池程芝, 潘震, 徐釗, 張一童

(1.中國(guó)航空無(wú)線電電子研究所 航空電子系統(tǒng)綜合技術(shù)重點(diǎn)實(shí)驗(yàn)室, 上海 200233;2.西北工業(yè)大學(xué) 電子信息學(xué)院, 陜西 西安 710072)

在某些特定的作戰(zhàn)環(huán)境中，極端的作戰(zhàn)環(huán)境會(huì)使航電系統(tǒng)中的器件參數(shù)更容易產(chǎn)生變化，進(jìn)而影響飛機(jī)系統(tǒng)的安全性和可靠性[1-2]，如何保障作戰(zhàn)效率成為目前亟待解決的問(wèn)題。在航電系統(tǒng)中，電源轉(zhuǎn)換模塊(power conversion module,PCM)的功能是將飛機(jī)電源系統(tǒng)的供電電壓轉(zhuǎn)換為飛機(jī)內(nèi)部機(jī)架的直流電壓，通過(guò)控制電源陣列開(kāi)關(guān)給各模塊供電；DC-DC功率變換器是PCM模塊中的核心部分，其健康狀態(tài)會(huì)影響到其他所有模塊，是其他模塊正常工作的基礎(chǔ)。在DC-DC功率變換器中有各種不同的電壓電流信號(hào)，如果不能對(duì)電壓電流信號(hào)進(jìn)行有效處理，會(huì)使得寶貴的監(jiān)測(cè)信號(hào)資源變?yōu)椤皵?shù)據(jù)爆炸”，且占用航電系統(tǒng)中較大的計(jì)算資源，整個(gè)航電系統(tǒng)的時(shí)效性和穩(wěn)定性會(huì)受到影響。因此對(duì)功率變換器進(jìn)行特征選擇至關(guān)重要[2-3]。

為此國(guó)內(nèi)外學(xué)者開(kāi)展了大量的研究工作，文獻(xiàn)[3-5]分析了特征選擇和特征降維在故障診斷方向的作用和意義。文獻(xiàn)[6]提出了基于主成分分析和極限學(xué)習(xí)機(jī)相結(jié)合的故障診斷算法，利用主成分分析和方差貢獻(xiàn)率對(duì)原始數(shù)據(jù)進(jìn)行降維。文獻(xiàn)[7]對(duì)特征信號(hào)進(jìn)行了微分，是一種快速的檢測(cè)和識(shí)別方法。文獻(xiàn)[8]提出堆疊降噪自動(dòng)編碼器的特征降維方法，對(duì)原始特征信號(hào)進(jìn)行數(shù)據(jù)壓縮，從而達(dá)到降維效果。文獻(xiàn)[9]基于一維卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行自適應(yīng)特征提取。隨著大規(guī)模集成系統(tǒng)的使用，傳感器數(shù)量指數(shù)型增長(zhǎng)，特征降維所需時(shí)間大大增加，傳統(tǒng)的方法在處理集成度較高的系統(tǒng)時(shí)，會(huì)存在精度較低，泛化能力較弱等問(wèn)題，特征選擇能夠大大縮短對(duì)大規(guī)模數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘的時(shí)間。本文利用統(tǒng)計(jì)分析、智能優(yōu)化算法等不同技術(shù)之間的差異性和互補(bǔ)性，提出更為有效的多模型融合的特征選擇技術(shù)，使得所選特征對(duì)于不同分類器能有更好的魯棒性。

1 DC-DC變換器失效器件分析

在DC-DC變換器中常見(jiàn)且易損器件有鋁電解電容、開(kāi)關(guān)晶體管和功率二極管，上述元器件是功率變換器中較易出現(xiàn)故障的部分。鋁電解電容吸收輸出電壓的波動(dòng)從而使得輸出電壓更加穩(wěn)定，且去除噪聲導(dǎo)致的輸出電壓中的交流部分。開(kāi)關(guān)晶體管是整個(gè)變換器的核心器件，該器件作用是功率轉(zhuǎn)換。功率二極管用于整波整流。上述器件對(duì)于DC-DC變換器的正常工作有著致命性的影響，因此利用特征選擇和故障診斷算法對(duì)上述器件進(jìn)行分類研究非常有必要。

