李杰

（西安軌道交通公司，陜西西安 710016）

引言

當前，以模擬電子為關鍵技術的電路已經被應用在越來越多的場景中。其中，電路故障診斷技術一直是保證電路安全、高質量運轉的重要基礎。隨著應用場景的復雜化，電路故障診斷技術不僅需要具有對復雜電路的分析能力，還要保證其在不同應用場景下的通用性。機器學習是一種基于數據驅動的人工智能統(tǒng)計方法，可以在經驗總結的基礎上對電路故障進行診斷分析。正是這種不依賴于系統(tǒng)、不依賴于模型的優(yōu)勢，使得機器學習方法有效地推動了電路故障診斷技術的進一步應用與發(fā)展。

為了把握當前機器學習方法在電路故障診斷中的研究水平，本文首先介紹電路故障診斷技術的分類和原理；其次闡述四種機器學習方法——支持向量機、人工神經網絡、模糊分類和隱馬爾科夫模型；最后對機器學習方法在常用模擬電路和電力設備中的故障診斷應用實例進行評析。

1 電路故障診斷技術

據統(tǒng)計，電子設備中大部分電路由數字和模擬電路混合組成，但是約80%的故障發(fā)生在模擬部分。數字電路故障診斷比模擬電路更容易，因為數字電路的測試規(guī)程很明確，且故障種類很有限，不外乎是短路故障、開路故障和卡滯故障等。而在模擬電路中，由于元件的非線性和容限性、故障模型低效性和模糊性、節(jié)點的不可訪問性和測量的不確定性等特性的制約，使得故障診斷變得非常困難。因此，模擬電路對電路故障診斷技術提出了更高的要求。

通常，模擬電路故障診斷的難點有：1）模擬電路中的信息是以信號形式儲存的，信號中的小干擾嚴重影響模擬電路的性能；2）從物理角度來看，模擬電路中的元件在大多數工作條件下通常是非線性的。以上難點使得模擬電路故障診斷成為一個開放性的課題，或者涉及很廣泛的研究領域。

硬故障和軟故障是模擬電路中的主要故障類型。硬故障被稱為災難性故障，而軟故障被視為參數性故障。相對而言，軟故障通常從參數性故障檢測入手，使其更難以檢測。硬故障很容易被定位、隔離并糾正。從這個角度來看，模擬電路故障診斷有兩種方法：一類是試驗前仿真，另一類是試驗后仿真[1-2]，如圖1所示。

試驗前仿真方法分為兩類：故障字典技術和統(tǒng)計技術[3]。故障字典是一個查找表，由切割的無故障案例和故障案例組成。統(tǒng)計技術則進行大量的仿真，在連續(xù)模擬的基礎上，建立一個完整的統(tǒng)計數據庫。通過這個數據庫，可以檢測到電路中每個元件出現錯誤的概率。

圖1 模擬電路故障診斷方法分類

試驗后仿真方法是在獲得測試數據后對電路進行仿真的方法，其目的是將電路故障診斷問題抽象為一個非線性方程，根據獲得的測試數據推算非線性方程中的變量和組分參數。試驗后仿真方法分為三類：參數辨識法、故障驗證法和近似法。

對于復雜電路的故障診斷，考慮到其計算量大、復雜度高等原因，試驗后仿真方法將難以實現，而試驗前仿真方法則可以有效降低計算量和復雜度，其中基于故障字典技術的機器學習方法被運用到許多復雜電路的故障診斷中。

2 機器學習方法

如前所述，機器學習方法是一種基于試驗前仿真的電路故障診斷方法，其利用先前成功或失敗診斷的知識來提高電路故障診斷的性能。基于機器學習方法的電路故障診斷方法如圖2所示。近些年機器學習方法的研究工作主要集中在支持向量機（Support Vector Machine，SVM）、人工神經網絡（Artificial Neural Network，ANN）、模糊分類、隱馬爾科夫模型等。

