基于改进离散粒子群优化算法的容差电路故障特征提取

刘红，曹颖，隆腾舞

（长春理工大学光电工程学院，吉林长春130022）

基于改进离散粒子群优化算法的容差电路故障特征提取

刘红，曹颖，隆腾舞

（长春理工大学光电工程学院，吉林长春130022）

采用故障信息量对容差电路输出信号中的故障征兆进行描述，采用等间隔选取特征点、单特征点诊断信息量最大和多特征点联合诊断信息量最大3种不同的特征子集选取规则，提出了基于改进映射函数、自适应权重、基于自然选择以及基于自然选择和自适应权重的4种离散粒子群优化（BPSO）算法对特征子集进行搜索的方法，并将获取的不同最佳特征子集分别用于训练不同的神经网络，并用训练好的神经网络完成容差电路的故障定位。仿真实验结果证明了容差电路故障特征子集的改进BPSO搜索算法的有效性，故障定位效率可达95.2%.

信息处理技术；信息熵；特征提取；改进离散粒子群优化算法；容差电路

0 引言

基于模式识别进行故障定位的方法中，采用不同的特征提取方法获取故障征兆和故障模式的对应关系是最终故障识别成败的关键［1-3］。在模拟电路故障识别领域，国内外常见的故障特征提取方式有基于主元分析、小波分析、核函数等的特征描述和特征提取的方法［4］。由于可分性高的特征提取所需的映射通常是非线性的，因此限制了主元分析的实际使用。而基于小波分析的电路故障的特征提取效果依赖于小波函数、小波系数、小波网络结构的选择，却又缺乏完善的理论指导，是亟待解决的问题。基于核函数的故障特征特征提取中，计算的代价和分类的效果取决于核函数的选取，一旦选取不当，核矩阵的计算将会变得异常困难。而基于故障信息量的特征描述方法也是其中很有成效的一种，已逐渐成为研究的热点。本文即利用故障信息熵对故障征兆进行描述，并在此基础上，将原始数据中携带的有利于故障识别的信息量作为评价指标，提出了基于改进的离散粒子群优化（BPSO）算法［5-7］从原始特征数据集合中搜索最佳特征子集的方法，并利用获取的最佳特征子集训练分类器神经网络定位故障，实验表明该特征提取方法是切实可行的。

1 改进的BPSO算法

众所周知，标准粒子群算法主要用于连续函数的搜索运算，但是多数实际问题都是离散的，为解决此类离散函数的搜索问题，BPSO算法应运而生。BPSO中为达到粒子位置的离散化，算法中速度向量不再用于粒子位置向量的合成，而只是作为粒子位置向量的某一维为0或者1的一个判断依据。

假设一个有m个粒子的群体，目标搜索空间的维数为D，其中第i个粒子的速度向量为vi=（vi1，vi2，…，viD），位置向量为xi=（xi1，xi2，…，xiD），i=1，2…，m.迄今为止，整个粒子群搜索到的最优位置为pg=（pg1，pg2，…，pgD），第i个粒子搜索到的最优位置为pi=（pi1，pi2，…，piD），选择合适的目标函数值，用于对粒子位置的优劣进行评价。BPSO中粒子速度及位置更新公式为

式中：sig（viD（t+1））=1/（1+exp（-viD（t+1）））；w为惯性权重，其作用是控制与平衡BPSO的全局与局部寻优能力；c1、c2均为加速常数，也称学习因子；r1、r2为［0，1］区间上服从均匀分布的随机数，这些参数均与粒子群优化算法中的参数相同；增加了参数rand，它也是区间［0，1］上的随机数。

BPSO的更新公式中，需要由粒子速度来决定［0，1］区间上的一个概率选择参数S，该参数的取值在BPSO的位置更新公式中代表的是粒子位置取1的概率。在此引入Sigmoid函数，根据粒子速度来求取参数S.Sigmoid函数表达式为

