基于CBA-SVM 的模拟电路故障诊断方法研究

时间：2024-05-04

王强马国坪

（甘肃省古浪县职业中等专业学校甘肃省古浪县 733100）

电子产品已经成为我们生活、工作与学习当中非常重要的设备。随着科学技术的发展与进步，电子设备结构越来越复杂，精密度也越来越高，电子设备在为我们工作与生活提供更好地服务的同时如果电子设备中的电子元件出现故障，并且故障没有得到及时诊断和处理，就会带来很大影响。所以，电路故障的诊断尤为重要。智能诊断的运用可以提升电路故障诊断效率，方便维修人员可以第一时间找出故障原因，并采取有效措施解决故障，恢复电子设备的正常使用，延长其使用寿命。

1 电路相关阐述

电路是电子器件中对工业电能进行转化和控制的电路，见图1。电路作为电子器件的一部分，传统电路有着相应的旋转元件和部件，因此也被称为变流电路，而这里所说的电路并没有旋转元件与部件，因此被称之为静止式变流电路。电路共分为两个部分，分别是发电机与电动机，而变流电路与静止式变流电路相对比，静止式变流电路在运行过程中并不会产生很大噪音，磨损情况也很小，运行速度快，而且可以实现自动化控制和生产，也不需要构建专门的地基。静止式变流电路的出现使得变流电路逐渐被取代。通常情况下，由于其效率高、损耗更低的优势，电路被广泛运用于工业电能处理当中。

图1：电路结构图

2 对电路故障实施智能诊断的意义

在互联网背景下，人们对于电子产品的要求也在不断提升。在此背景下，高性能的电子产品在不断更新换代，电子产品的使用离不开电力，电子产品性能与使用频率的增加必然会增加其电力负荷，当电子产品长期处于超负荷运转状态使就很容易出现故障。以往电子产品故障后都需要人工凭借专业知识与经验进行诊断，如果专业知识有限、经验不足就难以第一时间找到故障根源。因此，传统人工故障诊断会制约电子产品的快速发展，对于智能诊断的需求也不断增加。智能诊断技术的运用可以实现电路故障的智能诊断，诊断效率和准确率都高于人工检测，且降低了故障诊断成本，能够全范围诊断故障。

目前多应用基于神经网络、极限学习机、支持向量机等模拟电路故障诊断技术，这些方式内，支持向量机应用优势最为显著，能够很好的解决小样本、非线性、高纬度等问题，得到了广范围应用。实验结果表明，参数选取及优化会影响SVM 性能，当前大多使用万有引力搜索算法（Gravitational search algorithm，简称GSA）、粒子群优化算法（Particle swarm optimization algorithm，简称PSO）、遗传算法（genetic algorithm，简称GA）。这些算法在实际应用中，均存在收敛速度缓慢、易陷入局部最优等问题，基于此，应当对权限SVM 参数优化问题进行全面、积极探索。

剑桥大学学者Yang 于2010 年提出蝙蝠算法（Bat algorithm，简称BA），不少学者认为，其属于全新智能算法，使用性能最佳，在应用期间，可有效解决工程问题。为实现全局寻优性能的提升，本文选择混沌优化算法进行公式与参数更新，获取最佳故障诊断方式，并在实际案例内实施故障诊断，对比不同算法的结果。

3 智能诊断在电路故障的应用

3.1 对电路运行情况进行模拟

电路故障诊断技术在不断发展，智能技术运用于故障诊断当中，解决了很多电路故障诊断中的难题，提高电路故障诊断效率与水平，也一定程度上推动了电子产品的快速发展。当前我们所使用的电子产品与以往电子产品相比，已经呈现出非常大的差别，现在的电子产品对于电子技术的要求更高，技术也更加复杂。为了保障电子产品的电路在使用过程中可以正常工作，很多电子产品生产企业会借助以智能诊断技术来对电路运行情况进行模拟，对模拟过程中的数据和参数进行分析，判断电子产品的使用性能，进而推断出可能会出现的故障，并采取措施进行优化，避免在使用过程中出现故障，提高电子产品质量与使用寿命。因为在产品发售前企业就借助智能检测技术对电子产品电路运行进行了模拟，所以电子产品在使用过程中运行更加稳定，故障发生率也比较低，从而为企业带来更多经济效益，树立品牌口碑。

3.2 构建电路故障信息库

电路故障信息库的构建可以为电路故障诊断工作开展提供参考依据，在智能诊断技术的运用下，通过将电路故障诊断中的数据进行收集，记录电路故障原因及地点。电路故障信息库主要涵盖以下两部分内容，一部分是动态内容，这部分内容主要是记录故障诊断中的结果；另一部分是静态内容，这部分内容主要是记录电路运行中的各项参数与数值。结合这两部分内容可以在电路故障发生时对比参数与数值情况，快速找到故障所在地和原因，提升电路故障诊断效率，见图2。

