论文部分内容阅读
摘 要：多总线自动化测试系统主要由GPIB、IEEE1394、VXI 三总线构成，可以对电路板上的不同信号进行采集，实现电路板故障的有效检测，确定发生故障的电路元器件。支持向量机分类器采用遗传算法，对算法中的各种参数进行了优化。
关键词：自动化测试系统 故障诊断 支持向量机
中图分类号：TP277 文献标识码：A 文章编号：1674-098X（2015）07（a）-0084-01
自动化测试系统被广泛应用于故障诊断领域，为了进一步完善故障诊断方式、方法，多种智能算法被应用到故障诊断中去。新的故障诊断方法利用了人工智能算法，会自动进行学习及推理，全面体现出了人类的智能因素，通过智能算法对机器进行分析诊断。目前对人工智能算法的研究已经成为了推动故障诊断方法改进的关键。神经网络、故障字典、支持向量机等诊断方法是目前应用较多的。而支持向量机（SVM）具有良好识别小样本的优点，因此，近年来国际机器学习领域在支持向量机方面有较多研究。
1 支持向量机原理及GA-SVM分类器算法简介
1.1 支持向量机原理
支持向量机具有良好识别小样本的优点，能够很好地学习及推理小样本数据，不仅泛化能力强而且结构简单，这在解决非线性及小样本等类型问题中得到很好的体现。支持向量机具有多种优势，这也使得它在许多领域得到了广泛应用，如发动机的故障诊断、雷达辐射信号识别等。SVM是一种模式识别分类法，它以统计学理论为基础，通过核函数实现从原输入空间到高维特征空间的函数映射，完成映射后进行最优超平面构造，构造最优超平面的关键是构造最优分类超平面。最优分类超平面有两类：线性不可分及线性可分，其中线性可分的最优分类超平面是支持向量机所使用的。支持向量机在解决二分类问题上有重要作用。
1.2 GA-SVM 分类器算法
支持向量机设置是否正确对模型泛化能力及识别精度有着直接影响。为了确保良好的参数设置，支持向量机的核函数选用径向基核函数（RBF核函数），这种基核函数不仅应用最为广泛，同时也具有最好性能，支持向量机使用RBF核函数时参数设置主要是惩罚因子C及参数r。支持向量机在参数设置方面并没有提供正确选择适当参数的方法， 因此选择参数值时主要依靠实验数据及测试人员经验。遗传算法是一种全局寻优算法，主要借鉴了生物的自然选择及遗传机制，可实现种群的最佳收敛，以使之成为适合环境的最优群体。利用该算法可以解决支持向量机在参数选择上的不足，进而得到参数设置的最优解。
2 多总线自动化检测系统
多总线自动化检测系统是一种通用自动检测系统，主要是由GPIB、VXI、1394三种总线构成。这一系统结构组成主要包括测试机柜、主控计算机及数模混合接口适配器三大部分。其中测试机柜又可分为两部分：VXI总线机箱和程控电源，VXI总线机箱内包含了零槽控制器IEEE1394、6.5位数字多用表、64通道时序数字I/O、4通道A/D、32通道继电器开关等多种VXI模块化仪器；程控电源由多总线自动测试系统的主控计算机通过GPIB总线进行调控操作，程控电源包含了一路交流和两路直流，其中直流程控电源每一路可为系统提供两组电压。主控计算机作为多总线自动测试系统的核心部分，它上面的FD2.0软件完成了系统的主要任务，比如各模块仪器的控制使用、测试与诊断结果的报表打印等，软件FD2.0的主要组成部分包括：测试诊断开发平台、测试诊断执行平台、用户界面编辑、数据信息管理和在线帮助，各功能模块的有机结合帮组测试人员有效地完成测试工作。适配器是多总线自动测试系统的重要组成之一，测试机柜为适配器提供电源，适配器含有3个具有150个管脚的连接器，适配器与被测板是通过适配板进行连接的，数据在采集后通过VXI总线机箱进一步传递到主控计算机，由主控计算机对数据进行分析，适配板通过对被测板进行稳压与滤波等辅助操作，进一步保证了测试信号的高质量，同时也有利于故障诊断的正确性保障。
