点对主分量分析算法的模拟电路故障诊断研究

陈博文，李志华，黄颖（河海大学 能源与电气学院，江苏 南京211100）

点对主分量分析算法的模拟电路故障诊断研究

陈博文，李志华，黄颖
（河海大学 能源与电气学院，江苏 南京211100）

针对利用领域覆盖算法（Neighborhood Covering Algorithm，NCA）解决模拟电路故障诊断过程中出现的故障诊断率不高的问题，文章采用一种改进的领域覆盖算法称之为点对主分量分析算法（Double Points Principal Component Analysis Algorithm，DPCAA）进行模拟电路故障诊断，首先通过对待诊断的模拟电路的可测点采用幅频特性技术进行故障特征提取，然后构建点对主分量分析算法的三层神经网络进行模拟电路故障诊断。为了验证该方法的可行性，本文最后对某一个带通滤波电路进行模拟电路故障诊断，对该电路的故障诊断率提高了2.22个百分点。

模拟电路；故障诊断；覆盖算法；点对主分量分析算法

雷达是一个应用广泛的复杂系统，一旦雷达系统出现故障，可能出现难以预料的后果，造成巨大的损失，因此对雷达故障的定位和快速排除就显得非常重要。研究表明，在电路故障中模拟电路部分比较容易发生故障，所以模拟故障诊断技术是当前课题研究的重点，也是确保复杂的电路系统正常运转的关键技术。传统模拟电路故障诊断方法基本都是采用模拟电路诊断方程或者是精确的数学模型，这样会出现计算复杂的情况，并且模拟电路的元器件很多都有离散性与非线性的特点，这样就很难处理由于该电路模型的复杂导致的数据量大的问题，所以传统的模拟电路故障诊断方法已经很难适用。20世纪40年代出现的神经网络经过60多年的发展已经发展的相当的成熟，而且较好应用于模拟电路故障诊断，该方法的实质是使用人工神经网络技术去拟合实际的模拟电路方程，从而达到故障诊断的目的。20世纪90年代以来，张玲教授先深入剖析了神经网络的机制，创造性的提出了多层反馈的神经网络的FP学习算法和综合算法，主要包括多层反馈的神经网络的FP学习算法和前馈网络的FP学习算法这两种学习算法，在1998年后她相继提出了领域覆盖算法、交叉覆盖算法和核覆盖算法等一系列算法，但是其中领域覆盖算法存在隐含层神经元个数较多，网络泛化能力差，网络的识别精度不高的问题。后来张燕萍提出的点对主分量分析的算法，很好的解决了网络的识别精度不高的问题，她将该算法运用于股票预测方面，而本文则将该方法运用到模拟电路故障诊断方面。点对主分量分析算法是对于领域覆盖算法的改进，其的基本任务是从许多特征中找出那些最有效的特征，提高领域覆盖算法的网络的识别率。该算法最主要是引入了点对的概念将覆盖领域的中心点与覆盖领域的外最近距离的异类点构成点对，然后计算出点对每个属性分量差的绝对值之和，删除属性分量的绝对值之和较小的属性，然后对测试样本进行测试，直至故障诊断正确率下降为止。

1 点对主分量分析算法

模拟电路的故障诊断模型原理上也就是将各个故障进行分类，第一步通过对模拟电路加载激励并且选择电路合适的可测点，然后保存发生该故障时的幅频响应的故障特征值；第二步归一化处理该故障特征，将处理完的故障特征分为训练样本和测试样本；第三步采用点对主分量分析的算法进行故障分类处理，最后得出结论。流程图如图1所示。

图1 模拟电路故障诊断模型

点对主分量分析算法是对领域覆盖算法的一种改进。基于领域覆盖算法的神经网络就是把样本集S= {S1，S2，…，Sk}的k类分类问题转换成在样本空间构造覆盖簇{Ci}的问题，让每个覆盖Ci只盖住同类样本点且满足∪Ci=S。构造第k类样本的Sj覆盖领域的过程是：先对训练样本任取一个未被覆盖的样本点a∈Sk，计算得出其中公式中的d1和 d2为d1（k）=max{〈a，x〉|x∉Sj}，d2（k）=min{〈a，x〉|x∈Sj，〈a，x〉＞d1（k）}，以a作为中心，作以θ为半径领域覆盖。然后将已得到的覆盖簇为C1，C2，…，Cn，构建三层神经网络，其中隐含层取n个神经元，并且每个神经元为一个覆盖，将第i个神经元的激励函数作为Ci的特征函数。输出层取k个神经元，将第i个神经元的输入作为领域覆盖第i类点的输出，它的激励函数为“或”门连接。这样的三层神经网络的领域覆盖算法就可以对S进行分类。点对主分量分析算法主要在领域覆盖算法里面加入了点对的概念，其具体的算法流程如下：

