基于CBA-SVM 的模擬電路故障診斷方法研究

王強 馬國坪

（甘肅省古浪縣職業(yè)中等專業(yè)學校 甘肅省古浪縣 733100）

電子產(chǎn)品已經(jīng)成為我們生活、工作與學習當中非常重要的設(shè)備。隨著科學技術(shù)的發(fā)展與進步，電子設(shè)備結(jié)構(gòu)越來越復雜，精密度也越來越高，電子設(shè)備在為我們工作與生活提供更好地服務的同時如果電子設(shè)備中的電子元件出現(xiàn)故障，并且故障沒有得到及時診斷和處理，就會帶來很大影響。所以，電路故障的診斷尤為重要。智能診斷的運用可以提升電路故障診斷效率，方便維修人員可以第一時間找出故障原因，并采取有效措施解決故障，恢復電子設(shè)備的正常使用，延長其使用壽命。

1 電路相關(guān)闡述

電路是電子器件中對工業(yè)電能進行轉(zhuǎn)化和控制的電路，見圖1。電路作為電子器件的一部分，傳統(tǒng)電路有著相應的旋轉(zhuǎn)元件和部件，因此也被稱為變流電路，而這里所說的電路并沒有旋轉(zhuǎn)元件與部件，因此被稱之為靜止式變流電路。電路共分為兩個部分，分別是發(fā)電機與電動機，而變流電路與靜止式變流電路相對比，靜止式變流電路在運行過程中并不會產(chǎn)生很大噪音，磨損情況也很小，運行速度快，而且可以實現(xiàn)自動化控制和生產(chǎn)，也不需要構(gòu)建專門的地基。靜止式變流電路的出現(xiàn)使得變流電路逐漸被取代。通常情況下，由于其效率高、損耗更低的優(yōu)勢，電路被廣泛運用于工業(yè)電能處理當中。

圖1： 電路結(jié)構(gòu)圖

2 對電路故障實施智能診斷的意義

在互聯(lián)網(wǎng)背景下，人們對于電子產(chǎn)品的要求也在不斷提升。在此背景下，高性能的電子產(chǎn)品在不斷更新?lián)Q代，電子產(chǎn)品的使用離不開電力，電子產(chǎn)品性能與使用頻率的增加必然會增加其電力負荷，當電子產(chǎn)品長期處于超負荷運轉(zhuǎn)狀態(tài)使就很容易出現(xiàn)故障。以往電子產(chǎn)品故障后都需要人工憑借專業(yè)知識與經(jīng)驗進行診斷，如果專業(yè)知識有限、經(jīng)驗不足就難以第一時間找到故障根源。因此，傳統(tǒng)人工故障診斷會制約電子產(chǎn)品的快速發(fā)展，對于智能診斷的需求也不斷增加。智能診斷技術(shù)的運用可以實現(xiàn)電路故障的智能診斷，診斷效率和準確率都高于人工檢測，且降低了故障診斷成本，能夠全范圍診斷故障。

目前多應用基于神經(jīng)網(wǎng)絡、極限學習機、支持向量機等模擬電路故障診斷技術(shù)，這些方式內(nèi)，支持向量機應用優(yōu)勢最為顯著，能夠很好的解決小樣本、非線性、高緯度等問題，得到了廣范圍應用。實驗結(jié)果表明，參數(shù)選取及優(yōu)化會影響SVM 性能，當前大多使用萬有引力搜索算法（Gravitational search algorithm，簡稱GSA）、粒子群優(yōu)化算法（Particle swarm optimization algorithm，簡稱PSO）、遺傳算法（genetic algorithm，簡稱GA）。這些算法在實際應用中，均存在收斂速度緩慢、易陷入局部最優(yōu)等問題，基于此，應當對權(quán)限SVM 參數(shù)優(yōu)化問題進行全面、積極探索。

劍橋大學學者Yang 于2010 年提出蝙蝠算法（Bat algorithm，簡稱BA），不少學者認為，其屬于全新智能算法，使用性能最佳，在應用期間，可有效解決工程問題。為實現(xiàn)全局尋優(yōu)性能的提升，本文選擇混沌優(yōu)化算法進行公式與參數(shù)更新，獲取最佳故障診斷方式，并在實際案例內(nèi)實施故障診斷，對比不同算法的結(jié)果。