该函数和粒子速度的关系为：在粒子速度变化的［-6，6］区间内，阈值S在［0.002 5，0.997 5］范围内变化，正好完成粒子速度到［0，1］区间的非线性映射。若对粒子速度进行限制，使viD∈［-vmax，vmax］，则可避免S参数总是逼近极端值。

1.1 改进映射函数的BPSO

当粒子搜索靠近最优值时，粒子速度应逐渐减小甚至趋于0，而（1）式表明粒子的更新速度除了取决于上次迭代的速度，还取决于等号右边包含的piD-xiD（t）和pgD-xiD（t）这两项中的位置分量，它们的取值和组合差值情况如下：

在BPSO算法中，piD、xiD、pgD的取值只能是0或1，因此在（1）式中它们的差值只能是1、0或-1.

1）当差值为1时，piD=1，pgD=1，xiD（t）=0；

2）当差值为0时，piD=xiD，pgD=xiD；

3）当差值为-1时，piD=0，pgD=0，xiD（t）=1.

另外，BPSO算法中的粒子速度取值可为正数、负数或0，它对位置分量的更新影响如下：

1）当viD＞0时，piD=1，pgD=1，xiD（t）=0的取值可能性大，则xiD（t）更新为1；

2）当viD=0时，piD=xiD，pgD=xiD的取值可能性大，此时xiD（t）保持不变；

3）当viD＜0时，piD=0，pgD=0，xiD（t）=1的取值可能性大，此时xiD（t）更新为0.

由此构造出新的映射函数：

其与速度的映射函数曲线如图1所示。

由图1可知，粒子的速度越趋近于0，位置更新的概率越小，当粒子接近全局最优解时，速度为0.此时粒子位置的更新公式为

图1 Sig′（viD）和速度的映射函数关系图Fig.1 Mapping function relation between Sig′（viD）and velocity

1）当viD（t）＞0时，

2）当viD（t）＜0时，

式中：rand为［0，1］区间上的随机数；Sig′（viD）为粒子位置的变化概率。

采用新的映射方式后可以使粒子在搜索过程中迅速靠近全局最优值，改善算法的收敛性能。下文中这种改进映射函数的BPSO方法被称为iBPSO-1方法。

1.2 自适应权重的BPSO

BPSO算法中的惯性权重起着权衡局部最优能力和全局最优能力的作用，但是惯性权重取值不一样，找到全局最优的机会不一样，且迭代次数也不同，因此惯性权重最好不要设定为定值。惯性权重改进时应该遵循的原则是：种群中粒子的目标函数值较分散时，将惯性权重值减小，可使搜索空间细化；而当种群中粒子的目标函数值靠近局部最优解时，可将惯性权重值增大，以避免种群陷入局部最优。考虑种群中的个体粒子而言，当粒子的目标函数值优于平均目标函数值时，为保护该粒子，可将其对应的惯性权重因子减小；相反，当粒子的目标函数值差于平均目标函数值时，可将其对应的惯性权重因子增大，促使该粒子飞出该区域。

为了平衡粒子群搜索全局最优和局部最优的能力，惯性权重的函数可设定为

式中：wmax、wmin分别为w取值范围内的最大值和最小值；fmin为当前粒子的最小目标函数值（即最小适应度值）；favg为当前粒子的平均目标函数值；f为当前各粒子的目标函数值。

由（7）式可知，随着每个粒子的目标函数值的变化，惯性权重会自动发生变化，且这种变化是动态的、非线性的，因此这种方法也称为自适应惯性权重法。该算法的引入可以促使粒子准确地找到最优解。下文中这种自适应权重的BPSO方法被称为iBPSO-2方法。

