基于GSA-SVM的谱仪放大器故障诊断研究*

刘冬梅, 王浩然, 刘 春, 刘志强

(合肥工业大学 电气与自动化工程学院,安徽 合肥 230009)

0 引 言

核辐射探测技术在粒子物理、辐射成像以及核聚变领域有着广泛的应用,主要用于测量x射线,γ射线以及α粒子等高能粒子与射线[1]。核辐射探测系统主要由核辐射探测器、探测器前端模拟电路、模/数转换器(analog to digital converter,ADC)以及数字处理电路组成[2]。其中以金刚石探测器为代表的核辐射探测器主要实现对核辐射的探测并将其转换为输出电流脉冲[3]；探测器前端电路是一个电荷灵敏放大器与谱仪放大器的级联结构,实现对探测器输出的弱电流脉冲的电压—电流转换与高斯成形,前端电路的成型效果直接影响到系统的能量分辨率[4,5]。在探测系统实际运行中,核探测器与数字电路部分的性能稳定，少有故障,主要的故障出现在系统的模拟电路部分,核辐射探测系统的故障诊断主要针对的也是其模拟电路部分。

模拟电路的故障诊断方法的发展分为两个阶段,早期使用的诊断方法主要包括故障字典法、元件参数识别法以及故障验证诊断法等,近年来,随着基于人工智能的机器学习技术的发展,机器学习技术成为了模拟电路故障诊断的主要研究工具[6]。其中应用较多的有模糊神经网络(fuzzy neural network,FNN)[7]、BP神经网络[8]以及支持向量机(support vector machines,SVM)[9]。SVM作为一种基于结构风险最小化(structural risk minimization,SRM)的新型机器学习技术,相比于基于经验风险最小化(empirical risk minimization,ERM)的传统机器学习技术,可以更好地控制分类函数的VC维(vapnik chervonenkis dimension),进而提升分类器的泛化能力,防止过拟合现象。SVM在模拟电路故障诊断这类小样本、高维度且非线性的分类问题上的应用十分广泛[10]。

本文针对核辐射探测系统中易发生故障的谱仪放大器进行故障诊断,采用小波包分解方法提取故障特征信息,并使用引力搜索算法(gravitational search algorithm,GSA)-SVM模型实现基于故障特征信息的故障分类。

1 基于GSA的SVM参数优化

1.1 SVM性能参数

SVM通过核函数将样本投射进一个高维空间,并在此高维空间中寻找最优分类超平面将不同样本尽可能按照最大间隔分开[11]。当样本并非完全可分,需要引入软间隔来缓解该问题。软间隔允许SVM在一些争议样本的分类上出错,优化目标如式(1)

s.t.y·(ω·x+b)≥1-ξi,i=1,…,N

(1)

式中ω为最大间隔超平面的法向量；ξi为松弛变量；b为偏差,C为惩罚参数,决定了SVM对错误样本的惩罚程度,用来实现最大化分类间隔和最小化错误分类样本数之间的折中,是对SVM分类性能有显著影响的参数。

为了解决该凸二次规划问题,引入Lagrange函数和核函数后,利用对偶原则,式(1)转换为式(2)

(2)

式中αi为拉格朗日乘子,K(xi,xj)为核函数。本文选用了具有普适性的高斯径向基核函数,作为SVM的核函数,其函数表达式如式(3)

K(xi,xj)=exp(-g‖xi-yj‖2)

(3)

式中g为核函数参数,控制高斯核的作用范围,是对SVM的分类能力有显著影响的另一个重要参数。针对不同的分类对象,使得SVM分类性能最佳的C与g的参数组合不同,而SVM自身无法实现对C与g的寻优,需要引入其他算法[12]。常用算法有遗传算法(genetic algorithm,GA)、人工鱼群算法(artificial fish swarm algorithm,AFSA)、粒子群优化(particle swarm optimization,PSO)算法、GSA等,本文采用GSA优化SVM参数。

1.2 GSA优化SVM参数

GSA是依据万有引力定律指导各粒子的运动从而在搜索空间中寻找最优解的一种群智能算法[13],具有搜索能力强速度快的优点,适合于进行SVM参数寻优。GSA在进行C与g的参数优化时,首先需要设定搜索空间的范围(C与g的取值范围),粒子种群大小以及迭代次数,并随机设定粒子的初始速度与位置。之后依据式(4)～式(7)对粒子的速度与位置进行迭代,在达到最大迭代次数或满足精度要求后,算法会终止迭代过程并输出寻优结果

(4)

(5)

(6)

(7)

2 谱仪放大器及其诊断方案

2.1 谱仪放大器

核辐射探测系统的结构如图1,谱仪放大器在系统中完成对电荷灵敏放大器输出电压脉冲的放大与高斯成型[2],其输出会经由模/数转换器(analog-to-digital conver-ter,ADC)转换为数字信号进行后续信号处理,谱仪放大器的成型效果直接影响到系统的能量分辨率。

