人工魚(yú)群算法選擇特征和加權(quán)的模擬電路故障診斷

摘 要： 為了準(zhǔn)確跟蹤模擬電路故障的變化特點(diǎn)，提出一種人工魚(yú)群算法選擇特征和加權(quán)的模擬電路故障診斷模型。首先根據(jù)Volterra級(jí)數(shù)獲得模擬電路狀態(tài)的原始特征集，然后采用相關(guān)向量機(jī)作為模擬電路故障的分類(lèi)器，采用人工魚(yú)群算法選擇重要特征子集，并賦予每一個(gè)特征合理權(quán)值，最后將該模型應(yīng)用于某一模擬電路故障中。結(jié)果表明，人工魚(yú)群算法可以準(zhǔn)確得到最優(yōu)特征子集，模擬電路故障平均超過(guò)95%，而且其性能要顯著優(yōu)于經(jīng)典模型。

關(guān)鍵詞： 模擬電路； 特征選擇； 特征加權(quán)； 人工魚(yú)群算法

中圖分類(lèi)號(hào)： TN710.4?34 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 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(xiàn)代電子技術(shù)的迅速發(fā)展，模擬電路的規(guī)模越來(lái)越大，故障出現(xiàn)的概率增加，而且電氣參數(shù)具有漂移性和電子器件的非線(xiàn)性特性，當(dāng)前模擬電路故障診斷面臨巨大的挑戰(zhàn)[1?3]。

傳統(tǒng)模擬電路故障診斷為專(zhuān)家方法，相關(guān)領(lǐng)域?qū)＜腋鶕?jù)自己的知識(shí)和經(jīng)驗(yàn)對(duì)模擬電路故障進(jìn)行分析，對(duì)于小規(guī)模模擬電路，可以快速實(shí)現(xiàn)故障診斷結(jié)果[4?5]，對(duì)于大規(guī)模模擬電路，專(zhuān)家自己的知識(shí)和經(jīng)驗(yàn)有限，診斷費(fèi)用高且正確率低[6]。隨后有學(xué)者采用神經(jīng)網(wǎng)絡(luò)對(duì)大規(guī)模模擬電路進(jìn)行建模與故障診斷，神經(jīng)網(wǎng)絡(luò)具有適應(yīng)學(xué)習(xí)能力，可以對(duì)大規(guī)模模擬電路狀態(tài)變化進(jìn)行擬合，獲得了比專(zhuān)家方法更優(yōu)的模擬電路故障診斷結(jié)果[7?9]。神經(jīng)網(wǎng)絡(luò)是一種要求訓(xùn)練樣本大的機(jī)器算法，由于要采集大量的模擬電路狀態(tài)數(shù)據(jù)，使得模擬電路故障診斷成本過(guò)高，應(yīng)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(yú)群算法（Artificial Fish Swarm Algorithm，AFSA）選擇特征和加權(quán)的模擬電路故障診斷模型（AFSA?RVM），仿真結(jié)果表明，AFSA?RVM的模擬電路故障診斷正確率達(dá)95%以上，其性能要顯著優(yōu)于當(dāng)前經(jīng)典模型。

1 相關(guān)理論

1.1 人工魚(yú)群算法

設(shè)人工魚(yú)群所處位置為：[Xi，Xj]表示視野范圍內(nèi)另一位置，如果[Xj]的食物濃度要優(yōu)于[Xi]的食物濃度，那么該人工魚(yú)群就朝[Xj]的方向前進(jìn)一步，不然重新選擇[Xj，]如果多次仍然還不能找到更優(yōu)的位置，就隨機(jī)前進(jìn)一步，數(shù)學(xué)表達(dá)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(jí)數(shù)提取模擬電路故障的原始特征。

（2） 設(shè)置人工魚(yú)群算法的參數(shù)以及相關(guān)向量機(jī)的參數(shù)。

（3） 初始化人工魚(yú)群，并通過(guò)評(píng)價(jià)函數(shù)估計(jì)每一個(gè)人工魚(yú)的位置優(yōu)劣。

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

（5） 采用相關(guān)向量機(jī)對(duì)每一個(gè)特征進(jìn)行建模，得到它們相應(yīng)的模擬電路故障診斷結(jié)果，并通過(guò)診斷結(jié)果設(shè)置合理的權(quán)值。

