李杰

（西安軌道交通公司，陜西西安 710016）

引言

當(dāng)前，以模擬電子為關(guān)鍵技術(shù)的電路已經(jīng)被應(yīng)用在越來越多的場(chǎng)景中。其中，電路故障診斷技術(shù)一直是保證電路安全、高質(zhì)量運(yùn)轉(zhuǎn)的重要基礎(chǔ)。隨著應(yīng)用場(chǎng)景的復(fù)雜化，電路故障診斷技術(shù)不僅需要具有對(duì)復(fù)雜電路的分析能力，還要保證其在不同應(yīng)用場(chǎng)景下的通用性。機(jī)器學(xué)習(xí)是一種基于數(shù)據(jù)驅(qū)動(dòng)的人工智能統(tǒng)計(jì)方法，可以在經(jīng)驗(yàn)總結(jié)的基礎(chǔ)上對(duì)電路故障進(jìn)行診斷分析。正是這種不依賴于系統(tǒng)、不依賴于模型的優(yōu)勢(shì)，使得機(jī)器學(xué)習(xí)方法有效地推動(dòng)了電路故障診斷技術(shù)的進(jìn)一步應(yīng)用與發(fā)展。

為了把握當(dāng)前機(jī)器學(xué)習(xí)方法在電路故障診斷中的研究水平，本文首先介紹電路故障診斷技術(shù)的分類和原理；其次闡述四種機(jī)器學(xué)習(xí)方法——支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)、模糊分類和隱馬爾科夫模型；最后對(duì)機(jī)器學(xué)習(xí)方法在常用模擬電路和電力設(shè)備中的故障診斷應(yīng)用實(shí)例進(jìn)行評(píng)析。

1 電路故障診斷技術(shù)

據(jù)統(tǒng)計(jì)，電子設(shè)備中大部分電路由數(shù)字和模擬電路混合組成，但是約80%的故障發(fā)生在模擬部分。數(shù)字電路故障診斷比模擬電路更容易，因?yàn)閿?shù)字電路的測(cè)試規(guī)程很明確，且故障種類很有限，不外乎是短路故障、開路故障和卡滯故障等。而在模擬電路中，由于元件的非線性和容限性、故障模型低效性和模糊性、節(jié)點(diǎn)的不可訪問性和測(cè)量的不確定性等特性的制約，使得故障診斷變得非常困難。因此，模擬電路對(duì)電路故障診斷技術(shù)提出了更高的要求。

通常，模擬電路故障診斷的難點(diǎn)有：1）模擬電路中的信息是以信號(hào)形式儲(chǔ)存的，信號(hào)中的小干擾嚴(yán)重影響模擬電路的性能；2）從物理角度來看，模擬電路中的元件在大多數(shù)工作條件下通常是非線性的。以上難點(diǎn)使得模擬電路故障診斷成為一個(gè)開放性的課題，或者涉及很廣泛的研究領(lǐng)域。

硬故障和軟故障是模擬電路中的主要故障類型。硬故障被稱為災(zāi)難性故障，而軟故障被視為參數(shù)性故障。相對(duì)而言，軟故障通常從參數(shù)性故障檢測(cè)入手，使其更難以檢測(cè)。硬故障很容易被定位、隔離并糾正。從這個(gè)角度來看，模擬電路故障診斷有兩種方法：一類是試驗(yàn)前仿真，另一類是試驗(yàn)后仿真[1-2]，如圖1所示。

試驗(yàn)前仿真方法分為兩類：故障字典技術(shù)和統(tǒng)計(jì)技術(shù)[3]。故障字典是一個(gè)查找表，由切割的無故障案例和故障案例組成。統(tǒng)計(jì)技術(shù)則進(jìn)行大量的仿真，在連續(xù)模擬的基礎(chǔ)上，建立一個(gè)完整的統(tǒng)計(jì)數(shù)據(jù)庫(kù)。通過這個(gè)數(shù)據(jù)庫(kù)，可以檢測(cè)到電路中每個(gè)元件出現(xiàn)錯(cuò)誤的概率。

圖1 模擬電路故障診斷方法分類

試驗(yàn)后仿真方法是在獲得測(cè)試數(shù)據(jù)后對(duì)電路進(jìn)行仿真的方法，其目的是將電路故障診斷問題抽象為一個(gè)非線性方程，根據(jù)獲得的測(cè)試數(shù)據(jù)推算非線性方程中的變量和組分參數(shù)。試驗(yàn)后仿真方法分為三類：參數(shù)辨識(shí)法、故障驗(yàn)證法和近似法。

