陳博文，李志華，黃穎（河海大學(xué) 能源與電氣學(xué)院，江蘇 南京211100）

點(diǎn)對(duì)主分量分析算法的模擬電路故障診斷研究

陳博文，李志華，黃穎
（河海大學(xué) 能源與電氣學(xué)院，江蘇 南京211100）

針對(duì)利用領(lǐng)域覆蓋算法（Neighborhood Covering Algorithm，NCA）解決模擬電路故障診斷過(guò)程中出現(xiàn)的故障診斷率不高的問(wèn)題，文章采用一種改進(jìn)的領(lǐng)域覆蓋算法稱(chēng)之為點(diǎn)對(duì)主分量分析算法（Double Points Principal Component Analysis Algorithm，DPCAA）進(jìn)行模擬電路故障診斷，首先通過(guò)對(duì)待診斷的模擬電路的可測(cè)點(diǎn)采用幅頻特性技術(shù)進(jìn)行故障特征提取，然后構(gòu)建點(diǎn)對(duì)主分量分析算法的三層神經(jīng)網(wǎng)絡(luò)進(jìn)行模擬電路故障診斷。為了驗(yàn)證該方法的可行性，本文最后對(duì)某一個(gè)帶通濾波電路進(jìn)行模擬電路故障診斷，對(duì)該電路的故障診斷率提高了2.22個(gè)百分點(diǎn)。

模擬電路；故障診斷；覆蓋算法；點(diǎn)對(duì)主分量分析算法

雷達(dá)是一個(gè)應(yīng)用廣泛的復(fù)雜系統(tǒng)，一旦雷達(dá)系統(tǒng)出現(xiàn)故障，可能出現(xiàn)難以預(yù)料的后果，造成巨大的損失，因此對(duì)雷達(dá)故障的定位和快速排除就顯得非常重要。研究表明，在電路故障中模擬電路部分比較容易發(fā)生故障，所以模擬故障診斷技術(shù)是當(dāng)前課題研究的重點(diǎn)，也是確保復(fù)雜的電路系統(tǒng)正常運(yùn)轉(zhuǎn)的關(guān)鍵技術(shù)。傳統(tǒng)模擬電路故障診斷方法基本都是采用模擬電路診斷方程或者是精確的數(shù)學(xué)模型，這樣會(huì)出現(xiàn)計(jì)算復(fù)雜的情況，并且模擬電路的元器件很多都有離散性與非線性的特點(diǎn)，這樣就很難處理由于該電路模型的復(fù)雜導(dǎo)致的數(shù)據(jù)量大的問(wèn)題，所以傳統(tǒng)的模擬電路故障診斷方法已經(jīng)很難適用。20世紀(jì)40年代出現(xiàn)的神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)60多年的發(fā)展已經(jīng)發(fā)展的相當(dāng)?shù)某墒?，而且較好應(yīng)用于模擬電路故障診斷，該方法的實(shí)質(zhì)是使用人工神經(jīng)網(wǎng)絡(luò)技術(shù)去擬合實(shí)際的模擬電路方程，從而達(dá)到故障診斷的目的。20世紀(jì)90年代以來(lái)，張玲教授先深入剖析了神經(jīng)網(wǎng)絡(luò)的機(jī)制，創(chuàng)造性的提出了多層反饋的神經(jīng)網(wǎng)絡(luò)的FP學(xué)習(xí)算法和綜合算法，主要包括多層反饋的神經(jīng)網(wǎng)絡(luò)的FP學(xué)習(xí)算法和前饋網(wǎng)絡(luò)的FP學(xué)習(xí)算法這兩種學(xué)習(xí)算法，在1998年后她相繼提出了領(lǐng)域覆蓋算法、交叉覆蓋算法和核覆蓋算法等一系列算法，但是其中領(lǐng)域覆蓋算法存在隱含層神經(jīng)元個(gè)數(shù)較多，網(wǎng)絡(luò)泛化能力差，網(wǎng)絡(luò)的識(shí)別精度不高的問(wèn)題。后來(lái)張燕萍提出的點(diǎn)對(duì)主分量分析的算法，很好的解決了網(wǎng)絡(luò)的識(shí)別精度不高的問(wèn)題，她將該算法運(yùn)用于股票預(yù)測(cè)方面，而本文則將該方法運(yùn)用到模擬電路故障診斷方面。點(diǎn)對(duì)主分量分析算法是對(duì)于領(lǐng)域覆蓋算法的改進(jìn)，其的基本任務(wù)是從許多特征中找出那些最有效的特征，提高領(lǐng)域覆蓋算法的網(wǎng)絡(luò)的識(shí)別率。該算法最主要是引入了點(diǎn)對(duì)的概念將覆蓋領(lǐng)域的中心點(diǎn)與覆蓋領(lǐng)域的外最近距離的異類(lèi)點(diǎn)構(gòu)成點(diǎn)對(duì)，然后計(jì)算出點(diǎn)對(duì)每個(gè)屬性分量差的絕對(duì)值之和，刪除屬性分量的絕對(duì)值之和較小的屬性，然后對(duì)測(cè)試樣本進(jìn)行測(cè)試，直至故障診斷正確率下降為止。