第一步：设训练样本集为X，每个样本有n维属性，对样本集X运用领域覆盖算法求出一组覆盖领域Cj（j=1，2，…，s）。

第二步：令W=Ø，j=1指定ε的值，其中ε＞0。

第三步：判断Cj的领域半径是否小于ε，若是则取领域覆盖的中心点与覆盖领域外最近的异类点，构成点对，加入集合W；否则判断j的值是否等于s，若是进入第四步，否则j=j+1，返回第三步。

第四步：计算出以上点对的每个属性各分量的绝对值之和yi（i+1，…，n），将yi的值从大到小排序，删除样本中X个m值yi相对较小的属性，其中m＜n，形成新的样本属性集X。

第五步：对新的样本集X求覆盖领域Cj’（j′=1，…，S′），设计出新的分类器，对测试样本也进行相应的属性删减，并进行故障错误率测试，判断样本测试的错误率是否下降，若是令n←n-m，S←S′，返回第二步；否则恢复被删除的样本中m个相对较小的yi所对应的属性，并且记录错误率，算法结束。

2 模拟电路故障诊断

文中采用具体的电路来说明该方法的可行性。我们在Pspice软件中搭建带通滤波器如图2所示，并对该带通滤波器加载激励，并且将OUT输出端作为电压输出端。将电路中各个元器件标称值设置成如图2所示，其中我们把电阻的容差和电容的容差设置为5%。当所有的元器件在各自设置的容差范围变化时，视为正常运行状态，当元器件参数范围偏离标称值的15%～35%时，即为软故障状态。为了找出各个元器件对带通滤波器中心频率以及带宽的影响程度，我们对电路中所有的元器件都进行灵敏度分析，最终选取了元器件R1、R2、C2、C4作为待诊断元件，而且把每个元件分为了增大与减小两种软故障状态，分别↑、↓使用代表4个元器件的值高于和低于标称值的两种软故障，而且每种故障电路状态下的其他正常元器件在其容差范围内波动。

2.1 提取故障特征

精准的故障特征是准确判断故障的来源，因而提取故障特征是故障诊断中很重要的步骤。我们采用的故障特征提取方法是幅频特性故障特征提取具体实现步骤如下：

Step1利用Pspice软件对电路的各个电路情况进行交流分析和100次蒙特卡罗分析，其中将故障元件参数设置成软故障，其余正常元件参数设置成在其容差允许范围内。在输出点2 kHz到20 kHz频点之间对元件的软故障最明显，且包含了大部分的故障特征，因此我们可以在这个区段内采样，选取3、4、5、6、7、8、10、13、20（单位均为kHz），这些频点的电压数据，使用这些数据建立特征向量。

图2 仿真电路

Step2使用Matlab读入采样数据，并对数据进行归一化处理保存至文本文件《幅频归一化数据》。

按照此过程对待诊断元器件进行100次蒙特卡罗分析，一共可以得到900组幅频特征向量，一起组成该状态电路的故障特征集。将每种电路状态采集得到的100组故障特征幅频特征向量中的70组数据作为训练样本，剩余的30组数据作为测试样本。2.2 点对主分量分析算法分类

将得到的样本集的处理结果进行构建基于点对主分量分析的三层神经网络故障诊断的模型。文中对于点对主分量分析算法中的参数设置如下m= 1，ε=15.92，得到的159个覆盖领域，再依据故障特征向量的维数和状态个数确定其三层神经网络结构为9-159-9。我们利用构建好的点对主分量分析覆盖算法的三层神经网络模型，然后将30组的测试输入特征向量输入，即可得到诊断结果。文章对图2所示的带通电路分别使用领域覆盖算法的三层神经网络和点对主分量分析算法的三层神经网络这两种方法故障进行故障诊断，它的诊断的故障结果如表1所示。

表1 故障诊断

从上表可知，基于点对主分量分析算法的三层神经网络故障诊断模型的平均故障诊断率和最低故障诊断率均比领域覆盖算法的三层神经网络故障诊断模型要好，从中还可以看到每个元器件的故障诊断率还都有所提升，说明该方法在模拟电路的故障诊断时应用效果更好。

