论文部分内容阅读
摘要：DC-DC变换器是综合模块化航电的电源转换模块的核心部件，对其进行故障诊断可以有效提高设备的可靠性，减少维修保障费用，极大地提高飞机的使用效能。在PSPICE环境下设计了典型的基于Sepic拓扑结构的DC-DC变换器模型，并对DCDC变换器进行失效规律的分析；对DC-DC变换器的典型故障类型进行故障模拟，通过仿真获取相应的原始数据；采用数据预处理、特征提取与选择、遗传算法-支持向量机方法对DC-DC变换器进行故障诊断分析。仿真验证了上述方法的有效性。
关键词：航电模块；特征提取；支持向量机；故障诊断
中图分类号：V240.2文献标识码：ADOI：10.19452/j.issn1007-5453.2021.10.013
基金项目：国家自然科学基金（61803309，61603303）；航空科学基金（20185553034）
21世纪初，美军在联合攻击战斗机计划中提出故障预测与健康管理（prognostics and health management，PHM）的技术概念。具体是指用尽可能少的传感器来采集系统的各种数据信息，若发生故障，可借助各种分类算法定位故障模块和具体的器件，结合各种可利用的资源信息提供相应的维修保障措施，以实现系统的视情维修，维护成本可大大降低[1-4]。基于数据驱动的方法利用大量飞行中的数据信息来分析飞机各部位的故障原因并发出消除故障命令，大大提高了飞行的安全性。利用故障诊断技术可以在准确的时间内对航电系统的部件进行准确的维修，有效提高设备的可靠性，减少维修保障费用，极大地提高飞机的作战效能。
在作战飞机执行任务过程中，电气设备的工作状态会对其能否正常完成任务有重大影响。电源转换模块（power conversion module， PCM）将飞机中电源系统的供电电压转换为飞机内部机架的直流电压，通过控制电源阵列开关给各模块供电；PCM模块作为核心模块，其健康状态会影响到其他所有模块，是其他模块正常工作的基础。DC-DC变换器作为整个PCM模块的核心部分，也反映了整个模块的工作状态。因此，利用监测数据对DC-DC变换器进行故障诊断具有重要意义。
1研究现状
在常见的DC-DC变换器中，BUCK是降压型变换器，BOOST为升压型变换器，而Sepic型DC-DC变换器是一种输出电压可以小于、等于或大于输入电压的变换器，广泛应用于航空电子系统领域。
对于DC-DC变换器的故障诊断研究，国内外都有很多研究成果。参考文献[5]将专家系统应用于开关电源故障诊断，参考文献[6]将人工神经网络运用在开关电源的故障诊断。刘洪等[7]利用支持向量机（support vector machine， SVM）實现了剩余使用寿命的预测，钟书辉[8]提出了基于专家系统的雷达电源诊断。其他学者[9-14]也提出了不同智能算法相互结合进行开关电源故障诊断，如小波变换、专家系统和人工神经网络等。
本文基于随机森林特征选择算法和GA-SVM对DC-DC变换器进行故障诊断分析，通过仿真也验证了算法的可行性。
2失效模式分析
大量研究表明，电路中不同子器件的失效会导致电子线路的性能退化，元器件的性能和实时参数影响着整个电子线路的状态和性能。在DC-DC变换器中，常见以及损坏概率较大的器件有铝电解电容、开关晶体管和功率二极管。
在DC-DC变换器中，铝电解电容在DC-DC变换器中的主要作用是滤波，用来吸收电压纹波，进而达到平滑输出电压的作用，铝电解电容失效会使DC-DC变换器输出信号中交流成分增加。开关晶体管在DC-DC变换器中主要作用是功率转换，其性能退化程度将直接影响电路的失效率、温升指标和技术性能。功率二极管在DC-DC变换器中主要作用是续流、整流等，在电子线路中较为常用。主电路工作频率较低，电感器件不是易损器件，对其不进行分类研究。我们需要对故障电路中的上述易损器件进行分类，以便后续定位维修。
3 DC-DC变换器诊断框架
本文采用的故障诊断框架如图1所示。主要由数据预处理、特征提取、特征选择、故障诊断4个模块组成。数据预处理主要完成数据缺失值填补、数据标准化等操作，便于后续的数据分析；特征提取和特征选择模块可以从数据中挖掘信息，发掘在数据集中与故障相关有较大价值的特征变量；故障诊断建模模块通过GA-SVM算法建立特征变量与故障类型之间的对应关系。