1.3 基于自然选择的BPSO算法

基于自然选择的BPSO算法是将BPSO算法和自然选择机理相融合得到的，该算法的基本步骤与BPSO算法是一致的，只是在每次迭代完成之后，计算整个种群中每个粒子的适应度函数值并排序，然后用适应度函数值较好的一半粒子的速度和位置去替代适应度函数值不太好的另一半粒子的速度和位置，即留下优质解，淘汰劣质解，并同时将原来每个粒子记忆的历史最优值保留。该方法类似于自然界生物进化的“物竞天择，适者生存”的法则，所以称其为基于自然选择的BPSO算法。引入该算法可改善种群的搜索精度和搜索准确率。下文中基于自然选择的BPSO方法被称为iBPSO-3方法。

2 基于改进BPSO的特征提取

2.1 故障诊断信息量的表达

设被测电路共有L种故障，而电路的故障状态是一个随机变量，用Ω表示，其概率密度函数为

式中：w1，w2，…，wL∈Ω.测量前由于电路状态的不可知性，测前电路的故障状态具有最大的不确定性，此时电路故障的可分性最差［8］。假定电路的所有故障均等概率发生（先验概率相等），此时电路的先验概率为

因此电路的先验熵为

然后对被测电路中的待测参量进行测量，并将获取的响应信号作为被测电路的原始特征集合X=｛X1，X2，…，Xd｝，其中d为特征值的个数，若选择不同的特征值组成特征向量x，采用文献［8］的方法对各类故障的后验概率分布函数和各特征值的密度函数进行估计，可估算出电路故障状态的后验概率密度为

由此可计算得到被测电路在特征向量x下的局部后验熵为

式中：h（Ω|x）是特征向量x的函数，若选取的特征向量不同，则计算出来的局部后验熵也不同，因此，如果要得到特征集合X的后验熵，必须先计算出x在其他特征值下的局部熵函数，然后求取局部后验熵h（Ω|x）的数学期望，它便是特征集合X下的电路故障状态的后验熵。即

H（Ω|X）=E［h（Ω|x）］.（9）

由（8）式和（9）式可知，测量前后电路的熵值有了改变，即电路的测量提供了相应的诊断信息，熵值的变化量也表明了电路在测量前后不确定性的变化量，称之诊断信息量，诊断信息量等于先验熵与后验熵的差值：

I（X）=H（Ω）-H（Ω|X）.（10）

本文将诊断信息量作为特征提取的依据，将该函数作为BPSO算法搜索最优解时的适应度函数，从被测电路的众多特征点中，寻找到诊断信息量最大的几个特征点，并将其组成的特征子集作为最佳特征子集提供给分类器进行故障定位。

2.2 故障特征子集的选取规则

在利用MATLAB编制程序进行基于改进BPSO算法的故障特征提取时，本文将采用3种不同的特征子集获取规则，根据不同规则选取不同的几个特征点来构成不同的最佳特征子集，并对这3种选取方法进行比较。

1）规则1：等间隔均匀选取特征点。根据特征点获取的先后顺序，等间隔、均匀地选取几个特征点构成最佳特征子集。

2）规则2：单个特征点诊断信息量最大。计算单个特征点的诊断信息量，从特征点中选取其中诊断信息量最大的前几个特征点，组成最佳特征子集。

3）规则3：多个特征点的联合诊断信息量最大。根据最佳特征子集的维数（即最佳特征子集中特征点的个数），从原始特征点集合中选取相同个数的多个特征点，求出它们所组成的不同特征子集下的联合诊断信息量，选择联合诊断信息量最大的那个特征子集作为最佳特征子集。

3种规则中，后两种都是基于最大诊断信息量来选择最佳特征子集的方法。

2.3 特征提取的改进BPSO算法

基于模式识别的容差电路故障定位方法中，采集到的原始特征数据需要通过降低维数来减少故障定位的复杂度，且故障定位的效率取决于降维后的特征子集的优劣。改进BPSO算法可改善BPSO算法的收敛性和稳定性，可代替BPSO算法用于特征子集的搜索选取［9］，并且通过适应度函数值（文中即为诊断信息量）来评价迭代得出的最优解，由最优解构成最佳特征子集，并用于故障定位分类器的训练和测试，可使特征子集的维数大大降低，并使分类器结构更加简单，故障定位效率更高。