1 點(diǎn)對(duì)主分量分析算法

模擬電路的故障診斷模型原理上也就是將各個(gè)故障進(jìn)行分類(lèi)，第一步通過(guò)對(duì)模擬電路加載激勵(lì)并且選擇電路合適的可測(cè)點(diǎn)，然后保存發(fā)生該故障時(shí)的幅頻響應(yīng)的故障特征值；第二步歸一化處理該故障特征，將處理完的故障特征分為訓(xùn)練樣本和測(cè)試樣本；第三步采用點(diǎn)對(duì)主分量分析的算法進(jìn)行故障分類(lèi)處理，最后得出結(jié)論。流程圖如圖1所示。

圖1 模擬電路故障診斷模型

點(diǎn)對(duì)主分量分析算法是對(duì)領(lǐng)域覆蓋算法的一種改進(jìn)?；陬I(lǐng)域覆蓋算法的神經(jīng)網(wǎng)絡(luò)就是把樣本集S= {S1，S2，…，Sk}的k類(lèi)分類(lèi)問(wèn)題轉(zhuǎn)換成在樣本空間構(gòu)造覆蓋簇{Ci}的問(wèn)題，讓每個(gè)覆蓋Ci只蓋住同類(lèi)樣本點(diǎn)且滿(mǎn)足∪Ci=S。構(gòu)造第k類(lèi)樣本的Sj覆蓋領(lǐng)域的過(guò)程是：先對(duì)訓(xùn)練樣本任取一個(gè)未被覆蓋的樣本點(diǎn)a∈Sk，計(jì)算得出其中公式中的d1和 d2為d1（k）=max{〈a，x〉|x?Sj}，d2（k）=min{〈a，x〉|x∈Sj，〈a，x〉＞d1（k）}，以a作為中心，作以θ為半徑領(lǐng)域覆蓋。然后將已得到的覆蓋簇為C1，C2，…，Cn，構(gòu)建三層神經(jīng)網(wǎng)絡(luò)，其中隱含層取n個(gè)神經(jīng)元，并且每個(gè)神經(jīng)元為一個(gè)覆蓋，將第i個(gè)神經(jīng)元的激勵(lì)函數(shù)作為Ci的特征函數(shù)。輸出層取k個(gè)神經(jīng)元，將第i個(gè)神經(jīng)元的輸入作為領(lǐng)域覆蓋第i類(lèi)點(diǎn)的輸出，它的激勵(lì)函數(shù)為“或”門(mén)連接。這樣的三層神經(jīng)網(wǎng)絡(luò)的領(lǐng)域覆蓋算法就可以對(duì)S進(jìn)行分類(lèi)。點(diǎn)對(duì)主分量分析算法主要在領(lǐng)域覆蓋算法里面加入了點(diǎn)對(duì)的概念，其具體的算法流程如下：

第一步：設(shè)訓(xùn)練樣本集為X，每個(gè)樣本有n維屬性，對(duì)樣本集X運(yùn)用領(lǐng)域覆蓋算法求出一組覆蓋領(lǐng)域Cj（j=1，2，…，s）。