對(duì)于復(fù)雜電路的故障診斷，考慮到其計(jì)算量大、復(fù)雜度高等原因，試驗(yàn)后仿真方法將難以實(shí)現(xiàn)，而試驗(yàn)前仿真方法則可以有效降低計(jì)算量和復(fù)雜度，其中基于故障字典技術(shù)的機(jī)器學(xué)習(xí)方法被運(yùn)用到許多復(fù)雜電路的故障診斷中。

2 機(jī)器學(xué)習(xí)方法

如前所述，機(jī)器學(xué)習(xí)方法是一種基于試驗(yàn)前仿真的電路故障診斷方法，其利用先前成功或失敗診斷的知識(shí)來提高電路故障診斷的性能?；跈C(jī)器學(xué)習(xí)方法的電路故障診斷方法如圖2所示。近些年機(jī)器學(xué)習(xí)方法的研究工作主要集中在支持向量機(jī)（Support Vector Machine，SVM）、人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）、模糊分類、隱馬爾科夫模型等。

圖2 基于機(jī)器學(xué)習(xí)方法的電路故障診斷方法

基于機(jī)器學(xué)習(xí)方法的電路故障診斷方法的主要優(yōu)點(diǎn)有：1）在線和離線測(cè)量計(jì)算最小化；2）能夠處理容差效應(yīng)；3）可以將困難問題分解成簡(jiǎn)單問題；4）魯棒性和適應(yīng)性較強(qiáng)。

2.1 支持向量機(jī)

支持向量機(jī)是一種按監(jiān)督學(xué)習(xí)方式對(duì)數(shù)據(jù)進(jìn)行二元分類的廣義線性分類器，其決策邊界是對(duì)學(xué)習(xí)樣本求解的最大邊距超平面。對(duì)于線性可分樣本，超平面可以將實(shí)例分為兩類；對(duì)于線性不可分樣本，要利用非線性變換將原始空間中的實(shí)例映射到高維特征空間中。

如前所述，采用支持向量機(jī)對(duì)模擬電路進(jìn)行故障診斷屬于故障字典技術(shù)的范疇。支持向量機(jī)分類器可以看作是一種特殊的神經(jīng)網(wǎng)絡(luò)，它具有強(qiáng)大的學(xué)習(xí)、泛化和分類能力，可通過核函數(shù)將樣本映射到高維空間，使測(cè)量空間中的重疊類變得線性可分。Cui等[4]提出了一種利用改進(jìn)的支持向量機(jī)分類器診斷模擬電路的方法，該方法在被測(cè)電路上施加輸入，然后收集輸出響應(yīng)，最后利用預(yù)處理技術(shù)對(duì)這些響應(yīng)進(jìn)行分析，得到特征樣本。實(shí)驗(yàn)結(jié)果表明，該方法使得電路故障診斷性能改善明顯。

2.2 人工神經(jīng)網(wǎng)絡(luò)

傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)具有較淺的結(jié)構(gòu)，這限制了其在電路故障診斷問題中學(xué)習(xí)復(fù)雜非線性關(guān)系的能力[5]。針對(duì)傳統(tǒng)方法的局限性，一類基于深度學(xué)習(xí)技術(shù)的人工神經(jīng)網(wǎng)絡(luò)被提出，它在自適應(yīng)地從原始數(shù)據(jù)中提取特征和對(duì)非線性故障動(dòng)力學(xué)現(xiàn)象進(jìn)行描述方面具有優(yōu)異的性能，因此在電路故障診斷領(lǐng)域也受到了廣泛的關(guān)注[6]。深度置信網(wǎng)絡(luò)（D e e p B e l i e f Networks，DBN）作為第一個(gè)被提出的人工神經(jīng)網(wǎng)絡(luò)，在飛機(jī)發(fā)動(dòng)機(jī)、齒輪箱和往復(fù)式壓縮機(jī)閥門電路的故障診斷中迅速發(fā)展[7-8]。

