粒子群算法優化特征和神經網絡的模擬電路故障診斷

摘 要： 模擬電路受到自身特性和外界環境的影響，故障變化具有非線性、時變性，針對當前模擬電路故障診斷模型的特征和分類器參數不匹配的難題，提出一種粒子群算法選擇特征和神經網絡的模擬電路故障診斷模型。首先對當前模擬電路故障診斷現狀進行分析，指出它們存在的缺陷；然后提取模擬電路故障診斷特征，利用神經網絡作為模擬電路故障診斷分類器；最后采用粒子群算法對模擬電路故障特征與神經網絡參數進行優化，在Matlab 2012平臺進行了仿真實驗。結果表明，該模型的模擬電路故障診斷性能要遠遠優于其他參比模型，具有廣泛的應用前景。

關鍵詞： 模擬電路； 特征選擇； 故障診斷； 神經網絡； 粒子群算法

中圖分類號： TN710.4?34； TP183 文獻標識碼： A 文章編號： 1004?373X（2016）19?0140?04

Abstract： The analog circuit is influenced by its characteristics and external environment， and its fault is non?linear and time?varying. The available fault diagnosis models of analog circuit are difficult to solve the match problem of features and classifier parameters， an analog circuit fault diagnosis model based on particle swarm algorithm optimizing feature and neural network is presented. The current situations of analog circuit fault diagnosis are analyzed， and their shortcomings are pointed out. The features of analog circuit fault diagnosis are extracted. The neural network is used as the classifier of analog circuit fault diagnosis. The analog circuit fault features and neural network parameters are optimized with particle swarm optimization， and simula?ted with Matlab 2012. The results show that the performance of the proposed model is superior to that of other reference models， and has wide application prospects.

Keywords： analog circuit； feature selection； fault diagnosis； neural network； particle swarm optimization

0 引 言

當前電網系統規模不斷增大，各種電路越來越復雜，電路出現故障的概率急劇上升，相對于數字電路，模擬電路工作環境更加復雜，再加上自身特性，模擬電路故障診斷具有更加重要的實際應用價值，一直是電網系統研究中的重點[1]。

國內外學者對模擬電路故障診斷進行了相應的探索和研究，提出了許多有效的模擬電路故障診斷模型[2]。當前模擬電路故障方法主要分為傳統模型和現代模型兩類方法，傳統模型主要有專家系統與灰色理論等[3?4]，屬于線性的模擬電路故障診斷模型，對小規模模擬電路故障診斷效果好，但對于大規模的模擬電路，建模效率低，同時由于模擬電路工作狀態與特征間是一種復雜的非線性關系，傳統模型無法描述其變化特點，故障診斷正確率急劇下降，難以滿足模擬電路故障診斷的實際應用要求[5]。現代模型基于非線性理論進行模擬電路故障診斷建模，主要有神經網絡與支持向量機等[6?7]，現代模型通過自適應學習擬合電路工作狀態與特征間的非線性關系，成為當前模擬電路故障診斷的主要研究方向，其中支持向量機的訓練過程相當耗時，很難滿足模擬電路的故障診斷要求，應用范圍受到一定的限制[8]。神經網絡的學習速度要快于支持向量機，且模擬電路故障診斷結果不錯，尤其是BP神經網絡進行故障診斷時，速度較快，應用最為廣泛[9]。BP神經網絡的模擬電路故障診斷結果與參數相關，如參數選擇不當，則會導致模擬電路故障診斷性能下降[10]。模擬電路的狀態特征同時亦與診斷結果密切相關，然而當前模擬電路故障診斷模型將神經網絡參數與特征選擇問題分開考慮，完全割裂了兩者之間的關系，無法構建高準確率的模擬電路故障診斷模型[11]。

針對當前模擬電路故障診斷中的特征和神經網絡參數不匹配的問題，提出一種粒子群算法選擇特征和神經網絡的模擬電路故障診斷模型（PSO?BPNN）。在Matlab 2012平臺進行了仿真實驗。結果表明，本文提出模型的模擬電路故障診斷性能要遠遠優于其他參比模型。

1 相關理論

1.1 模擬電路工作狀態的特征提取

Step3：更新慣性權重，調整粒子的飛行速度和位置，產生新的粒子群。

Step4：若達到了結束條件，就可以得到模擬電路故障診斷的最優特征子集和最合理的BP神經網絡參數。

Step5：建立模擬電路故障診斷模型，并對待檢測的模擬電路故障進行檢測，根據檢測結果采取相應的措施。

3 結果與分析

為了分析PSO?BPNN的模擬電路故障診斷性能，采用圖2的模擬電路進行仿真實驗，在Matlab 2012平臺下進行編程實現PSO?BPNN，模擬電路故障診斷參比模型為：

