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(dá)到了一個(gè)瓶頸，提出一種優(yōu)化AdaBoost-SVM算法并將其應(yīng)用于模擬電路故障診斷中。以 OrCAD/PSpice軟件中對(duì)電路進(jìn)行Monte-Carlo分析的數(shù)據(jù)為基礎(chǔ)，選取特征時(shí)，采用對(duì)時(shí)頻信號(hào)中易直接測(cè)量的物理量歸一化后組合的方式。實(shí)驗(yàn)結(jié)果表明，通過(guò)選取的組合特征向量，利用優(yōu)化的AdaBoost-SVM算法，構(gòu)造出具有差異度的SVM分類器并集成后，能夠自適應(yīng)地提升單SVM分類器性能，表現(xiàn)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(guān)鍵詞：AdaBoost;支持向量機(jī);集成學(xué)習(xí);模擬電路;故障診斷

DOI：10.11907/ejdk.182899開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

中圖分類號(hào)：TP319文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-7800（2019）010-0130-05

0引言

社會(huì)信息化、自動(dòng)化與智能化發(fā)展推動(dòng)了信息技術(shù)、空間技術(shù)及新能源技術(shù)等諸多技術(shù)領(lǐng)域的進(jìn)步，也使應(yīng)用于相關(guān)領(lǐng)域電子設(shè)備的復(fù)雜度與密集度不斷增長(zhǎng)，同時(shí)人們對(duì)電子設(shè)備運(yùn)行可靠性與穩(wěn)定性的要求也不斷提高。當(dāng)電子設(shè)備出現(xiàn)故障時(shí)，要求能及時(shí)排查故障，并對(duì)電子元器件進(jìn)行檢修和更換?，F(xiàn)代電子設(shè)備大多為數(shù)字電路與模擬電路組成的混合電路，而根據(jù)統(tǒng)計(jì)，一旦設(shè)備發(fā)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(tǒng)可靠性很大程度上取決于模擬電路部分的穩(wěn)定性，對(duì)模擬電路故障診斷領(lǐng)域的研究顯得至關(guān)重要，并引起了國(guó)內(nèi)外專家學(xué)者的廣泛關(guān)注。

在眾多模擬電路故障診斷方法中，傳統(tǒng)診斷方法包括故障字典法、概率統(tǒng)計(jì)法、元件參數(shù)法與故障驗(yàn)證法。近年來(lái)，基于人工智能的模擬電路故障診斷方法得到了快速發(fā)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(tǒng)研究方法，最大特點(diǎn)是無(wú)需提前建立數(shù)學(xué)模型，從而避免了復(fù)雜的公式與數(shù)學(xué)運(yùn)算，運(yùn)用相對(duì)靈活，適用場(chǎng)合廣泛，具有較好的應(yīng)用前景。

人工智能診斷方法主要包括神經(jīng)網(wǎng)絡(luò)方法、支持向量機(jī)（SupportVectorMachine，SVM）方法與專家系統(tǒng)等，特別是支持向量機(jī)方法，由于其具有較好的小樣本學(xué)習(xí)能力，可以解決高維數(shù)與非線性等實(shí)際問(wèn)題，一定程度上克服了神經(jīng)網(wǎng)絡(luò)診斷方法存在的缺點(diǎn)，且泛化能力較強(qiáng)，因此成為繼神經(jīng)網(wǎng)絡(luò)之后的又一研究熱點(diǎn)。

以上方法均是以單分類器為基礎(chǔ)進(jìn)行研究的，而單分類器分類精度的提升已達(dá)到了一個(gè)瓶頸，很難再有大的提升空間。針對(duì)該問(wèn)題，本文研究基于SVM集成算法的診斷方法，在訓(xùn)練出單SVM分類器的基礎(chǔ)上，采用集成學(xué)習(xí)方式，利用優(yōu)化的AdaBoost算法對(duì)單SVM分類器精度進(jìn)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(yè)應(yīng)用實(shí)際出發(fā)，考慮實(shí)時(shí)性與分類精度要求，對(duì)故障特征測(cè)量與選取方式進(jìn)行改進(jìn)。最后通過(guò)與單SVM分類器進(jìn)行對(duì)比實(shí)驗(yàn)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(fā)生故障的絕大多數(shù)，當(dāng)元件參數(shù)隨著時(shí)間或外在環(huán)境變化偏離正常取值范圍時(shí)，即可認(rèn)為發(fā)生了軟故障，本文重點(diǎn)研究容差模擬電路軟故障診斷。