第二步：令W=?，j=1指定ε的值，其中ε＞0。

第三步：判斷Cj的領(lǐng)域半徑是否小于ε，若是則取領(lǐng)域覆蓋的中心點(diǎn)與覆蓋領(lǐng)域外最近的異類(lèi)點(diǎn)，構(gòu)成點(diǎn)對(duì)，加入集合W；否則判斷j的值是否等于s，若是進(jìn)入第四步，否則j=j+1，返回第三步。

第四步：計(jì)算出以上點(diǎn)對(duì)的每個(gè)屬性各分量的絕對(duì)值之和yi（i+1，…，n），將yi的值從大到小排序，刪除樣本中X個(gè)m值yi相對(duì)較小的屬性，其中m＜n，形成新的樣本屬性集X。

第五步：對(duì)新的樣本集X求覆蓋領(lǐng)域Cj’（j′=1，…，S′），設(shè)計(jì)出新的分類(lèi)器，對(duì)測(cè)試樣本也進(jìn)行相應(yīng)的屬性刪減，并進(jìn)行故障錯(cuò)誤率測(cè)試，判斷樣本測(cè)試的錯(cuò)誤率是否下降，若是令n←n-m，S←S′，返回第二步；否則恢復(fù)被刪除的樣本中m個(gè)相對(duì)較小的yi所對(duì)應(yīng)的屬性，并且記錄錯(cuò)誤率，算法結(jié)束。

2 模擬電路故障診斷

文中采用具體的電路來(lái)說(shuō)明該方法的可行性。我們?cè)赑spice軟件中搭建帶通濾波器如圖2所示，并對(duì)該帶通濾波器加載激勵(lì)，并且將OUT輸出端作為電壓輸出端。將電路中各個(gè)元器件標(biāo)稱(chēng)值設(shè)置成如圖2所示，其中我們把電阻的容差和電容的容差設(shè)置為5%。當(dāng)所有的元器件在各自設(shè)置的容差范圍變化時(shí)，視為正常運(yùn)行狀態(tài)，當(dāng)元器件參數(shù)范圍偏離標(biāo)稱(chēng)值的15%～35%時(shí)，即為軟故障狀態(tài)。為了找出各個(gè)元器件對(duì)帶通濾波器中心頻率以及帶寬的影響程度，我們對(duì)電路中所有的元器件都進(jìn)行靈敏度分析，最終選取了元器件R1、R2、C2、C4作為待診斷元件，而且把每個(gè)元件分為了增大與減小兩種軟故障狀態(tài)，分別↑、↓使用代表4個(gè)元器件的值高于和低于標(biāo)稱(chēng)值的兩種軟故障，而且每種故障電路狀態(tài)下的其他正常元器件在其容差范圍內(nèi)波動(dòng)。

2.1 提取故障特征

精準(zhǔn)的故障特征是準(zhǔn)確判斷故障的來(lái)源，因而提取故障特征是故障診斷中很重要的步驟。我們采用的故障特征提取方法是幅頻特性故障特征提取具體實(shí)現(xiàn)步驟如下：

Step1利用Pspice軟件對(duì)電路的各個(gè)電路情況進(jìn)行交流分析和100次蒙特卡羅分析，其中將故障元件參數(shù)設(shè)置成軟故障，其余正常元件參數(shù)設(shè)置成在其容差允許范圍內(nèi)。在輸出點(diǎn)2 kHz到20 kHz頻點(diǎn)之間對(duì)元件的軟故障最明顯，且包含了大部分的故障特征，因此我們可以在這個(gè)區(qū)段內(nèi)采樣，選取3、4、5、6、7、8、10、13、20（單位均為kHz），這些頻點(diǎn)的電壓數(shù)據(jù)，使用這些數(shù)據(jù)建立特征向量。

圖2 仿真電路

Step2使用Matlab讀入采樣數(shù)據(jù)，并對(duì)數(shù)據(jù)進(jìn)行歸一化處理保存至文本文件《幅頻歸一化數(shù)據(jù)》。

按照此過(guò)程對(duì)待診斷元器件進(jìn)行100次蒙特卡羅分析，一共可以得到900組幅頻特征向量，一起組成該狀態(tài)電路的故障特征集。將每種電路狀態(tài)采集得到的100組故障特征幅頻特征向量中的70組數(shù)據(jù)作為訓(xùn)練樣本，剩余的30組數(shù)據(jù)作為測(cè)試樣本。2.2 點(diǎn)對(duì)主分量分析算法分類(lèi)

