基于LSSVM-FNFN的模拟电路故障诊断.pdf

总第350期1引言随着电子技术的飞速发展，电子系统慢慢地取代非电系统广泛应用于兵器装备中，极大地提升了装备系统的性能，减小了装备的体积。但电子系统的复杂度却随着集成电路的广泛应用而越来越高，造成系统失效的几率大大增加。据统计，模拟电路虽然在大多数电子系统中所占的比重不大，但在整个系统中，其故障却占了80%1。因此模拟电路的故障诊断方法成为了研究学者关注的重点问题24。现代模拟电路的故障诊断方法从模式识别的角度出发，主要利用先进的人工智能理论，无需建立精确的数学模型，更多地依靠以往的故障数据训收稿日期：2023年2月5日，修回日期：2023年3月17日作者简介：赵力，男，硕士研究生，研究方向：测试性、故障诊断。史贤俊，男，博士，教授，研究方向：自动控制、测试性和故障诊断。秦玉峰，男，博士研究生，研究方向：测试性、故障诊断。基于 LSSVM-FNFN 的模拟电路故障诊断赵力史贤俊秦玉峰（海军航空大学烟台264000）摘要为解决传统故障诊断方法在模拟电路的故障诊断中存在故障定位率低、软故障诊断性弱等问题，提出了一种LSSVM-FNFN的智能诊断方法。参考基于残差评估的诊断思想，设计了基于最小二乘支持向量机（Least Squares SupportVector Machine，LSSVM）的系统残差生成器，并利用高阶统计量作为特征向量，完成了对故障特征的有效提取；借鉴神经网络在模式识别方面的优势，设计了基于泛函模糊神经网络（Functional Neural Fuzzy Network，FNFN）的故障分类器，实现了对不同响应下的输出残差曲线进行故障识别；同时利用改进的粒子群算法优化选取LSSVM参数以及FNFN网络的权值，最后以某型装备的惯性测量组合为例进行实例验证，仿真结果表明，该方法生成的残差包含了丰富的故障信息且高阶统计量特征对故障信息进行了有效的提取，取得了很好的识别效果。关键词最小二乘支持向量机；高阶统计量；泛函模糊神经网络；粒子群算法；故障诊断中图分类号TP206DOI：10.3969/j.issn.1672-9730.2023.08.040Fault Diagnosis of Analog Circuits Based on LSSVM-FNFNZHAO LiSHI XianjunQIN Yufeng（Naval Aviation University，Yantai264000）AbstractAn intelligent diagnosis method of LSSVM-FNFN is proposed to solve the problems of low fault localization rateand weak diagnosability of soft faults in the traditional fault diagnosis method of analog circuits.With reference to the diagnostic ideabased on residual evaluation，a system residual generator based on least squares support vector machine（LSSVM）is designed，andhigh-order statistics are used as feature vectors to complete the effective extraction of fault features.With the advantage of neural networks in pattern recognition，a generalized FNFN（Functional Neural Fuzzy Network）based fault classifier is designed to achievefault identification of the output residual curves under different responses.An improved particle swarm algorithm is proposed to optimize