一种模拟电路故障诊断方法研究

刘琳

摘 要： 将LSSVM算法应用于模拟电路故障诊断模型，使用PSO算法对LSSVM算法的参数进行寻优。以带通滤波器电路和双二次高通滤波器电路的故障诊断实例对该文研究的模拟电路故障诊断方法进行验证。使用三层小波包分解输出电压信号，得到8个频带能量特征向量，通过Monte Carlo仿真得到数据样本，用于故障诊断模型的训练和测试。结果表明，该文使用的改进LSSVM算法构建的故障诊断模型针对8种故障的诊断准确率均高于95%，具有較好的故障诊断性能。

关键词： 模拟电路； 故障诊断； 最小二乘支持向量机； 粒子群优化算法

中图分类号： TN710.4?34； TP391 文献标识码： A 文章编号： 1004?373X（2017）06?0183?04

Abstract： The LSSVM algorithm is applied to the analog circuit fault diagnosis model， and its parameters are optimized with particle swarm optimization （PSO） algorithm. The circuits of the band?pass filter and bi?quadratic high?pass filter are taken as the instance of the fault diagnosis to verify the analog circuit fault diagnosis method. The three?layer wavelet packet is used to decompose the output voltage signal to obtain 8 frequency band energy feature vectors. The data samples are acquired with Carlo Monte simulation， which are used to train and test the fault diagnosis model. The results show that the fault diagnosis model′s diagnosis accuracy for eight faults is higher than 95%， which is constructed with the improved LSSVM algorithm， and has high fault diagnosis performance.

Keywords： analog circuit； fault diagnosis； least square support vector machine； particle swarm optimization algorithm

0 引 言

目前各个行业对于大规模混合集成电路的应用越来越广泛，因此越来越多的学者开始重点研究电路故障诊断以及测试[1?2]。实际上数字电路故障诊断技术已经得到了完善的发展，然而模拟电路因具有非线性的特点，同时由于故障复杂多样性以及元件的容差性使得无法采取有效的方法诊断模拟电路的故障。国内外学者在1960年左右开始研究模拟电路故障诊断，并得到了很多经典的方法和理论，例如支持向量机法、人工神经网络、小波分解、模糊理论以及故障字典等，并对这些理论进行了充分的实践研究[3?5]。Suykens等人以机器学习损失函数为出发点提出了最小二乘支持向量机法，将二范数作为优化目标函数，采用等式约束条件取代不等式约束条件，这样在进行优化的过程中一组线性方程组的解可以通过Kuhn?Tucker条件来获取[6?7]。作为一种进化算法，PSO 算法和模拟退火算法有一定的相似性，采用迭代的方法，以随机解为出发点进行优化。这种算法具有收敛速度块、精度高以及实现容易的特点，在对一些实际问题进行解决的过程中具有一定的优势。粒子群算法也属于并行算法的类型[8?9]。本文将LSSVM算法应用于模拟电路故障诊断模型。

1 模拟电路故障诊断模型

完善后的惯性权重系数能够对搜索过程的高复杂性以及非线性进行模拟，全局以及局部搜索能力利用粒子群算法可以得到有效的平衡。

步骤4：对所能达到的停止条件进行检查，检查适应度值以及最大迭代次数是否能够满足要求，当满足条件时就停止迭代过程，如果不满足条件就继续执行步骤2。

步骤5：在获取粒子全局最优值的基础上进行LSSVM 回归预测，参数流程如图1所示[14]。

2 带通滤波器电路故障诊断

首先以带通滤波器电路故障诊断实例对本文研究的模拟电路故障诊断方法进行验证。所研究的带通滤波器电路如图2所示[15]，诊断对象为R2，R3，C1和C2。各元件的标称值[16]为：R2=2 kΩ，R3=2 kΩ，C1=10 nF，C2=10 nF。使用ORCAD10.5软件对电路故障进行模拟。

将幅值为5 V，0.01 ms的脉冲电路施加于所研究的带通滤波器电路实例电路中，使用三层小波包分解输出电压信号，得到8个频带能量特征向量，通过Monte Carlo仿真得到200组数据样本，随机抽取其中150组用于对诊断模型的训练，另外50组用于对诊断模型的测试，部分样本数据见表1。使用常规LSSVM算法和本文使用的改进LSSVM算法构建故障诊断模型。模型中，γ取值为[0.5，200]，核参数σ取值范围为[0.2，5]，种群规模为50，最大迭代次数为100。

