基于IWO—PSO優化支持向量機的模擬電路故障診斷

孔夢君 于蓮芝 吳志強

摘 要：為提高模擬電路故障診斷率，提出一種基于IWO-PSO優化支持向量機的電路故障診斷方法。通過對典型電路進行Monte-Carlo分析，提取輸出端時域信號，經小波包提取特征參量，生成樣本數據，再經IWO-PSO改進入侵雜草算法，優化多核SVM參數后建立相應故障診斷模型。實驗表明，該模型能較好實現地電路故障診斷模擬，與已有方法相比，可獲得較高的故障診斷正確率。

關鍵詞：入侵雜草算法；小波包變換；多核SVM；故障診斷

DOI：10. 11907/rjdk. 182353

中圖分類號：TP306+.3 文獻標識碼：A 文章編號：1672-7800（2019）005-0053-05

Abstract： In order to improve the fault diagnosis rate of analog circuits， a circuit fault diagnosis method based on IWO-PSO optimization support vector machine is proposed in this paper. Through the Monte-Carlo analysis of typical circuit， the output time domain signal and the characteristic parameters are extracted by wavelet packet， sample data are generated， and then the multi-kernel SVM parameters through IWO-PSO are optimized to improve the invasive weed algorithm and the corresponding fault diagnosis model is established. The experimental case shows that the fault diagnosis model can achieve the analog circuit fault diagnosis better. Compared with the existing methods， the fault diagnosis model established by this method can achieve higher accuracy of fault diagnosis.

Key Words： invasive weed algorithm； wavelet packet transform； multi-kernel SVM； fault diagnosis

0 引言

近年來隨著集成電路的廣泛應用，數模混合電路占據了重要地位，電路故障也逐漸引起廣泛關注。據統計，雖然數字電路在混合電路中占很大比例，但是80%的故障是由模擬電路造成的[1]。因此，當模擬電路出現故障后，能否準確定位至關重要。在模擬電路檢測過程中，根據電子元件參數值變化，可以將故障分為軟故障和硬故障兩類。其中硬故障主要指電子元件發生短路和開路，而軟故障指電子元器件參數值隨時間或環境的變化發生相應變化，但沒有改變電路基本拓撲結構。硬故障是軟故障的一種特殊情況，因此研究軟故障診斷問題具有實際價值。

關于模擬電路故障診斷的研究較為豐富，文獻[2]研究電路參數與元件參數變化規律，提出基于節點電壓靈敏度序列守恒的診斷原理，實現了模擬電路軟硬故障的統一診斷；文獻[3]研究故障電路中斜率故障模型，降低了元件參數連續變化對模擬電路的影響，但只適用于單故障診斷；文獻[4-5]提出一種融合遺傳算法、小波變換與神經網絡的模擬電路故障診斷方法，將節點電壓通過小波變換提取故障特征，從而減少信號冗余，同時用遺傳算法優化BP神經網絡，提高神經網絡收斂性能。該方法中的測試系統能在實際工程中運用。文獻[6]對文獻[4]的小波變換預處理問題進行改進，采用PSO算法優化BP神經網絡。文獻[7]采用三級小波分解，并用PSO優化RBF神經網絡，對模擬電路進行故障診斷。文獻[8]提出一種支持向量機和模糊聚類結合方法，分析電路故障特征數據空間分布特性，采用多級二叉樹結構的SVM實現故障分級診斷。文獻[9]提出了一種基于mRMR原則和優化支持向量機的模擬電路故障診斷方法，依據mRMR原則提取模擬電路響應信號最優故障特征，輸入SVM進行故障分類識別，并用遺傳算法優化SVM核參數。

為提高模擬電路故障識別和定位準確率，本文采用小波包提取模擬電路故障特征值，并利用一對多的分類支持向量機進行故障診斷。通過IWO-PSO混合算法優化多核SVM，以便對各種情況下的故障模式進行分類，達到更為準確的診斷結果。

1 IWO-PSO改進入侵雜草優化算法

入侵雜草優化算法（invasive weed optimization，IWO）是一種模擬自然雜草繁殖過程的群智能優化方法，由Mehrabian[10]在2006年提出，因其結構簡單、易于理解和編程，并且涉及參數少、魯棒性強，從而被成功地應用于諸多領域[11]。該算法應用正態分布的擴散機制，使其全局搜索能力較強，但也存在搜索深度不足的缺陷[12]。

2 IWO-PSO優化支持向量機

2.1 支持向量機

支持向量機（SVM）是以統計學習理論的VC維理論為基礎，以結構風險最小化為原則的機器學習方法[15]。支持向量機最初主要是為了解決與分類相關的問題，后來隨著支持向量機理論的不斷完善與發展，也解決了一些擬合與回歸問題。因此根據問題側重點，支持向量機分為支持向量機分類和支持向量回歸兩類[16-17]。近年來，支持向量機在算法實現和理論研究方面都取得了相應進展，為避免過學習和維數災難問題提供了解決方案。對于給定的樣本，SVM性能受核函數影響較大。本文主要應用C-支持向量機分類。