机器学习方法及其在电路故障诊断中的应用

李杰

（西安轨道交通公司，陕西西安 710016）

引言

当前，以模拟电子为关键技术的电路已经被应用在越来越多的场景中。其中，电路故障诊断技术一直是保证电路安全、高质量运转的重要基础。随着应用场景的复杂化，电路故障诊断技术不仅需要具有对复杂电路的分析能力，还要保证其在不同应用场景下的通用性。机器学习是一种基于数据驱动的人工智能统计方法，可以在经验总结的基础上对电路故障进行诊断分析。正是这种不依赖于系统、不依赖于模型的优势，使得机器学习方法有效地推动了电路故障诊断技术的进一步应用与发展。

为了把握当前机器学习方法在电路故障诊断中的研究水平，本文首先介绍电路故障诊断技术的分类和原理；其次阐述四种机器学习方法——支持向量机、人工神经网络、模糊分类和隐马尔科夫模型；最后对机器学习方法在常用模拟电路和电力设备中的故障诊断应用实例进行评析。

1 电路故障诊断技术

据统计，电子设备中大部分电路由数字和模拟电路混合组成，但是约80%的故障发生在模拟部分。数字电路故障诊断比模拟电路更容易，因为数字电路的测试规程很明确，且故障种类很有限，不外乎是短路故障、开路故障和卡滞故障等。而在模拟电路中，由于元件的非线性和容限性、故障模型低效性和模糊性、节点的不可访问性和测量的不确定性等特性的制约，使得故障诊断变得非常困难。因此，模拟电路对电路故障诊断技术提出了更高的要求。

通常，模拟电路故障诊断的难点有：1）模拟电路中的信息是以信号形式储存的，信号中的小干扰严重影响模拟电路的性能；2）从物理角度来看，模拟电路中的元件在大多数工作条件下通常是非线性的。以上难点使得模拟电路故障诊断成为一个开放性的课题，或者涉及很广泛的研究领域。

硬故障和软故障是模拟电路中的主要故障类型。硬故障被称为灾难性故障，而软故障被视为参数性故障。相对而言，软故障通常从参数性故障检测入手，使其更难以检测。硬故障很容易被定位、隔离并纠正。从这个角度来看，模拟电路故障诊断有两种方法：一类是试验前仿真，另一类是试验后仿真[1-2]，如图1所示。

试验前仿真方法分为两类：故障字典技术和统计技术[3]。故障字典是一个查找表，由切割的无故障案例和故障案例组成。统计技术则进行大量的仿真，在连续模拟的基础上，建立一个完整的统计数据库。通过这个数据库，可以检测到电路中每个元件出现错误的概率。

图1 模拟电路故障诊断方法分类

试验后仿真方法是在获得测试数据后对电路进行仿真的方法，其目的是将电路故障诊断问题抽象为一个非线性方程，根据获得的测试数据推算非线性方程中的变量和组分参数。试验后仿真方法分为三类：参数辨识法、故障验证法和近似法。

对于复杂电路的故障诊断，考虑到其计算量大、复杂度高等原因，试验后仿真方法将难以实现，而试验前仿真方法则可以有效降低计算量和复杂度，其中基于故障字典技术的机器学习方法被运用到许多复杂电路的故障诊断中。

2 机器学习方法

如前所述，机器学习方法是一种基于试验前仿真的电路故障诊断方法，其利用先前成功或失败诊断的知识来提高电路故障诊断的性能。基于机器学习方法的电路故障诊断方法如图2所示。近些年机器学习方法的研究工作主要集中在支持向量机（Support Vector Machine，SVM）、人工神经网络（Artificial Neural Network，ANN）、模糊分类、隐马尔科夫模型等。

图2 基于机器学习方法的电路故障诊断方法

基于机器学习方法的电路故障诊断方法的主要优点有：1）在线和离线测量计算最小化；2）能够处理容差效应；3）可以将困难问题分解成简单问题；4）鲁棒性和适应性较强。

2.1 支持向量机

支持向量机是一种按监督学习方式对数据进行二元分类的广义线性分类器，其决策边界是对学习样本求解的最大边距超平面。对于线性可分样本，超平面可以将实例分为两类；对于线性不可分样本，要利用非线性变换将原始空间中的实例映射到高维特征空间中。

如前所述，采用支持向量机对模拟电路进行故障诊断属于故障字典技术的范畴。支持向量机分类器可以看作是一种特殊的神经网络，它具有强大的学习、泛化和分类能力，可通过核函数将样本映射到高维空间，使测量空间中的重叠类变得线性可分。Cui等[4]提出了一种利用改进的支持向量机分类器诊断模拟电路的方法，该方法在被测电路上施加输入，然后收集输出响应，最后利用预处理技术对这些响应进行分析，得到特征样本。实验结果表明，该方法使得电路故障诊断性能改善明显。

2.2 人工神经网络

传统人工神经网络具有较浅的结构，这限制了其在电路故障诊断问题中学习复杂非线性关系的能力[5]。针对传统方法的局限性，一类基于深度学习技术的人工神经网络被提出，它在自适应地从原始数据中提取特征和对非线性故障动力学现象进行描述方面具有优异的性能，因此在电路故障诊断领域也受到了广泛的关注[6]。深度置信网络（D e e p B e l i e f Networks，DBN）作为第一个被提出的人工神经网络，在飞机发动机、齿轮箱和往复式压缩机阀门电路的故障诊断中迅速发展[7-8]。