3.1故障仿真与特征提取
模拟电路的故障分为硬故障（灾难性故障）和软故障，如元器件的参数漂移。硬故障通常是指元件的短路、开路以及元件参数发生大的偏差等，导致系统严重失效，甚至完全瘫痪，破坏了电路的拓扑结构，它是一种结构性的损坏。软故障主要是指元器件参数随着时间或者环境条件的变化而偏离容差范围，大多数情况下设备并未完全失效，但会引起系统性能的异常或恶化。
本部分的故障诊断算法研究主要针对DC-DC变换器中的硬故障类型，分别为二极管开路/短路故障、电解电容击穿/开路故障、MOS管开路/短路故障等。由于在仿真软件中无法对MOS管开路故障进行模拟，故只考虑了其他五类故障，但故障诊断的算法是相通的。在实际电路中，某些信号不会留有专门的采样接口，本文采用输出电压作为信号特征，在实际操作中较易实现且对电路性能影响较小。
对输出电压分别提取如下特征：（1）时域特征变量：均值、标准差、偏度、峰度、峰峰值、最大值和最小值；（2）频域特征变量；（3）小波包分解、重构各频段小波能量。
DC-DC变换器的关键参数为输出电压，故在正常状态和故障状态下的输出电压值会有明显的差异。采集不同故障类型下的输出电压值，可以根据输出电压的特征信息进行有效的分类。由上述7维时域特征矢量和小波包分解、重构各频段小波能量频域特征矢量可知，初选特征矢量为15维，各个特征分量之间存在较大的数据冗余。如果直接用于SVM的训练，得出的模型精度不高且训练速度较慢，本文考虑采用随机森林降维法对其进行特征选择（降维）处理。 对于特征选择，利用所有决策树得到的平均“不纯度”（基尼系数）衰减来量化特征的重要性。根据重要性可以移除相关度较低的特征，进而简化模型。决策树需要找出最佳节点和最佳的分枝方法，即不纯度。通常来说，不纯度越低，决策树对训练集的拟合越好。基于随机森林算法本身的重要性度量进行特征重要性排序，选取重要特征集。
3.2基于支持向量机的故障诊断原理
模拟集成电路故障诊断本质上是模式识别问题，其核心是故障分类器的设计。SVM是一种机器学习理论，作为最有效的模式识别算法之一，在模拟电路的故障识别中表现出优异的分类/诊断性能。下面对其分类的基本原理作简要的介绍。
向量机本质上是二分类器，由于DC-DC变换器的硬故障类型有多种，如果采用支持向量机进行故障诊断可建立多个二分类器进行组合实现，即一对多的方式。
3.3基于遗传算法对支持向量机参数优化
SVM模型中有两个需要我们确定的参数：惩罚因子C和正则化参数γ，合适的参数能对DC-DC变换器故障类型有较高的分辨率。由于合适的参数选取较为困难，故本文考虑采用遗传算法对结构参数进行寻优。GA优化SVM参数流程图如图2所示。
4仿真验证
PSPICE软件是常用的电路设计及仿真的EDA软件，其优点是能够与MATLAB进行数据交互。在PSPICE环境下设计了典型的基于Sepic拓扑结构的DC-DC变换器。并且可以通过电路采集数据信息，用于后续数据挖掘与分析。搭建的PSPICE模型以及输出电压信号如图3所示。
以正常状态输出电压和不同故障输出电压为例，可观察到波形具有较大的差异，正常输出电压波形如图4所示；二极管短路故障输出电压波形如图5所示；二极管开路故障输出电压波形如图6所示；电解电容短路故障输出电压波形如图7所示；电解电容开路故障输出电压波形如图8所示；开关晶体管短路故障输出电压波形如图9所示。
首先进行特征提取，对5种不同的故障类型各取一组进行示例，时域和频域特征提取部分如图10和图11所示，对特征提取部分获得的故障特征矢量进行归一化处理，以消除不同特征分量之间的量纲之间的差异。其次，经过归一化后的特征矢量只是消除了分量之间量纲的差异。由前述可知，初选特征矢量为15维。利用随机森林算法进行特征选择处理，根据重要性可以移除相关度很低的特征精简模型。利用随机森林算法进行降维后的特征矢量如图12所示。
由图12可以看出，特征矢量进行特征选择后的特征维数为3，分别为输出电压的标准差、输出电压峰峰值以及小波包重构能量第七系数，对分类准确性具有较高的贡献。所以本文将选择出的三维特征矢量放入支持向量机中，用作支持向量进行分类。
如图13所示，利用PCA降维故障数据，试验得到前五维特征矢量累计方差贡献率能达95%。