使用相同的训练数据对两种诊断模型进行训练，训练曲线如图3所示。可以看出本文使用的改进LSSVM算法构建故障诊断模型训练误差更低、训练步数更少。

使用相同的测试数据对两种已经训练后的诊断模型进行测试，得到两种模型的测试准确率对比如表2所示。

可以看出，本文使用的改进LSSVM算法构建的故障诊断模型针对8种故障的诊断准确率均高于95%，均高于常规LSSVM算法，平均准确率为96.07%，高于常规LSSVM算法的平均准确率88.99%。

3 双二次高通滤波器电路故障诊断

以双二次高通滤波器电路故障诊断实例对本文研究的模拟电路故障诊断方法进行验证。所研究的双二次高通滤波器电路如图4所示[17]，诊断对象为R1，R2，C1和C2。各元件的标称值[18]为：R1=6 kΩ，R2=6 kΩ，C1=5 nF，C2=5 nF。使用ORCAD10.5软件对电路故障进行模拟。将幅值为5 V，0.01 ms的脉冲电路施加于所研究的双二次高通滤波器电路实例电路中，使用三层小波包分解输出电压信号，得到8个频带能量特征向量，通过Monte Carlo仿真得到300组数据样本，随机抽取其中200组用于对诊断模型的训练，另外100组用于对诊断模型的测试，部分样本数据见表3。

使用常规LSSVM算法和本文使用的改进LSSVM算法构建故障诊断模型。使用相同的训练数据对两种诊断模型进行训练，训练曲线如图5所示。

使用相同的测试数据对两种已经训练后的诊断模型进行测试，得到两种模型的测试准确率对比如表4所示。可以看出，本文使用的改进LSSVM算法构建的故障诊断模型针对8种故障的诊断准确率均高于95%，均高于常规LSSVM算法，平均准确率为96.03%，高于常规LSSVM算法的平均准确率89.92%。

4 结 论

本文将LSSVM算法应用于模拟电路故障诊断模型。以带通滤波器电路和双二次高通滤波器电路的故障诊断为实例对本文研究的模拟电路故障诊断方法进行验证。结果表明，本文使用的改进LSSVM算法构建的故障诊断模型针对8种故障的诊断准确率均高于95%，均高于常规LSSVM算法，具有较好的故障诊断性能。

表3 部分样本数据

表4 两种模型的测试准确率对比

参考文献

[1] 胡梅，胡列峰，明德祥.模拟电路统一软故障诊断的研究[J].电子测量与仪器学报，2013（11）：1060?1066.

[2] 祝文姬.模拟电路故障诊断的神经网络方法及其应用[D].长沙：湖南大学，2011.

[3] 劉丽霞.基于小波理论与LSSVM的模拟集成电路故障诊断方法[D].西安：西安电子科技大学，2011.

[4] 黄亮.模拟电路故障诊断研究[D].北京：北京交通大学，2012.

[5] 李晴.基于优化机器学习算法的模拟电路故障诊断研究[D].长沙：湖南大学，2013.

[6] 方葛丰.模拟电路故障诊断优化理论与方法的研究[D].长沙：湖南大学，2013.

[7] 李明亮.基于神经网络的模拟电路故障诊断方法研究[D].北京：中国地质大学，2007.

[8] 宋丽伟，彭敏放，田成来，等.基于PSO?RBF神经网络的模拟电路诊断[J].计算机应用研究，2012（1）：72?74.

[9] 谢春，宋国明，姜书艳，等.自适应GA优化WNN的模拟电路软故障诊断方法[J].计算机应用研究，2012（1）：75?78.

[10] 孙斌，姚海涛.基于PSO优化LSSVM的短期风速预测[J].电力系统保护与控制，2012（5）：

85?89.

[11] 王贺，胡志坚，张翌晖，等.基于IPSO?LSSVM的风电功率短期预测研究[J].电力系统保护与控制，2012（24）：107?112.

[12] 杨青，田枫，王大志，等.基于提升小波和递推LSSVM的实时故障诊断方法[J].仪器仪表学报，2011（3）：596?602.

[13] 龙文，焦建军，龙祖强.基于PSO优化LSSVM的未知模型混沌系统控制[J].物理学报，2011（11）：120?125.

[14] 孙健，王成华，洪峰，等.基于人工鱼群优化支持向量机的模拟电路故障诊断[J].系统仿真学报，2014（4）：843?847.

[15] 王静，蒋刚，陈中杰.基于改进PSO_LSSVM机械结构疲劳裂纹扩展预测[J].计算机应用研究，2013（12）：3597?3599.

[16] 童晓.基于LSSVM和改进PSO算法的燃煤锅炉燃烧优化研究[D].北京：中国计量学院，2015.

[17] 仇军.改进PSO?LSSVM方法在城市时用水量预测中的应用[D].上海：上海交通大学，2013.

[18] 宋丽伟.基于小波分析和神经网络的模拟电路故障诊断[D].长沙：湖南大学，2012.