3 结束语

针对利用领域覆盖算法的三层神经网络的模拟电路软故障诊断中，由于故障特征描述不精确，导致故障诊断率不高的问题，文中通过确定点对主分量分析算法确定神经网络的权值、阈值和隐含层个数优化域覆盖算法模型，以此来提高故障诊断率。基于点对主分量分析算法的三层神经网络的实质是确定覆盖算法的神经网络的权值和阈值和求解出的覆盖领域作为三层神经网络的隐含层，测试样本集作为输入，测试样本集的分类结果作为输出。本文基本阐述了点对主分量分析算法的基本思想和算法步骤，并且通过具体电路加以验证。实验结果也表明，该方法可以有效提高模拟电路故障诊断率。

采用点对主分量分析算法对样本特征提取有很好的的效果，网络的识别正确率也有所提升，具备了高维海量数据处理能力与网络的全局优化等优点。点对主分量分析算法也表现出一些不足之处，因为m、ε和初始样本的选取也会影响构造出的的故障诊断率，虽然这方面的工作已经有了一定的进展，但是还不够完善，所以这方面的工作和研究还有待继续深入。

[1]郭珂，伞冶，朱奕.现代模拟电路智能故障诊断方法研究与发展[J].电子设计工程，2012（2）:177-180.

[2]张昭昭.模块化神经网络结构自组织设计方法[D].北京：北京工业大学，2013.

[3]Zhihua LI，A novel fault diagnostic method based on Node-Voltage vector ambiguity sets[J].IEEE Transactions On Instrumentation And Measurement，2014，63（8）：1957-1965.

[4]贾瑞玉，宁再早.粒子群优化覆盖算法[J].计算机工程，2011，21:167-169.

[5]Weng D，Ji S，Chen W，et al.Assessing and mitigating the effects of the ionospheric variability on DGPS[J].GPS Solutions，2015，19（1）:107-116.

[6]韩越，李志华.基于ELM网络的模拟电路故障诊断[J].电子设计工程，2014（19）:93-95.

[7]王万成，张媛，神经网络逆软测量方法的拓展及在生物浸出过程中的应用 [J].仪器仪表学报，2012 （3）:661-669.

[8]WANG Wan-cheng，JIN Xiao-xiao，An optimization tuning method ofnonlinearnon-minimum phase systems and its application to chemical process[C].26th ChineseControl and Decision Conference，CCDC 2014，2014:4929-4935.

[9]李璐怡，李志华.一种基于小波预处理的模拟电路故障诊断方法 [J].电子设计工程，2014（14）: 146-148.

[10]周瑛，牛浏，优化的覆盖算法在文本挖掘中的应用研究[J].电脑知识与技术，2014（33）:8065-8069.

[11]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.

[12]王跃华.覆盖算法性能优化的若干研究及其实现[D].合肥：安徽大学，2013.

[13]徐江燕，李志华，徐江飞，等.基于故障树的专家系统在雷达电源故障诊断中的应用[J].计算机与现代化，2012（4）：212-214.

[14]井田，朱玉琴.多侧面递进算法在机器学习中的应用[J].科技创新导报，2012（11）:149-150.

[15]李晓波.基于覆盖算法的雷达模拟电路故障诊断研究[J].信息技术，2014，10（1）:110-113.

[16]陆晶.基于核覆盖的模拟电路软故障诊断方法[J].信息技术，2016，1（1）:162-166.

[17]刘春卫，罗健旭.基于混合核函数的PSO—SVM分类算法[J].华东理工大学学报：自然科学版，2014 （2）:96-101.

[18]吴涛.基于特征选择的多侧面覆盖算法[J].计算机应用，2011，31（5）：1318-1320.

[19]王长清，黄静.基于协同进化粒子群算法的无线传感器网络节能优化覆盖算法[J].河南师范大学学报：自然科学版，2016（1）:54-58.

Study on fault diagnosis in analog circuits based on double points principal component analysis algorithm

CHEN Bo-wen，LI Zhi-hua，HUANG Ying
（College of Energy and Electrical Engineering，Hohai University，Nanjing 211100，China）

To solve the problem of covering algorithm of neural network about fault diagnosis in analog circuit fault diagnosis process，this paper uses double points principal component analysis algorithm （DPCAA）to solve fault diagnosis in analog circuit.Amplitude-Frequency characteristic is usedas a tool for extracting feature.Then，after training the double points principal component analysis algorithm，the model of the circuit with thefault diagnosis system is built.Simulation results show that the method is more effectiveandfault diagnostic rate is increased by 2.22%.

fault diagnosis analog circuit；fault diagnosis；covering algorithm；double points principal component analysis algorithm

TN99

A

1674－6236（2017）07-0126-04

2016-05-19稿件编号：201605187

陈博文（1992—），男，江苏海门人，硕士研究生。研究方向：人工智能、模拟电路故障诊断。