基于IWO—PSO优化支持向量机的模拟电路故障诊断

来源:用户上传      作者:

　　摘 要：为提高模拟电路故障诊断率，提出一种基于IWO-PSO优化支持向量机的电路故障诊断方法。通过对典型电路进行Monte-Carlo分析，提取输出端时域信号，经小波包提取特征参量，生成样本数据，再经IWO-PSO改进入侵杂草算法，优化多核SVM参数后建立相应故障诊断模型。实验表明，该模型能较好实现地电路故障诊断模拟，与已有方法相比，可获得较高的故障诊断正确率。
　　关键词：入侵杂草算法；小波包变换；多核SVM；故障诊断
　　DOI：10. 11907/rjdk. 182353
　　中图分类号：TP306+.3 文献标识码：A 文章编号：1672-7800（2019）005-0053-05
　　Abstract： In order to improve the fault diagnosis rate of analog circuits， a circuit fault diagnosis method based on IWO-PSO optimization support vector machine is proposed in this paper. Through the Monte-Carlo analysis of typical circuit， the output time domain signal and the characteristic parameters are extracted by wavelet packet， sample data are generated， and then the multi-kernel SVM parameters through IWO-PSO are optimized to improve the invasive weed algorithm and the corresponding fault diagnosis model is established. The experimental case shows that the fault diagnosis model can achieve the analog circuit fault diagnosis better. Compared with the existing methods， the fault diagnosis model established by this method can achieve higher accuracy of fault diagnosis.
　　Key Words： invasive weed algorithm； wavelet packet transform； multi-kernel SVM； fault diagnosis
　　0 引言
　　近年来随着集成电路的广泛应用，数模混合电路占据了重要地位，电路故障也逐渐引起广泛关注。据统计，虽然数字电路在混合电路中占很大比例，但是80%的故障是由模拟电路造成的[1]。因此，当模拟电路出现故障后，能否准确定位至关重要。在模拟电路检测过程中，根据电子元件参数值变化，可以将故障分为软故障和硬故障两类。其中硬故障主要指电子元件发生短路和开路，而软故障指电子元器件参数值随时间或环境的变化发生相应变化，但没有改变电路基本拓扑结构。硬故障是软故障的一种特殊情况，因此研究软故障诊断问题具有实际价值。
　　关于模拟电路故障诊断的研究较为丰富，文献[2]研究电路参数与元件参数变化规律，提出基于节点电压灵敏度序列守恒的诊断原理，实现了模拟电路软硬故障的统一诊断；文献[3]研究故障电路中斜率故障模型，降低了元件参数连续变化对模拟电路的影响，但只适用于单故障诊断；文献[4-5]提出一种融合遗传算法、小波变换与神经网络的模拟电路故障诊断方法，将节点电压通过小波变换提取故障特征，从而减少信号冗余，同时用遗传算法优化BP神经网络，提高神经网络收敛性能。该方法中的测试系统能在实际工程中运用。文献[6]对文献[4]的小波变换预处理问题进行改进，采用PSO算法优化BP神经网络。文献[7]采用三级小波分解，并用PSO优化RBF神经网络，对模拟电路进行故障诊断。文献[8]提出一种支持向量机和模糊聚类结合方法，分析电路故障特征数据空间分布特性，采用多级二叉树结构的SVM实现故障分级诊断。文献[9]提出了一种基于mRMR原则和优化支持向量机的模拟电路故障诊断方法，依据mRMR原则提取模拟电路响应信号最优故障特征，输入SVM进行故障分类识别，并用遗传算法优化SVM核参数。
　　为提高模拟电路故障识别和定位准确率，本文采用小波包提取模拟电路故障特征值，并利用一对多的分类支持向量机进行故障诊断。通过IWO-PSO混合算法优化多核SVM，以便对各种情况下的故障模式进行分类，达到更为准确的诊断结果。
　　1 IWO-PSO改进入侵杂草优化算法
　　入侵杂草优化算法（invasive weed optimization，IWO）是一种模拟自然杂草繁殖过程的群智能优化方法，由Mehrabian[10]在2006年提出，因其结构简单、易于理解和编程，并且涉及参数少、鲁棒性强，从而被成功地应用于诸多领域[11]。该算法應用正态分布的扩散机制，使其全局搜索能力较强，但也存在搜索深度不足的缺陷[12]。
　　2 IWO-PSO优化支持向量机
　　2.1 支持向量机
　　支持向量机（SVM）是以统计学习理论的VC维理论为基础，以结构风险最小化为原则的机器学习方法[15]。支持向量机最初主要是为了解决与分类相关的问题，后来随着支持向量机理论的不断完善与发展，也解决了一些拟合与回归问题。因此根据问题侧重点，支持向量机分为支持向量机分类和支持向量回归两类[16-17]。近年来，支持向量机在算法实现和理论研究方面都取得了相应进展，为避免过学习和维数灾难问题提供了解决方案。对于给定的样本，SVM性能受核函数影响较大。本文主要应用C-支持向量机分类。 　　5 结语
　　本文通过利用IWO-PSO算法优化SVM并结合小波包变换提取故障特征向量，进行模拟电路故障诊断。针对SVM在模拟电路中的诊断效果易受核函数和其参数影响的弊端，提出利用IWO-PSO算法优化多核SVM主要参数的方法。最后通过仿真实例，对PSO算法优化多核SVM、IWO算法优化多核SVM、IWO-PSO算法优化多核SVM 3种方法的诊断结果进行比对，验证了IWO-PSO算法优化SVM的寻优能力，实际仿真运算结果表明，本文提出的IWO-PSO优化SVM模型的故障诊断率更高，验证了本文方法的有效性和可行性。
　　参考文献：
　　[1] 杨士元，胡梅，王红. 模拟电路软故障诊断的研究[J]. 微电子学与计算机，2008，25（1）：1-8.