图2：电路故障信息库流程图

3.3 线路故障诊断

电路故障作为电子产品最容易出现的故障，而电子产品使用频率越来越高，线故障发生的概率也越高。电子产品在使用过程中，电路在换向过程中也会随之产生一定能量，通常情况下这些能量在电路的承受范围内，因此并不会影响电路的正常工作，但是如果能量超出电路最大承受范围，就很容易引发故障，进而导致电子产品无法正常使用。借助智能诊断技术对电路进行模拟计算，帮助我们了解电路承受能量的最大复合，从而对电路进行控制，提升短路运行安全。

4 支持向量机和蝙蝠搜索算法

4.1 支持向量机

支持向量机以最小结构风险为准则，在分类要求基础上，确保分类样本距离超平面为最优超平面。

（x, y）i=1, ..., n, x∈R, y∈{1, -1}为假设样本集，第i个样本空间输入值为x，第i 个样本输出值为y，数据线性可分，在求解最优超平面问题时，其约束条件主要包括：

4.2 蝙蝠算法

自然界中，蝙蝠进行猎物搜索时，多选择回波定位的方式，蝙蝠算法也为该原理，就工程内的问题，一般要求蝙蝠算法满足相应的假设，如下所示：

借助回波定位，进行距离探测，辨别周围情况及距离。

在x上以v飞行，f为固定频率，λ 为变化波长，搜寻猎物响度A，结合与猎物的距离，调节发射脉冲波长、频率，脉冲发射速率，动态化调整，区间范围为r∈[0,1]；

假设响度是从最大值A（正值）向最小值A（常数）变化。

混沌优化能够借助混凝映射特性（随机性与遍历性），优化算法内的随机变量，避免算法处于局部最优。基于式子（5）、式子（6）能够得知，蝙蝠速度、蝙蝠位置更新，需要声波频率f的支持，在式子（4）上，声波频率f更新变化，在参数β 实现。传统蝙蝠算法内，区间[0，1]内，β 均匀随机分布，将混沌优化策略引入，可改善这类分布不具备便利性特点的情况，以此实现参数β 混沌优化，新改进的频率计算式：

式子内，c∈（0,1），且c∉（0,0.25,0.5,0.75,1），a 为常数。

蝙蝠算法的步骤包括：初始化位置、数量、频率及响度，计算蝙蝠个体适应值，详细记录最优解，获取种群之后，计算全局最优解，在Logistic 映射公式基础上，获得混沌因子C，由式子（4）-（6），获得蝙蝠频率、位置及速度，进行局部搜索，在最优解内选择x，产生随机解rand1与rand2，假设rand1＞1，则附近按式子（7）产生全新的局部解。若rand2＜A且，f（x（i））＞f（x（i）），则接受这个全新解，根式公式（8）、（9）更新脉冲频度r、A；判断终止条件达到与否，若达到则为全局最优解，若未达到，则反之，转移步骤2。

5 基于CBA-SVM的故障诊断

基于CBA-SVM 的故障诊断过程为：首先，收集、预处理故障数据，选择小波包能量谱为故障特征，获取数据训练集、测试集。其次，选择混沌蝙蝠算法，寻优SVM惩罚参数C、核函数的核宽度σ，优化参数之后，识别正确率最大值，也就是最终的寻优目标，检验测试样本集优化之后的分类器，其流程如图3 所示。

图3：基于蝙蝠算法优化SVM 流程

6 故障诊断实例

为检验本文方案的有效性，本文开展实例分析，选择某型雷达导引头测试系统自检模块比例积分电路故障为例，见图4，选择PSPICE 软件建模电路，仿真故障。

图4：病例积分电路原理

6.1 故障设定和特征提取

本实验仅仅考虑单一故障，假设电路内的元件数值高、低正常数的50.0%,在容差允许的范围内，假设其他元件不变，电阻通查5.0%、电容为10.0%，则元件为通查范围内，电路的状态无任何的异常。

分析灵敏度之后，获得R↑、R↓、R↑、R↓、R↑、R↓、C↑、C↓、NF（无故障）几类故障模式，↑为高故障值，↓为低故障值，均为称值50.0%下的故障状态。OrCAD10.5软件仿真故障模式下，在电路输入端增加1V 幅度，10μs 脉冲激励属于持续时间，50 次分析后获取Monte Carlo 响应曲线，也就是一种故障，获取50 个样本，在此模式下实施分析，获得采样数据，将数据导入到MATLAB 内，训练支持向量机与测试支持向量机各为25 次。

本实验故障能量谱特征为小波包，这类提取形式，能够在能量守恒基础上，实施多尺度分解，可将信号频段细化，计算出不同频段的能量数值，以此实现电路故障模拟。

比如：某故障模式下，对数据分解3 层db3 小波包，提取低频、高频系数之后，重构小斜包系数，经过计算后，获取对应的频带信号能量，归一化处理后，获得特征向量，故障模式下包含50 个样本，样本内故障包含7 种属性。