3 仿真实例

本文选取的被测电路为ITC'97国际标准电路中的CTSV滤波器，电路如图2所示。电路中各元件的标称值分别为：R1=R2=R3=R4=R5= 10 kΩ，R6=3 kΩ，R7=7 kΩ，C1=C2=20 nF，定义各元件的容差范围为元件标称值的5%，软故障范围在元件标称值的±5%至±30%范围内变化。实验采用的仿真软件为PSpice（OrCAD 10.5）和MATLAB R2008a，计算机的硬件配置为Inter Core（TM）2，2.2 GHz.

3.1 故障建模及原始特征获取

通常对被测电路做灵敏度分析可以得知电路中哪些元件参数的变化对电路影响较大，再根据灵敏度分析的结果确定电路中元器件发生软故障或者硬故障的定义，由此定义故障集。本文定义了CTSV电路的5种参数故障（其中电路无故障状态作为故障状态的一种），其中R1偏小用R1↓表示，C2偏大用C2↑表示，R5短路用R5 S表示。故障类型及其对应编码如表1所示。

表1 电路故障类型及编码表Tab.1 Fault types and coding table of circuit

本文采用PSpice软件对CTSV电路进行仿真，首先根据定义的故障类型对被测电路的参数进行设置，然后选定激励信号—分段线性电压信号，施加到被测电路输入端，再根据故障的类别分别进行各50次蒙特卡洛仿真，输出样本数据按一定的时间间隔采样，最后可得到输出节点的电压值。本实验采样了61个点的电压值，并将其作为电路故障诊断的原始特征值。从5种故障类型的瞬态分析数据中，每类各取一次仿真波形数据，绘制的输出波形曲线如图3所示。

图2 CTSV滤波器电路图Fig.2 Block diagram of CTSV filter circuit

图3 各故障类瞬态分析曲线比较Fig.3 Comparison of transient analysis curves of different faults

3.2 PSpice与MATLAB间的数据通信

通过PSpice仿真得到的被测电路参数改变后的输出数据和波形数据，是作为原始特征数据，以ASCII码的形式存储到扩展名为.out的文件中的。但是由于此文件包含了电路仿真过程中的大量文件说明和各类数据清单，如电路中使用元器件的统计清单、元器件间的拓扑关系等，致使MATLAB无法直接读取*.out文件中需要的电路输出波形数据。由于没有可以直接利用的数据转换文件［10］，因此利用MATLAB编写了一个通信文件，该.m文件的功能是先打开*.out文件，然后读取文本，找到想要的数据头，根据行指针指示读取数据，并写到元胞数组中，由此快速获得被测电路的波形数据，得到*.out文件中电路输出的特征向量。

3.3 基于BPSO的最佳特征子集选取

在该实验中，若设定特征提取后的最佳特征子集的维数为5，即需要从原始特征集合的61个点中找出5个特征点来构成最佳特征子集，以达到特征降维的目的。按照不同的特征子集选取规则，可获得不同的最佳特征子集。

3.3.1 按规则1选取特征点

按照原始特征点获取的时间顺序，从61个原始特征点中等间隔地、均匀地选取其中的5个点，若选取序号为10、20、30、40、50的5个点来构成特征子集，可计算得到在这个特征子集下的诊断信息量为I（X｛10，20，30，40，50｝）=2.260 86 bits.

3.3.2 按规则2选取特征点

按规则2计算所有特征点的诊断信息量，然后从61个原始特征点中选择5个诊断信息量最大的特征点，组成最优特征子集。表2给出的是诊断信息量最大的10个特征点的诊断信息量和它们的序号。

表2 诊断信息量最大的10个特征点的诊断信息量及其序号Tab.2 Diagnosis information and their sequence number of 10 feature points

根据表2给出的特征点排序，可得到诊断信息量最大的5个特征点的序号，将这5个点组成最佳特征子集，并计算这个特征子集的诊断信息量为I（X|｛14，15，16，13，12｝）=2.283 05 bits.