3 基于GA-SVM的比较器驱动电路故障诊断
自动测试系统为待诊断电路的比较器驱动开关电路模块提供工作所需电源、地信号以及激励信号。控制信号的作用是对电压比较器的输出端信号进行控制，从而实现对三极管导通与否的控制。
3.1 选择激励信号
查找电路板硬软故障与激励信号的选择有着重要联系，激励信号的正确选取可以增大工作状态不一样情况下的电路信号特征值之间的差异性，有利于提取故障诊断所需特征值。一般来说系统设置的所需激励信号可调性灵活，这可实现测试所需的波形，不需要由特定的波形发生器提供而是任意波形发生器都可以，还可根据测试要求调节激励信号的频率、占空比、幅值等，比如电阻软障碍的检测可以通过调节比较器输出信号的占空比值进行。
3.2 提取特征值
根据发生故障的元器件不同，可将故障分为无故障、电容故障、电阻故障、二极管故障、比较器故障、三极管故障、继电器故障7大类。电阻故障的常见模式有三种：开路、短路及电阻阻值漂移超范围。图1中R3在不同工作状态下，2路输出信号的幅值、高值与低值、占空比以及V1的集电极输出都会发生较大的变化，这些电路特性的变化可保存用作故障诊断的数据样本。
3.3 故障诊断结果
为了得出故障诊断结果，通常将常见的7种故障状态的电路测试值各测10组输出信号，得出样本数据130组，其中训练样本、测试样本各一半，然后采用支持向量机方法进行故障诊断。在具有较少数据样本时，基于遗传算法的支持向量机分类器还是能够得出正确率较高的故障诊断数据。
4 结语
该文对基于GA-SVM的多总线自动化测试系统故障诊断优化进行了研究，介绍了支持向量机的基本原理及GA-SVM分类器算法，对基于GA-SVM的比较器驱动电路故障诊断进行了分析，运用遗传算法实现故障诊断优化。
参考文献
[1] 李洪烈，李洪河，王好同.自动测试技术现状和发展[J].海军航空工程学院学报，2002，17（2）：231-234.
关键词：自动化测试系统 故障诊断 支持向量机
中图分类号：TP277 文献标识码：A 文章编号：1674-098X（2015）07（a）-0084-01
自动化测试系统被广泛应用于故障诊断领域，为了进一步完善故障诊断方式、方法，多种智能算法被应用到故障诊断中去。新的故障诊断方法利用了人工智能算法，会自动进行学习及推理，全面体现出了人类的智能因素，通过智能算法对机器进行分析诊断。目前对人工智能算法的研究已经成为了推动故障诊断方法改进的关键。神经网络、故障字典、支持向量机等诊断方法是目前应用较多的。而支持向量机（SVM）具有良好识别小样本的优点，因此，近年来国际机器学习领域在支持向量机方面有较多研究。
1 支持向量机原理及GA-SVM分类器算法简介
1.1 支持向量机原理
支持向量机具有良好识别小样本的优点，能够很好地学习及推理小样本数据，不仅泛化能力强而且结构简单，这在解决非线性及小样本等类型问题中得到很好的体现。支持向量机具有多种优势，这也使得它在许多领域得到了广泛应用，如发动机的故障诊断、雷达辐射信号识别等。SVM是一种模式识别分类法，它以统计学理论为基础，通过核函数实现从原输入空间到高维特征空间的函数映射，完成映射后进行最优超平面构造，构造最优超平面的关键是构造最优分类超平面。最优分类超平面有两类：线性不可分及线性可分，其中线性可分的最优分类超平面是支持向量机所使用的。支持向量机在解决二分类问题上有重要作用。
1.2 GA-SVM 分类器算法