the LSSVM parameters and FNFN network weights，which greatly improves the efficiency of the parameter selection.Finally，an example of a type of equipment the simulation results show that the residuals generated by the method contain rich fault information and the higher-order statistical features can effectively extract the fault information and achieve a good recognition effect.Key Wordsleast squares support vector machine，higher order statistics，functional fuzzy neural network，particle swarm algorithm，fault diagnosisClass NumberTP206舰 船 电 子 工 程Ship Electronic Engineering总第 350 期2023 年第 8 期Vol.43 No.8204舰 船 电 子 工 程2023 年第 8 期练设计出故障分类器，破解了模拟电路的容差和软故障带来的困难56。在国内，王宏力等重点研究了RBF神经网络，利用其诊断快速的特点，解决模拟电路的硬故障诊断问题7；侯青剑为克服小波分析在特征提取中的不足，基于先进的经验模式分解算法，以本征模态函数的能量为故障特征，提出了故障诊断算法，增强了故障特征对电路状态的表达能力8；何星等针对有效采样点法提取故障特征时存在需要人为选点以及维数过高的缺点，引入MID方法对初始样本进行降维，通过与 KPCA 方法相比，MID提取的特征更具有可分离性9。此外，王宏力等鉴于单一特征信息对电路故障信息表达的不完全性，将电路输出电压信息和电源电流信息相融合，极大地提高了故障覆盖率。在国外，Somayajula利用层级法对电路进行分析，通过从每一层交流响应电压波形上选取有效点作为Kohonen神经网络的输入，用于对滤波器电路的故障诊断5。但该方法存在两点不足：一是分层时要求每层电路都有测试点；二是电路规模过大将导致诊断网络结构过于复杂。Ni等通过KPCA进行故障检测并根据相似度函数进行样本的新陈代谢，然后对检测到的故障样本送入SVM分类器中进行识别，同时更新分类模型10。本文设计了基于 LSSVM的残差生成器，并以残差高阶统计量为特征向量，以FNFN网络为分类器，利用改进的粒子群优化算法对LSSVM和FNFN参数进行优化选取，提出了基于残差高阶统计量的故障诊断方法。2LSSVM残差生成器设计及特征提取方法2.1LSSVM基本原理假设有n个样本x1x2xn对应的分类类别为y1y2yn，其中xiRd，yi1-1，i=12n，d为输入空间的维数。LSSVM的特点就是将不等式约束转换成了等式约束，寻优的目标函数变成了如下表达式：min()=12T+12i=1n2i（1）s.t.yi()T()xi+b=1-i（2）定义Lagrangian函数，表达式如下所示：L()ba=12T+12i=1n2i-i=1ni()()T()xi+b-1+i（3）式中：i为拉格朗日a乘子。根据下面的优化条件：L=0Lb=0Li=0Li=0（4）得到如下表达式：=i=1niyi()xii=1niyi=0 i=i（5）定 义K()xixj=()xi()xj，K()xixj是 满 足Mercer条件的核函数。由此将所要优化的问题转化为了求解线性方程组，具体表达式如下：0y1yny1y1y1K()x1x1+1y1ynK()x1xnynyny1K()xnx1 ynynK()xnxn+1b1n=011（6）最后可得到最优分类面为支持向量iyiK()xxi+b=0（7）非线性分类器为f()x=sgn支持向量iyiK()xxi+b（8）2.2基于LSSVM的残差生成器设计假设系统的输入和输出分别为u=u()k u()k-1u()k-my=y()k y()k-1y()k-n（9）式中：mn分别为输入和输出的延迟。