深度置信網(wǎng)絡(luò)是一種概率生成模型，可以建立一個(gè)觀察數(shù)據(jù)和標(biāo)簽之間的聯(lián)合分布，與傳統(tǒng)的判別模型神經(jīng)網(wǎng)絡(luò)相對(duì)。通過訓(xùn)練其神經(jīng)元間的權(quán)重值，可以讓整個(gè)神經(jīng)網(wǎng)絡(luò)按照最大概率生成訓(xùn)練數(shù)據(jù)。深度置信網(wǎng)絡(luò)由多層神經(jīng)元構(gòu)成，這些神經(jīng)元又分為顯性神經(jīng)元和隱性神經(jīng)元，前者用于接受輸入，后者用于提取特征。深度置信網(wǎng)絡(luò)不僅可以使用來識(shí)別特征、分類數(shù)據(jù)，還可以生成數(shù)據(jù)，是一種非常實(shí)用的電路故障診斷方法。

2.3 模糊分類

模糊分類是一種用來處理不明確項(xiàng)的故障分類智能算法。故障分類分為兩個(gè)基本步驟：第一步，識(shí)別故障，準(zhǔn)備故障字典；第二步，通過模糊分類器對(duì)故障進(jìn)行分類。

Kumar等[9]提出了一種基于模擬電路頻域分析的單、雙軟故障診斷新方法。該方法用模糊分類器進(jìn)行故障分類，不僅適用于不同的單故障和雙故障，而且能準(zhǔn)確地給出故障分量的估計(jì)值。此外，故障字典是利用預(yù)先定義的故障模型集生成的，模糊分類器則對(duì)不在原始故障模型集中的電路故障診斷模型進(jìn)行插值和識(shí)別。

2.4 隱馬爾科夫模型

當(dāng)電路初始故障發(fā)生時(shí)，電路性能開始從正常狀態(tài)下降，但是由于電路早期故障是一種弱軟故障，其故障特征變化微弱，因此不易檢測(cè)。在考慮非線性影響的情況下，一般利用分?jǐn)?shù)階Volterra相關(guān)函數(shù)和分?jǐn)?shù)階小波包變換，采用一種基于隱馬爾科夫模型（Hidden Markov Model，HMM）的電路早期故障診斷方法。

隱馬爾科夫模型是一種基于時(shí)間序列的統(tǒng)計(jì)分析模型，在語音識(shí)別、故障預(yù)測(cè)、故障診斷等領(lǐng)域有著廣泛的應(yīng)用[10-11]。此外，隱馬爾科夫模型已經(jīng)被證實(shí)能有效地檢測(cè)模擬電路的初始故障。例如，文獻(xiàn)[12]提出了一種利用隨機(jī)信號(hào)分析和高斯混合隱馬爾科夫模型對(duì)線性電路進(jìn)行軟故障和早期故障診斷的新方法，并通過實(shí)驗(yàn)驗(yàn)證了方法的有效性。

3 應(yīng)用實(shí)例分析

3.1 基準(zhǔn)雙四路濾波器電路故障診斷分析

文獻(xiàn)[1]對(duì)基準(zhǔn)雙四路濾波器電路進(jìn)行了故障診斷分析。假定電阻和電容的公差值分別為5%和10%。為了驗(yàn)證電路故障診斷方法的正確性，采用Multisim軟件和Matlab軟件實(shí)現(xiàn)了電路故障診斷過程。用Multisim軟件對(duì)模擬電路進(jìn)行了仿真，用Bode繪圖儀得到了被測(cè)電路的頻率響應(yīng)。

為每個(gè)部件模擬100個(gè)軟故障，共記錄101個(gè)頻率響應(yīng)，其中100個(gè)用于識(shí)別故障等級(jí)，1個(gè)用于反映部件的標(biāo)稱值。通過數(shù)據(jù)預(yù)處理，實(shí)現(xiàn)了電路故障診斷的特征提取，并編制了故障字典。對(duì)于被測(cè)電路元件的所有故障，采用多項(xiàng)式曲線擬合法，求出了基本多項(xiàng)式系數(shù)。

