数据挖掘在电子电路故障检测与分析中的应用

数据挖掘在电子电路故障检测与分析中的应用

李雯 黄璐璐 刘港

航空工业计算所 陕西西安  710065

摘要：随着我国电子技术的快速发展，在电路出现故障中，程序可以立即启动修复电路板。本文将数据挖掘技术用于时序检测，使用随机森林算法和K-means算法作为研究方法进行数据准备和数据挖掘，以优化电路时序的检测，并用于时序的修复。

关键词：数据挖掘；电子电路故障检测；应用

引言

电子信息技术日益发展完善，电子电路的应用范围越来越大。电子电路的稳定与否直接关系着实际设备的应用效果，在电子电路的应用过程中所存在的不同故障，会导致电子电路无法正常运行，降低了电子电路的安全性。因此需要规范的检测流程，通过科学的检测技术及时发现故障根源，制定针对性解决措施，提升电子电路的运行水平。

1研究背景

在过去时间里，电子存储信息的数量快速增长。一方面，存储成本低是造成这一事实的原因，如今，大量数据并不意味着知识，因为没有人能够读取和吸收所有信息。另一方面，数据挖掘定义了捕获和分析大量数据以发现重要隐藏关系的自动化过程。数据挖掘是由人工智能技术、统计学、数据建模技术和数据库组成的技术，在本文的数据挖掘过程中包括数据准备、知识获取和数据报告三个部分。在电子行业，如UPS行业，需要对电路板进行一系列故障检测，以确保最终产品的质量。如果发生故障，程序可立即启动修复，因此，可能必须重复先前的测试；如果故障发生在测试时序的末尾，这种情况可能会很耗时，在某些情况下，可能需要重复之前的所有测试。通过发现这些测试模式，可以重新排列时序，以创建优化的测试时序。本文旨在开发一种分析测试时序的方法，以减少故障检测时间，降低生产成本，提高生产效率。

2电子电路故障的原因

2.1电子电路的荷载错误故障

电子电路如果存在了系统荷载的错误情况，那么电子电路的荷载设计参数就会无法达到预期的良好设计要求。技术人员针对电子电路的系统运行荷载参数应当能够进行精细化的设计，避免存在电路系统的荷载异常风险。设计电子电路的方案图纸如果没有达到基本的设计参数要求，或者电路连接的操作实施过程违背了技术要求规范，则会导致产生电子电路系统的荷载参数错误。具有过高系统荷载的电子电路比较容易出现元件的损坏，减损电子电路的元件设备寿命，甚至还会对于电子电路的操作人员带来安全事故的威胁。

2.2线路连接错误的故障

系统线路的连接方式如果存在了错误，那么电子电路的良好效能发挥就会受到干扰。电子电路的元件连接以及线路衔接都要符合现行的基本技术规范，不规范的电路连接操作就会造成电子电路频繁表现为电路的短路运行、元件设备的异常损坏、设备过热、系统噪声异常或者磁场存在异常。技术人员对于电子电路的系统元件以及线路连接技术要求必须要严格进行遵守，旨在保障电子电路的安全与稳定，杜绝电子电路的瞬时电流过大或者电阻异常等缺陷。

3研究方法

3.1随机森林算法

随机森林是一种基于决策树的数据分类算法，随机森林算法具有很大的优越性：较少的参数调整、不需要担心过度拟合、数据分类速度快、有较强的抗噪能力等。与决策树算法不同，随机森林算法不需要进行剪枝工作，可以让森林充分的发展。总的来说，随机森林算法是通过自助重采样技术生成多个树，从而对数据进行分类。其具体步骤分为以下三步：（1）在原始数据集中生成K个自主样本，以每个自主样本开始构建每棵树。（2）每一个自主样本扩展成独立的树。对于每棵树的叶子节点随机挑选少量特征m个，通过最小化节点不纯度的方式选择一个特征构建特征树。然后对这棵树进行散叶操作，该树上的节点满足最小化不纯度且不剪枝。（3）通过(1)和(2)的操作后，会生成多颗树，对每棵树进行投票。每次生成的自主样本集合中，除去树上的叶子数据，其余都称为OOB（Out-of-Bag）数据，OOB数据可以用来预测分类是否正确，即每次预测后收集所有有误的OOB数据，计算得到错误率和正确率。