使用规则2选取最佳特征子集时需要求出每个特征点的诊断信息量，计算量会很大，因此，在利用规则2选取特征子集时引入了BPSO算法，根据设置的最佳特征子集的维数来进行搜索，以避免大量重复性的计算。在利用（8）式、（9）式、（10）式3个公式进行计算并利用BPSO算法寻找最大诊断信息量时，其算法的搜索步骤为：

步骤1 算法参数初始化。将粒子群算法中用到的各参数进行初始化，包括粒子数、迭代次数、惯性权重、两个加速常数、粒子位置分量（即特征点序号）的最小值Xmin和最大值Xmax及其对应的二进制编码等。

步骤2 调整粒子群的搜索范围。在Xmin与Xmax区间范围上调整每个粒子的位置分量，并要求各个粒子的位置分量互不相等。如果相等，需要将其中一个粒子位置分量的二进制编码中的一位随机取反，直至各粒子的位置分量互异，才能结束调整。

步骤3 根据适应度函数的定义计算种群中各粒子的适应度函数值，并找到此次迭代后的局部最优解和全局最优解。

步骤4 根据位置和速度更新公式，更新种群中粒子的位置和速度。

步骤5 判断是否满足预先设置的搜索精度或迭代次数的要求，不符合返回到步骤2，直到满足搜索的终止条件，搜索程序结束。

本实验中，若选取种群粒子数为20，迭代次数为300，惯性权重为w=0.6，两个加速常数分别为c1=2，c2=2，粒子的位置分量的最小值和最大值分别为Xmin=1、Xmax=61，其对应的二进制码分别为Bmin=［0 0 0 0 0 1］和Bmax=［1 1 1 1 0 1］。

根据程序运行结果即可得到构成最佳特征子集的5个特征点所对应的十进制序号以及该子集具有的诊断信息量I（X|｛13，12，14，15，16｝）=2.28305 bits.

若采用前文所述3种改进BPSO算法来搜索最佳特征子集，3种改进BPSO算法运行的步骤均与BPSO算法的步骤相同，区别只是每次迭代时粒子的位置和速度更新公式稍有不同而已。采用这3种改进BPSO算法搜索时目标函数的收敛曲线分别如图4（b）、图4（c）、图4（d）所示，图4（a）为标准BPSO算法的收敛曲线。

由图4（b）可知，与BPSO算法相比，iBPSO-1算法的迭代次数明显减少，基本在50次迭代之内便可以寻找到特征集合的最优解，但最佳特征子集中有时只能选对其中的4个测点，即这种算法虽然提高收敛速度，但搜索结果的稳定性欠佳。

由图4（c）可知，iBPSO-2算法与BPSO算法相比，搜索特征子集最优解的过程中迭代次数增加了，但多次实验证明该算法有非常好的稳定性可完全准确地搜索到最优解，即iBPSO-2算法是以牺牲搜索的收敛速度来换取搜索结果的稳定性。

图4（d）中iBPSO-3算法的目标函数收敛曲线表明其寻找最优解的迭代次数存在较大差异，即引入自然选择机制后，iBPSO-3算法的搜索结果稳定性较好，但是收敛速度存在较大的随机性。

通过在单个特征点诊断信息量最大来选择最佳特征子集的实验中，应用和比较这3种iBPSO算法的搜索性能可知应根据应用问题的不同目标（看重算法的收敛速度还是搜索结果的稳定性）来选择不同的iBPSO算法。算法的搜索效果对比见表3.

