機森林算法本身的重要性度量進(jìn)行特征重要性排序，選取重要特征集。

3.2基于支持向量機的故障診斷原理

模擬集成電路故障診斷本質(zhì)上是模式識別問題，其核心是故障分類器的設(shè)計。SVM是一種機器學(xué)習(xí)理論，作為最有效的模式識別算法之一，在模擬電路的故障識別中表現(xiàn)出優(yōu)異的分類/診斷性能。下面對其分類的基本原理作簡要的介紹。

向量機本質(zhì)上是二分類器，由于DC-DC變換器的硬故障類型有多種，如果采用支持向量機進(jìn)行故障診斷可建立多個二分類器進(jìn)行組合實現(xiàn)，即一對多的方式。

3.3基于遺傳算法對支持向量機參數(shù)優(yōu)化

SVM模型中有兩個需要我們確定的參數(shù)：懲罰因子C和正則化參數(shù)γ，合適的參數(shù)能對DC-DC變換器故障類型有較高的分辨率。由于合適的參數(shù)選取較為困難，故本文考慮采用遺傳算法對結(jié)構(gòu)參數(shù)進(jìn)行尋優(yōu)。GA優(yōu)化SVM參數(shù)流程圖如圖2所示。

4仿真驗證

PSPICE軟件是常用的電路設(shè)計及仿真的EDA軟件，其優(yōu)點是能夠與MATLAB進(jìn)行數(shù)據(jù)交互。在PSPICE環(huán)境下設(shè)計了典型的基于Sepic拓?fù)浣Y(jié)構(gòu)的DC-DC變換器。并且可以通過電路采集數(shù)據(jù)信息，用于后續(xù)數(shù)據(jù)挖掘與分析。搭建的PSPICE模型以及輸出電壓信號如圖3所示。

以正常狀態(tài)輸出電壓和不同故障輸出電壓為例，可觀察到波形具有較大的差異，正常輸出電壓波形如圖4所示；二極管短路故障輸出電壓波形如圖5所示；二極管開路故障輸出電壓波形如圖6所示；電解電容短路故障輸出電壓波形如圖7所示；電解電容開路故障輸出電壓波形如圖8所示；開關(guān)晶體管短路故障輸出電壓波形如圖9所示。

首先進(jìn)行特征提取，對5種不同的故障類型各取一組進(jìn)行示例，時域和頻域特征提取部分如圖10和圖11所示，對特征提取部分獲得的故障特征矢量進(jìn)行歸一化處理，以消除不同特征分量之間的量綱之間的差異。其次，經(jīng)過歸一化后的特征矢量只是消除了分量之間量綱的差異。由前述可知，初選特征矢量為15維。利用隨機森林算法進(jìn)行特征選擇處理，根據(jù)重要性可以移除相關(guān)度很低的特征精簡模型。利用隨機森林算法進(jìn)行降維后的特征矢量如圖12所示。

由圖12可以看出，特征矢量進(jìn)行特征選擇后的特征維數(shù)為3，分別為輸出電壓的標(biāo)準(zhǔn)差、輸出電壓峰峰值以及小波包重構(gòu)能量第七系數(shù)，對分類準(zhǔn)確性具有較高的貢獻(xiàn)。所以本文將選擇出的三維特征矢量放入支持向量機中，用作支持向量進(jìn)行分類。

如圖13所示，利用PCA降維故障數(shù)據(jù)，試驗得到前五維特征矢量累計方差貢獻(xiàn)率能達(dá)95%。

選取合適的核函數(shù)用于實現(xiàn)從特征空間到高維空間的非線性映射；對于結(jié)構(gòu)參數(shù)，主要是核函數(shù)參數(shù)γ和懲罰因子C，將訓(xùn)練樣本送入SVM，進(jìn)行迭代訓(xùn)練和尋優(yōu)。