（6） 根據(jù)最優(yōu)特征子集和最優(yōu)權(quán)值對(duì)模擬電路的訓(xùn)練樣本進(jìn)行處理，采用相關(guān)向量機(jī)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(shù)據(jù)

為了使AFSA?RVM的診斷結(jié)果具有說(shuō)服力，選擇三種對(duì)比模型，它們具體為：

（1） 原始特征+相向量機(jī)的診斷模型（RVM1）；

（2） 人工魚(yú)群算法選擇特征、不加權(quán)+相向量機(jī)的診斷模型（RVM2）；

（3） 人工魚(yú)群算法加權(quán)、不選擇特征+相向量機(jī)的診斷模型（RVM3）。

3.2 結(jié)果與分析

AFSA?RVM與RVM1，RVM2，RVM3的模擬電路故障診斷結(jié)果見(jiàn)表2。

從表2可以得到如下結(jié)論：

（1） RVM1的故障診斷結(jié)果最差，這是由于原始模擬電路的特征數(shù)量過(guò)高，特征之間有干擾，對(duì)RVM的訓(xùn)練和建模產(chǎn)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?yàn)镽VM1和RVM2對(duì)特征進(jìn)行選擇或者加權(quán)，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(tài)。

（3） AFSA?RVM的模擬電路故障診斷性能要優(yōu)于RVM1和RMV2，診斷正確率分別提高了9.45%和6.58%，平均值達(dá)到95%以上，很好地滿(mǎn)足了模擬電路故障診斷的要求，這主要是因?yàn)椴捎萌斯~(yú)群算法對(duì)特征進(jìn)行了選擇和加權(quán)，有利于相關(guān)向量機(jī)擬合特征向量與故障類(lèi)型之間的聯(lián)系，驗(yàn)證了ASFS?RVM的優(yōu)越性。

4 結(jié) 語(yǔ)

模擬電路的工作環(huán)境多樣，工作狀態(tài)變化具有時(shí)變性，提取原始特征數(shù)量多，有許多無(wú)用、冗余特征，對(duì)模擬電路故障診斷結(jié)果產(chǎn)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(yīng)用實(shí)例表明，AFSA?RVM獲得了理想的模擬電路故障診斷結(jié)果，而且模擬電路故障診斷結(jié)果優(yōu)于當(dāng)前其他模型，具有更高的實(shí)際應(yīng)用價(jià)值。

參考文獻(xiàn)

[1] 黃潔，何怡剛.模擬電路故障診斷的發(fā)展現(xiàn)狀與展望[J].微電子學(xué)，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(jì)算機(jī)工程與應(yīng)用，2010，46（26）：11?13.

[3] 張繼軍，馬登武，王琳.基于改進(jìn)HMM的模擬電路早期故障識(shí)別和診斷[J].計(jì)算機(jī)工程與應(yīng)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(guó)電機(jī)工程學(xué)報(bào)，2006，26（3）：19?24.

[5] 張超杰，賀國(guó)，梁述海.小波變換與主元分析相結(jié)合的模擬電路檢測(cè)方法[J].哈爾濱工程大學(xué)學(xué)報(bào)，2010，31（5）：570?575.

[6] 彭敏放，何怡剛，王耀南.基于神經(jīng)網(wǎng)絡(luò)與證據(jù)理論的模擬電路故障診斷[J].電路與系統(tǒng)學(xué)報(bào)，2005，10（1）：35?39.

[7] 廖薇，許春冬，劉錦高.基于神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷研究[J].微電子學(xué)與計(jì)算機(jī)，2010，27（5）：125?128.

[8] 何爾利，翟正軍.基于退火B(yǎng)P 神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷方法[J].計(jì)算機(jī)測(cè)量與控制，2010，18（1）：67?70.

[9] 唐靜遠(yuǎn)，師奕兵，周龍甫，等.基于交義熵方法和支持向量機(jī)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(lèi)與SVM 診斷模擬電路單軟故障的方法[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2008，20（5）：612?617.

[11] 吳月萍，杜奕.改進(jìn)的人工魚(yú)群算法的參數(shù)分析[J].計(jì)算機(jī)工程與應(yīng)用，2012，48（13）：48?52.

[12] 馬登武，范庚，張繼軍.相關(guān)向量機(jī)及其在故障診斷與預(yù)測(cè)中的應(yīng)用[J].海軍航空工程學(xué)院學(xué)報(bào)，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.