记LSSVM的 的 输 入 和 输 出 分 别 为u()k u()k-1u()k-2 y()k-1y()k-2 和y()k，利用系统正常时的数据对LSSVM进行离线训练并实现对系统的建模。然后将LSSVM放入到实际系统中，通过比较得到残差，其原理如图1所示。2.3基于残差高阶统计量的故障特征提取高阶统计量是一种能很好地描述信号统计特征的方法，可以作为特征提取的统计方法11。对于信号x()k，它的前四阶矩定义为mn=Ex()kn=1Nk=1Kx()kn()n=1234（10）式中：N为数据点个数。利用上述得到的前四阶矩，计算信号x()k前四阶零滞后量的累积量，表达式如下：C1=m1（11）205总第350期C2=m2-m21（12）C3=m3-3m2m1+2m21（13）C4=m4-3m22-4m1m312m21m2-6m41（14）式中：C1为均值，C2表示方差，C3表示偏斜度，C4表示峭度。为了减少幅值差异对统计结果带来的影响，本文对信号x()k进行归一化处理，表达式如下：x()k=x()kmax()|x()k（15）然后对x()k进行高阶统计量的计算，并将结果作为故障诊断的特征向量。3基于FNFN的故障分类器设计泛函连接网络最早是在文献 13 中提出的，它是对神经网络的一种有效拓展，其实质就是通过将神经元之间的信号传递设计成指定的函数变换12。本文提出将泛函连接网络与模糊神经网络相结合设计一种智能故障分类器，结构上大致可以分成前件网络和后件网络两大部分，具体如图2所示。第一层：代表输入变量xi()i=12n直接传输到下一层。第二层：模糊化处理，计算表达式为ji=exp-xi-mij22ij（16）其中，ji为本层的输出值，mij与2ij表示高斯隶属度函数的均值和标准差。图1基于LSSVM的残差生成器原理图图2泛函模糊神经网络结构赵力等：基于LSSVM-FNFN的模拟电路故障诊断206舰 船 电 子 工 程2023 年第 8 期第三层：代表规则节点，计算每条规则的适用度，表达式如下：aj=iji（17）其中，aj是本层的输出量，表示第j条规则的适用度。第四层：代表故障语言节点，具体表达式如下：ui=j=1Rajyji（18）其中，R代表模糊规则的总数，ui表示本层神经元的输出，yji代表后件网络的第i个输入变量第j条模糊规则的输出。第五层：代表故障输出节点，计算公式为Oi=uij=1Raj（19）其中，Oi代表FNFN网络最后一层神经元的输出结果。本文设计的FNFN后件网络一共两层，第一层是输入层，采用三角函数作为基函数，以提高输入量的维数。第二层是处理单元，用于匹配对应模糊规则。在本文中采用的是Takagi-Sugeno（T-S）模型，因此Rj的表达形式为如果x1是A1j并且x2是A2j且xn是Anj，那么：yji=k=1NWkjk()xi（20）其中，Aij表示输入变量xi的第j条规则的语言值，Wkj表示基函数（k）与泛函连接网络的第j个输出节点之间的连接权值，k()xi表示输入变量xi的第k个基函数值。4改进的粒子群优化算法Vj()k+1=w*Vj()k+C1jr1()Pjbest()k-Pj()k+C2jr2()Pgbest()k-Pj()k（21）Pj()k+1=Pj()k+Vj()k（22）所有个体都按照式（21）和式（22）来不断更新自身的速度和位置。其中Vj()k+1表示第j个个体的更新速度值，w表示惯性权重，C1j表示第j个粒子的认知学习因子，C2j表示第j个粒子的社会学习因子，r1和r2是0，1之间的随机数，Pjbest()k代表第j个粒子在迭代k次时的最优位置，Pgbest()k表示第j个粒子在迭代k次时在整个种群的最优位置。Pj()k+1表示第j个粒子在迭代k次时的更新位置值，Pj()k是迭代k次时更新前的位置值。除此之外，为了控制粒子在约定的搜索空间中运动，预先设定速度阈值：|Vj|()k+1 vmax（23）按照成年鸟类比幼年鸟类觅食经验更为丰富的原理13，提出了把粒子类型分为成年粒子和幼年粒子，根据粒子类型来判断认知学习因子C1j，计算步骤如下：第1步：计算每个粒子的适应度函数值，本文选择采用均方误差（Mean Squared Error，MSE）作为适应度函数，如式（24）所示。