將數(shù)據(jù)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(shù)故障診斷在提取特征信號(hào)時(shí)采用單一測(cè)量信號(hào)，例如采用單個(gè)輸出測(cè)試點(diǎn)幅頻響應(yīng)的電壓幅值，這極易導(dǎo)致不同故障模式無(wú)法進(jìn)行合理區(qū)分，從而造成診斷精度偏低的狀況。針對(duì)該問(wèn)題，文獻(xiàn)提出基于時(shí)域特征的故障診斷分析模型，并驗(yàn)證了其有效性。對(duì)于電路特征信號(hào)的選用，科研人員也進(jìn)行了相關(guān)研究，最終都是以時(shí)域和頻域特征為基礎(chǔ)進(jìn)行信號(hào)選用。本文針對(duì)實(shí)際工程應(yīng)用中對(duì)實(shí)時(shí)性的要求，為避免提取特征時(shí)復(fù)雜的數(shù)學(xué)運(yùn)算帶來(lái)的大量時(shí)間消耗，結(jié)合文獻(xiàn)的特征提取方式，綜合選取時(shí)頻信號(hào)中易直接測(cè)量的物理量，通過(guò)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(duì)支持向量機(jī)集成

集成學(xué)習(xí)是機(jī)器學(xué)習(xí)算法中非常強(qiáng)大的工具，可通過(guò)構(gòu)建并結(jié)合多個(gè)分類器完成學(xué)習(xí)任務(wù)。目前的集成學(xué)習(xí)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(yīng)迭代算法，包含以下兩個(gè)核心步驟：權(quán)值調(diào)整與基分類器組合。AdaBoost算法可提高被前一輪基分類器錯(cuò)誤分類的樣本權(quán)值，并降低分類正確的樣本權(quán)值，從而使未得到正確分類的樣本由于權(quán)值的加大，得到后一輪基分類器的更大關(guān)注。AdaBoost采用加權(quán)多數(shù)表決方法，AdaBoost算法性質(zhì)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(duì)支持向量機(jī)進(jìn)行集成，將SVM作為AdaBoost的基分類器，利用多分類算法（SAMME.R）進(jìn)行分類。該算法步驟具體描述如下：

通過(guò)該算法即可構(gòu)建多個(gè)基分類器，對(duì)其錯(cuò)分的訓(xùn)練樣本通過(guò)不斷增加權(quán)值，并進(jìn)行迭代訓(xùn)練以提升其分類性能。為了構(gòu)造具有差異度的SVM分類器，王曉丹等提出變?chǔ)?AdaBoostRBFSVM算法，在Wine等數(shù)據(jù)集上進(jìn)行測(cè)試并取得了良好效果。本文將該方法引入到SVM基分類器訓(xùn)練中，同時(shí)利用AdaBoost算法提升SVM基分類器性能，構(gòu)建并優(yōu)化SVM集成分類器流程如圖1所示。

3故障診斷實(shí)例分析

為了便于對(duì)研究效果進(jìn)行對(duì)比論證，本文選用ITC97國(guó)際標(biāo)準(zhǔn)電路中的Leapfrog Filter電路進(jìn)行故障診斷實(shí)驗(yàn)，以說(shuō)明本文方法對(duì)容差模擬電路軟故障診斷的具體過(guò)程，并驗(yàn)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(shù)據(jù)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(jù)實(shí)際情況確定元件參數(shù)分布情況，每次分析時(shí)，元件值從元件分布規(guī)律中隨機(jī)抽樣，每次分析得到的數(shù)據(jù)不完全相同，以更好地模擬實(shí)際條件下容差模擬電路狀態(tài)的多樣性。在運(yùn)行Mon-te-Cado分析之前，元件必須提前設(shè)置偏差分布屬性。針對(duì)Leapfrog Filter電路，電阻電容分別從專門用于統(tǒng)計(jì)分析的元件符號(hào)庫(kù)BREAKOUT中選擇RBREAK和CBREAK，同時(shí)根據(jù)假設(shè)，利用模型編輯工具M(jìn)odel Editor對(duì)元件建模并設(shè)置容差范圍、概率分布。電阻和電容模型分別設(shè)為R=I DEV/GAUSS 5%和C=1DEV/GAUSS 5%，即獨(dú)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(shù)據(jù)采集

在OrCAD/PSpice軟件中，可以把經(jīng)過(guò)Monte-Carlo分析得到的波形數(shù)據(jù)存儲(chǔ)成“.CSV（Comma Separated Files）”文件并導(dǎo)出，然后導(dǎo)入PyCharm中，利用Python進(jìn)行數(shù)據(jù)分析與特征提取。本文采集了9種故障模式分別經(jīng)過(guò)500次Monte-Carlo分析的時(shí)域信號(hào)和頻域信號(hào)，進(jìn)行后續(xù)特征提取與數(shù)據(jù)分析。