將得到的樣本集的處理結(jié)果進(jìn)行構(gòu)建基于點(diǎn)對(duì)主分量分析的三層神經(jīng)網(wǎng)絡(luò)故障診斷的模型。文中對(duì)于點(diǎn)對(duì)主分量分析算法中的參數(shù)設(shè)置如下m= 1，ε=15.92，得到的159個(gè)覆蓋領(lǐng)域，再依據(jù)故障特征向量的維數(shù)和狀態(tài)個(gè)數(shù)確定其三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為9-159-9。我們利用構(gòu)建好的點(diǎn)對(duì)主分量分析覆蓋算法的三層神經(jīng)網(wǎng)絡(luò)模型，然后將30組的測(cè)試輸入特征向量輸入，即可得到診斷結(jié)果。文章對(duì)圖2所示的帶通電路分別使用領(lǐng)域覆蓋算法的三層神經(jīng)網(wǎng)絡(luò)和點(diǎn)對(duì)主分量分析算法的三層神經(jīng)網(wǎng)絡(luò)這兩種方法故障進(jìn)行故障診斷，它的診斷的故障結(jié)果如表1所示。

表1 故障診斷

從上表可知，基于點(diǎn)對(duì)主分量分析算法的三層神經(jīng)網(wǎng)絡(luò)故障診斷模型的平均故障診斷率和最低故障診斷率均比領(lǐng)域覆蓋算法的三層神經(jīng)網(wǎng)絡(luò)故障診斷模型要好，從中還可以看到每個(gè)元器件的故障診斷率還都有所提升，說(shuō)明該方法在模擬電路的故障診斷時(shí)應(yīng)用效果更好。

3 結(jié)束語(yǔ)

針對(duì)利用領(lǐng)域覆蓋算法的三層神經(jīng)網(wǎng)絡(luò)的模擬電路軟故障診斷中，由于故障特征描述不精確，導(dǎo)致故障診斷率不高的問(wèn)題，文中通過(guò)確定點(diǎn)對(duì)主分量分析算法確定神經(jīng)網(wǎng)絡(luò)的權(quán)值、閾值和隱含層個(gè)數(shù)優(yōu)化域覆蓋算法模型，以此來(lái)提高故障診斷率?；邳c(diǎn)對(duì)主分量分析算法的三層神經(jīng)網(wǎng)絡(luò)的實(shí)質(zhì)是確定覆蓋算法的神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值和求解出的覆蓋領(lǐng)域作為三層神經(jīng)網(wǎng)絡(luò)的隱含層，測(cè)試樣本集作為輸入，測(cè)試樣本集的分類(lèi)結(jié)果作為輸出。本文基本闡述了點(diǎn)對(duì)主分量分析算法的基本思想和算法步驟，并且通過(guò)具體電路加以驗(yàn)證。實(shí)驗(yàn)結(jié)果也表明，該方法可以有效提高模擬電路故障診斷率。

采用點(diǎn)對(duì)主分量分析算法對(duì)樣本特征提取有很好的的效果，網(wǎng)絡(luò)的識(shí)別正確率也有所提升，具備了高維海量數(shù)據(jù)處理能力與網(wǎng)絡(luò)的全局優(yōu)化等優(yōu)點(diǎn)。點(diǎn)對(duì)主分量分析算法也表現(xiàn)出一些不足之處，因?yàn)閙、ε和初始樣本的選取也會(huì)影響構(gòu)造出的的故障診斷率，雖然這方面的工作已經(jīng)有了一定的進(jìn)展，但是還不夠完善，所以這方面的工作和研究還有待繼續(xù)深入。

[1]郭珂，傘冶，朱奕.現(xiàn)代模擬電路智能故障診斷方法研究與發(fā)展[J].電子設(shè)計(jì)工程，2012（2）:177-180.

[2]張昭昭.模塊化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)自組織設(shè)計(jì)方法[D].北京：北京工業(yè)大學(xué)，2013.

[3]Zhihua LI，A novel fault diagnostic method based on Node-Voltage vector ambiguity sets[J].IEEE Transactions On Instrumentation And Measurement，2014，63（8）：1957-1965.

