基于SVM的压电式能量收集电路故障预测

李 彬，徐 圣

(武汉理工大学 自动化学院，湖北 武汉 430070)

基于SVM的压电式能量收集电路故障预测

李 彬，徐 圣

(武汉理工大学 自动化学院，湖北 武汉 430070)

针对当前压电式能量收集电路故障预测出现的问题，选择将优化型压电式能量收集电路运行状态参数与支持向量机方法联系起来，并对该能量收集电路的故障进行预测。选取线性负载电阻两端的输出电压当作检测对象，将该电压的平均值和纹波值作为电路运行状态参数，使用支持向量机预测方法解决电路故障预测的问题。测试结果表明，利用支持向量机方法对压电式能量收集电路运行状态参数的预测只有不到5%的误差，可以有效地预测压电式能量收集电路未来某一时刻是否发生故障。

压电式；能量收集电路；运行状态参数；SVM；故障预测

随着便携式电子设备、微型机电系统、无线传感器网络的迅猛发展和各种新型低能耗电子元器件的出现，传统的电池供电系统由于体积大、使用寿命有限及对环境产生污染等缺点，已远远不能满足工业需要。将机械振动能量收集起来储存为电能，并供电给低功耗器件成为当前的热门研究方向[1]。利用压电效应的压电式能量采集器具有输出电压高，所需外围能量控制器件较少，结构简单，易与MEMS集成等优点，但由于受到外部环境的影响，其能量收集电路可能发生故障，导致输出功率异常，因此需要对能量收集电路是否发生故障进行预测。在众多故障预测算法中，神经网络算法[2]、时间序列算法[3]及支持向量机(support vector machine,SVM)[4]等算法运用较多。神经网络算法适合于非线性领域，但该方法存在收敛速度过慢、极易进入局部最优解等问题。在变化比较规律的短期预测情况下使用时间序列算法比较合适，具有使用数据较少、计算量较低的特点，但是该方法对于非线性对象预测的准确度难以保证。SVM算法避免了神经网络算法极易进入局部最优解的缺点，其预测准确度高，需要的样本训练数据较少，而且泛化能力较强。

面向压电式能量收集电路整体故障预测，笔者将SVM算法运用于电路的故障预测，其基本思想为: 选择能反映电路整体运行状态的参数，使用SVM算法预测运行状态参数的变化趋势，解决压电式能量收集电路故障预测的问题。

1 特征性能参数提取

压电式能量收集电路故障诊断属于小样本学习与训练，过多的特征性能参数不仅会增加故障识别的运算量，还会影响故障预测的准确度[5]。所以，需要对压电式能量收集电路故障运行状态参数进行合适的选取。根据特定对象，必须了解电路的结构及功能，选择可以反映此对象运行状态的参数。压电式能量收集电路如图1所示。

图1 压电式能量收集电路

图1中是一个优化型的二次同步开关接口电路，在经典串联型同步电感电路基础上增加了一个变压器作为DC-DC转换器[6]，实验装置中的压电陶瓷PZT受迫振动频率为28 Hz，输出电流大小与振幅正相关。精确控制开关S1、S2和S3的闭合就可以使输出电压在充电500 ms之后达到2.4 V左右并且保持在小范围波动。所以可以检测压电式能量收集电路负载两端的输出电压，计算该电压的平均值及纹波值作为故障预测的重要参数。

由采样定理可得，使R4两端输出电压uo为检测对象，记录示波器上显示的波形数据，由式(1)可计算出uo的平均值Uo为：

(1)

式中：uo(i)为第i个采样点；N为采样点的个数。纹波电压是指uo的交流分量，其大小用峰峰值来表示，可由uo的波形数据得到纹波电压的峰峰值Δu。

2 SVM故障预测算法

SVM是一种新的机器学习方法，由数据学习理论(SLT)推导得来，不仅解决了模糊控制算法难于模型化的问题，同时解决了神经网络容易陷入局部最优的问题，且SVM对于非线性样本具有唯一解，也有高维的模式识别、直观的几何解释和强大的泛化能力，SVM的这些优点使其在电力电子电路故障预测方面发挥着重大作用[7]。

假设给定输入x={x1,x2,…,xn}，i=1,2,…,n，对应输出yi∈{-1,1}，SVM的回归方程可以描述为：

y=wT·x+b w∈Rn,b∈Rn

(2)

式中：w为权重值；b为阈值；Rn为n维实数空间。

两类输出的最大几何空间可表示为：

φ(w)=2/(wTw)

(3)

SVM的目的是通过寻找合适的参数解决二次最优化问题，即：

(4)

式(4)只适应于线性可分的问题，对于线性不可分的问题需要引入惩罚因子ξi以及松弛变量C，因此二次最优化问题又可以表示为：

(5)

由于直接求解二次最优化问题具有一定的难度，根据对偶定理，建立Lagrange方程，引入Lagrange算子αi，新的优化问题变为：

(6)

根据Karush-Kuhn-Tucker定理，最终可得SVM回归函数为:

(7)

