基于優(yōu)化AdaBoost-SVM的模擬電路故障診斷

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到了一個瓶頸，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軟件中對電路進行Monte-Carlo分析的數(shù)據(jù)為基礎(chǔ)，選取特征時，采用對時頻信號中易直接測量的物理量歸一化后組合的方式。實驗結(jié)果表明，通過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;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)）標識碼（OSID）：

中圖分類號：TP319文獻標識碼：A 文章編號：1672-7800（2019）010-0130-05

0引言

社會信息化、自動化與智能化發(fā)展推動了信息技術(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，同時人們對電子設(shè)備運行可靠性與穩(wěn)定性的要求也不斷提高。當電子設(shè)備出現(xiàn)故障時，要求能及時排查故障，并對電子元器件進行檢修和更換。現(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，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)計法、元件參數(shù)法與故障驗證法。近年來，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，最大特點是無需提前建立數(shù)學(xué)模型，從而避免了復(fù)雜的公式與數(shù)學(xué)運算，運用相對靈活，適用場合廣泛，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（SupportVectorMachine，SVM）方法與專家系統(tǒng)等，特別是支持向量機方法，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)與非線性等實際問題，一定程度上克服了神經(jīng)網(wǎng)絡(luò)診斷方法存在的缺點，且泛化能力較強，因此成為繼神經(jīng)網(wǎng)絡(luò)之后的又一研究熱點。

以上方法均是以單分類器為基礎(chǔ)進行研究的，而單分類器分類精度的提升已達到了一個瓶頸，很難再有大的提升空間。針對該問題，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算法對單SVM分類器精度進行提升，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)用實際出發(fā)，考慮實時性與分類精度要求，對故障特征測量與選取方式進行改進。最后通過與單SVM分類器進行對比實驗后得出，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)，當元件參數(shù)隨著時間或外在環(huán)境變化偏離正常取值范圍時，即可認為發(fā)生了軟故障，本文重點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時采用單一測量信號，例如采用單個輸出測試點幅頻響應(yīng)的電壓幅值，這極易導(dǎo)致不同故障模式無法進行合理區(qū)分，從而造成診斷精度偏低的狀況。針對該問題，文獻提出基于時域特征的故障診斷分析模型，并驗證了其有效性。對于電路特征信號的選用，科研人員也進行了相關(guān)研究，最終都是以時域和頻域特征為基礎(chǔ)進行信號選用。本文針對實際工程應(yīng)用中對實時性的要求，為避免提取特征時復(fù)雜的數(shù)學(xué)運算帶來的大量時間消耗，結(jié)合文獻的特征提取方式，綜合選取時頻信號中易直接測量的物理量，通過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對支持向量機集成

集成學(xué)習(xí)是機器學(xué)習(xí)算法中非常強大的工具，可通過構(gòu)建并結(jié)合多個分類器完成學(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對支持向量機進行集成，將SVM作為AdaBoost的基分類器，利用多分類算法（SAMME.R）進行分類。該算法步驟具體描述如下：

通過該算法即可構(gòu)建多個基分類器，對其錯分的訓(xùn)練樣本通過不斷增加權(quán)值，并進行迭代訓(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υ-AdaBoostRBFSVM算法，在Wine等數(shù)據(jù)集上進行測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故障診斷實例分析

為了便于對研究效果進行對比論證，本文選用ITC97國際標準電路中的Leapfrog Filter電路進行故障診斷實驗，以說明本文方法對容差模擬電路軟故障診斷的具體過程，并驗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)實際情況確定元件參數(shù)分布情況，每次分析時，元件值從元件分布規(guī)律中隨機抽樣，每次分析得到的數(shù)據(jù)不完全相同，以更好地模擬實際條件下容差模擬電路狀態(tài)的多樣性。在運行Mon-te-Cado分析之前，元件必須提前設(shè)置偏差分布屬性。針對Leapfrog Filter電路，電阻電容分別從專門用于統(tǒng)計分析的元件符號庫BREAKOUT中選擇RBREAK和CBREAK，同時根據(jù)假設(shè)，利用模型編輯工具Model Editor對元件建模并設(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Monte-Carlo分析得到的波形數(shù)據(jù)存儲成“.CSV（Comma Separated Files）”文件并導(dǎo)出，然后導(dǎo)入PyCharm中，利用Python進行數(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500次Monte-Carlo分析的時域信號和頻域信號，進行后續(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)點響應(yīng)波形的時域信號和頻域信號，把工程中物理意義清晰、易辨別、易直接測量的信號量作為主要特征，在對其合理歸一化后進行組合。

3.3.1時域動態(tài)特征提取

在經(jīng)典控制系統(tǒng)中，通常將調(diào)整時間、上升時間、峰值時間、超調(diào)量、過渡過程時間和振蕩次數(shù)作為動態(tài)性能指標，利用相關(guān)指標可以表征出一個系統(tǒng)的快速性和平穩(wěn)性。借鑒控制系統(tǒng)中的概念，本文仿真時采用時域瞬態(tài)分析，將電路輸入的激勵信號設(shè)置為單脈沖電壓信號，輸出節(jié)點的響應(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。

本文選取的動態(tài)時域特征為圖3波形中標記的上升時間（t₁）、峰值電壓時間（t₂）、最小值電壓時間（t₃）、過渡過程時間（t₄）、峰值電壓（U_max）和最小值電壓（U_min）共6個特征量。

3.3.2頻域特征提取

3.4優(yōu)化SVM集成算法構(gòu)建

單個SVM只能解決二分類問題，模擬電路故障診斷一般屬于多分類問題，需要組合多個SVM求解，常用組合策略有一對一（One-Vs-One，OVO）與一對多（One-Vs-Rest，OVR）準則。本文中SVM基分類器選用策略為OVO準則，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兩個參數(shù)。考慮到對于不穩(wěn)定的分類器，使用Ada-Boost算法可以改善其分類準確率。如果分類器是穩(wěn)定的，則AdaBoost對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，屬于穩(wěn)定的基分類器，因此在對其進行集成時加入?yún)?shù)擾動機制，本文通過變σ-AdaBoostRBFSVM算法對SVM集成算法進行優(yōu)化。即懲罰參數(shù)C取定值，σ參數(shù)由每次迭代訓(xùn)練時樣本集的標準差給定，根據(jù)訓(xùn)練過程，繪制出迭代次數(shù)（基分類器數(shù)）與分類準確率關(guān)系曲線如圖4所示。

由圖4可以看出，在經(jīng)過55次迭代之后，分類準確值基本趨于穩(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分類器性能進行對比，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行5次獨立故障診斷實驗。取相應(yīng)故障診斷5次訓(xùn)練集與測試集的平均正確率，得到的診斷結(jié)果如表3所示。

診斷結(jié)果表明，通過變σ參數(shù)構(gòu)造具有差異度的SVM基分類器，利用AdaBoost算法可將多個SVM基分類器組合構(gòu)成一個強分類器。本文方法在進行故障診斷時的訓(xùn)練準確率和測試準確率相對兩種單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

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域動態(tài)特征與頻域特征相結(jié)合的方式，既避免了單一測量信號特征提取方法導(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)雜的求解計算，在工程中更為可靠且易實現(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，具備較高的實際應(yīng)用價值。