选取合适的核函数用于实现从特征空间到高维空间的非线性映射；对于结构参数，主要是核函数参数γ和惩罚因子C，将训练样本送入SVM，进行迭代训练和寻优。
GA-SVM训练模型相关参数设置如下：种群规模为 30，最大进化代数为100，寻优参数的范围均为[0，100]，GA参数设置如下：交叉概率为0.75，变异概率为0.25；利用遗传优化算法的方法对结构参数进行寻优，SVM结构参数的搜索过程和结果如图14所示。
产生不同的故障类型各40组特征矢量，共200组作为训练样本，对GA-SVM模型进行训练；另外，采用不同故障类型各10组特征矢量，共50組作为测试样本，进行故障诊断准确率的量化评估。诊断结果如图15和图16所示。
从图15和图16可以看出，真实测试集和预测的测试集结果完全一致，在仿真试验的条件下，诊断精度达到100%。
对于分类结果，PCA和随机森林算法都能达到100%，验证了随机森林算法能够以较少的特征量表述完整的信息。在参数优化方面，网格搜索法会增大模型训练的时间且搜索效率较低；利用遗传算法对SVM中惩罚参数和核参数进行调整，搜索效率较高且可以避免陷入局部最优的问题。仿真结果也证明了基于随机森林和GA-SVM，对多类故障有较好的识别准确率。
5结论
本文首先基于仿真软件，设计了DC-SDC变换器并且对不同故障进行失效模型分析，考虑到实际电路信号采集问题，选择了对DC-SDC变换器影响最小的输出电压信号，通过仿真获取原始数据并进行特征提取、随机森林算法降维，得到特征矢量。建立了SVM多分类模型，利用遗传算法对SVM参数进行优化。 本文虽然在特征选择和分类算法改进的研究和应用上做了一些有益的探索，但是还有很多地方需要做进一步的研究：利用更多的数据集去验证算法模型的鲁棒性和准确性。仿真结果表明，本文提出的故障分类方法能够执行多故障分类任务。
参考文献
[1]吴明辉，许爱强，戴豪民. PHM技术在综合航空电子系统中的应用[J].兵工自动化， 2013，32（4）：72-77. Wu Minghui， Xu Aiqiang， Dai Haomin. Application of PHM technic in integrated avionics electronic system[J]. Ordnance IndustryAutomation， 2013， 32（4）：72-77. （in Chinese）
[2]上海航空测控技术研究所.航空故障诊断与健康管理技术[M].北京：航空工业出版社，2013. Shanghai Aero Measurement & Control Technology Research Institute. Aviation fault diagnosis and health management technology[M]. Beijing：Aviation Industry Press，2013. （in Chinese）
[3]陈欢欢.基于支持向量机的故障诊断方法研究[D].哈尔滨：哈尔滨工业大学， 2008. Chen Huanhuan. Research on fault diagnosis method based on support vector machine[D]. Harbin： Harbin Institute of Technology， 2008. （in Chinese）
[4]年夫顺.关于故障预测与健康管理技术的几点认识[J].仪器仪表学报，2018，39（8）：1-14. Nian Fushun. Viewpoints about the prognostics and health management[J]. Chinese Journal of Scientific Instrument， 2018， 39（8）： 1-14. （in Chinese）
[5]Amjady N. Short-term hourly load forecasting using timeseries modeling with peak load estimation capability[J]. IEEE Transactions on Power Systems，2002，16（3）：498-505.