3.2K-means算法

K-means算法发明于1956年，该算法最常见的形式是采用被称为劳埃德算法(LloydAlgorithm)的迭代式改进探索法。劳埃德算法首先把输入点分成k个初始化分组，可以是随机的或者使用一些启发式数据。然后计算每组的中心点，根据中心点的位置把对象分到离它最近的中心，重新确定分组。继续重复不断地计算中心并重新分组，直到收敛，即对象不再改变分组（中心点位置不再改变）。K-means算法是一个聚类算法，把n个对象根据它们的属性分为k个分割，k

4数据挖掘在电子电路故障检测与分析中的应用

4.1数据准备阶段

在数据准备过程中，重点是更好地理解数据表示的内容、数据转换的方式和原因以及如何使用元规则增强数据。数据准备的主要目的是操作和转换数据，以便显示其信息。在本文中，数据准备包括选择（数据选择、排序数据、选择相关属性）、属性增强和清理数据库（删除不完整时序、验证时序、选择相关时序）。如图1所示，给出了数据准备阶段利用随机森林算法的基本原理，由于随机森林算法通过在每个节点处随机选择特征进行树分类器的分值，因此各颗树之间的关联度较小，从而提高了分类的准确度。同时也使得每棵树的生成速度较快，这便保证了整个随机森林的分类速度较快，而且树的生成能够并行实现，缩短了计算时间。

4.2数据挖掘阶段

数据库存储了大量数据，这意味着没有人能够同化和发现测试时序过程中经常出现的测试模式。数据挖掘过程包括知识获取，在这项工作中，它用于发现这些测试模式，以优化测试时序。每个测试时序隐式存储有关故障发生方式的模式信息。基于这一思想，最好在每个测试时序中进行分析，发现哪些模式经常出现，而不是分析故障测试模式组合。为了减少处理时间，数据挖掘技术包括检测哪些测试失败，并用测试时序中发生的故障模式构建历史表。历史记录表存储了由故障测试表示的模式，然后是应重复的测试，发生表将各个模式的频率存储在历史表中。如上所述，在数据挖掘时使用的是K-means算法。在引用[9]中列举了K-means算法改进的一些方法，由于本文主要研究随机森林提出元原则、K-means使用原规则，因此在K-means算法的实现上较为简单。其具体的算法流程如下。（1）设随机森林算法中决定最佳时序的序列数为H，则取H/2的时序数据对象作为K-means算法的初始聚类中心；（2）依次循环执行3和4，直到每个聚类不再发生变化为止；（3）根据每个聚类对象的均值，计算每个对象与这些中心对象的距离，并根据最小距离重新对相应对象进行划分；（4）重新计算每个聚类的均值。

结束语

本文研究表明，数据挖掘在电子电路故障检测中有较好的成效，也为优化时序序列提供了帮助。通过数据挖掘，可以识别出最常见的故障模式，并将其优化，可以减少故障检测时间，有望降低生产成本，提高生产效率。

参考文献

[1]张灏.电子电路故障的检测方法分析[J].集成电路应用,2023,40(2):114-115.

[2]谢旻.电力电子电路故障诊断方法仿真[J].计算机仿真,2013,30(12):372-375.

[3]张洁.电子电路故障检测技术研究[J].电声技术,2019,43(2):75-77.

[4]何骏.电子电路发生故障的检测方法与技巧探析[J].电子世界,2018(15):95-96.

[5]葛维军.电子电路故障检测方法与技巧[J].中国新技术新产品,2011(22):155-156