基于优化AdaBoost-SVM的模拟电路故障诊断

刘洋 华壁辰 张侃健 魏海坤

摘要：为提高含容参元件模拟电路软故障的诊断率，并考虑到单分类器分类精度的提升已达到了一个瓶颈，提出一种优化AdaBoost-SVM算法并将其应用于模拟电路故障诊断中。以 OrCAD/PSpice软件中对电路进行Monte-Carlo分析的数据为基础，选取特征时，采用对时频信号中易直接测量的物理量归一化后组合的方式。实验结果表明，通过选取的组合特征向量，利用优化的AdaBoost-SVM算法，构造出具有差异度的SVM分类器并集成后，能够自适应地提升单SVM分类器性能，表现出更好的分类精度与泛化性能，能较好地满足容差模拟电路软故障诊断要求。

关键词：AdaBoost;支持向量机;集成學习;模拟电路;故障诊断

DOI：10.11907/ejdk.182899开放科学（资源服务）标识码（OSID）：

中图分类号：TP319文献标识码：A 文章编号：1672-7800（2019）010-0130-05

0引言

社会信息化、自动化与智能化发展推动了信息技术、空间技术及新能源技术等诸多技术领域的进步，也使应用于相关领域电子设备的复杂度与密集度不断增长，同时人们对电子设备运行可靠性与稳定性的要求也不断提高。当电子设备出现故障时，要求能及时排查故障，并对电子元器件进行检修和更换。现代电子设备大多为数字电路与模拟电路组成的混合电路，而根据统计，一旦设备发生故障，80%的可能性是由模拟电路部分引起的，因此电子系统可靠性很大程度上取决于模拟电路部分的稳定性，对模拟电路故障诊断领域的研究显得至关重要，并引起了国内外专家学者的广泛关注。

在众多模拟电路故障诊断方法中，传统诊断方法包括故障字典法、概率统计法、元件参数法与故障验证法。近年来，基于人工智能的模拟电路故障诊断方法得到了快速发展，并逐步成为故障诊断的主要研究方向之一。该诊断方法相比于传统研究方法，最大特点是无需提前建立数学模型，从而避免了复杂的公式与数学运算，运用相对灵活，适用场合广泛，具有较好的应用前景。

人工智能诊断方法主要包括神经网络方法、支持向量机（SupportVectorMachine，SVM）方法与专家系统等，特别是支持向量机方法，由于其具有较好的小样本学习能力，可以解决高维数与非线性等实际问题，一定程度上克服了神经网络诊断方法存在的缺点，且泛化能力较强，因此成为继神经网络之后的又一研究热点。

以上方法均是以单分类器为基础进行研究的，而单分类器分类精度的提升已达到了一个瓶颈，很难再有大的提升空间。针对该问题，本文研究基于SVM集成算法的诊断方法，在训练出单SVM分类器的基础上，采用集成学习方式，利用优化的AdaBoost算法对单SVM分类器精度进行提升，由具有差异度的单分类器得到组合分类器。另外从工业应用实际出发，考虑实时性与分类精度要求，对故障特征测量与选取方式进行改进。最后通过与单SVM分类器进行对比实验后得出，本文提出的方法可以提高容差模拟电路软故障诊断精度。

1模拟电路软故障特征提取

模拟电路故障可分为硬故障与软故障，而软故障又占发生故障的绝大多数，当元件参数随着时间或外在环境变化偏离正常取值范围时，即可认为发生了软故障，本文重点研究容差模拟电路软故障诊断。

将数据采集与特征选取作为故障诊断的前提步骤，建立的模型与算法性能都取决于样本特征选取，因此一开始选择合理、有效的特征则显得格外重要。大多数故障诊断在提取特征信号时采用单一测量信号，例如采用单个输出测试点幅频响应的电压幅值，这极易导致不同故障模式无法进行合理区分，从而造成诊断精度偏低的状况。针对该问题，文献提出基于时域特征的故障诊断分析模型，并验证了其有效性。对于电路特征信号的选用，科研人员也进行了相关研究，最终都是以时域和频域特征为基础进行信号选用。本文针对实际工程应用中对实时性的要求，为避免提取特征时复杂的数学运算带来的大量时间消耗，结合文献的特征提取方式，综合选取时频信号中易直接测量的物理量，通过归一化后再组合的方式，作为模拟电路软故障特征。

2SVM集成算法

2.2利用AdaBoost对支持向量机集成

集成学习是机器学习算法中非常强大的工具，可通过构建并结合多个分类器完成学习任务。目前的集成学习算法大致可分为以下两类：Boosting算法与Bagging算法。Boosting算法中最常用的是AdaBoost算法，这是一种自适应迭代算法，包含以下两个核心步骤：权值调整与基分类器组合。AdaBoost算法可提高被前一轮基分类器错误分类的样本权值，并降低分类正确的样本权值，从而使未得到正确分类的样本由于权值的加大，得到后一轮基分类器的更大关注。AdaBoost采用加权多数表决方法，AdaBoost算法性质使得生成的组合分类器相比单分类器具有更高的正确率。