[6]Kolla S R，Altman S D. Artificial neural network based fault identificationschemeimplementationforathree-phase induction motor[J]. ISATransactions，2007，46（2）：261-266.
[7]刘洪，喻西崇，吴国云，等.基于支持向量机算法的注水管道剩余寿命预测[J].石油机械， 2005， 33（3）： 17-20. Liu Hong， Yu Xichong， Wu Guoyun， et al. Remaining life prediction of water injection pipeline based on support vector machine algorithm[J]. China Petroleum Machinery， 2005， 33（3）： 17-20. （in Chinese）
[8]钟书辉，段丽华，王炜，等.主成分分析和支持向量机在无刷直流电机故障诊断中的应用研究[J].航空科学技术，2019，30（2）： 47-52. Zhong Shuhui， Duan Lihua， Wang Wei， et al. Application research of principal component analysis and support vector machine in brushless DC motor fault diagnosis[J]. Aeronautical Science & Technology， 2019， 30（2）：47-52. （in Chinese）
[9]胡良謀，曹克强，徐浩军，等.支持向量机故障诊断及控制技术[M].北京：国防工业出版社，2014. Hu Liangmou，Cao Keqiang，Xu Haojun，et al. Support vector machine fault diagnosis and control technology[M]. Beijing：National Defense Industry Press， 2014. （in Chinese）
[10]黄蓝，王景霖，林泽力，等.综合系统健康管理关键技术与研究路径[J].航空科学技术，2020，31（7）：12-17. Huang Lan， Wang Jinglin， Lin Zeli， et al. Key technologies and research paths of comprehensive system health management[J]. Aviation Science & Technology， 2020， 31（7）： 12-17. （in Chinese）
[11]张周锁，李凌均，何正嘉.基于支持向量机的机械故障诊断方法研究[J].西安交通大学学报，2002（12）：1303-1306. Zhang Zhousuo， Li Lingjun， He Zhengjia. Research on mechanical fault diagnosis method based on support vector machine[J]. Journal of Xi’an Jiaotong University， 2002 （12）： 1303-1306. （in Chinese） [12]Abdi M J，Giveki D. Automatic detection of erythematosquamous diseases using PSO-SVM based on association rules[J]. Engineering Applications of Artificial Intelligence，2013，26（1）：603-608.
[13]Tu C J，Chuang L Y，Chang J Y，et al. Feature selection using PSO-SVM[J]. Iaeng International Journal of Computer Science，2007，33（1）：111-116.
[14]許明轩.飞机航电系统故障分析方法与故障诊断技术研究[J].中国设备工程，2018（14）：96-97. Xu Mingxuan. Research on fault analysis method and fault diagnosis technology of aircraft avionics system[J]. China Equipment Engineering， 2018（14）：96-97. （in Chinese）
Avionics Module Fault Classification Based on Genetic Algorithm-Support Vector Machine
Xu Zhao1，Zhang Yitong1，Pan Zhen2，Chi Chengzhi2
1. Northwestern Polytechnical University，Xi’an 710072，China
2. Science and Technology on Avionics Integration Laboratory，China Institute of Aeronautical Radio Electronics，Shanghai 200233，China
Abstract： The DC-DC converter is the core component of the integrated modular avionics power conversion module. Fault diagnosis can effectively improve the reliability of the equipment， reduce maintenance and support costs， and greatly improve the efficiency of aircraft. In this paper， a typical DC-DC converter model based on Sepic topology is designed in the PSPICE environment， and the failure rule of the DC-DC converter is analyzed. The typical fault types of the DC-DC converter are simulated. The corresponding original data is obtained by the simulation. By using data preprocessing， feature extraction and selection， genetic algorithm-support vector machine method， fault diagnosis and analysis are perfored on the DC-DC converter. The simulation verifies the effectiveness of the above method.
