人工魚群算法選擇特征和加權的模擬電路故障診斷

摘 要： 為了準確跟蹤模擬電路故障的變化特點，提出一種人工魚群算法選擇特征和加權的模擬電路故障診斷模型。首先根據Volterra級數獲得模擬電路狀態的原始特征集，然后采用相關向量機作為模擬電路故障的分類器，采用人工魚群算法選擇重要特征子集，并賦予每一個特征合理權值，最后將該模型應用于某一模擬電路故障中。結果表明，人工魚群算法可以準確得到最優特征子集，模擬電路故障平均超過95%，而且其性能要顯著優于經典模型。

關鍵詞： 模擬電路； 特征選擇； 特征加權； 人工魚群算法

中圖分類號： TN710.4?34 文獻標識碼： A 文章編號： 1004?373X（2016）19?0161?04

Abstract： In order to accurately track the changing characteristics of analog circuit fault， an analog circuit fault diagnosis model based on feature and weighting selection of artificial fish swarm algorithm （AFSA） is put forward. The original feature set of the analog circuit state is obtained according to the Volterra series. The relevant vector machine is adopted as the classifier of the analog circuit fault. The artificial fish swarm algorithm is used to select the important feature subset， and give a rational weight for each feature. The model was applied to a certain analog fault circuit. The results show that the artificial fish swarm algorithm can get the optimal feature subset accurately， the analog circuit fault rate is averagely higher than 95%， and the performance of the model is significantly superior to the classical model.

Keywords： analog circuit； feature selection； feature weighting； artificial fish swarm algorithm

0 引 言

隨著現代電子技術的迅速發展，模擬電路的規模越來越大，故障出現的概率增加，而且電氣參數具有漂移性和電子器件的非線性特性，當前模擬電路故障診斷面臨巨大的挑戰[1?3]。

傳統模擬電路故障診斷為專家方法，相關領域專家根據自己的知識和經驗對模擬電路故障進行分析，對于小規模模擬電路，可以快速實現故障診斷結果[4?5]，對于大規模模擬電路，專家自己的知識和經驗有限，診斷費用高且正確率低[6]。隨后有學者采用神經網絡對大規模模擬電路進行建模與故障診斷，神經網絡具有適應學習能力，可以對大規模模擬電路狀態變化進行擬合，獲得了比專家方法更優的模擬電路故障診斷結果[7?9]。神經網絡是一種要求訓練樣本大的機器算法，由于要采集大量的模擬電路狀態數據，使得模擬電路故障診斷成本過高，應用范圍受限[10]。

為了提高模擬電路診斷精度，提出一種人工魚群算法（Artificial Fish Swarm Algorithm，AFSA）選擇特征和加權的模擬電路故障診斷模型（AFSA?RVM），仿真結果表明，AFSA?RVM的模擬電路故障診斷正確率達95%以上，其性能要顯著優于當前經典模型。

1 相關理論

1.1 人工魚群算法

設人工魚群所處位置為：[Xi，Xj]表示視野范圍內另一位置，如果[Xj]的食物濃度要優于[Xi]的食物濃度，那么該人工魚群就朝[Xj]的方向前進一步，不然重新選擇[Xj，]如果多次仍然還不能找到更優的位置，就隨機前進一步，數學表達式為：

