SVM結(jié)合OCSVM診斷模擬電路故障
相關(guān)鏈接： 中國安全網(wǎng) 中國質(zhì)量網(wǎng) 中國論文網(wǎng) 中國資訊網(wǎng)
陳勇1，張春平2，寇昆湖1，蘇艷琴1
（1海軍航空工程學(xué)院控制工程系，山東煙臺(tái)264001；2海軍航空工程學(xué)院訓(xùn)練部，山東煙臺(tái)264001）
摘要：基于支持向量機(jī)( SVM)的故障診斷方法是當(dāng)前主要的模擬電路故障診斷方法之一，但由傳統(tǒng)的二分類SVM組成的故障分類器對(duì)新故障模式缺乏處理能力。針對(duì)該問題，提出了結(jié)合單類支持向量機(jī)( OCSVM)和SVM的故障診斷方法。該方法采用OCSVM對(duì)故障數(shù)據(jù)進(jìn)行檢測和初步分類，采用SVM來提高分類性能；最后，采用脈寬調(diào)制電路進(jìn)行故障診斷實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果說明了所提出的故障診斷方法的有效性。
關(guān)鍵詞：故障診斷；模擬電路；支持向量機(jī)；單類支持向量機(jī)
中圖分類號(hào)：TP806.3 文章編號(hào)：1006 - 2394( 2016) 03 - 0028 - 04
0引言
模擬電路廣泛存在于各類電子裝備系統(tǒng)中，其故障診斷問題對(duì)高效地完成電子裝備的維護(hù)和維修，保障其可靠運(yùn)行具有重要的工程意義。由于模擬電路中存在故障建模困難、元器件非線性、參數(shù)漂移等特點(diǎn)，模擬電路故障診斷技術(shù)一直是學(xué)術(shù)研究領(lǐng)域的一個(gè)研究難點(diǎn)。
隨著人工智能技術(shù)的興起，機(jī)器學(xué)習(xí)方法，例如神經(jīng)網(wǎng)絡(luò)( Neural Network，NN)和支持向量機(jī)(SupportVector Machine，SVM)已成為解決模擬電路故障診斷問題的有效手段。這類方法不需要診斷對(duì)象的數(shù)學(xué)模型，而且能夠克服模擬電路中的參數(shù)漂移問題。
基于機(jī)器學(xué)習(xí)方法的模擬電路故障診斷本質(zhì)上屬于模式識(shí)別問題，即依據(jù)電路運(yùn)行數(shù)據(jù)特征對(duì)故障進(jìn)行分類。實(shí)際工程中，雖然待診斷電路的運(yùn)行數(shù)據(jù)可方便地進(jìn)行采集，但絕大部分?jǐn)?shù)據(jù)樣本屬于正常模式，不同故障模式下的樣本量往往很小。因此，模擬電路的故障診斷問題屬于小樣本條件下的模式識(shí)別問題。由于NN采用經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化準(zhǔn)則，在小樣本條件下，這種方法的泛化性能難以得到保證。針對(duì)NN存在的不足，基于SVM的模擬電路故障診斷方法。SVM是由統(tǒng)計(jì)學(xué)習(xí)理論(StatisticsLearning Theory)發(fā)展而來的一種機(jī)器學(xué)習(xí)工具，它采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則，有效彌補(bǔ)了經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化準(zhǔn)則在小樣本情況下的不足，可獲得更好的泛化能力。