表3 3种iBPSO算法搜索结果对比Tab.3 Comparison of search results of 3 iBPSO algorithms

3.3.3 按规则3选取特征点

若按规则3来选取最佳特征子集，需要计算所有这些具有相同特征点数的特征子集下的联合诊断信息量。如从获取的61个特征点中选取其中的5个来构成特征子集的话，根据排列组合将有种组合方式，而实际获取的特征点个数可能远远大于61个，因此要计算出所有特征子集的联合诊断信息量基本是不可能的。本文将再次采用改进的BPSO算法来搜索最佳特征子集，这次的改进算法是将自适应权重和基于自然选择算法的BPSO算法合并成一种新的改进粒子群算法，称为iBPSO-4算法，对最优特征集进行搜索。其搜索到的结果特征点序号为｛31，10，41，56，4｝，目标函数收敛曲线如图5所示。

图4 BPSO算法的目标函数收敛曲线Fig.4 Objective function convergence curves of BPSO algorithms

根据文中所述3种选取特征点的规则构成不同的表征故障征兆的最佳特征子集后，即获取了训练和测试分类器所需要的不同的样本集，并用于分类器的训练和测试。

图5 iBPSO-4算法的目标函数收敛曲线Fig.5 Objective function convergence curve of iBPSO-4 algorithm

3.4 分类器训练与故障定位结果

本文中采用径向基函数（RBF）神经网络作为故障定位的分类器用于验证特征子集的选取效果。该网络的输入层神经元个数与特征的维数相同，输出层神经元个数与故障编码的位数相同。训练前将3种按不同规则获得的3个样本集分别拆分为训练样本集和测试样本集，训练样本集数据用于训练神经网络，测试样本集数据留作测试分类效果用。另外将神经网络的如下参数进行初始化：神经元个数为125，扩散速度为2，步距为5，均方误差为0，然后进行训练，图6（a）、图6（b）、图6（c）即为规则1、规则2、规则3的训练误差收敛曲线。

当训练误差满足要求或达到预先设定的迭代次数后，分类器的训练就结束了，由此可获得3个不同的RBF神经网络。

接着将3组测试样本集（每组样本集均含有5种故障模式，每种故障模式均含有25组数据）的数据分别输入到对应的训练好的RBF神经网络中，根据神经网络的输出结果，对测试结果的统计分析如表4所示。

表4 不同规则的特征子集故障定位效果Tab.4 Fault location effect of feature subset based on different rules

实验统计数据表明，针对3种不同的测试样本，3个分类器的软、硬故障定位正确率可分别达到88.8%、92.8%和95.2%，而对电路硬故障的分类效果均能达到100%.另外，基于规则2和规则3提取的两种最佳特征子集比规则1提取的特征子集对软、硬故障定位效果更佳，充分证明了改进BPSO算法的容差电路故障特征提取方法的有效性。

图6 3个规则RBF的训练过程及训练误差曲线图Fig.6 RBF training process and training error graphs for 3 rules

4 结论

本文选择CTSV滤波器作为待测电路，通过电路仿真获取原始特征数据，并采用改进BPSO算法完成了基于最大诊断信息量的最佳特征子集的搜索，并将最佳特征子集的数据作为分类器的训练和测试样本集，训练分类器并完成容差电路故障的定位，定位效率分别可以达到92.8%和95.2%.实验数据证明了本文提出算法的有效性，若采用分类性能更好的多分类器将进一步提高故障的定位效率。

（

）

［1］廖薇，许春冬，刘锦高.基于神经网络的模拟电路故障诊断研究［J］.微电子学与计算机，2010，27（5）：125-128. LIAO Wei，XU Chun-dong，LIU Jin-gao.Efficient fault diagnosis method in analog circuits based on neural network［J］.Microelectronics&Computer，2010，27（5）：125-128.（in Chinese）

［2］张宇飞.模拟电路多软故障特征的智能优化提取方法研究［D］.哈尔滨：哈尔滨理工大学，2014. ZHANG Yu-fei.The intelligent optimization of feature extraction for multiple soft fault diagnosis of analog circuit［D］.Harbin：Harbin University of Science and Technology，2014.（in Chinese）