GA-SVM訓(xùn)練模型相關(guān)參數(shù)設(shè)置如下：種群規(guī)模為 30，最大進(jìn)化代數(shù)為100，尋優(yōu)參數(shù)的范圍均為[0，100]，GA參數(shù)設(shè)置如下：交叉概率為0.75，變異概率為0.25；利用遺傳優(yōu)化算法的方法對結(jié)構(gòu)參數(shù)進(jìn)行尋優(yōu)，SVM結(jié)構(gòu)參數(shù)的搜索過程和結(jié)果如圖14所示。

產(chǎn)生不同的故障類型各40組特征矢量，共200組作為訓(xùn)練樣本，對GA-SVM模型進(jìn)行訓(xùn)練；另外，采用不同故障類型各10組特征矢量，共50組作為測試樣本，進(jìn)行故障診斷準(zhǔn)確率的量化評估。診斷結(jié)果如圖15和圖16所示。

從圖15和圖16可以看出，真實測試集和預(yù)測的測試集結(jié)果完全一致，在仿真試驗的條件下，診斷精度達(dá)到100%。

對于分類結(jié)果，PCA和隨機森林算法都能達(dá)到100%，驗證了隨機森林算法能夠以較少的特征量表述完整的信息。在參數(shù)優(yōu)化方面，網(wǎng)格搜索法會增大模型訓(xùn)練的時間且搜索效率較低；利用遺傳算法對SVM中懲罰參數(shù)和核參數(shù)進(jìn)行調(diào)整，搜索效率較高且可以避免陷入局部最優(yōu)的問題。仿真結(jié)果也證明了基于隨機森林和GA-SVM，對多類故障有較好的識別準(zhǔn)確率。

5結(jié)論

本文首先基于仿真軟件，設(shè)計了DC-SDC變換器并且對不同故障進(jìn)行失效模型分析，考慮到實際電路信號采集問題，選擇了對DC-SDC變換器影響最小的輸出電壓信號，通過仿真獲取原始數(shù)據(jù)并進(jìn)行特征提取、隨機森林算法降維，得到特征矢量。建立了SVM多分類模型，利用遺傳算法對SVM參數(shù)進(jìn)行優(yōu)化。

本文雖然在特征選擇和分類算法改進(jìn)的研究和應(yīng)用上做了一些有益的探索，但是還有很多地方需要做進(jìn)一步的研究：利用更多的數(shù)據(jù)集去驗證算法模型的魯棒性和準(zhǔn)確性。仿真結(jié)果表明，本文提出的故障分類方法能夠執(zhí)行多故障分類任務(wù)。

參考文獻(xiàn)

[1]吳明輝，許愛強，戴豪民. PHM技術(shù)在綜合航空電子系統(tǒng)中的應(yīng)用[J].兵工自動化， 2013，32（4）：72-77. Wu Minghui， Xu Aiqiang， Dai Haomin. Application of PHM technic in integrated avionics electronic system[J]. Ordnance IndustryAutomation， 2013， 32（4）：72-77. （in Chinese）

[2]上海航空測控技術(shù)研究所.航空故障診斷與健康管理技術(shù)[M].北京：航空工業(yè)出版社，2013. Shanghai Aero Measurement & Control Technology Research Institute. Aviation fault diagnosis and health management technology[M]. Beijing：Aviation Industry Press，2013. （in Chinese）

[3]陳歡歡.基于支持向量機的故障診斷方法研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)， 2008. Chen Huanhuan. Research on fault diagnosis method based on support vector machine[D]. Harbin： Harbin Institute of Technology， 2008. （in Chinese）

[4]年夫順.關(guān)于故障預(yù)測與健康管理技術(shù)的幾點認(rèn)識[J].儀器儀表學(xué)報，2018，39（8）：1-14. Nian Fushun. Viewpoints about the prognostics and health management[J]. Chinese Journal of Scientific Instrument， 2018， 39（8）： 1-14. （in Chinese）

[5]Amjady N. Short-term hourly load forecasting using timeseries modeling with peak load estimation capability[J]. IEEE Transactions on Power Systems，2002，16（3）：498-505.