圖2 基于機器學習方法的電路故障診斷方法

基于機器學習方法的電路故障診斷方法的主要優(yōu)點有：1）在線和離線測量計算最小化；2）能夠處理容差效應；3）可以將困難問題分解成簡單問題；4）魯棒性和適應性較強。

2.1 支持向量機

支持向量機是一種按監(jiān)督學習方式對數據進行二元分類的廣義線性分類器，其決策邊界是對學習樣本求解的最大邊距超平面。對于線性可分樣本，超平面可以將實例分為兩類；對于線性不可分樣本，要利用非線性變換將原始空間中的實例映射到高維特征空間中。

如前所述，采用支持向量機對模擬電路進行故障診斷屬于故障字典技術的范疇。支持向量機分類器可以看作是一種特殊的神經網絡，它具有強大的學習、泛化和分類能力，可通過核函數將樣本映射到高維空間，使測量空間中的重疊類變得線性可分。Cui等[4]提出了一種利用改進的支持向量機分類器診斷模擬電路的方法，該方法在被測電路上施加輸入，然后收集輸出響應，最后利用預處理技術對這些響應進行分析，得到特征樣本。實驗結果表明，該方法使得電路故障診斷性能改善明顯。

2.2 人工神經網絡

傳統(tǒng)人工神經網絡具有較淺的結構，這限制了其在電路故障診斷問題中學習復雜非線性關系的能力[5]。針對傳統(tǒng)方法的局限性，一類基于深度學習技術的人工神經網絡被提出，它在自適應地從原始數據中提取特征和對非線性故障動力學現象進行描述方面具有優(yōu)異的性能，因此在電路故障診斷領域也受到了廣泛的關注[6]。深度置信網絡（D e e p B e l i e f Networks，DBN）作為第一個被提出的人工神經網絡，在飛機發(fā)動機、齒輪箱和往復式壓縮機閥門電路的故障診斷中迅速發(fā)展[7-8]。

深度置信網絡是一種概率生成模型，可以建立一個觀察數據和標簽之間的聯(lián)合分布，與傳統(tǒng)的判別模型神經網絡相對。通過訓練其神經元間的權重值，可以讓整個神經網絡按照最大概率生成訓練數據。深度置信網絡由多層神經元構成，這些神經元又分為顯性神經元和隱性神經元，前者用于接受輸入，后者用于提取特征。深度置信網絡不僅可以使用來識別特征、分類數據，還可以生成數據，是一種非常實用的電路故障診斷方法。

2.3 模糊分類

模糊分類是一種用來處理不明確項的故障分類智能算法。故障分類分為兩個基本步驟：第一步，識別故障，準備故障字典；第二步，通過模糊分類器對故障進行分類。

Kumar等[9]提出了一種基于模擬電路頻域分析的單、雙軟故障診斷新方法。該方法用模糊分類器進行故障分類，不僅適用于不同的單故障和雙故障，而且能準確地給出故障分量的估計值。此外，故障字典是利用預先定義的故障模型集生成的，模糊分類器則對不在原始故障模型集中的電路故障診斷模型進行插值和識別。

2.4 隱馬爾科夫模型

當電路初始故障發(fā)生時，電路性能開始從正常狀態(tài)下降，但是由于電路早期故障是一種弱軟故障，其故障特征變化微弱，因此不易檢測。在考慮非線性影響的情況下，一般利用分數階Volterra相關函數和分數階小波包變換，采用一種基于隱馬爾科夫模型（Hidden Markov Model，HMM）的電路早期故障診斷方法。

隱馬爾科夫模型是一種基于時間序列的統(tǒng)計分析模型，在語音識別、故障預測、故障診斷等領域有著廣泛的應用[10-11]。此外，隱馬爾科夫模型已經被證實能有效地檢測模擬電路的初始故障。例如，文獻[12]提出了一種利用隨機信號分析和高斯混合隱馬爾科夫模型對線性電路進行軟故障和早期故障診斷的新方法，并通過實驗驗證了方法的有效性。