3.3模擬電路特征提取

本文采集了輸出節(jié)點(diǎn)響應(yīng)波形的時(shí)域信號(hào)和頻域信號(hào)，把工程中物理意義清晰、易辨別、易直接測(cè)量的信號(hào)量作為主要特征，在對(duì)其合理歸一化后進(jìn)行組合。

3.3.1時(shí)域動(dòng)態(tài)特征提取

在經(jīng)典控制系統(tǒng)中，通常將調(diào)整時(shí)間、上升時(shí)間、峰值時(shí)間、超調(diào)量、過(guò)渡過(guò)程時(shí)間和振蕩次數(shù)作為動(dòng)態(tài)性能指標(biāo)，利用相關(guān)指標(biāo)可以表征出一個(gè)系統(tǒng)的快速性和平穩(wěn)性。借鑒控制系統(tǒng)中的概念，本文仿真時(shí)采用時(shí)域瞬態(tài)分析，將電路輸入的激勵(lì)信號(hào)設(shè)置為單脈沖電壓信號(hào)，輸出節(jié)點(diǎn)的響應(yīng)可以產(chǎn)生類似二階系統(tǒng)階躍響應(yīng)在欠阻尼狀態(tài)下的輸出波形，得到波形如圖3所示。

本文選取的動(dòng)態(tài)時(shí)域特征為圖3波形中標(biāo)記的上升時(shí)間（t₁）、峰值電壓時(shí)間（t₂）、最小值電壓時(shí)間（t₃）、過(guò)渡過(guò)程時(shí)間（t₄）、峰值電壓（U_max）和最小值電壓（U_min）共6個(gè)特征量。

3.3.2頻域特征提取

3.4優(yōu)化SVM集成算法構(gòu)建

單個(gè)SVM只能解決二分類問(wèn)題，模擬電路故障診斷一般屬于多分類問(wèn)題，需要組合多個(gè)SVM求解，常用組合策略有一對(duì)一（One-Vs-One，OVO）與一對(duì)多（One-Vs-Rest，OVR）準(zhǔn)則。本文中SVM基分類器選用策略為OVO準(zhǔn)則，核函數(shù)為RBF核，該核函數(shù)主要包含參數(shù)（σ和懲罰參數(shù)C兩個(gè)參數(shù)?？紤]到對(duì)于不穩(wěn)定的分類器，使用Ada-Boost算法可以改善其分類準(zhǔn)確率。如果分類器是穩(wěn)定的，則AdaBoost對(duì)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(jī)，屬于穩(wěn)定的基分類器，因此在對(duì)其進(jìn)行集成時(shí)加入?yún)?shù)擾動(dòng)機(jī)制，本文通過(guò)變?chǔ)?AdaBoostRBFSVM算法對(duì)SVM集成算法進(jìn)行優(yōu)化。即懲罰參數(shù)C取定值，σ參數(shù)由每次迭代訓(xùn)練時(shí)樣本集的標(biāo)準(zhǔn)差給定，根據(jù)訓(xùn)練過(guò)程，繪制出迭代次數(shù)（基分類器數(shù)）與分類準(zhǔn)確率關(guān)系曲線如圖4所示。

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

3.5結(jié)果比較

為與單SVM分類器性能進(jìn)行對(duì)比，本文將OVO-SVM和OVR-SVM應(yīng)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(jìn)行5次獨(dú)立故障診斷實(shí)驗(yàn)。取相應(yīng)故障診斷5次訓(xùn)練集與測(cè)試集的平均正確率，得到的診斷結(jié)果如表3所示。

診斷結(jié)果表明，通過(guò)變?chǔ)覅?shù)構(gòu)造具有差異度的SVM基分類器，利用AdaBoost算法可將多個(gè)SVM基分類器組合構(gòu)成一個(gè)強(qiáng)分類器。本文方法在進(jìn)行故障診斷時(shí)的訓(xùn)練準(zhǔn)確率和測(cè)試準(zhǔn)確率相對(duì)兩種單SVM分類器提升了4%左右，表現(xiàn)出更好的分類性能。

4結(jié)語(yǔ)

本文將優(yōu)化的SVM集成算法應(yīng)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(shí)域動(dòng)態(tài)特征與頻域特征相結(jié)合的方式，既避免了單一測(cè)量信號(hào)特征提取方法導(dǎo)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(fù)雜的求解計(jì)算，在工程中更為可靠且易實(shí)現(xiàn)。仿真結(jié)果表明，基于優(yōu)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(shí)際應(yīng)用價(jià)值。