则第j个粒子的适应度函数值f()pj由MSE函数确定。MSE=i=1m()Ti-Oi2n（24）其中Ti表示系统第i个输出值，Oi表示的FNFN估计输出值，n表示输入的总数，m表示输出的总数。第2步：计算整个种群的平均适应度值faver，计算表达式如下：faver=j=1sf()pj()ks（25）其中，k代表迭代次数，s代表整个粒子群的粒子总数。第3步：判断各粒子的类型，如果粒子j的适应度值f()pj()kC1upperthen C1j()k=C1upperif else C1j()k C1lowerthen C1j()k=C1lowerelseC1j()k=C1j()k（28）其中C1upper表示上界，C1lower表示下界，默认设置为C1upper=2.5C1lower=0.5。另外，社会学习因子C2j的计算式子如下：C2j()k=3-C1j()k（29）第 6 步：考虑到粒子容易陷入局部最优的情况，本文在每次迭代时都进行变异的操作，计算表达式如下：ifr20.5then Vij=0.5r1Xmaxelse Vij=-0.5r1Xmax（30）其中Vij表示第j个粒子的第i维速度，r1r2是 0，1 之间的两个随机数，Xmax是整个粒子种群的位置最大值。综上，根据残差生成器设计方法、高阶统计量的特征提取方法以及FNFN分类器的设计方法，可将诊断过程归纳如下：1）电路特性分析。根据待诊断电路频率响应特性分析，确定待诊断电路中对频率响应有较大影响的电路元件及特征频率点。2）残差生成器设计。根据对电路特性的分析结果，在电路正常状态下，选择含有特征频率成分的混合信号对电路进行激励，采集电路的输入输出信号，确定残差生成器的结构，并利用采集的信号数据，选择改进的粒子群算法确定残差生成器的相关参数。3）残差特征提取。在待诊断电路处于不同故障情况下，对待诊断电路施加含有特征频率成分的混合信号，并采集电路输出信号。利用残差生成器产生残差，根据高阶统计量特征算法获取故障特征，并构成故障特征向量。4）FNFN 分类器。根据上述得到的故障特征量，构造训练样本集，根据故障类别数设计合适的FNFN分类器，具体流程图如图3所示。图3基于LSSVM-FNFN的故障诊断过程5实例验证惯性测量组合是现代武器装备控制系统的核心部件，是一种应用惯性仪表构成的惯性测量装置。其主要功能是完成武器装备在飞行过程中相对于惯性空间的线运动和角运动参数的实时测量14。试验电路选择某型惯性测量组合中的一个带通滤波器电路，如图4所示。本文使用PSpice软件环境对电路进行仿真建模与仿真。在输入为1V的频率扫描信号时，其输出端电压的频率响应如图5所示。该带通滤波器电路中的电阻容差为10%，电容容差为5%，通过对该电路中的5个电阻和2个电容进行灵敏度分析发现，电阻R2R3和电容C1C2对电路性能的影响较大。设故障源为带通滤波器电路中的电阻R2R3和电容C1C2且每一次出现单一故障，则共有9种状态（包括电路正常状态），如表1所示。图4带通滤波器电路赵力等：基于LSSVM-FNFN的模拟电路故障诊断208舰 船 电 子 工 程2023 年第 8 期表1电路故障模式设定表电路状态正常R2故障R2故障R3故障R3故障C1故障C1故障C2故障C2故障故障类型故障模式正常超差50%超差-50%超差50%超差-50%超差50%超差-50%超差50%超差-50%故障类别123456789根据电路元件参数变化与电路频率响应曲线之间的影响关系，电路的激励信号选取为频率为10kHz、20 kHz和80 kHz，幅值为1V的3种正弦电压信号之和。通过PSpice仿真，对各故障模式下的电路进行30次Monte Carlo分析，并采集电路的输出信号，可得到电路在9种状态下的270组输出信号。因为信号是周期信号，所以在试验中进行了5个整周期的采样。利用提出的基于LSSVM的残差生成器设计方法，以电路正常状态下，元件参数取标称值时的输入输出数据为依据，对系统进行建模。本文选择使用K()xxi=exp-|x-xi222作为核函数，其核参数为。通过提出的优化算法选取参数，算法参数设置为粒子种群数量为10，和2的搜索范围为 1，1000 和 0.1，10，和2的初始化范围为1，100 和 9，10，vmax为参数和2搜索范围的1/2，C1start和C1end分别设置为0.5和2.5，惯性权重采用线性递减策略从wmax=0.9降到wmin=0.4，迭代次数为200次。