識(shí)別故障并編制故障字典是電路故障分類的第一步。電路的輸出響應(yīng)用9階多項(xiàng)式曲線擬合，故障分類采用10個(gè)多項(xiàng)式系數(shù)。利用這些系數(shù)進(jìn)行故障分類，取得了較好的效果。第二步是為電路故障診斷設(shè)計(jì)合適的神經(jīng)網(wǎng)絡(luò)。利用Matlab軟件的神經(jīng)網(wǎng)絡(luò)工具箱設(shè)計(jì)了用于故障分類的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，并對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到了輸入層10個(gè)節(jié)點(diǎn)、輸出層1個(gè)節(jié)點(diǎn)的神經(jīng)網(wǎng)絡(luò)。每種神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對(duì)應(yīng)一個(gè)電路部件的故障診斷過程，通過改變隱含層的節(jié)點(diǎn)數(shù)目，達(dá)到最佳的故障分類性能。

3.2 低噪聲放大器故障診斷分析

文獻(xiàn)[1 2]以0.25μm BiCMOS7RFST Microelectronics Technology的低噪聲放大器為案例，選擇4個(gè)散射參數(shù)作為初始診斷測(cè)量值。每一個(gè)散射參數(shù)以100 MHz的步長(zhǎng)在1 000 MHz和5 000 MHz之間進(jìn)行采樣，共41個(gè)頻率點(diǎn)。因此，總共有4×41=164個(gè)診斷測(cè)量值。

為了便于診斷，故障類型分為：1）短路和開路形式的硬故障；2）軟故障。在此基礎(chǔ)上，實(shí)現(xiàn)基于支持向量機(jī)的分類器和回歸函數(shù)。

分類器用于訓(xùn)練，并使用“過程變化”類進(jìn)行驗(yàn)證。文獻(xiàn)[13]對(duì)單一電路故障下診斷流程的通用性進(jìn)行了評(píng)估。

3.3 電力設(shè)備及電路的故障分析

現(xiàn)如今隨著科學(xué)技術(shù)的不斷發(fā)展，電力設(shè)備及電路的維護(hù)和監(jiān)控逐漸由人工方式向自動(dòng)化轉(zhuǎn)變。但在自動(dòng)化程度較高的電力設(shè)備中，由某個(gè)電力開關(guān)或是器件引起的故障并不易發(fā)現(xiàn)，這就容易造成電力設(shè)備及電路的損壞，有時(shí)甚至造成不可估計(jì)的經(jīng)濟(jì)損失。當(dāng)電壓波動(dòng)發(fā)生，即電壓在一瞬間發(fā)生增大或減小時(shí)，電力設(shè)備及電路會(huì)受到?jīng)_擊，如果沒有事先降壓或提高電力性能，極有可能造成設(shè)備及電路損壞。對(duì)電力設(shè)備及電路的故障進(jìn)行準(zhǔn)確分析，可以將電壓波動(dòng)及時(shí)反饋給設(shè)備及電路，提前做好防護(hù)。由于復(fù)雜的干擾因素過多，因此使用傳統(tǒng)方法不僅耗時(shí)，而且不夠準(zhǔn)確，而機(jī)器學(xué)習(xí)方法則可以采集已有電力設(shè)備及電路的狀態(tài)數(shù)據(jù)，并進(jìn)行分析，從而實(shí)現(xiàn)故障類型的有效診斷[14-15]。

總之，通過以上三個(gè)應(yīng)用實(shí)例的評(píng)析，讀者可以更加準(zhǔn)確理解機(jī)器學(xué)習(xí)方法在電路故障診斷中的應(yīng)用特點(diǎn)。同時(shí)，這三個(gè)應(yīng)用實(shí)例也說明了機(jī)器學(xué)習(xí)方法能夠與電路故障診斷相結(jié)合，有效地推動(dòng)電路故障診斷的進(jìn)一步發(fā)展，使電路，尤其是模擬電路的穩(wěn)定性和效率得到很大的提升[16-17]。

4 結(jié)束語

本文首先介紹了電路故障診斷技術(shù)的分類和原理，其次對(duì)支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)、模糊分類和隱馬爾科夫模型這四種機(jī)器學(xué)習(xí)方法進(jìn)行了闡述，最后評(píng)析了機(jī)器學(xué)習(xí)方法在常用模擬電路和電力設(shè)備中的三個(gè)故障診斷應(yīng)用實(shí)例。本文分析和研究表明：機(jī)器學(xué)習(xí)方法能夠有效地對(duì)電路，尤其是模擬電路進(jìn)行故障診斷。本文為電路故障診斷研究明確了方向，對(duì)電路故障診斷的進(jìn)一步應(yīng)用和發(fā)展具有重要啟示意義。