2.3 AFSA?RVM的工作步驟

AFSA?RVM的工作步驟如下：

（1） 采用Volterra級數提取模擬電路故障的原始特征。

（2） 設置人工魚群算法的參數以及相關向量機的參數。

（3） 初始化人工魚群，并通過評價函數估計每一個人工魚的位置優劣。

（4） 模擬人工魚的覓食、追尾、群聚行為，找到人工魚群的最優位置，并進行解碼得到模擬電路的最優特征子集。

（5） 采用相關向量機對每一個特征進行建模，得到它們相應的模擬電路故障診斷結果，并通過診斷結果設置合理的權值。

（6） 根據最優特征子集和最優權值對模擬電路的訓練樣本進行處理，采用相關向量機建立模擬電路故障診斷模型。

3 模擬電路故障診斷的仿真分析

3.1 源數據

為了使AFSA?RVM的診斷結果具有說服力，選擇三種對比模型，它們具體為：

（1） 原始特征+相向量機的診斷模型（RVM1）；

（2） 人工魚群算法選擇特征、不加權+相向量機的診斷模型（RVM2）；

（3） 人工魚群算法加權、不選擇特征+相向量機的診斷模型（RVM3）。

3.2 結果與分析

AFSA?RVM與RVM1，RVM2，RVM3的模擬電路故障診斷結果見表2。

從表2可以得到如下結論：

（1） RVM1的故障診斷結果最差，這是由于原始模擬電路的特征數量過高，特征之間有干擾，對RVM的訓練和建模產生不利影響，難以建立性能好的模擬電路故障診斷模型。

（2） RVM1和RVM2的模擬電路故障診斷正確率要高于RVM，這是因為RVM1和RVM2對特征進行選擇或者加權，使建立的模擬電路故障診斷模型可以更好地描述模擬電路的工作狀態。

（3） AFSA?RVM的模擬電路故障診斷性能要優于RVM1和RMV2，診斷正確率分別提高了9.45%和6.58%，平均值達到95%以上，很好地滿足了模擬電路故障診斷的要求，這主要是因為采用人工魚群算法對特征進行了選擇和加權，有利于相關向量機擬合特征向量與故障類型之間的聯系，驗證了ASFS?RVM的優越性。

4 結 語

模擬電路的工作環境多樣，工作狀態變化具有時變性，提取原始特征數量多，有許多無用、冗余特征，對模擬電路故障診斷結果產生干擾，為此提出一種AFSA?RVM的模擬電路故障診斷模型，具體應用實例表明，AFSA?RVM獲得了理想的模擬電路故障診斷結果，而且模擬電路故障診斷結果優于當前其他模型，具有更高的實際應用價值。

參考文獻

[1] 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.

[2] 王龍，李曉光，周翰遜.模擬電路故障的分布式診斷算法[J].計算機工程與應用，2010，46（26）：11?13.

[3] 張繼軍，馬登武，王琳.基于改進HMM的模擬電路早期故障識別和診斷[J].計算機工程與應用，2014，50（3）：261?264.

[4] 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.

[5] 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.

[6] 彭敏放，何怡剛，王耀南.基于神經網絡與證據理論的模擬電路故障診斷[J].電路與系統學報，2005，10（1）：35?39.

[7] 廖薇，許春冬，劉錦高.基于神經網絡的模擬電路故障診斷研究[J].微電子學與計算機，2010，27（5）：125?128.

[8] 何爾利，翟正軍.基于退火BP 神經網絡的模擬電路故障診斷方法[J].計算機測量與控制，2010，18（1）：67?70.

[9] 唐靜遠，師奕兵，周龍甫，等.基于交義熵方法和支持向量機的模擬電路故障診斷[J].控制與決策，2009，24（9）：1416?1420.

[10] 孫永奎，陳光禹，李輝.模糊聚類與SVM 診斷模擬電路單軟故障的方法[J].計算機輔助設計與圖形學學報，2008，20（5）：612?617.

[11] 吳月萍，杜奕.改進的人工魚群算法的參數分析[J].計算機工程與應用，2012，48（13）：48?52.

[12] 馬登武，范庚，張繼軍.相關向量機及其在故障診斷與預測中的應用[J].海軍航空工程學院學報，2013，28（2）：154?160.

[13] WANG T H， BRAZIL T J. Volterra mapping based behavioral modeling of nonlinear circuits and systems for high frequencies [J]. IEEE transactions on microwave theory and techniques， 2012， 51（5）： 1433?1440.