　　[2] LI F，WOO P Y. The invariance of node-voltage sensitivity sequence and its application in a unified fault detection dictionary method[J]. IEEE Transactions on Circuits & Systems I Fundamental Theory & Applications， 1999， 46（10）：1222-1227.
　　[3] ATLAS L， OSTENDORF M， BERNARD G D. Hidden Markov models for monitoring machining tool-wear[C]. IEEE International Conference on Acoustics， Speech， and Signal Processing， 2000：3887-3890.
　　[4] AMINIAN M， AMINIAN F. A modular fault-diagnostic system for analog electronic circuits using neural networks with wavelet transform as a preprocessor[J]. IEEE Transactions on Instrumentation & Measurement， 2007， 56（5）：1546-1554.
　　[5] 祝文姬，何怡刚. 基于遗传BP网络的模拟电路故障诊断方法及其应用[J]. 计算机辅助设计与图形学学报，2009，21（9）：1283-1289.
　　[6] 何怡刚，祝文姬，周炎涛，等. 基于粒子群算法的模拟电路故障诊断方法[J]. 电工技术学报， 2010，25（6）：163-171.
　　[7] 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， 29（1）：72-74.
　　[8] 宋国明，王厚军，姜书艳，等. 一种聚类分层决策的SVM模拟电路故障诊断方法[J]. 仪器仪表学报，2010，31（5）：998-1004.
　　[9] 孙健，王成华. 基于mRMR原则和优化SVM的模拟电路故障诊断[J]. 仪器仪表学报，2013，34（1）：221-226.
　　[10] MEHRABIAN A R， YOUSEFI-KOMA A. A novel technique for optimal placement of piezoelectric actuators on smart structures[J]. Journal of the Franklin Institute， 2011， 348（1）：12-23.
　　[11] 肖辉辉，段艳明. 基于DE算法改进的蝙蝠算法的研究及应用[J]. 计算机仿真，2014， 31（1）：272-277.
　　[12] MEHRABIAN A R，LUCAS C. A novel numerical optimization algorithm inspired from weed colonization[J]. Ecological Informatics， 2006， 1（4）：355-366.
　　[13] DEB K， ANAND A， JOSHI D. A computationally efficient evolutionary algorithm for real-parameter optimization[J]. Evolutionary Computation， 2002， 10（4）：371-395.
　　[14] VALLE Y D，VENAYAGAMOORTHY G K，MOHAGHEGHI S，et al. Particle swarm optimization： basic concepts， variants and applications in power systems[J]. IEEE Transactions on Evolutionary Computation， 2008， 12（2）：171-195.
　　[15] VAPNIK V， GOLOWICH S E， SMOLA A. Support vector method for function approximation， regression estimation and signal processing[J]. Advances in Neural Information Processing Systems， 1996， 9：281-287.
　　[16] JANG Y， JOVANOVI？ M M. A contactless electrical energy transmission system for portable-telephone battery chargers[J]. IEEE Transactions on Industrial Electronics， 2003， 50（3）：520-527.
　　[17] KIM C G， SEO D H， YOU J S， et al. Design of a contactless battery charger for cellular phone[J]. IEEE Transactions on Industrial Electronics， 2001， 48（6）：1238-1247.
　　[18] ZHOU W，MA H. Design considerations of compensation topologies in ICPT system[C]. IEEE Applied Power Electronics Conference and Exposition， 2007：985-990.
　　（責任编辑：江 艳）
转载注明来源:https://www.xzbu.com/8/view-14771285.htm