本文以圖1所示的DC-DC變換器電路為研究對(duì)象，在Cadence仿真環(huán)境中搭建電路。通過(guò)仿真軟件中“探針”采集原始數(shù)據(jù)信息，用于后續(xù)數(shù)據(jù)挖掘與特征選擇工作。

圖1 基于Sepic拓?fù)浣Y(jié)構(gòu)的電路模型

2 多模型融合框架

本文的故障診斷框架如圖2所示。主要包含了數(shù)據(jù)預(yù)處理、特征提取、多特征選擇算法融合、故障診斷。數(shù)據(jù)預(yù)處理對(duì)異常數(shù)據(jù)清洗和缺失數(shù)據(jù)添補(bǔ)整理；特征提取利用不同算法對(duì)原始信號(hào)進(jìn)行分析及數(shù)據(jù)挖掘。特征選擇模塊是本文的重點(diǎn)部分，利用不同的選擇算法對(duì)提取出的大量特征進(jìn)行選擇；最后通過(guò)BP神經(jīng)網(wǎng)絡(luò)算法建立所選特征變量與故障類型之間的對(duì)應(yīng)關(guān)系。

圖2 故障診斷框架

3 仿真驗(yàn)證

3.1 基于ReliefF算法的特征選擇

ReliefF算法是多分類特征選擇算法。ReliefF給特征以不同的權(quán)重，選擇權(quán)重較大的特征，進(jìn)行分類。ReliefF在處理多類問(wèn)題時(shí)，先從訓(xùn)練集中隨機(jī)選取一個(gè)樣本R, 從R相同類別的樣本中找K個(gè)近鄰樣本，從不同類別的樣本中找K個(gè)近鄰樣本，更新不同特征權(quán)重，其權(quán)重計(jì)算準(zhǔn)則如(1)式所示

(1)

式中:Δ(A,R,Hj)是樣本R與Hj在特征A上的差;C為與樣本R不同的類別;P(C)為第C類的概率;Cclass(R)為樣本R所在的類;Mj為類別C中與樣本R的第j個(gè)最近鄰樣本;Δ(A,R,Mj(C))為樣本R與樣本Mj在特征A上的差。

3.2 基于SVM-RFE算法的特征選擇

遞歸特征消除法(recursive feature elimination,RFE)反復(fù)多次創(chuàng)建模型,并在每次迭代時(shí)保存最好的特征,在下一次迭代時(shí),采用上一次建模中沒(méi)有用過(guò)的特征來(lái)構(gòu)建下一個(gè)模型,最終找到一個(gè)性能最優(yōu)的特征子集。

SVM-RFE特征選擇算法利用支持向量機(jī)(support vector machine, SVM)的分類性能作為特征選擇評(píng)價(jià)標(biāo)準(zhǔn)。SVM-RFE起始于全部特征,然后每次移去一個(gè)特征直到特征集合為空,移去的特征是所有特征中‖ω‖2最小的一個(gè),ω為支持向量機(jī)中的超平面法向量。這樣對(duì)某一變量i,排序評(píng)價(jià)準(zhǔn)則如(2)式所示。

(2)

圖3 SVM-RFE算法流程圖

3.3 基于隨機(jī)森林算法的特征選擇

隨機(jī)森林算法(random forest,RF)是基于決策樹(shù)(decision tree,DT)算法,其利用多棵決策樹(shù)對(duì)樣本進(jìn)行訓(xùn)練并預(yù)測(cè)。算法的流程圖如圖4所示。

圖4 隨機(jī)森林算法基本思路

CART決策樹(shù)(classification and regression tree,CART)算法使用基尼系數(shù)來(lái)選擇劃分屬性?；嵯禂?shù)可表示為

(3)