3 智能診斷在電路故障的應用

3.1 對電路運行情況進行模擬

電路故障診斷技術(shù)在不斷發(fā)展，智能技術(shù)運用于故障診斷當中，解決了很多電路故障診斷中的難題，提高電路故障診斷效率與水平，也一定程度上推動了電子產(chǎn)品的快速發(fā)展。當前我們所使用的電子產(chǎn)品與以往電子產(chǎn)品相比，已經(jīng)呈現(xiàn)出非常大的差別，現(xiàn)在的電子產(chǎn)品對于電子技術(shù)的要求更高，技術(shù)也更加復雜。為了保障電子產(chǎn)品的電路在使用過程中可以正常工作，很多電子產(chǎn)品生產(chǎn)企業(yè)會借助以智能診斷技術(shù)來對電路運行情況進行模擬，對模擬過程中的數(shù)據(jù)和參數(shù)進行分析，判斷電子產(chǎn)品的使用性能，進而推斷出可能會出現(xiàn)的故障，并采取措施進行優(yōu)化，避免在使用過程中出現(xiàn)故障，提高電子產(chǎn)品質(zhì)量與使用壽命。因為在產(chǎn)品發(fā)售前企業(yè)就借助智能檢測技術(shù)對電子產(chǎn)品電路運行進行了模擬，所以電子產(chǎn)品在使用過程中運行更加穩(wěn)定，故障發(fā)生率也比較低，從而為企業(yè)帶來更多經(jīng)濟效益，樹立品牌口碑。

3.2 構(gòu)建電路故障信息庫

電路故障信息庫的構(gòu)建可以為電路故障診斷工作開展提供參考依據(jù)，在智能診斷技術(shù)的運用下，通過將電路故障診斷中的數(shù)據(jù)進行收集，記錄電路故障原因及地點。電路故障信息庫主要涵蓋以下兩部分內(nèi)容，一部分是動態(tài)內(nèi)容，這部分內(nèi)容主要是記錄故障診斷中的結(jié)果；另一部分是靜態(tài)內(nèi)容，這部分內(nèi)容主要是記錄電路運行中的各項參數(shù)與數(shù)值。結(jié)合這兩部分內(nèi)容可以在電路故障發(fā)生時對比參數(shù)與數(shù)值情況，快速找到故障所在地和原因，提升電路故障診斷效率，見圖2。

圖2： 電路故障信息庫流程圖

3.3 線路故障診斷

電路故障作為電子產(chǎn)品最容易出現(xiàn)的故障，而電子產(chǎn)品使用頻率越來越高，線故障發(fā)生的概率也越高。電子產(chǎn)品在使用過程中，電路在換向過程中也會隨之產(chǎn)生一定能量，通常情況下這些能量在電路的承受范圍內(nèi)，因此并不會影響電路的正常工作，但是如果能量超出電路最大承受范圍，就很容易引發(fā)故障，進而導致電子產(chǎn)品無法正常使用。借助智能診斷技術(shù)對電路進行模擬計算，幫助我們了解電路承受能量的最大復合，從而對電路進行控制，提升短路運行安全。

4 支持向量機和蝙蝠搜索算法

4.1 支持向量機

支持向量機以最小結(jié)構(gòu)風險為準則，在分類要求基礎(chǔ)上，確保分類樣本距離超平面為最優(yōu)超平面。

（x, y）i=1, ..., n, x∈R, y∈{1, -1}為假設(shè)樣本集，第i個樣本空間輸入值為x，第i 個樣本輸出值為y，數(shù)據(jù)線性可分，在求解最優(yōu)超平面問題時，其約束條件主要包括：

4.2 蝙蝠算法

自然界中，蝙蝠進行獵物搜索時，多選擇回波定位的方式，蝙蝠算法也為該原理，就工程內(nèi)的問題，一般要求蝙蝠算法滿足相應的假設(shè)，如下所示：

借助回波定位，進行距離探測，辨別周圍情況及距離。

在x上以v飛行，f為固定頻率，λ 為變化波長，搜尋獵物響度A，結(jié)合與獵物的距離，調(diào)節(jié)發(fā)射脈沖波長、頻率，脈沖發(fā)射速率，動態(tài)化調(diào)整，區(qū)間范圍為r∈[0,1]；

假設(shè)響度是從最大值A(chǔ)（正值）向最小值A(chǔ)（常數(shù)）變化。

混沌優(yōu)化能夠借助混凝映射特性（隨機性與遍歷性），優(yōu)化算法內(nèi)的隨機變量，避免算法處于局部最優(yōu)。基于式子（5）、式子（6）能夠得知，蝙蝠速度、蝙蝠位置更新，需要聲波頻率f的支持，在式子（4）上，聲波頻率f更新變化，在參數(shù)β 實現(xiàn)。傳統(tǒng)蝙蝠算法內(nèi)，區(qū)間[0，1]內(nèi)，β 均勻隨機分布，將混沌優(yōu)化策略引入，可改善這類分布不具備便利性特點的情況，以此實現(xiàn)參數(shù)β 混沌優(yōu)化，新改進的頻率計算式：