3 應用實例分析

3.1 基準雙四路濾波器電路故障診斷分析

文獻[1]對基準雙四路濾波器電路進行了故障診斷分析。假定電阻和電容的公差值分別為5%和10%。為了驗證電路故障診斷方法的正確性，采用Multisim軟件和Matlab軟件實現了電路故障診斷過程。用Multisim軟件對模擬電路進行了仿真，用Bode繪圖儀得到了被測電路的頻率響應。

為每個部件模擬100個軟故障，共記錄101個頻率響應，其中100個用于識別故障等級，1個用于反映部件的標稱值。通過數據預處理，實現了電路故障診斷的特征提取，并編制了故障字典。對于被測電路元件的所有故障，采用多項式曲線擬合法，求出了基本多項式系數。

識別故障并編制故障字典是電路故障分類的第一步。電路的輸出響應用9階多項式曲線擬合，故障分類采用10個多項式系數。利用這些系數進行故障分類，取得了較好的效果。第二步是為電路故障診斷設計合適的神經網絡。利用Matlab軟件的神經網絡工具箱設計了用于故障分類的神經網絡結構，并對神經網絡進行訓練，得到了輸入層10個節(jié)點、輸出層1個節(jié)點的神經網絡。每種神經網絡結構對應一個電路部件的故障診斷過程，通過改變隱含層的節(jié)點數目，達到最佳的故障分類性能。

3.2 低噪聲放大器故障診斷分析

文獻[1 2]以0.25μm BiCMOS7RFST Microelectronics Technology的低噪聲放大器為案例，選擇4個散射參數作為初始診斷測量值。每一個散射參數以100 MHz的步長在1 000 MHz和5 000 MHz之間進行采樣，共41個頻率點。因此，總共有4×41=164個診斷測量值。

為了便于診斷，故障類型分為：1）短路和開路形式的硬故障；2）軟故障。在此基礎上，實現基于支持向量機的分類器和回歸函數。

分類器用于訓練，并使用“過程變化”類進行驗證。文獻[13]對單一電路故障下診斷流程的通用性進行了評估。

3.3 電力設備及電路的故障分析

現如今隨著科學技術的不斷發(fā)展，電力設備及電路的維護和監(jiān)控逐漸由人工方式向自動化轉變。但在自動化程度較高的電力設備中，由某個電力開關或是器件引起的故障并不易發(fā)現，這就容易造成電力設備及電路的損壞，有時甚至造成不可估計的經濟損失。當電壓波動發(fā)生，即電壓在一瞬間發(fā)生增大或減小時，電力設備及電路會受到沖擊，如果沒有事先降壓或提高電力性能，極有可能造成設備及電路損壞。對電力設備及電路的故障進行準確分析，可以將電壓波動及時反饋給設備及電路，提前做好防護。由于復雜的干擾因素過多，因此使用傳統(tǒng)方法不僅耗時，而且不夠準確，而機器學習方法則可以采集已有電力設備及電路的狀態(tài)數據，并進行分析，從而實現故障類型的有效診斷[14-15]。

總之，通過以上三個應用實例的評析，讀者可以更加準確理解機器學習方法在電路故障診斷中的應用特點。同時，這三個應用實例也說明了機器學習方法能夠與電路故障診斷相結合，有效地推動電路故障診斷的進一步發(fā)展，使電路，尤其是模擬電路的穩(wěn)定性和效率得到很大的提升[16-17]。

4 結束語

本文首先介紹了電路故障診斷技術的分類和原理，其次對支持向量機、人工神經網絡、模糊分類和隱馬爾科夫模型這四種機器學習方法進行了闡述，最后評析了機器學習方法在常用模擬電路和電力設備中的三個故障診斷應用實例。本文分析和研究表明：機器學習方法能夠有效地對電路，尤其是模擬電路進行故障診斷。本文為電路故障診斷研究明確了方向，對電路故障診斷的進一步應用和發(fā)展具有重要啟示意義。