在采用SVM進(jìn)行故障分類之前，首先要利用事先已知的電路運(yùn)行樣本訓(xùn)練SVM分類器。這些用于訓(xùn)練SVM的樣本也稱為訓(xùn)練集，它包含待診斷電路正常模式下采集到的樣本，也包含若干常見故障模式下采集到的樣本。以上訓(xùn)練集中包含的模式稱為已知故障模式，而實(shí)際工作中待診斷電路還可能發(fā)生訓(xùn)練集中未包含的故障模式，文中稱之為未知故障模式。訓(xùn)練后的SVM分類器將對(duì)已知故障模式的樣本具有很好的分類性能，但對(duì)未知故障模式的樣本缺乏處理能力。也就是說，一旦SVM訓(xùn)練完成，即使待測樣本不屬于已知的故障模式集，SVM都將會(huì)判別為某種已知的故障模式。為克服以上問題，本文提出一種SVM和單類支持向量機(jī)( One-class SVM，OCSVM)相結(jié)合的模擬電路故障診斷方案。
1 SVM及參數(shù)優(yōu)化
SVM分類算法源于二類分類問題，是從線性可分情況下的最優(yōu)分類超平面提出的，即找到一個(gè)超平面，使得它能夠盡可能多的將兩類數(shù)據(jù)點(diǎn)正確地分開，同時(shí)使分開的兩類數(shù)據(jù)點(diǎn)距離分類面最遠(yuǎn)（即分類間隔是最大的）。而針對(duì)更普遍的非線性可分問題，可通過定義適當(dāng)?shù)暮撕瘮?shù)，將輸入空間變換到一個(gè)高維空間，然后在這個(gè)新空間中求取最優(yōu)線性分類面，從而實(shí)現(xiàn)非線性變換。
過非線性函數(shù)妒（x）將樣本從原空間映射到高維特征空間，在高維特征空間中分類超平面的二次最優(yōu)化問題為：
a i>0對(duì)應(yīng)的樣本點(diǎn)稱為支持向量，假設(shè)支持向量的數(shù)目為m，通常m要小于訓(xùn)練樣本個(gè)數(shù)l。通過求解式(2)可獲得最優(yōu)分類決策函數(shù)：
若f（x）>0時(shí)，則認(rèn)為x屬于正類；否則，則認(rèn)為x屬于負(fù)類。
本文選用如下的高斯函數(shù)作為核函數(shù)：
大量的實(shí)踐應(yīng)用表明，SVM參數(shù)C和y對(duì)SVM分類性能的影響也比較大，通過選擇合適的SVM參數(shù)C和y可顯著提高SVM的分類性能。本文采用粒子群優(yōu)化算法（Particle Swarm Optimization，PSO）對(duì)參數(shù)C和y尋優(yōu)，以得到性能更優(yōu)的SVM分類器。
SVM最初是針對(duì)二分類問題提出的，而模擬電路故障診斷一般屬于多分類問題，需要組合多個(gè)二類SVM分類器來構(gòu)造SVM多分類器。常用的組合方法有3種：-對(duì)一SVM、一對(duì)多SVM、決策導(dǎo)向無環(huán)圖SV M。本文采用一對(duì)- SVM算法，該方法在Ⅳ類訓(xùn)練樣本中構(gòu)造所有可能的兩類分類器，即針對(duì)Ⅳ類中的任意兩類訓(xùn)練樣本訓(xùn)練SVM，結(jié)果共構(gòu)造K=N（N-1）／2個(gè)SVM分類器，組合這些兩類分類器并使用投票(Max-Wins)法，得票最多的類即為樣本點(diǎn)所屬的類。
2 OCSVM
OCSVM是一類無監(jiān)督的學(xué)習(xí)算法，在異類檢測方面有突出優(yōu)勢，常用于數(shù)據(jù)域描述和孤立點(diǎn)檢測等問題。
OCSVM的思想是：假設(shè)所有樣本
3故障診斷方案
隨著模擬電路集成化水平的不斷提高，電路的故障類型也在急劇增加�；赟VM的模擬電路故障診斷中，SVM分類器很難通過一次訓(xùn)練就覆蓋所有的故障類型，因此要求分類器具有良好的新故障類型檢測能力。
