引用本文

高明哲, 许爱强, 唐小峰, 张伟. 基于多核多分类相关向量机的模拟电路故障诊断方法. 自动化学报, 2019, 45(2): 434-444. doi: 10.16383/j.aas.2017.c160779

GAO Ming-Zhe, XU Ai-Qiang, TANG Xiao-Feng, ZHANG Wei. Analog Circuit Diagnostic Method Based on Multi-kernel Learning Multiclass Relevance Vector Machine. ACTA AUTOMATICA SINICA, 2019, 45(2): 434-444. doi: 10.16383/j.aas.2017.c160779

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.2017.c160779

关键词

故障诊断，模拟电路，相关向量机，特征约简，分类概率 

摘要

针对模拟电路实际存在的多类故障问题，本文提出一种基于多核多分类相关向量机（Multi-kernel learning multiclass relevance vector machine，MKL-mRVM）的模拟电路故障诊断方法.所提方法能够在故障数据所在的原始特征空间上建立多个非线性核，在构建分类器的同时实现故障特征的约简；同时，基于贝叶斯框架的分类模型还能够给出诊断结果的后验概率.通过两个电路的诊断实验证明了所提方法的优越性和实用性.

文章导读

当前, 模拟电路广泛应用于通信、控制、导航等电子系统中, 随着对电子系统可靠性需求的不断提高, 模拟电路的故障诊断技术也已成为当前电路测试领域的研究热点[1].统计数据表明, 在数模混合的复杂电子系统当中, 超过80%的元件故障发生在模拟电路部分[2], 然而模拟电路的故障诊断技术却发展缓慢, 难以达到实际应用的需求.导致这种现象的原因主要有: 1)模拟电路的故障现象十分复杂, 任何一个元件的参数超出容差就属故障, 各类软、硬故障及多重并发故障导致了模拟电路的故障状态是无限的, 故障特征可以是连续的[3-4]; 2)模拟电路的输入—输出关系十分复杂, 电路响应与元件参数往往呈非线性映射关系, 且电路中还存在非线性元件, 使得实际应用中很难建立电路响应的精确数学模型[1, 4-5]; 3)由于各类因素的影响, 模拟电路非故障元件的实际参数值会在标称值上下随机波动, 加之元件的非线性表征误差、测试误差等, 使得诊断过程困难重重[1, 4-6].

为解决上述关键问题, 近年来国内外许多学者对模拟电路的故障诊断方法开展了研究, 研究成果主要集中于模拟电路的故障特征提取和故障模式分类这两个关键环节上.在现阶段故障特征提取的研究中, 模拟电路常用的故障特征主要有: 1)在被测电路(Circuit under test, CUT)的内部测试节点直接测量节点电压作为故障特征[2, 6-8]; 2)通过直流和交流分析从CUT的时频响应中提取的故障特征, 包括峰值增益及对应的频率和相位[9]、直流输出电压和3 dB截止频率等[10]; 3)通过信号处理得到的小波特征[1, 11-12]、信号包络特征[5]及其他高阶统计量特征(如峰度、偏度、熵值等)[1, 13-14].在故障模式分类的研究中, 基于机器学习的故障分类方法是当前研究最多的方向, 所用到的算法主要有:反向传播神经网络(Backward propagation neural network, BPNN)[4, 9, 14]、径向基网络(Radial basis function network, RBFN)[15]、支持向量机(Support vector machine, SVM)[4, 16-17]、超限学习机(Extreme learning machine, ELM)[18]等.此外还有基于故障编码[5]、类间距离[19]、贝叶斯法[16]等的故障分类器.然而, 上述故障诊断方法存在三点不足: 1) SVM、神经网络等分类算法的输出仅仅是故障样本对应的故障类别标签, 无法输出其他诊断信息, 如故障样本属于各故障类别的概率; 2)在高维特征样本的分类器设计中, 故障特征的维数约简与分类器建模是分离进行的, 这样就存在约简后输入到分类器的特征与该分类器可能不是最佳匹配的问题[20]; 3)诊断实验中采用的故障多样性较少, 难以代表实际应用中模拟电路的故障状况[4].

