陈勇1，张春平2，寇昆湖1，苏艳琴1
（1海军航空工程学院控制工程系，山东烟台264001；2海军航空工程学院训练部，山东烟台264001）
摘要：基于支持向量机( SVM)的故障诊断方法是当前主要的模拟电路故障诊断方法之一，但由传统的二分类SVM组成的故障分类器对新故障模式缺乏处理能力。针对该问题，提出了结合单类支持向量机( OCSVM)和SVM的故障诊断方法。该方法采用OCSVM对故障数据进行检测和初步分类，采用SVM来提高分类性能；最后，采用脉宽调制电路进行故障诊断实验，实验结果说明了所提出的故障诊断方法的有效性。
关键词：故障诊断；模拟电路；支持向量机；单类支持向量机
中图分类号：TP806.3 文章编号：1006 - 2394( 2016) 03 - 0028 - 04
0引言
模拟电路广泛存在于各类电子装备系统中，其故障诊断问题对高效地完成电子装备的维护和维修，保障其可靠运行具有重要的工程意义。由于模拟电路中存在故障建模困难、元器件非线性、参数漂移等特点，模拟电路故障诊断技术一直是学术研究领域的一个研究难点。
随着人工智能技术的兴起，机器学习方法，例如神经网络( Neural Network，NN)和支持向量机(SupportVector Machine，SVM)已成为解决模拟电路故障诊断问题的有效手段。这类方法不需要诊断对象的数学模型，而且能够克服模拟电路中的参数漂移问题。
基于机器学习方法的模拟电路故障诊断本质上属于模式识别问题，即依据电路运行数据特征对故障进行分类。实际工程中，虽然待诊断电路的运行数据可方便地进行采集，但绝大部分数据样本属于正常模式，不同故障模式下的样本量往往很小。因此，模拟电路的故障诊断问题属于小样本条件下的模式识别问题。由于NN采用经验风险最小化准则，在小样本条件下，这种方法的泛化性能难以得到保证。针对NN存在的不足，基于SVM的模拟电路故障诊断方法。SVM是由统计学习理论(StatisticsLearning Theory)发展而来的一种机器学习工具，它采用结构风险最小化准则，有效弥补了经验风险最小化准则在小样本情况下的不足，可获得更好的泛化能力。
在采用SVM进行故障分类之前，首先要利用事先已知的电路运行样本训练SVM分类器。这些用于训练SVM的样本也称为训练集，它包含待诊断电路正常模式下采集到的样本，也包含若干常见故障模式下采集到的样本。以上训练集中包含的模式称为已知故障模式，而实际工作中待诊断电路还可能发生训练集中未包含的故障模式，文中称之为未知故障模式。训练后的SVM分类器将对已知故障模式的样本具有很好的分类性能，但对未知故障模式的样本缺乏处理能力。也就是说，一旦SVM训练完成，即使待测样本不属于已知的故障模式集，SVM都将会判别为某种已知的故障模式。为克服以上问题，本文提出一种SVM和单类支持向量机( One-class SVM，OCSVM)相结合的模拟电路故障诊断方案。
1 SVM及参数优化
SVM分类算法源于二类分类问题，是从线性可分情况下的最优分类超平面提出的，即找到一个超平面，使得它能够尽可能多的将两类数据点正确地分开，同时使分开的两类数据点距离分类面最远（即分类间隔是最大的）。而针对更普遍的非线性可分问题，可通过定义适当的核函数，将输入空间变换到一个高维空间，然后在这个新空间中求取最优线性分类面，从而实现非线性变换。
过非线性函数妒（x）将样本从原空间映射到高维特征空间，在高维特征空间中分类超平面的二次最优化问题为：
a i>0对应的样本点称为支持向量，假设支持向量的数目为m，通常m要小于训练样本个数l。通过求解式(2)可获得最优分类决策函数：
若f（x）>0时，则认为x属于正类；否则，则认为x属于负类。
本文选用如下的高斯函数作为核函数：