Key Words： avionics module； feature extraction； support vector machines； fault diagnosis
关键词：航电模块；特征提取；支持向量机；故障诊断
中图分类号：V240.2文献标识码：ADOI：10.19452/j.issn1007-5453.2021.10.013
基金项目：国家自然科学基金（61803309，61603303）；航空科学基金（20185553034）
21世纪初，美军在联合攻击战斗机计划中提出故障预测与健康管理（prognostics and health management，PHM）的技术概念。具体是指用尽可能少的传感器来采集系统的各种数据信息，若发生故障，可借助各种分类算法定位故障模块和具体的器件，结合各种可利用的资源信息提供相应的维修保障措施，以实现系统的视情维修，维护成本可大大降低[1-4]。基于数据驱动的方法利用大量飞行中的数据信息来分析飞机各部位的故障原因并发出消除故障命令，大大提高了飞行的安全性。利用故障诊断技术可以在准确的时间内对航电系统的部件进行准确的维修，有效提高设备的可靠性，减少维修保障费用，极大地提高飞机的作战效能。
在作战飞机执行任务过程中，电气设备的工作状态会对其能否正常完成任务有重大影响。电源转换模块（power conversion module， PCM）将飞机中电源系统的供电电压转换为飞机内部机架的直流电压，通过控制电源阵列开关给各模块供电；PCM模块作为核心模块，其健康状态会影响到其他所有模块，是其他模块正常工作的基础。DC-DC变换器作为整个PCM模块的核心部分，也反映了整个模块的工作状态。因此，利用监测数据对DC-DC变换器进行故障诊断具有重要意义。
1研究现状
在常见的DC-DC变换器中，BUCK是降压型变换器，BOOST为升压型变换器，而Sepic型DC-DC变换器是一种输出电压可以小于、等于或大于输入电压的变换器，广泛应用于航空电子系统领域。
对于DC-DC变换器的故障诊断研究，国内外都有很多研究成果。参考文献[5]将专家系统应用于开关电源故障诊断，参考文献[6]将人工神经网络运用在开关电源的故障诊断。刘洪等[7]利用支持向量机（support vector machine， SVM）實现了剩余使用寿命的预测，钟书辉[8]提出了基于专家系统的雷达电源诊断。其他学者[9-14]也提出了不同智能算法相互结合进行开关电源故障诊断，如小波变换、专家系统和人工神经网络等。
本文基于随机森林特征选择算法和GA-SVM对DC-DC变换器进行故障诊断分析，通过仿真也验证了算法的可行性。
2失效模式分析
大量研究表明，电路中不同子器件的失效会导致电子线路的性能退化，元器件的性能和实时参数影响着整个电子线路的状态和性能。在DC-DC变换器中，常见以及损坏概率较大的器件有铝电解电容、开关晶体管和功率二极管。
在DC-DC变换器中，铝电解电容在DC-DC变换器中的主要作用是滤波，用来吸收电压纹波，进而达到平滑输出电压的作用，铝电解电容失效会使DC-DC变换器输出信号中交流成分增加。开关晶体管在DC-DC变换器中主要作用是功率转换，其性能退化程度将直接影响电路的失效率、温升指标和技术性能。功率二极管在DC-DC变换器中主要作用是续流、整流等，在电子线路中较为常用。主电路工作频率较低，电感器件不是易损器件，对其不进行分类研究。我们需要对故障电路中的上述易损器件进行分类，以便后续定位维修。
3 DC-DC变换器诊断框架
本文采用的故障诊断框架如图1所示。主要由数据预处理、特征提取、特征选择、故障诊断4个模块组成。数据预处理主要完成数据缺失值填补、数据标准化等操作，便于后续的数据分析；特征提取和特征选择模块可以从数据中挖掘信息，发掘在数据集中与故障相关有较大价值的特征变量；故障诊断建模模块通过GA-SVM算法建立特征变量与故障类型之间的对应关系。
3.1故障仿真与特征提取