［3］何怡刚，祝文姬，周炎涛，等.基于粒子群算法的模拟电路故障诊断方法［J］.电工技术学报，2010，25（6）：163-171. HE Yi-gang，ZHU Wen-ji，ZHOU Yan-tao，et al.An analog circuit diagnosis method based on particle swarm optimization algorithm［J］. Transactions of China Electrotechnical Society，2010，25（6）：163-171.（in Chinese）

［4］Liu H，Chen G J，Jiang S Y，et al.A survey of feature extraction approaches in analog circuit fault diagnosis［C］∥Pacific-Asia Workshop on Computational Intelligence and Industrial Application.Wuhan：IEEE Computer Society，2008：676-680.

［5］纪震，廖惠连，吴青华.粒子群算法及应用［M］.北京：科学出版社，2009. JI Zhen，LIAO Hui-lian，WU Qing-hua.Particle swarm optimization algorithm and application［M］.Beijing：Science Press，2009.（in Chinese）

［6］龚正，王正林.精通MATLAB最优化计算［M］.北京：电子工业出版社，2009. GONG Zheng，WANG Zheng-lin.The most proficient proficient in MATLAB optimization［M］.Beijing：Publishing House of Electronics Industry，2009.（in Chinese）

［7］徐玉杰.粒子群算法的改进及应用［D］.南京：南京师范大学，2013. XU Yu-jie.The improvement and application of particle swarm optimization［D］.Nanjing：Nanjing Normal University，2013.（in Chinese）

［8］万九卿，李行善.基于诊断信息量的测点选择方法［J］.电子测量与仪器学报，2005，19（5）：1-5. WAN Jiu-qing，LI Xing-shan.Test point selection based on diagnositc information［J］.Journal of Electronic Measurement and Instrument，2005，19（5）：1-5.（in Chinese）

［9］刘红，孙爽滋，王庆元，等.基于PSO的模拟电路故障信息特征提取［J］.吉林大学学报：工学版，2015，45（2）：675-680. LIU Hong，SUN Shuang-zi，WANG Qing-yuan，et al.PSO based feature extraction method for analog circuit fault information［J］. Journal of Jilin University：Engineering and Technology Edition，2015，45（2）：675-680.（in Chinese）

［10］杨博文，刘飞.PSpice与Matlab的数据通讯技术［J］.四川兵工学报，2010，31（11）：79-80. YANG Bo-wen，LIU Fei.Data communication technique between PSpice and Matlab［J］.Journal of Sichuan Ordnace，2010，31（11）：79-80.（in Chinese）

Feature Extraction Method for Tolerance Circuit Fault Diagnosis Based on Improved Basic Particle Swarm Optimization Algorithm

LIU Hong，CAO Ying，LONG Teng-wu
（School of OptoElectronic Engineering，Changchun University of Science and Technology，Changchun 130022，Jilin，China）

The fault information entropy is used to describe the fault symptoms of output signal of tolerance circuit.Three different feature subset selection rules are adopted，such as equal interval-selected feature point，and feature points selected by maximum information entropy of single feature points and joint information entropy of multiple feature points.Four kinds of improved basic particle swarm optimization（BPSO）algorithms are proposed to search the fault feature subsets.These four algorithms are improved mapping function BPSO algorithm，adaptive weighting BPSO algorithm，natural selection-based BPSO algorithm，and BPSO algorithm based on natural selection and adaptive weighting.The optimal feature subsets obtained by feature extraction are used to train the neural networks as classifier.The fault location of tolerance circuit is completed using a trained neural network.Experimental results show that the optimal feature subset searching methods based on improved BPSO algorithm are valid，and the accuracy of fault location can reach 95.2%.

information process technology；information entropy；feature extraction；improved basic particle swarm optimization aglorithm；tolerance circuit

TN707

A

1000-1093（2015）08-1494-08

10.3969/j.issn.1000-1093.2015.08.017

2014-10-24

吉林省自然科学基金项目（201115160）

刘红（1969—），女，副教授。E-mail：liuh19694@163.com