通过改进的PSO算法最终确定的LSSVM参数为=997.13，2=0.34。图 6 为建模过程中最优LSSVM参数的进化曲线。图6最优适应度进化曲线将采样的数据作为所建模型的输入信息，可以得到270组残差数据。电路在8种故障模式下，元件取标称值时的残差信号如图7所示，其中图7（a）（h）分别对应故障类别29。由于上述残差信号具有同样的周期性，取残差信号的一个整周期数据，计算高阶统计量，可以得到9种模式的270个残差高阶统计量特征向量，特征维数为4。根据FNFN分类器设计方法，通过改进的粒子群算法对FNFN的网络权值进行优化，算法参数设置如下：粒子种群数量为80，速度阈值vmax=0.9，C1start和C1end分别设置为0.5和2.5，惯性权重采用线性递减策略从wmax=0.9降到wmin=0.4，迭代次数为200次。训练误差变化曲线如图8所示。诊断结果如表2和表3。图5频率响应曲线209总第350期（a）（b）（c）（d）（e）（f）（g）（h）图7不同故障模式下的残差曲线赵力等：基于LSSVM-FNFN的模拟电路故障诊断210舰 船 电 子 工 程2023 年第 8 期由表 2可以看出，9种故障模式中只有模式 1和模式6各出现了一个误分类的情况，总体识别率达到了97.78%，证明了残差生成器设计的合理性和残差高阶统计量特征的有效性。另外，通过改进的粒子群算法对LSSVM和FNFN参数的优选对建模的精确性和故障识别的正确率也起到了十分重要的作用。由表3可以看出，故障的误分类情况主要出现在电路无故障和C1故障的情况下，说明C1所导致的电路故障在电路输出端的影响较其他故障模式不明显，且电路存在容差特性，因此，对电路无故障和C1故障时的识别会出现误诊断的情况。图8训练误差变化曲线表2基于LSSVM-FNFN的诊断实验结果特征维数4样本数量90识别效果正确错误识别率/%故障模式19190210010031001004100100510010069190710010081001009100100识别率/%97.78表3基于LSSVM-FNFN的诊断试验误分类情况故障模式123456789误分类数100001000被误分类的故障模式及数量112345617895结语本文针对传统故障诊断方法存在故障定位率低、软故障诊断性弱、测后计算量大等问题，提出了一种基于LSSVM-FNFN的智能故障诊断方法。主要创新点如下：1）设计了基于 LSSVM的故障残差生成器，并提出了采用高阶统计量的方法完成了对电路故障特征的有效提取。2）借鉴了神经网络在模式识别方面的优势，设计了基于FNFN的故障分类器，实现了根据系统不同响应下的输出残差曲线进行故障识别。3）针对LSSVM参数和FNFN网络权值确定存在的困难，提出了改进的粒子群算法来对参数和权值进行优选，极大地提高了参数选取的效率。4）本文以带通滤波器电路为例进行仿真试验，证明了LSSVM残差生成器设计的合理性和FNFN故障分类器的有效性，取得了很好的识别效果。参 考 文 献1Li F，Woo P Y.Fault detection for linear analog IC-themethod of short-circuit admittance parametersJ.IEEETransactions on Circuits and Systems I：Fundamental Theory and Applications，2002，49（1）：105-108.2刘红，陈光，宋国明，等.基于AdaBoost集成网络的模拟电路单软故障诊断 J.仪器仪表学报，2010，31（04）：851-856.3宋国明，王厚军，姜书艳，等.一种聚类分层决策的SVM模拟电路故障诊断方法 J.仪器仪表学报，2010，31（05）：998-1004.4王佩丽，彭敏放，杨易旻，等.应用模糊最优小波包和LS-SVM 的模拟电路诊断 J.仪器仪表学报，2010，31（06）：1282-1288.5Somayajula S S.A neural network approach to hierarchicalanalog fault diagnosisC/Autotestcon 93.IEEE，1993：699-706.6王承.