大量的实践应用表明，SVM参数C和y对SVM分类性能的影响也比较大，通过选择合适的SVM参数C和y可显著提高SVM的分类性能。本文采用粒子群优化算法（Particle Swarm Optimization，PSO）对参数C和y寻优，以得到性能更优的SVM分类器。
SVM最初是针对二分类问题提出的，而模拟电路故障诊断一般属于多分类问题，需要组合多个二类SVM分类器来构造SVM多分类器。常用的组合方法有3种：-对一SVM、一对多SVM、决策导向无环图SV M。本文采用一对- SVM算法，该方法在Ⅳ类训练样本中构造所有可能的两类分类器，即针对Ⅳ类中的任意两类训练样本训练SVM，结果共构造K=N（N-1）／2个SVM分类器，组合这些两类分类器并使用投票(Max-Wins)法，得票最多的类即为样本点所属的类。
2 OCSVM
OCSVM是一类无监督的学习算法，在异类检测方面有突出优势，常用于数据域描述和孤立点检测等问题。
OCSVM的思想是：假设所有样本
3故障诊断方案
随着模拟电路集成化水平的不断提高，电路的故障类型也在急剧增加。基于SVM的模拟电路故障诊断中，SVM分类器很难通过一次训练就覆盖所有的故障类型，因此要求分类器具有良好的新故障类型检测能力。
本文提出的联合OCSVM和SVM的模拟电路故障诊断方法的框架，如图1所示。该诊断流程描述如下：首先将待测数据送入OCSVM模块，所有OCSVM子分类器判别该数据是否属于本类。然后，判断OCSVM模块输出的结果，若该数据仅属于已知故障类型中的某一类，则直接输出分类结果；若判断该数据属于已知故障类型中的多类（如同时判别为第i，j，k类故障），则将待测数据送人由这些故障类（i，j，k故障类）两两组合而成的SVM模块进行分类，接着对SVM模块中的各子分类器输出进行判断（如采用投票法）以确定诊断结果；若判断该数据不属于已知故障类型中的任何一类，说明检测到新故障，必须通过人工方式进一步确定故障位置，同时连续采集该新故障下的电路数据并训练OCSVM，然后将新的OCSVM子分类器增加到OCSVM模块中，实现分类器故障类型的扩展。
4实验分析
为验证所设计模拟电路故障诊断方法的实际效果，采用脉宽调制电路进行故障诊断实验。该电路的电原理图如图2所示。
为验证本文所提出的联合SVM和OCSVM的故障诊断和检测方法，在电路上设置故障模式如表1所示，并将电路元件C1、C2、R4和R16上的故障作为已知故障，而将R19上的故障作为新故障。实验中利用给实验电路板施加方波激励信号并采集OUTl~OUT5等5个测试点上的响应信号。
在表1中的每个故障模式下，重复进行60次激励施加过程并采集测试点响应信号，以获取每种故障模式下的60个故障样本。在此基础上，对采集到的测试点响应信号进行小波多分辨率分析，以提取故障特征，本实验中采用“db3”小波对响应信号进行5层小波分析。在获取故障样本条件下，将故障样本集中前1/3样本作为训练样本集，以训练SVM和OCSVM模型，将后2/3样本作为测试样本集以进行测试。根据图1所示的模拟电路故障诊断流程，首先将所有测试样本送人训练好的OCSVM模型进行新故障检测，然后将OCSVM检测后的样本送人训练好的SVM模型进行故障诊断。本实验所得到的检测和诊断结果如表2所示。
由实验结果可以看出，在对元件C1、C2、R4、R16上所设置的已知故障进行诊断时，所提出的模拟电路故障诊断方法获得了较高的诊断率。在对电阻R19上设置的两个新故障进行检测时，本文所提方法也能够准确检测出所有的新故障，检测率达到100%。总体来看，所提出的故障诊断方法能够高效地实现已知故障样本的诊断，同时可以准确地检测出新故障样本。
5结论
本文提出了SVM结合OCSVM诊断模拟电路故障的方法，以弥补基于SVM的诊断方法难以检测新故障的不足。通过电路实验对所提出的故障诊断算法进行了验证，结果表明，该故障诊断方法对已知故障类具有良好的分类性能，同时对新故障类也具有良好的故障检测性能。