模拟电路的故障分为硬故障（灾难性故障）和软故障，如元器件的参数漂移。硬故障通常是指元件的短路、开路以及元件参数发生大的偏差等，导致系统严重失效，甚至完全瘫痪，破坏了电路的拓扑结构，它是一种结构性的损坏。软故障主要是指元器件参数随着时间或者环境条件的变化而偏离容差范围，大多数情况下设备并未完全失效，但会引起系统性能的异常或恶化。
本部分的故障诊断算法研究主要针对DC-DC变换器中的硬故障类型，分别为二极管开路/短路故障、电解电容击穿/开路故障、MOS管开路/短路故障等。由于在仿真软件中无法对MOS管开路故障进行模拟，故只考虑了其他五类故障，但故障诊断的算法是相通的。在实际电路中，某些信号不会留有专门的采样接口，本文采用输出电压作为信号特征，在实际操作中较易实现且对电路性能影响较小。
对输出电压分别提取如下特征：（1）时域特征变量：均值、标准差、偏度、峰度、峰峰值、最大值和最小值；（2）频域特征变量；（3）小波包分解、重构各频段小波能量。
DC-DC变换器的关键参数为输出电压，故在正常状态和故障状态下的输出电压值会有明显的差异。采集不同故障类型下的输出电压值，可以根据输出电压的特征信息进行有效的分类。由上述7维时域特征矢量和小波包分解、重构各频段小波能量频域特征矢量可知，初选特征矢量为15维，各个特征分量之间存在较大的数据冗余。如果直接用于SVM的训练，得出的模型精度不高且训练速度较慢，本文考虑采用随机森林降维法对其进行特征选择（降维）处理。 对于特征选择，利用所有决策树得到的平均“不纯度”（基尼系数）衰减来量化特征的重要性。根据重要性可以移除相关度较低的特征，进而简化模型。决策树需要找出最佳节点和最佳的分枝方法，即不纯度。通常来说，不纯度越低，决策树对训练集的拟合越好。基于随机森林算法本身的重要性度量进行特征重要性排序，选取重要特征集。
3.2基于支持向量机的故障诊断原理
模拟集成电路故障诊断本质上是模式识别问题，其核心是故障分类器的设计。SVM是一种机器学习理论，作为最有效的模式识别算法之一，在模拟电路的故障识别中表现出优异的分类/诊断性能。下面对其分类的基本原理作简要的介绍。
向量机本质上是二分类器，由于DC-DC变换器的硬故障类型有多种，如果采用支持向量机进行故障诊断可建立多个二分类器进行组合实现，即一对多的方式。
3.3基于遗传算法对支持向量机参数优化
SVM模型中有两个需要我们确定的参数：惩罚因子C和正则化参数γ，合适的参数能对DC-DC变换器故障类型有较高的分辨率。由于合适的参数选取较为困难，故本文考虑采用遗传算法对结构参数进行寻优。GA优化SVM参数流程图如图2所示。
4仿真验证
PSPICE软件是常用的电路设计及仿真的EDA软件，其优点是能够与MATLAB进行数据交互。在PSPICE环境下设计了典型的基于Sepic拓扑结构的DC-DC变换器。并且可以通过电路采集数据信息，用于后续数据挖掘与分析。搭建的PSPICE模型以及输出电压信号如图3所示。
以正常状态输出电压和不同故障输出电压为例，可观察到波形具有较大的差异，正常输出电压波形如图4所示；二极管短路故障输出电压波形如图5所示；二极管开路故障输出电压波形如图6所示；电解电容短路故障输出电压波形如图7所示；电解电容开路故障输出电压波形如图8所示；开关晶体管短路故障输出电压波形如图9所示。
首先进行特征提取，对5种不同的故障类型各取一组进行示例，时域和频域特征提取部分如图10和图11所示，对特征提取部分获得的故障特征矢量进行归一化处理，以消除不同特征分量之间的量纲之间的差异。其次，经过归一化后的特征矢量只是消除了分量之间量纲的差异。由前述可知，初选特征矢量为15维。利用随机森林算法进行特征选择处理，根据重要性可以移除相关度很低的特征精简模型。利用随机森林算法进行降维后的特征矢量如图12所示。
由图12可以看出，特征矢量进行特征选择后的特征维数为3，分别为输出电压的标准差、输出电压峰峰值以及小波包重构能量第七系数，对分类准确性具有较高的贡献。所以本文将选择出的三维特征矢量放入支持向量机中，用作支持向量进行分类。
如图13所示，利用PCA降维故障数据，试验得到前五维特征矢量累计方差贡献率能达95%。
选取合适的核函数用于实现从特征空间到高维空间的非线性映射；对于结构参数，主要是核函数参数γ和惩罚因子C，将训练样本送入SVM，进行迭代训练和寻优。