[4]賈瑞玉，寧再早.粒子群優(yōu)化覆蓋算法[J].計(jì)算機(jī)工程，2011，21:167-169.

[5]Weng D，Ji S，Chen W，et al.Assessing and mitigating the effects of the ionospheric variability on DGPS[J].GPS Solutions，2015，19（1）:107-116.

[6]韓越，李志華.基于ELM網(wǎng)絡(luò)的模擬電路故障診斷[J].電子設(shè)計(jì)工程，2014（19）:93-95.

[7]王萬(wàn)成，張媛，神經(jīng)網(wǎng)絡(luò)逆軟測(cè)量方法的拓展及在生物浸出過(guò)程中的應(yīng)用 [J].儀器儀表學(xué)報(bào)，2012 （3）:661-669.

[8]WANG Wan-cheng，JIN Xiao-xiao，An optimization tuning method ofnonlinearnon-minimum phase systems and its application to chemical process[C].26th ChineseControl and Decision Conference，CCDC 2014，2014:4929-4935.

[9]李璐怡，李志華.一種基于小波預(yù)處理的模擬電路故障診斷方法 [J].電子設(shè)計(jì)工程，2014（14）: 146-148.

[10]周瑛，牛瀏，優(yōu)化的覆蓋算法在文本挖掘中的應(yīng)用研究[J].電腦知識(shí)與技術(shù)，2014（33）:8065-8069.

[11]李晴.基于優(yōu)化機(jī)器學(xué)習(xí)算法的模擬電路故障診斷研究[D].長(zhǎng)沙：湖南大學(xué)，2013.

[12]王躍華.覆蓋算法性能優(yōu)化的若干研究及其實(shí)現(xiàn)[D].合肥：安徽大學(xué)，2013.

[13]徐江燕，李志華，徐江飛，等.基于故障樹(shù)的專(zhuān)家系統(tǒng)在雷達(dá)電源故障診斷中的應(yīng)用[J].計(jì)算機(jī)與現(xiàn)代化，2012（4）：212-214.

[14]井田，朱玉琴.多側(cè)面遞進(jìn)算法在機(jī)器學(xué)習(xí)中的應(yīng)用[J].科技創(chuàng)新導(dǎo)報(bào)，2012（11）:149-150.

[15]李曉波.基于覆蓋算法的雷達(dá)模擬電路故障診斷研究[J].信息技術(shù)，2014，10（1）:110-113.

[16]陸晶.基于核覆蓋的模擬電路軟故障診斷方法[J].信息技術(shù)，2016，1（1）:162-166.

[17]劉春衛(wèi)，羅健旭.基于混合核函數(shù)的PSO—SVM分類(lèi)算法[J].華東理工大學(xué)學(xué)報(bào)：自然科學(xué)版，2014 （2）:96-101.

[18]吳濤.基于特征選擇的多側(cè)面覆蓋算法[J].計(jì)算機(jī)應(yīng)用，2011，31（5）：1318-1320.

[19]王長(zhǎng)清，黃靜.基于協(xié)同進(jìn)化粒子群算法的無(wú)線傳感器網(wǎng)絡(luò)節(jié)能優(yōu)化覆蓋算法[J].河南師范大學(xué)學(xué)報(bào)：自然科學(xué)版，2016（1）:54-58.

Study on fault diagnosis in analog circuits based on double points principal component analysis algorithm

CHEN Bo-wen，LI Zhi-hua，HUANG Ying
（College of Energy and Electrical Engineering，Hohai University，Nanjing 211100，China）

To solve the problem of covering algorithm of neural network about fault diagnosis in analog circuit fault diagnosis process，this paper uses double points principal component analysis algorithm （DPCAA）to solve fault diagnosis in analog circuit.Amplitude-Frequency characteristic is usedas a tool for extracting feature.Then，after training the double points principal component analysis algorithm，the model of the circuit with thefault diagnosis system is built.Simulation results show that the method is more effectiveandfault diagnostic rate is increased by 2.22%.

fault diagnosis analog circuit；fault diagnosis；covering algorithm；double points principal component analysis algorithm

TN99

A

1674－6236（2017）07-0126-04

2016-05-19稿件編號(hào)：201605187

陳博文（1992—），男，江蘇海門(mén)人，碩士研究生。研究方向：人工智能、模擬電路故障診斷。