支持向量机设置是否正确对模型泛化能力及识别精度有着直接影响。为了确保良好的参数设置，支持向量机的核函数选用径向基核函数（RBF核函数），这种基核函数不仅应用最为广泛，同时也具有最好性能，支持向量机使用RBF核函数时参数设置主要是惩罚因子C及参数r。支持向量机在参数设置方面并没有提供正确选择适当参数的方法， 因此选择参数值时主要依靠实验数据及测试人员经验。遗传算法是一种全局寻优算法，主要借鉴了生物的自然选择及遗传机制，可实现种群的最佳收敛，以使之成为适合环境的最优群体。利用该算法可以解决支持向量机在参数选择上的不足，进而得到参数设置的最优解。
2 多总线自动化检测系统
多总线自动化检测系统是一种通用自动检测系统，主要是由GPIB、VXI、1394三种总线构成。这一系统结构组成主要包括测试机柜、主控计算机及数模混合接口适配器三大部分。其中测试机柜又可分为两部分：VXI总线机箱和程控电源，VXI总线机箱内包含了零槽控制器IEEE1394、6.5位数字多用表、64通道时序数字I/O、4通道A/D、32通道继电器开关等多种VXI模块化仪器；程控电源由多总线自动测试系统的主控计算机通过GPIB总线进行调控操作，程控电源包含了一路交流和两路直流，其中直流程控电源每一路可为系统提供两组电压。主控计算机作为多总线自动测试系统的核心部分，它上面的FD2.0软件完成了系统的主要任务，比如各模块仪器的控制使用、测试与诊断结果的报表打印等，软件FD2.0的主要组成部分包括：测试诊断开发平台、测试诊断执行平台、用户界面编辑、数据信息管理和在线帮助，各功能模块的有机结合帮组测试人员有效地完成测试工作。适配器是多总线自动测试系统的重要组成之一，测试机柜为适配器提供电源，适配器含有3个具有150个管脚的连接器，适配器与被测板是通过适配板进行连接的，数据在采集后通过VXI总线机箱进一步传递到主控计算机，由主控计算机对数据进行分析，适配板通过对被测板进行稳压与滤波等辅助操作，进一步保证了测试信号的高质量，同时也有利于故障诊断的正确性保障。
3 基于GA-SVM的比较器驱动电路故障诊断
自动测试系统为待诊断电路的比较器驱动开关电路模块提供工作所需电源、地信号以及激励信号。控制信号的作用是对电压比较器的输出端信号进行控制，从而实现对三极管导通与否的控制。
3.1 选择激励信号
查找电路板硬软故障与激励信号的选择有着重要联系，激励信号的正确选取可以增大工作状态不一样情况下的电路信号特征值之间的差异性，有利于提取故障诊断所需特征值。一般来说系统设置的所需激励信号可调性灵活，这可实现测试所需的波形，不需要由特定的波形发生器提供而是任意波形发生器都可以，还可根据测试要求调节激励信号的频率、占空比、幅值等，比如电阻软障碍的检测可以通过调节比较器输出信号的占空比值进行。
3.2 提取特征值
根据发生故障的元器件不同，可将故障分为无故障、电容故障、电阻故障、二极管故障、比较器故障、三极管故障、继电器故障7大类。电阻故障的常见模式有三种：开路、短路及电阻阻值漂移超范围。图1中R3在不同工作状态下，2路输出信号的幅值、高值与低值、占空比以及V1的集电极输出都会发生较大的变化，这些电路特性的变化可保存用作故障诊断的数据样本。
3.3 故障诊断结果
为了得出故障诊断结果，通常将常见的7种故障状态的电路测试值各测10组输出信号，得出样本数据130组，其中训练样本、测试样本各一半，然后采用支持向量机方法进行故障诊断。在具有较少数据样本时，基于遗传算法的支持向量机分类器还是能够得出正确率较高的故障诊断数据。
4 结语
该文对基于GA-SVM的多总线自动化测试系统故障诊断优化进行了研究，介绍了支持向量机的基本原理及GA-SVM分类器算法，对基于GA-SVM的比较器驱动电路故障诊断进行了分析，运用遗传算法实现故障诊断优化。
参考文献
[1] 李洪烈，李洪河，王好同.自动测试技术现状和发展[J].海军航空工程学院学报，2002，17（2）：231-234.