式中:D表示數(shù)據(jù)集；k表示第k類樣本；Pk和Pk′分別表示不同類別標(biāo)簽的概率?？筛鶕?jù)(3)式,計(jì)算出屬性a的基尼系數(shù),獲得基尼指數(shù)定義

(4)

式中：屬性a有V個(gè)可能的取值{a1,a2,…,aV},使用a來(lái)對(duì)樣本集D進(jìn)行劃分,會(huì)產(chǎn)生V個(gè)分支節(jié)點(diǎn),其中第v個(gè)分支結(jié)點(diǎn)包含了D中所有在屬性a上取值為av的樣本,記為Dv。 在候選屬性集合A中,選擇基尼指數(shù)最小的屬性作為最優(yōu)劃分屬性,既a*=argminGini-index(D,a)。

3.4 特征系數(shù)加權(quán)融合

多特征選擇算法融合模型可用(5)式表示

(5)

4 仿真驗(yàn)證

本部分的故障診斷算法研究主要針對(duì)于DC-DC變換器中硬故障類型,如易損器件的短路和開(kāi)路故障,故對(duì)前述的3個(gè)易損器件分別進(jìn)行開(kāi)路和短路的故障仿真,由于開(kāi)關(guān)晶體管的開(kāi)路故障無(wú)法在仿真軟件中實(shí)現(xiàn),所以本部分對(duì)其余5種故障進(jìn)行特征選擇和分類研究。DC-DC變換器的主要參數(shù)為輸出電壓,在正常狀態(tài)和故障狀態(tài)下的輸出電壓值會(huì)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。在實(shí)際電路中,電壓信號(hào)可以采取直接測(cè)量的方式獲取,而對(duì)于電流信號(hào),電路中往往不存在采樣輸出接口,需要利用電磁感應(yīng)的原理來(lái)獲取,因此本文選擇輸出電壓作為信號(hào)特征。

對(duì)輸出電壓提取時(shí)域特征如表1所示。

表1 時(shí)域信號(hào)

DC-DC變換器是典型的數(shù)?；旌想娐?，當(dāng)電路發(fā)生故障時(shí)，信號(hào)各頻段的能量較正常值必定發(fā)生一定的變化，利用離散小波變換只保留了低頻信息，丟失了高頻信息，而利用小波包分解能同時(shí)保留低頻和高頻信息，得到較為完備的故障信息。所以在時(shí)頻域中，對(duì)輸出電壓進(jìn)行3層小波包分解。

采用以上特征對(duì)各輸出電壓信號(hào)進(jìn)行特征提取，對(duì)5種不同的故障類型各取10組進(jìn)行示例，對(duì)特征提取部分獲得的故障特征向量進(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。時(shí)域和時(shí)頻域特征提取部分如圖5～6所示。

由上述的時(shí)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，初選特征矢量維度較高，特征分量間存在較大的信息冗余，如果直接用于BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練，得出的模型精度不高且計(jì)算時(shí)間較長(zhǎng)。故采用多特征選擇算法對(duì)其進(jìn)行數(shù)據(jù)挖掘工作，ReliefF算法、RFE-SVM及隨機(jī)森林3種特征選擇算法的仿真結(jié)果如圖7～9所示。

圖5 時(shí)域特征統(tǒng)計(jì)量曲線 圖6 時(shí)頻域特征統(tǒng)計(jì)量曲線 圖7 ReliefF模型特征選擇結(jié)果

圖8 RFE-SVM模型特征選擇結(jié)果 圖9 隨機(jī)森林特征選擇結(jié)果圖10 加權(quán)平均算法結(jié)果圖

由圖7～9可以看出，不同的選擇算法對(duì)特征的選擇有著相似性，也有差異性。在ReliefF算法中，時(shí)域信號(hào)中輸出電壓的偏度和峰峰值具有較大的貢獻(xiàn)度，在時(shí)頻域中，重構(gòu)系數(shù)中第三和第四系數(shù)權(quán)重較大。RFE-SVM算法的返回值為布爾值，可以看出除了ReliefF算法中權(quán)重較大部分外，輸出電壓的標(biāo)準(zhǔn)差也被選為主要特征之一。而隨機(jī)森林算法和前兩者具有較大的差異，主要體現(xiàn)在時(shí)頻域中，重構(gòu)系數(shù)的第一和第二系數(shù)大于第三和第四系數(shù)；但在時(shí)域中，輸出電壓的標(biāo)準(zhǔn)差、偏度及峰峰值和其他算法結(jié)果相似。