式子內(nèi)，c∈（0,1），且c?（0,0.25,0.5,0.75,1），a 為常數(shù)。

蝙蝠算法的步驟包括：初始化位置、數(shù)量、頻率及響度，計算蝙蝠個體適應值，詳細記錄最優(yōu)解，獲取種群之后，計算全局最優(yōu)解，在Logistic 映射公式基礎(chǔ)上，獲得混沌因子C，由式子（4）-（6），獲得蝙蝠頻率、位置及速度，進行局部搜索，在最優(yōu)解內(nèi)選擇x，產(chǎn)生隨機解rand1與rand2，假設(shè)rand1＞1，則附近按式子（7）產(chǎn)生全新的局部解。若rand2＜A且，f（x（i））＞f（x（i）），則接受這個全新解，根式公式（8）、（9）更新脈沖頻度r、A；判斷終止條件達到與否，若達到則為全局最優(yōu)解，若未達到，則反之，轉(zhuǎn)移步驟2。

5 基于CBA-SVM的故障診斷

基于CBA-SVM 的故障診斷過程為：首先，收集、預處理故障數(shù)據(jù)，選擇小波包能量譜為故障特征，獲取數(shù)據(jù)訓練集、測試集。其次，選擇混沌蝙蝠算法，尋優(yōu)SVM懲罰參數(shù)C、核函數(shù)的核寬度σ，優(yōu)化參數(shù)之后，識別正確率最大值，也就是最終的尋優(yōu)目標，檢驗測試樣本集優(yōu)化之后的分類器，其流程如圖3 所示。

圖3： 基于蝙蝠算法優(yōu)化SVM 流程

6 故障診斷實例

為檢驗本文方案的有效性，本文開展實例分析，選擇某型雷達導引頭測試系統(tǒng)自檢模塊比例積分電路故障為例，見圖4，選擇PSPICE 軟件建模電路，仿真故障。

圖4： 病例積分電路原理

6.1 故障設(shè)定和特征提取

本實驗僅僅考慮單一故障，假設(shè)電路內(nèi)的元件數(shù)值高、低正常數(shù)的50.0%,在容差允許的范圍內(nèi)，假設(shè)其他元件不變，電阻通查5.0%、電容為10.0%，則元件為通查范圍內(nèi)，電路的狀態(tài)無任何的異常。

分析靈敏度之后，獲得R↑、R↓、R↑、R↓、R↑、R↓、C↑、C↓、NF（無故障）幾類故障模式，↑為高故障值，↓為低故障值，均為稱值50.0%下的故障狀態(tài)。OrCAD10.5軟件仿真故障模式下，在電路輸入端增加1V 幅度，10μs 脈沖激勵屬于持續(xù)時間，50 次分析后獲取Monte Carlo 響應曲線，也就是一種故障，獲取50 個樣本，在此模式下實施分析，獲得采樣數(shù)據(jù)，將數(shù)據(jù)導入到MATLAB 內(nèi)，訓練支持向量機與測試支持向量機各為25 次。

本實驗故障能量譜特征為小波包，這類提取形式，能夠在能量守恒基礎(chǔ)上，實施多尺度分解，可將信號頻段細化，計算出不同頻段的能量數(shù)值，以此實現(xiàn)電路故障模擬。

比如：某故障模式下，對數(shù)據(jù)分解3 層db3 小波包，提取低頻、高頻系數(shù)之后，重構(gòu)小斜包系數(shù)，經(jīng)過計算后，獲取對應的頻帶信號能量，歸一化處理后，獲得特征向量，故障模式下包含50 個樣本，樣本內(nèi)故障包含7 種屬性。

6.2 診斷結(jié)果

本文選擇粒子群算法（PSO）、萬有引力搜索算法（GSA）優(yōu)化向量機核參數(shù)、懲罰參數(shù)，以檢驗方案選取優(yōu)越性，設(shè)置相同參數(shù)，假設(shè)種群數(shù)量為20，則最大迭代次數(shù)為100，[10,10]為乘法參數(shù)C 區(qū)間的變化區(qū)間，[10,10]為核函數(shù)參數(shù)σ 的變化區(qū)間。

三類算法診斷結(jié)果如表1 所示，結(jié)合下表數(shù)據(jù)可得知，運算速度而言，GSA-SVM 慢于PSO-SVM，但前者的診斷率高，CBA-SVM 方法識別率最佳。

表1： 故障診斷方法比較

7 結(jié)束語

綜上所述，在模擬電路的故障診斷內(nèi)，實施混沌優(yōu)化蝙蝠算法，在某導引頭測試系統(tǒng)自檢模塊內(nèi)比例積分電路故障診斷中，對比傳統(tǒng)GSA-SVM、PSO-SVM，CBA-SVM 的應用價值更為顯著，可增加收斂速度，實現(xiàn)最高診斷精準率，可切實滿足診斷要求。