[6]Kolla S R，Altman S D. Artificial neural network based fault identificationschemeimplementationforathree-phase induction motor[J]. ISATransactions，2007，46（2）：261-266.

[7]劉洪，喻西崇，吳國云，等.基于支持向量機算法的注水管道剩余壽命預(yù)測[J].石油機械， 2005， 33（3）： 17-20. Liu Hong， Yu Xichong， Wu Guoyun， et al. Remaining life prediction of water injection pipeline based on support vector machine algorithm[J]. China Petroleum Machinery， 2005， 33（3）： 17-20. （in Chinese）

[8]鐘書輝，段麗華，王煒，等.主成分分析和支持向量機在無刷直流電機故障診斷中的應(yīng)用研究[J].航空科學(xué)技術(shù)，2019，30（2）： 47-52. Zhong Shuhui， Duan Lihua， Wang Wei， et al. Application research of principal component analysis and support vector machine in brushless DC motor fault diagnosis[J]. Aeronautical Science & Technology， 2019， 30（2）：47-52. （in Chinese）

[9]胡良謀，曹克強，徐浩軍，等.支持向量機故障診斷及控制技術(shù)[M].北京：國防工業(yè)出版社，2014. Hu Liangmou，Cao Keqiang，Xu Haojun，et al. Support vector machine fault diagnosis and control technology[M]. Beijing：National Defense Industry Press， 2014. （in Chinese）

[10]黃藍(lán)，王景霖，林澤力，等.綜合系統(tǒng)健康管理關(guān)鍵技術(shù)與研究路徑[J].航空科學(xué)技術(shù)，2020，31（7）：12-17. Huang Lan， Wang Jinglin， Lin Zeli， et al. Key technologies and research paths of comprehensive system health management[J]. Aviation Science & Technology， 2020， 31（7）： 12-17. （in Chinese）

[11]張周鎖，李凌均，何正嘉.基于支持向量機的機械故障診斷方法研究[J].西安交通大學(xué)學(xué)報，2002（12）：1303-1306. Zhang Zhousuo， Li Lingjun， He Zhengjia. Research on mechanical fault diagnosis method based on support vector machine[J]. Journal of Xian Jiaotong University， 2002 （12）： 1303-1306. （in Chinese）

[12]Abdi M J，Giveki D. Automatic detection of erythematosquamous diseases using PSO-SVM based on association rules[J]. Engineering Applications of Artificial Intelligence，2013，26（1）：603-608.

[13]Tu C J，Chuang L Y，Chang J Y，et al. Feature selection using PSO-SVM[J]. Iaeng International Journal of Computer Science，2007，33（1）：111-116.

[14]許明軒.飛機航電系統(tǒng)故障分析方法與故障診斷技術(shù)研究[J].中國設(shè)備工程，2018（14）：96-97. Xu Mingxuan. Research on fault analysis method and fault diagnosis technology of aircraft avionics system[J]. China Equipment Engineering， 2018（14）：96-97. （in Chinese）

Avionics Module Fault Classification Based on Genetic Algorithm-Support Vector Machine

Xu Zhao1，Zhang Yitong1，Pan Zhen2，Chi Chengzhi2

1. Northwestern Polytechnical University，Xian 710072，China

2. Science and Technology on Avionics Integration Laboratory，China Institute of Aeronautical Radio Electronics，Shanghai 200233，China

Abstract： The DC-DC converter is the core component of the integrated modular avionics power conversion module. Fault diagnosis can effectively improve the reliability of the equipment， reduce maintenance and support costs， and greatly improve the efficiency of aircraft. In this paper， a typical DC-DC converter model based on Sepic topology is designed in the PSPICE environment， and the failure rule of the DC-DC converter is analyzed. The typical fault types of the DC-DC converter are simulated. The corresponding original data is obtained by the simulation. By using data preprocessing， feature extraction and selection， genetic algorithm-support vector machine method， fault diagnosis and analysis are perfored on the DC-DC converter. The simulation verifies the effectiveness of the above method.

Key Words： avionics module； feature extraction； support vector machines； fault diagnosis