GA-SVM训练模型相关参数设置如下：种群规模为 30，最大进化代数为100，寻优参数的范围均为[0，100]，GA参数设置如下：交叉概率为0.75，变异概率为0.25；利用遗传优化算法的方法对结构参数进行寻优，SVM结构参数的搜索过程和结果如图14所示。
产生不同的故障类型各40组特征矢量，共200组作为训练样本，对GA-SVM模型进行训练；另外，采用不同故障类型各10组特征矢量，共50組作为测试样本，进行故障诊断准确率的量化评估。诊断结果如图15和图16所示。
从图15和图16可以看出，真实测试集和预测的测试集结果完全一致，在仿真试验的条件下，诊断精度达到100%。
对于分类结果，PCA和随机森林算法都能达到100%，验证了随机森林算法能够以较少的特征量表述完整的信息。在参数优化方面，网格搜索法会增大模型训练的时间且搜索效率较低；利用遗传算法对SVM中惩罚参数和核参数进行调整，搜索效率较高且可以避免陷入局部最优的问题。仿真结果也证明了基于随机森林和GA-SVM，对多类故障有较好的识别准确率。
5结论
本文首先基于仿真软件，设计了DC-SDC变换器并且对不同故障进行失效模型分析，考虑到实际电路信号采集问题，选择了对DC-SDC变换器影响最小的输出电压信号，通过仿真获取原始数据并进行特征提取、随机森林算法降维，得到特征矢量。建立了SVM多分类模型，利用遗传算法对SVM参数进行优化。 本文虽然在特征选择和分类算法改进的研究和应用上做了一些有益的探索，但是还有很多地方需要做进一步的研究：利用更多的数据集去验证算法模型的鲁棒性和准确性。仿真结果表明，本文提出的故障分类方法能够执行多故障分类任务。
参考文献
[1]吴明辉，许爱强，戴豪民. PHM技术在综合航空电子系统中的应用[J].兵工自动化， 2013，32（4）：72-77. Wu Minghui， Xu Aiqiang， Dai Haomin. Application of PHM technic in integrated avionics electronic system[J]. Ordnance IndustryAutomation， 2013， 32（4）：72-77. （in Chinese）
[2]上海航空测控技术研究所.航空故障诊断与健康管理技术[M].北京：航空工业出版社，2013. Shanghai Aero Measurement & Control Technology Research Institute. Aviation fault diagnosis and health management technology[M]. Beijing：Aviation Industry Press，2013. （in Chinese）
[3]陈欢欢.基于支持向量机的故障诊断方法研究[D].哈尔滨：哈尔滨工业大学， 2008. Chen Huanhuan. Research on fault diagnosis method based on support vector machine[D]. Harbin： Harbin Institute of Technology， 2008. （in Chinese）
[4]年夫顺.关于故障预测与健康管理技术的几点认识[J].仪器仪表学报，2018，39（8）：1-14. Nian Fushun. Viewpoints about the prognostics and health management[J]. Chinese Journal of Scientific Instrument， 2018， 39（8）： 1-14. （in Chinese）
[5]Amjady N. Short-term hourly load forecasting using timeseries modeling with peak load estimation capability[J]. IEEE Transactions on Power Systems，2002，16（3）：498-505.