深度置信网络是一种概率生成模型，可以建立一个观察数据和标签之间的联合分布，与传统的判别模型神经网络相对。通过训练其神经元间的权重值，可以让整个神经网络按照最大概率生成训练数据。深度置信网络由多层神经元构成，这些神经元又分为显性神经元和隐性神经元，前者用于接受输入，后者用于提取特征。深度置信网络不仅可以使用来识别特征、分类数据，还可以生成数据，是一种非常实用的电路故障诊断方法。

2.3 模糊分类

模糊分类是一种用来处理不明确项的故障分类智能算法。故障分类分为两个基本步骤：第一步，识别故障，准备故障字典；第二步，通过模糊分类器对故障进行分类。

Kumar等[9]提出了一种基于模拟电路频域分析的单、双软故障诊断新方法。该方法用模糊分类器进行故障分类，不仅适用于不同的单故障和双故障，而且能准确地给出故障分量的估计值。此外，故障字典是利用预先定义的故障模型集生成的，模糊分类器则对不在原始故障模型集中的电路故障诊断模型进行插值和识别。

2.4 隐马尔科夫模型

当电路初始故障发生时，电路性能开始从正常状态下降，但是由于电路早期故障是一种弱软故障，其故障特征变化微弱，因此不易检测。在考虑非线性影响的情况下，一般利用分数阶Volterra相关函数和分数阶小波包变换，采用一种基于隐马尔科夫模型（Hidden Markov Model，HMM）的电路早期故障诊断方法。

隐马尔科夫模型是一种基于时间序列的统计分析模型，在语音识别、故障预测、故障诊断等领域有着广泛的应用[10-11]。此外，隐马尔科夫模型已经被证实能有效地检测模拟电路的初始故障。例如，文献[12]提出了一种利用随机信号分析和高斯混合隐马尔科夫模型对线性电路进行软故障和早期故障诊断的新方法，并通过实验验证了方法的有效性。

3 应用实例分析

3.1 基准双四路滤波器电路故障诊断分析

文献[1]对基准双四路滤波器电路进行了故障诊断分析。假定电阻和电容的公差值分别为5%和10%。为了验证电路故障诊断方法的正确性，采用Multisim软件和Matlab软件实现了电路故障诊断过程。用Multisim软件对模拟电路进行了仿真，用Bode绘图仪得到了被测电路的频率响应。

为每个部件模拟100个软故障，共记录101个频率响应，其中100个用于识别故障等级，1个用于反映部件的标称值。通过数据预处理，实现了电路故障诊断的特征提取，并编制了故障字典。对于被测电路元件的所有故障，采用多项式曲线拟合法，求出了基本多项式系数。

识别故障并编制故障字典是电路故障分类的第一步。电路的输出响应用9阶多项式曲线拟合，故障分类采用10个多项式系数。利用这些系数进行故障分类，取得了较好的效果。第二步是为电路故障诊断设计合适的神经网络。利用Matlab软件的神经网络工具箱设计了用于故障分类的神经网络结构，并对神经网络进行训练，得到了输入层10个节点、输出层1个节点的神经网络。每种神经网络结构对应一个电路部件的故障诊断过程，通过改变隐含层的节点数目，达到最佳的故障分类性能。

3.2 低噪声放大器故障诊断分析

文献[1 2]以0.25μm BiCMOS7RFST Microelectronics Technology的低噪声放大器为案例，选择4个散射参数作为初始诊断测量值。每一个散射参数以100 MHz的步长在1 000 MHz和5 000 MHz之间进行采样，共41个频率点。因此，总共有4×41=164个诊断测量值。

为了便于诊断，故障类型分为：1）短路和开路形式的硬故障；2）软故障。在此基础上，实现基于支持向量机的分类器和回归函数。

分类器用于训练，并使用“过程变化”类进行验证。文献[13]对单一电路故障下诊断流程的通用性进行了评估。

3.3 电力设备及电路的故障分析

现如今随着科学技术的不断发展，电力设备及电路的维护和监控逐渐由人工方式向自动化转变。但在自动化程度较高的电力设备中，由某个电力开关或是器件引起的故障并不易发现，这就容易造成电力设备及电路的损坏，有时甚至造成不可估计的经济损失。当电压波动发生，即电压在一瞬间发生增大或减小时，电力设备及电路会受到冲击，如果没有事先降压或提高电力性能，极有可能造成设备及电路损坏。对电力设备及电路的故障进行准确分析，可以将电压波动及时反馈给设备及电路，提前做好防护。由于复杂的干扰因素过多，因此使用传统方法不仅耗时，而且不够准确，而机器学习方法则可以采集已有电力设备及电路的状态数据，并进行分析，从而实现故障类型的有效诊断[14-15]。

总之，通过以上三个应用实例的评析，读者可以更加准确理解机器学习方法在电路故障诊断中的应用特点。同时，这三个应用实例也说明了机器学习方法能够与电路故障诊断相结合，有效地推动电路故障诊断的进一步发展，使电路，尤其是模拟电路的稳定性和效率得到很大的提升[16-17]。

4 结束语

本文首先介绍了电路故障诊断技术的分类和原理，其次对支持向量机、人工神经网络、模糊分类和隐马尔科夫模型这四种机器学习方法进行了阐述，最后评析了机器学习方法在常用模拟电路和电力设备中的三个故障诊断应用实例。本文分析和研究表明：机器学习方法能够有效地对电路，尤其是模拟电路进行故障诊断。本文为电路故障诊断研究明确了方向，对电路故障诊断的进一步应用和发展具有重要启示意义。