2001年Tipping[21]提出的相关向量机(Relevance vector machine, RVM)是一种基于贝叶斯框架的机器学习算法, 相比SVM具有参数设置简单、稀疏度更高、概率式输出、基函数不受Mercer条件限制等优点.但最初的RVM和SVM一样是为二分类问题设计的, 在多分类问题中需要建立多个RVM分类器. 2010年牛津大学的Psorakis等[22]在传统RVM的基础上提出了直接多分类相关向量机(Multiclass relevance vector machine, mRVM), 通过采用Multinomial probit函数代替传统RVM中的Logistic sigmoid函数从而将单个模型的二分类推广到多分类, 并且能够给出分类结果的后验概率.此外, 鉴于RVM具有良好的稀疏性, 文献[20, 23-24]提出利用RVM进行特征约简, 通过将线性核建立在原始特征空间并对特征维进行幂变换扩展, 使之能对特征空间进行稀疏, 从而得到最适合该RVM分类器的特征向量.然而幂变换扩展虽然保证了分类性能, 但增加了模型训练的复杂度.

本文针对模拟电路故障诊断中的关键问题, 提出了一种基于多核多分类相关向量机(Multi-kernel learning multiclass relevance vector machine, MKL-mRVM)的模拟电路故障诊断方法.所提方法沿用了文献[4]中的故障诊断实施框架, 首先, 通过故障注入技术来生成实际应用中可能出现的各类电路故障; 然后, 从频率响应中提取出用于诊断的最小模糊度特征(Minimum ambiguity features, MAF); 最后, 采用MKL-mRVM算法进行故障模式分类, MKL-mRVM能够对所提取的MAF的每一维建立非线性核, 在保持原有分类能力的同时, 通过约束核系数实现原始特征空间的稀疏化, 得到一组更适合该分类器的稀疏特征向量, 同时基于贝叶斯框架的MKL-mRVM还能够给出诊断结果的后验概率. Sallen-Key带通滤波电路和Biquad低通滤波电路是国际上最常用的两个验证诊断方法性能的基准电路, 本文以这两个电路作为对象, 验证所提方法的实用性.

本文的主要安排如下:第1节介绍了MKL-mRVM算法原理及训练流程, 并分析了算法的计算复杂度; 第2节介绍了模拟电路大规模故障诊断的实施框架, 包括故障电路仿真、特征提取和故障分类的实现; 第3节将所提方法应用到两个CUT的故障诊断实验中, 并与其他方法进行了对比; 第4节对文章进行了总结.

图 1  多核组合原理图

图 2  MKL-mRVM模型结构示意图

图 3  诊断实施框架示意图

本文提出了一种基于MKL-mRVM的模拟电路故障诊断方法, 相比已有方法, 本文方法的主要贡献有: 1)通过故障注入生成了参数连续的软故障和各类硬故障, 并考虑了非故障原件的参数容差, 使故障样本更贴合实际情况; 2) MKL-mRVM能够约简原始故障特征, 减少冗余信息, 使得故障诊断结果的准确度更高; 3)基于贝叶斯框架的MKL-mRVM分类算法能够给出诊断结果的置信度.然而模拟电路的故障诊断是一个复杂的问题, 本文所提方法在应对大规模故障诊断时依然达不到理想的诊断精度, 诊断结果依然存在着较多的模糊组, 并且MKL-mRVM用于诊断时的训练时间较长, 下一步的研究工作可集中于提高MKL-mRVM的训练效率.

作者简介

许爱强

海军航空工程学院科研部教授.主要研究方向为电子信息系统的测试与故障诊断技术.E-mail:hy_xuaiqiang@163.com

唐小峰  

海军航空工程学院科研部博士研究生.分别于2007年和2010年获得国防科技大学航天工程学士学位和武器系统与运用工程硕士学位.主要研究方向为电路的测试、故障建模和故障诊断.E-mail:vivorimage@126.com

张伟  

海军航空工程学院科研部博士研究生.分别于2012年和2014年获得海军航空工程学院信息与通信工程学士学位和硕士学位.主要研究方向为核方法, 电子设备的智能故障诊断.E-mail:hjhy1989@163.com

高明哲  

中国人民解放军91054部队工程师.分别于2011年、2013年和2017年获得海军航空工程学院信息与通信工程学士学位、硕士学位和博士学位.主要研究方向为模式识别, 电子设备的故障诊断与预测.本文通信作者.E-mail:mac7872@163.com