杨 艳 廖 丽

(江西工业工程职业技术学院 江西 萍乡 337055)

0 引 言

模拟电路广泛应用于控制器[1]、保护装置[2]等众多领域[3]。模拟电路故障可能会造成系统故障，导致系统性能下降或停机，即使只是系统错误的代价也是巨大的[4-5]，因此，开展模拟电路故障诊断技术的研究是十分必要的。传统的故障诊断方法可以分为两个大的阶段，模拟测试前(Simulation-Before-Tes，SBT和模拟测试后(Simulation-After-Test，SAT)[6-7]。基于机器学习的SBT方法相对于SAT方法和传统的SBT方法[7]具有较高计算速度的优势。因此，许多学者致力于基于机器学习(Machine Learning，ML)的简单构建工具(simple build tools，SBT)方法研究。一般来说，基于机器学习ML的SBT方法可以分为两个主要阶段:信息提取和模式识别。

特征提取的目的是获取与电路实际性能有关的信息。因此，尽可能多地提取故障信息，找出最有用的特征[8]是必不可少的。许多学者提出了多种特征提取方法来获取丰富的信息，在各种特征提取方法中，小波变换由于在时频域上的有效性和灵活性而被广泛应用于信息提取。基于小波变换的方法将信号分解为细节系数和近似系数[9-10]，通过对系数的分析，可以得到反映电路工作状态的重要信息，并为了获得电路的球形特性[11]，采用小波系数能量结合的统计特性特征作为故障特征。

在提出上述特征提取方法后，在实验中产生了代表电路系统多个方面的高维特征数据。利用分类器将模拟电路缺陷识别步骤转换为特征分类阶段，而高维特征数据作为分类器的输入向量而不进行降维，会导致模式分类性能下降，计算量大，同时，所获得的特征可能包含不相关或冗余的信息，这些信息对于故障识别是无效的[12-13]。……