[6]Kolla S R，Altman S D. Artificial neural network based fault identificationschemeimplementationforathree-phase induction motor[J]. ISATransactions，2007，46（2）：261-266.
[7]刘洪，喻西崇，吴国云，等.基于支持向量机算法的注水管道剩余寿命预测[J].石油机械， 2005， 33（3）： 17-20. Liu Hong， Yu Xichong， Wu Guoyun， et al. Remaining life prediction of water injection pipeline based on support vector machine algorithm[J]. China Petroleum Machinery， 2005， 33（3）： 17-20. （in Chinese）
[8]钟书辉，段丽华，王炜，等.主成分分析和支持向量机在无刷直流电机故障诊断中的应用研究[J].航空科学技术，2019，30（2）： 47-52. Zhong Shuhui， Duan Lihua， Wang Wei， et al. Application research of principal component analysis and support vector machine in brushless DC motor fault diagnosis[J]. Aeronautical Science & Technology， 2019， 30（2）：47-52. （in Chinese）
[9]胡良謀，曹克强，徐浩军，等.支持向量机故障诊断及控制技术[M].北京：国防工业出版社，2014. Hu Liangmou，Cao Keqiang，Xu Haojun，et al. Support vector machine fault diagnosis and control technology[M]. Beijing：National Defense Industry Press， 2014. （in Chinese）
[10]黄蓝，王景霖，林泽力，等.综合系统健康管理关键技术与研究路径[J].航空科学技术，2020，31（7）：12-17. Huang Lan， Wang Jinglin， Lin Zeli， et al. Key technologies and research paths of comprehensive system health management[J]. Aviation Science & Technology， 2020， 31（7）： 12-17. （in Chinese）
[11]张周锁，李凌均，何正嘉.基于支持向量机的机械故障诊断方法研究[J].西安交通大学学报，2002（12）：1303-1306. Zhang Zhousuo， Li Lingjun， He Zhengjia. Research on mechanical fault diagnosis method based on support vector machine[J]. Journal of Xi’an Jiaotong University， 2002 （12）： 1303-1306. （in Chinese） [12]Abdi M J，Giveki D. Automatic detection of erythematosquamous diseases using PSO-SVM based on association rules[J]. Engineering Applications of Artificial Intelligence，2013，26（1）：603-608.
[13]Tu C J，Chuang L Y，Chang J Y，et al. Feature selection using PSO-SVM[J]. Iaeng International Journal of Computer Science，2007，33（1）：111-116.
[14]許明轩.飞机航电系统故障分析方法与故障诊断技术研究[J].中国设备工程，2018（14）：96-97. Xu Mingxuan. Research on fault analysis method and fault diagnosis technology of aircraft avionics system[J]. China Equipment Engineering， 2018（14）：96-97. （in Chinese）
Avionics Module Fault Classification Based on Genetic Algorithm-Support Vector Machine
Xu Zhao1，Zhang Yitong1，Pan Zhen2，Chi Chengzhi2
1. Northwestern Polytechnical University，Xi’an 710072，China
2. Science and Technology on Avionics Integration Laboratory，China Institute of Aeronautical Radio Electronics，Shanghai 200233，China
Abstract： The DC-DC converter is the core component of the integrated modular avionics power conversion module. Fault diagnosis can effectively improve the reliability of the equipment， reduce maintenance and support costs， and greatly improve the efficiency of aircraft. In this paper， a typical DC-DC converter model based on Sepic topology is designed in the PSPICE environment， and the failure rule of the DC-DC converter is analyzed. The typical fault types of the DC-DC converter are simulated. The corresponding original data is obtained by the simulation. By using data preprocessing， feature extraction and selection， genetic algorithm-support vector machine method， fault diagnosis and analysis are perfored on the DC-DC converter. The simulation verifies the effectiveness of the above method.
Key Words： avionics module； feature extraction； support vector machines； fault diagnosis