仿真實(shí)驗(yàn)產(chǎn)生不同故障類型各40組，共200組為訓(xùn)練集，利用訓(xùn)練集對(duì)模型進(jìn)行訓(xùn)練；留出不同故障類型各10組，共50組為測(cè)試集，進(jìn)行故障診斷準(zhǔn)確率的評(píng)估。如圖10所示，根據(jù)加權(quán)平均算法的結(jié)果，本文仿真實(shí)驗(yàn)中采用時(shí)域中輸出電壓標(biāo)準(zhǔn)差、偏度及峰峰值和頻域中第三和第四系數(shù)作為特征矢量，首先將上述所選出的5個(gè)特征作為特征矢量，利用KNN算法進(jìn)行分類研究。結(jié)果如圖11所示。

選出的5個(gè)特征組成的特征矢量能夠在KNN分類算法下實(shí)現(xiàn)100%準(zhǔn)確率。為了更進(jìn)一步驗(yàn)證算法效果，按照權(quán)重系數(shù)的大小，利用KNN算法分別對(duì)5組被選取特征進(jìn)行分類研究。診斷結(jié)果如表2所示。

表2 不同特征分類結(jié)果圖

從表2可以看出，輸出電壓峰峰值和標(biāo)準(zhǔn)差都能在KNN算法中實(shí)現(xiàn)100%的準(zhǔn)確率，為了驗(yàn)證多特征選擇算法融合的魯棒性，將輸出電壓峰峰值特征放入BPNN網(wǎng)絡(luò)中進(jìn)行驗(yàn)證，從圖12可以看出，真實(shí)測(cè)試集和預(yù)測(cè)的測(cè)試集結(jié)果完全一致，在仿真實(shí)驗(yàn)的條件下，診斷精度也能達(dá)到100%。結(jié)合圖11和圖12的分類結(jié)果可以得到，本文提出的多特征選擇算法模型僅用最高權(quán)重系數(shù)的特征即輸出電壓的峰峰值，就能夠在不同的分類器中得到較高的準(zhǔn)確率。

圖12 基于BPNN模型硬故障分類結(jié)果示意圖

5 結(jié) 論

本文對(duì)DC-DC變換器不同故障進(jìn)行失效模型分析，考慮到實(shí)際電路信號(hào)采集問(wèn)題，選擇了對(duì)DC-DC變換器影響最小的輸出電壓信號(hào)，通過(guò)仿真獲取原始數(shù)據(jù)并進(jìn)行特征提取、多特征選擇算法降維，得到特征矢量,建立了BP神經(jīng)網(wǎng)絡(luò)分類模型。仿真結(jié)果表明本文提出的多特征選擇模型融合方法能夠進(jìn)行多故障分類的任務(wù)。

相比于傳統(tǒng)數(shù)據(jù)，高維數(shù)據(jù)中的數(shù)據(jù)量更多、特征之間的相關(guān)性也更為復(fù)雜，盡管部分機(jī)器學(xué)習(xí)的算法模型對(duì)高維數(shù)據(jù)也能實(shí)現(xiàn)分類預(yù)測(cè)等功能，然而在實(shí)際工程中，泛化性較弱的問(wèn)題是非常常見(jiàn)的。本文在特征選擇方面提出了多模型融合的算法，可以有效避免“過(guò)擬合”和“維數(shù)爆炸”問(wèn)題，且增強(qiáng)了模型的泛化能力，相較于特征降維，對(duì)于研究人員而言，該方法更易理解。下一步工作是利用更多的數(shù)據(jù)集去驗(yàn)證算法模型的魯棒性和準(zhǔn)確性。