（1） 原始模擬電路故障診斷特征，BP神經網絡參數隨機確定的模擬電路故障診斷模型（BPNN1）；

（2） 原始模擬電路故障診斷特征，粒子群算法優化BP神經網絡參數的模擬電路故障診斷模型（BPNN2）；

（3） 粒子群算法選擇模擬電路故障診斷特征，然后隨機確定BP神經網絡參數的模擬電路故障診斷模型（BPNN3）。

共收集100個模擬電路故障診斷的訓練樣本，50個模擬電路故障診斷測試樣本，采用PSO?BPNN對訓練樣本進行學習，所有模型都運行100次，然后統計測試樣本的實驗結果，其平均診斷率和誤診率如圖3，圖4所示，對圖3，圖4的模擬電路故障診斷結果進行對比和分析，可以得到如下結論：

（1） 與BPNN1的實驗結果相比較可以發現，BPNN2獲得了更優的模擬電路故障診斷結果，因為BPNN2采用粒子群算法優化了BP神經網絡參數，使得模擬電路故障診斷率更高，這表明BP神經網絡參數會影響模擬電路故障診斷的結果。

（2） BPNN3的模擬電路故障診斷也要優于BPNN1，這是由于粒子群算法對模擬電路故障特征進行了選擇和優化，得到了對電路故障診斷結果有重要作用的特征子集。

（3） 在所有模擬電路故障診斷模型中，PSO?BPNN的模擬電路故障診斷率最高，誤診率得到了降低，這是由于BPNN2和BPNN3只從一個方面對特征或者BP神經網絡參數進行了優化，沒有同時對它們進行優化，因此不可能建立性能優異的模擬電路故障診斷模型，而PSO?BPNN同時從特征和BP神經網絡參數兩個方面進行優化，因而能夠獲得更加理想的模擬電路故障診斷結果。

4 結 語

傳統模擬電路故障診斷模型僅對特征或者BP神經網絡參數進行優化，易出現特征和分類器參數不匹配的問題，為此提出基于PSO?BPNN的模擬電路故障診斷模型，首先根據Volterra級數提取模擬電路工作狀態的特征，然后采用BP神經網絡作為模擬電路故障分類器，并利用粒子群算法優化特征和BP神經網絡參數，最后進行仿真實驗，仿真結果表明，PSO?BPNN解決了當前模擬電路故障診斷模型存在的局限性，獲得了更高的模擬電路故障診斷率，在模擬電路故障診斷中具有廣泛的應用前景。

參考文獻

[1] 朱大奇.電子設備故障診斷原理與實踐[M].北京：電子工業出版社，2008.

[2] 陳圣儉，洪炳熔，王月芳，等.可診斷容差模擬電路軟故障的新故障字典法[J].電子學報，2006，4（2）：129?136.

[3] 金瑜，陳光福，劉紅.基于小波神經網絡的模擬電路故障診斷[J].儀器儀表學報，2007，28（9）：1600?1604.

[4] 劉本德，胡昌華，蔡艷寧.基于聚類和SVM多分類的容差模擬電路故障診斷[J].系統仿真學報，2009，21（20）：6479?6482.

[5] 黃潔，何怡剛.模擬電路故障診斷的發展現狀與展望[J].微電子學，2004，34（1）：21?25.

[6] 彭敏放，何怡剛，王耀南.模擬電路的融合智能故障診斷[J].中國電機工程學報，2006，26（3）：19?24.

[7] 張超杰，賀國，梁述海.小波變換與主元分析相結合的模擬電路檢測方法[J].哈爾濱工程大學學報，2010，31（5）：570?575.

[8] 劉美容，何怡剛，方葛豐，等.遺傳小波神經網絡在模擬電路故障診斷中的應用[J].湖南大學學報，2009，36（3）：40?44.

[9] 申宇皓，孟晨，張磊，等.基于同步優化的支持向量機模擬電路故障診斷方法研究[J].太原理工大學學報，2010，41（4）：420?424.

[10] 胡清，王榮杰，詹宜巨.基于支持向量機的電力電子電路故障診斷技術[J].中國電機工程學報，2008，28（12）：107?111.

[11] 王承，葉韻，梁海浪，等.基于多頻測試和神經網絡的模擬電路故障診斷[J].計算機工程與應用，2013，49（5）：1?3.

[12] 穆朝絮，張瑞民，孫長銀.基于粒子群優化的非線性系統最小二乘支持向量機預測控制方法[J].控制理論與應用，2010，27（2）：164?168.

[13] 劉羿.蝙蝠算法優化神經網絡的網絡入侵檢測[J].計算機仿真，2015，32（2）：311?314.