图1 核辐射探测系统

谱仪放大器电路结构如图2所示,前三级是电路的滤波成型部分,第四级是放大部分。作为模拟电路,其故障可分为软故障与硬故障,软故障由器件老化引起,发生时故障元件并未失去作用，但元件值相对于正常值产生较大偏移,其中电阻软故障一般指其阻值相较于标称值增大50 %,电容软故障指其容值相较于标称值减小50 %。软故障相对硬故障特征不明显,加之器件容差的影响,诊断难度要高很多[9]。本文对谱仪放大器的故障诊断主要针对软故障。放大器电路中的不同元件发生软故障时，电路的输出波形会出现相应变化,通过对输出波形进行特征提取可以获取故障特征信息,进而实现故障分类。

图2 谱仪放大器原理

2.2 基于GSA-SVM的诊断流程

以电荷灵敏放大器的输出脉冲作为激励信号驱动谱仪放大器；对正常状态与各软故障状态下谱仪放大器分别进行蒙特—卡洛分析,采集不同故障状态下的输出端电压波形；采用6层小波包分解提取电压波形特征,获得不同故障对应的特征向量,其中小波包分解是一种时频分析方法,可以计算出信号处于不同频带内的能量值；之后，将不同故障对应的特征向量进行归一化处理后，放入训练样本集与测试样本集；最后，GSA-SVM模型会使用训练样本集进行SVM参数寻优与模型训练,并完成对测试样本集中样本的分类。

3 谱仪放大器故障仿真

为了获取谱仪放大器在不同故障状态下的输出电压波形数据,在NI Multisim14.0中搭建了如图3的仿真电路模型,模型包含产生激励信号的电荷灵敏放大器电路以及谱仪放大器电路,其中电荷灵敏放大器由幅值10 mA宽度5 ns的仿核探测器输出电流脉冲驱动。为模拟实际电路情况,谱仪放大器中无源器件均拥有5 %的容差。

图3 仿真电路

电荷灵敏放大器是一种特殊的电流放大器,可以将核辐射探测器输出的低幅值窄脉宽的电流脉冲转换为幅值较高脉宽较大的指数衰减电压脉冲信号[14]。仿真模型中，使用幅值10 mA、宽度5 ns的仿核探测器电流脉冲驱动电荷灵敏放大器,其产生的激励信号波形如图4所示。零时刻对应仿核探测器电流脉冲的触发时刻,放大器输出为一个幅值0.8 V、脉宽80 μs的指数衰减电压脉冲信号。

图4 激励信号波形

在NI Multisim14.0中,使用仿真电路模型对谱仪放大器不同故障状态下的输出进行瞬态分析。图5为电路正常状态下与多种故障状态下的谱仪放大器输出波形,可见不同器件出现故障时其输出的准高斯信号在幅值与形状上均存在区别。因此,对输出信号进行小波包分解获得的不同频带内的能量值包含可区分的特征信息,可以作为诊断依据。

图5 多种故障与正常状态下的谱仪放大器输出波形

4 谱仪放大器故障诊断

4.1 单软故障诊断

设谱仪放大器发生了单软故障,其故障集一共包含13种故障类别。使用仿真电路模型在各故障状态下分别进行80次蒙特—卡洛分析；在MATLAB 2014a中对各故障对应的输出波形进行小波包分解,将提取的特征向量归一化并贴上故障类别标签后转换为SVM可以读取的样本；每种故障类别均得到80个样本,其中40个放入训练样本集,另外40个则放入测试样本集；GSA-SVM模型使用训练样本集进行训练,实现对测试样本集中样本的故障分类。

单软故障诊断结果见表1,GSA-SVM模型输出的分类结果图如图6。图6的纵坐标与表1的各故障代码相对应。GSA-SVM模型对单软故障的总分类准确率为93.9 %,主要的分类错误出现在了F8与F10之间。这是由于谱仪放大器的第二级与第三级是拓扑与元件参数相同的二阶低通滤波电路,而两种故障对应的故障元件R3与R5分别处于两级的对应位置,这使得两者的故障波形的幅值与形状都很接近,加上器件容差的影响,很难将其完全区分。

表1 单故障诊断结果

图6 GSA-SVM模型单故障分类结果

4.2 组合故障诊断

谱仪放大器的组合软故障数量很多,选取了8种典型的组合软故障进行诊断,诊断流程与单故障相同。故障诊断结果如表2,分类结果如图7。组合故障发生时由于电路中故障元件数目更多,不同类别故障的输出信号之间的区别相较于单故障更为明显,因此诊断效果更好,GSA-SVM模型对测试样本集中所有样本的故障类别均做出了准确分类。

表2 组合故障诊断结果

图7 GSA-SVM模型的组合故障分类结果

5 结 论

针对核辐射探测系统中谱仪放大器电路的软故障的在线检测与识别问题,设计并验证了基于小波包分解与GSA-SVM模型的故障诊断方案。通过对系统运行时不同故障状态下谱仪放大器输出电压波形特征提取与分类来判断其故障类型。测试结果表明：基于小波包分解与GSA-SVM模型的诊断方案能够实现对谱仪放大器的单软故障与组合软故障的准确识别与分类,为在核辐射探测系统中实现高准确率的智能化模拟电路故障检测提供了可行方案。