本文利用AdaBoost对支持向量机进行集成，将SVM作为AdaBoost的基分类器，利用多分类算法（SAMME.R）进行分类。该算法步骤具体描述如下：

通过该算法即可构建多个基分类器，对其错分的训练样本通过不断增加权值，并进行迭代训练以提升其分类性能。为了构造具有差异度的SVM分类器，王晓丹等提出变υ-AdaBoostRBFSVM算法，在Wine等数据集上进行测试并取得了良好效果。本文将该方法引入到SVM基分类器训练中，同时利用AdaBoost算法提升SVM基分类器性能，构建并优化SVM集成分类器流程如图1所示。

3故障诊断实例分析

为了便于对研究效果进行对比论证，本文选用ITC97国际标准电路中的Leapfrog Filter电路进行故障诊断实验，以说明本文方法对容差模拟电路软故障诊断的具体过程，并验证该方法的可行性与有效性。

3.1模拟电路单软故障建模

数据生成需要使用OrCAD/PSpicc软件提供的Mon-te-Cado分析功能，该方法首先根据实际情况确定元件参数分布情况，每次分析时，元件值从元件分布规律中随机抽样，每次分析得到的数据不完全相同，以更好地模拟实际条件下容差模拟电路状态的多样性。在运行Mon-te-Cado分析之前，元件必须提前设置偏差分布属性。针对Leapfrog Filter电路，电阻电容分别从专门用于统计分析的元件符号库BREAKOUT中选择RBREAK和CBREAK，同时根据假设，利用模型编辑工具Model Editor對元件建模并设置容差范围、概率分布。电阻和电容模型分别设为R=I DEV/GAUSS 5%和C=1DEV/GAUSS 5%，即独立变化且服从高斯分布。最后建模得到的Leapfrog Filter电路仿真原理如图2所示。

3.2模拟电路故障数据采集

在OrCAD/PSpice软件中，可以把经过Monte-Carlo分析得到的波形数据存储成“.CSV（Comma Separated Files）”文件并导出，然后导入PyCharm中，利用Python进行数据分析与特征提取。本文采集了9种故障模式分别经过500次Monte-Carlo分析的时域信号和频域信号，进行后续特征提取与数据分析。

3.3模拟电路特征提取

本文采集了输出节点响应波形的时域信号和频域信号，把工程中物理意义清晰、易辨别、易直接测量的信号量作为主要特征，在对其合理归一化后进行组合。

3.3.1时域动态特征提取

在经典控制系统中，通常将调整时间、上升时间、峰值时间、超调量、过渡过程时间和振荡次数作为动态性能指标，利用相关指标可以表征出一个系统的快速性和平稳性。借鉴控制系统中的概念，本文仿真时采用时域瞬态分析，将电路输入的激励信号设置为单脉冲电压信号，输出节点的响应可以产生类似二阶系统阶跃响应在欠阻尼状态下的输出波形，得到波形如图3所示。

本文选取的动态时域特征为图3波形中标记的上升时间（t₁）、峰值电压时间（t₂）、最小值电压时间（t₃）、过渡过程时间（t₄）、峰值电压（U_max）和最小值电压（U_min）共6个特征量。

3.3.2频域特征提取

3.4优化SVM集成算法构建

单个SVM只能解决二分类问题，模拟电路故障诊断一般属于多分类问题，需要组合多个SVM求解，常用组合策略有一对一（One-Vs-One，OVO）与一对多（One-Vs-Rest，OVR）准则。本文中SVM基分类器选用策略为OVO准则，核函数为RBF核，该核函数主要包含参数（σ和惩罚参数C两个参数。考虑到对于不稳定的分类器，使用Ada-Boost算法可以改善其分类准确率。如果分类器是稳定的，则AdaBoost对其性能的改善通常很小。本文采用的基分-类器为支持向量机，属于稳定的基分类器，因此在对其进行集成时加入参数扰动机制，本文通过变σ-AdaBoostRBFSVM算法对SVM集成算法进行优化。即惩罚参数C取定值，σ参数由每次迭代训练时样本集的标准差给定，根据训练过程，绘制出迭代次数（基分类器数）与分类准确率关系曲线如图4所示。

由图4可以看出，在经过55次迭代之后，分类准确值基本趋于稳定值96.4%，因此可以初步确定迭代次数（基分类器数）选取55较为合适。

3.5结果比较

为与单SVM分类器性能进行对比，本文将OVO-SVM和OVR-SVM应用于Leapfrog Filter电路的故障诊断，不同算法使用相同的故障特征，每种故障诊断方法进行5次独立故障诊断实验。取相应故障诊断5次训练集与测试集的平均正确率，得到的诊断结果如表3所示。

诊断结果表明，通过变σ参数构造具有差异度的SVM基分类器，利用AdaBoost算法可将多个SVM基分类器组合构成一个强分类器。本文方法在进行故障诊断时的训练准确率和测试准确率相对两种单SVM分类器提升了4%左右，表现出更好的分类性能。

4结语

本文将优化的SVM集成算法应用到含容参元件的模拟电路软故障诊断中，故障特征提取采用时域动态特征与频域特征相结合的方式，既避免了单一测量信号特征提取方法导致的诊断精度偏低的状况，又避免了小波（包）特征提取等方法复杂的求解计算，在工程中更为可靠且易实现。仿真结果表明，基于优化AdaBoost-SVM的方法相比于单SVM分类器，在模拟电路故障诊断精确度与可靠性上获得了一定提升，具备较高的实际应用价值。