基于神经网络的模拟电路故障诊断方法研究 D.成都：电子科技大学，2005.7王宏力，冯磊，侯青剑.基于遗传RBF网络的惯性测量组合模拟电路故障诊断 J.中国惯性技术学报，2008（05）：627-630.8侯青剑，王宏力.一种基于EMD的模拟电路故障特征提（下转第235页）211舰 船 电 子 工 程2023 年第 8 期高温度也由原来的 96.59优化为 94.05，降温2.6%。表3优化前后对比原设计优化设计优化百分比质量/kg0.7480.64513.8%最高温度/96.5994.052.6%5结语本文将神经网络和遗传算法引入电子设备结构优化领域，建立了电子设备结构多目标优化模型，提出了基于BP-GA电子设备结构优化方法，该方法综合了正交试验法、软件仿真与智能计算相结合，并在某电子设备散热结构多目标优化问题中得以应用验证。结果表明，该优化方法合理可行、准确性高，提高了电子设备结构设计优化效率，可为其他设备的结构优化设计提供参考。参 考 文 献1戈进飞.军用电子设备结构设计“六性”分析 J.电子机械工程，2015，31（2）：1-6.2张波，张莉，王宏伟，等.电子水阀结构优化仿真及其试验研究 J.机电工程，2021，38（11）：1410-1416.3李维天，张育栋，董阳阳.液冷机箱的流道优化设计与散热性能研究 J.舰船电子工程，2022，42（7）：174-178.4房建斌，赵宇博，张欣.某机载电子设备托架结构优化设计及动力学分析 J.电子机械工程，2021，37（02）：13-16.5袁军行，王平安，朱善璋.浮空器抓手结构优化设计 J.舰船电子工程，2022，42（6）：194-198.6邱成悌，赵惇殳，蒋全兴.电子设备结构设计原理 M.南京：东南大学出版社，2001：1-5.7孙晓辉，丁晓红.结构多目标拓扑优化设计 J.机械设计与研究，2012，28（4）：1-4.8陈金峰，杨和振，蒋如宏，等.知识工程在船舶结构优化设计中的应用 J.舰船科学技术，2012，34（3）：59-64.9孙喜龙，王登峰，荣宝军，等.响应面法在汽车侧面结构多目标优化中的应用 J.机械科学与技术，2022，41（7）：1039-1047.10何文思，李宏权，张晨浩，等.基于人工神经网络的机动雷达探测能力评估研究 J.舰船电子工程，2022，42（8）：89-93.11殷晓伟，张瑞乾，陈勇.径向基函数近似模型在车门轻量化中的应用 J.机械设计与制造，2022（8）：22-27.12苏志强.基于Icepak的某电子设备散热设计 J.舰船电子对抗，2020，43（3）：126-128.13林海飞，翟雨龙，李树刚，等.基于正交设计的“固-气”耦合相似材料力学与渗透特性试验研究 J.煤炭学报，2016，41（3）：672-679.取方法 J.系统工程与电子技术，2009，31（06）：1525-1528.9王宏力，何星，陆敬辉，等.基于固定尺寸序贯极端学习机的模拟电路在线故障诊断 J.仪器仪表学报，2014，35（04）：738-744.10Ni J，Zhang C，Yang S X.An adaptive approach basedon KPCA and SVM for real-time fault diagnosis ofHVCBsJ.IEEE Transactions on Power Delivery，2011，26（3）：1960-1971.11丁国荣，王文波.基于变分模态分解和高阶统计量的梯级故障诊断研究 J.计算机测量与控制，2021，29（03）：42-47.12Y Pao.Adaptive pattern recognition and neural networksJ.Choice Reviews Online，1989.13Cai X.A new modified pso based on black stork foragingprocess C/2009 8th IEEE International Conference onCognitive Informatics.IEEE，2009：509-513.14戴邵武，徐胜红.惯性技术与组合导航 M.北京：兵器工业出版社，2009.（上接第211页）235