3 电路故障预测

选择压电式能量收集电路运行状态参数，得到过去和当前的故障状态参数值，将SVM算法运用于该故障状态数据的处理当中，对数据处理结果进行评估就能够实现压电式能量收集电路的故障预测。具体步骤为: ①根据压电式能量收集电路的运行特点，设定器件参数随时间的变化趋势，时间间隔选取为10 min，并在某时刻对各元器件参数数值进行仿真；②选择负载线性电阻两端的电压uo为检测对象，得到该检测对象的信号数据，计算得到输出平均电压及纹波电压；③重复以上步骤，获取几个时刻点电路运行状态参数数据，当作SVM的训练样本数据；④使用支持向量机的方法，对以后某一时间点对象的运行状态参数实施故障预测；⑤对总体运行状态参数的预测结果进行评估，得出最终结论。

4 电路特征性能参数数据分析

图1中的压电式能量收集电路的元件参数包括压电陶瓷PZT的并联电容C1，储能电容C2、C3，电感L1，内阻R1、R2、R3及负载电阻R4。电路运行状态参数如表1所示。

5 SVM预测结果及故障分析

选取表1中前7个时刻点作为SVM的训练样本，然后对第8个时刻点进行预测，接着将预测得到的第8个时刻点的运行状态数据代替第1个时刻点，构成新的7个训练样本并预测第9个时刻点，按照此方法再预测第10个时刻点的运行状态数据。式(6)中的核函数选择径向基核函数[8]，其参数gam=100，sig2=50，表2给出了各点运行状态参数的预测结果。

表1 电路运行状态参数

表2 运行状态参数预测结果

从表2可以看出，SVM算法对Uo与Δu的预测值误差都不大，均低于5%。该结果表明SVM算法能够有效地对压电式能量收集电路运行状态参数进行预测。对于如何判断压电式能量收集电路是否发生故障，需要设置预测运行状态参数的变化阈值，以便于对该电路是否发生故障进行评估[9-10]。如果Uo偏离标准稳态电压值2.4 V的10%或者Δu大于0.8 V，则可以认为电路将会发生故障，由表2中的运行状态参数可以判断压电式能量收集电路在未来的30 min内不会发生故障。

6 结论

笔者利用SVM算法对压电式能量收集电路进行了故障预测，结果符合预期要求。但SVM核函数的选择影响预测结果，不合适的核函数参数设置会对预测结果产生偏差，这些问题有待进一步研究。

[1] 刘祥建,陈仁文.压电振动能量收集装置研究现状及发展趋势[J].振动与冲击,2012,31(16):169-176.

[2] 苏美玲,邹晓松,何杰.基于BP神经网络的变压器内部故障保护[J].科技视界,2016(10):132-133.

[3] 李瑞国,张宏立,王雅.基于Hermite神经网络的混沌时间序列预测[J].计算机应用与软件,2016(4): 268-272.

[4] 李泽宇,吴文全.基于量子粒子群优化的SVM的模拟电路故障诊断[J].现代电子技术,2016,39(7): 158-160.

[5] 张可,周东华,柴毅.复合故障诊断技术综述[J].控制理论与应用,2015,32(9):1143-1157.

[6] 王玉霞.基于二次同步开关技术的压电振动能量回收接口电路研究[D].南京：南京航空航天大学,2014.

[7] 郎宇宁,蔺娟如.基于支持向量机的多分类方法研究[J].中国西部科技,2010,9(17):28-29.

[8] 罗小平,沈徐辉,杜鹏英.基于距离和径向基核函数的加权KPCA分析[J].控制工程,2012,19(2):214-217.

[9] 张皓然,侯超,李阳,等.关于电子电路故障检测技术研究[J].电子制作,2015(3):224-225.

[10] 刘晓东,史贤俊,廖剑.基于SVM参数优化的模拟电路故障诊断[J].仪表技术,2015(3):23-26.

LI Bin:Assoc. Prof.; School of Automation, WUT, Wuhan 430070, China.

Fault Prediction of Piezoelectric Energy Harvesting Circuit Based on SVM

LIBin,XUSheng

For the current piezoelectric energy harvesting circuit fault prediction problems, which could be optimized piezoelectric energy harvesting circuit operation state parameters and support vector machine (SVM) method, and to estimate the energy collecting circuit fault.Select linear output voltage at the ends of the load resistance as testing object, make the average voltage and ripple values as the running state of the circuit parameters, prediction method by using SVM solved the problem of circuit fault prediction.Test results indicated that using SVM method for piezoelectric energy harvesting circuit operation state parameters had the prediction error rate less than 5%, it could effectively predict that piezoelectric energy harvesting circuit fault occurs at some point of the future.

piezoelectric; energy collection circuit; running status parameters; SVM; fault prediction

2095-3852(2016)06-0760-03

A

2016-05-31.

国家自然科学基金项目(51175395).

TP206；TM919；TM11

10.3963/j.issn.2095-3852.2016.06.025

收稿日期：李彬(1963-), 女, 湖北武汉人，武汉理工大学自动化学院副教授.