本文提出的聯(lián)合OCSVM和SVM的模擬電路故障診斷方法的框架，如圖1所示。該診斷流程描述如下：首先將待測數(shù)據(jù)送入OCSVM模塊，所有OCSVM子分類器判別該數(shù)據(jù)是否屬于本類。然后，判斷OCSVM模塊輸出的結(jié)果，若該數(shù)據(jù)僅屬于已知故障類型中的某一類，則直接輸出分類結(jié)果；若判斷該數(shù)據(jù)屬于已知故障類型中的多類（如同時(shí)判別為第i，j，k類故障），則將待測數(shù)據(jù)送人由這些故障類（i，j，k故障類）兩兩組合而成的SVM模塊進(jìn)行分類，接著對(duì)SVM模塊中的各子分類器輸出進(jìn)行判斷（如采用投票法）以確定診斷結(jié)果；若判斷該數(shù)據(jù)不屬于已知故障類型中的任何一類，說明檢測到新故障，必須通過人工方式進(jìn)一步確定故障位置，同時(shí)連續(xù)采集該新故障下的電路數(shù)據(jù)并訓(xùn)練OCSVM，然后將新的OCSVM子分類器增加到OCSVM模塊中，實(shí)現(xiàn)分類器故障類型的擴(kuò)展。
4實(shí)驗(yàn)分析
為驗(yàn)證所設(shè)計(jì)模擬電路故障診斷方法的實(shí)際效果，采用脈寬調(diào)制電路進(jìn)行故障診斷實(shí)驗(yàn)。該電路的電原理圖如圖2所示。
為驗(yàn)證本文所提出的聯(lián)合SVM和OCSVM的故障診斷和檢測方法，在電路上設(shè)置故障模式如表1所示，并將電路元件C1、C2、R4和R16上的故障作為已知故障，而將R19上的故障作為新故障。實(shí)驗(yàn)中利用給實(shí)驗(yàn)電路板施加方波激勵(lì)信號(hào)并采集OUTl~OUT5等5個(gè)測試點(diǎn)上的響應(yīng)信號(hào)。
在表1中的每個(gè)故障模式下，重復(fù)進(jìn)行60次激勵(lì)施加過程并采集測試點(diǎn)響應(yīng)信號(hào)，以獲取每種故障模式下的60個(gè)故障樣本。在此基礎(chǔ)上，對(duì)采集到的測試點(diǎn)響應(yīng)信號(hào)進(jìn)行小波多分辨率分析，以提取故障特征，本實(shí)驗(yàn)中采用“db3”小波對(duì)響應(yīng)信號(hào)進(jìn)行5層小波分析。在獲取故障樣本條件下，將故障樣本集中前1/3樣本作為訓(xùn)練樣本集，以訓(xùn)練SVM和OCSVM模型，將后2/3樣本作為測試樣本集以進(jìn)行測試。根據(jù)圖1所示的模擬電路故障診斷流程，首先將所有測試樣本送人訓(xùn)練好的OCSVM模型進(jìn)行新故障檢測，然后將OCSVM檢測后的樣本送人訓(xùn)練好的SVM模型進(jìn)行故障診斷。本實(shí)驗(yàn)所得到的檢測和診斷結(jié)果如表2所示。
由實(shí)驗(yàn)結(jié)果可以看出，在對(duì)元件C1、C2、R4、R16上所設(shè)置的已知故障進(jìn)行診斷時(shí)，所提出的模擬電路故障診斷方法獲得了較高的診斷率。在對(duì)電阻R19上設(shè)置的兩個(gè)新故障進(jìn)行檢測時(shí)，本文所提方法也能夠準(zhǔn)確檢測出所有的新故障，檢測率達(dá)到100%。總體來看，所提出的故障診斷方法能夠高效地實(shí)現(xiàn)已知故障樣本的診斷，同時(shí)可以準(zhǔn)確地檢測出新故障樣本。
5結(jié)論
本文提出了SVM結(jié)合OCSVM診斷模擬電路故障的方法，以彌補(bǔ)基于SVM的診斷方法難以檢測新故障的不足。通過電路實(shí)驗(yàn)對(duì)所提出的故障診斷算法進(jìn)行了驗(yàn)證，結(jié)果表明，該故障診斷方法對(duì)已知故障類具有良好的分類性能，同時(shí)對(duì)新故障類也具有良好的故障檢測性能。
