一种模拟电路故障预测方法
【专利摘要】一种模拟电路故障预测方法，包括以下步骤：对模拟电路各元件在无故障区间内进行蒙特卡罗分析并提取各个频带信号能量；将提取的频带信号能量归一化，得特征向量；训练BP神经网络；判断有发生趋势的故障种类；提取元件位于初始值时的故障预测特征向量；提取被测电路工作时的故障预测特征向量；计算余弦角距离表征元件的健康度；计算元件发生故障时的健康度阈值；对相关向量机算法的核函数宽度因子进行优化选择；对模拟电路进行故障预测。本发明既可以用于实时系统，也可以用于非实时系统；既可以对线性模拟电路的故障进行预测，也可以对非线性模拟电路的故障进行预测；可对模拟电路中电阻、电感和电容等主要元件进行故障预测。
【专利说明】一种模拟电路故障预测方法
【技术领域】
[0001]本发明涉及一种模拟电路故障预测方法，具体来说，涉及一种建立故障预测模型对模拟电路故障进行预测的方法。
【背景技术】
[0002]模拟电路广泛地应用于家用电器、工业生产线、汽车以及航空航天等设备中，模拟电路的故障将会引起设备的性能下降、功能失灵、反应迟缓以及其他电子故障。因此对模拟电路的状态进行评估，是十分必要的。
[0003]模拟电路的状态评估一般包括故障诊断和故障预测。其中故障诊断发展较快，在大量的研究工作中故障诊断的准确率均可以达到99%左右。当前模拟电路故障预测的研究成果一般是针对模拟电路的特定元件，而不是针对电路整体。无法对电路整体进行预测的一个困难是，很少有方法可以精确地描述模拟电路的各个元件的性能下降，即健康度下降。同时当前鲜有方法可以对非线性模拟电路的故障进行预测。
[0004]相关向量机是一种基于贝叶斯框架的回归预测算法，运算速度快，适用于在线检测，已有研究证明相关向量机的预测精度高于支持向量机和神经网络等常用算法。相关向量机算法中其核函数的宽度因子对预测精度有极大的影响，以往多采用经验法获得。
【发明内容】
[0005]本发明要解决的技术问题是，克服现有技术存在的上述缺陷，提供一种故障预测精度高的模拟电路故障预测方法。该方法首先通过BP神经网络识别电路有发生故障趋势的元件及其发生方式(正向偏离标称值或反向偏离标称值)，通过计算不同时间点的余弦相似度获取该元件健康度随时间点变化的数据，然后通过基于粒子群算法优化的相关向量机算法对预测该元件未来某一时间点是否发生故障，或直接预测该元件的故障发生时间点。该方法具有普及型，对模拟电路中电阻，电容和电感等主要元件均有效。
[0006]本发明解决其技术问题所采用的技术方案为:
一种模拟电路故障预测方法，包括以下步骤:
(1)对模拟电路各元件在无故障区间内进行蒙特卡罗分析，提取测试节点信号，对提取的信号进行小波包变换消噪处理，提取各个频带信号能量，其中测试节点信号一般为支路电压；
(2)将提取的频带信号能量进行归一化，得到故障诊断特征向量；
(3)将故障诊断特征向量作为训练数据，训练BP神经网络；
(4)提取工作时被测电路节点信号，进行小波包变换和归一化，生成相应的故障诊断特征向量，利用BP神经网络判断有发生趋势的故障种类；
(5)提取元件位于初始值时的被测电路测试节点扫频响应信号，以此构成初始值的故障预测特征向量，所述的响应信号一般为支路电压；
(6)按固定时间间隔提取工作时被测模拟电路测试节点扫频响应信号，以此构成元件一个时间点序列的故障预测特征向量；
(7)计算按固定时间间隔提取的元件故障预测特征向量与元件初始值的故障预测特征向量之间的余弦角距离，用以表征元件在不同时间点的健康度，生成相应的健康度序列；
(8)计算元件发生故障时健康度阈值；
(9 )基于元件健康度序列和时间点序列数据，应用粒子群算法对相关向量机算法的核函数宽度因子进行优化选择；
(10)应用经粒子群算法优化后的相关向量机算法对模拟电路进行故障预测。
[0007]上述步骤(1)中，无故障区间为模拟电路元件标称值的[50%，1+正常容差下限]和标称值的[1+正常容差上限，150%]。对模拟电路各元件在无故障区间内进行蒙特卡罗分析可采用Pspice软件的蒙特卡罗功能。
[0008]上述步骤(4)中，有发生趋势的故障种类是指发生故障的元件，以及元件在发生故障时偏离初始值的方向。
[0009]上述步骤(5)中，初始值的定义为:当元件正向偏离标称值发生故障时，初始值等于标称值X(1+正常容差上限)，当元件反向偏离标称值发生故障时，初始值等于标称值X(1+正常容差下限)。提取初始值的扫频响应信号可采用Pspice软件的交流扫描功能。
[0010]上述步骤(6)中，提取被测模拟电路测试节点扫频响应信号的固定间隔时间依次为T1, T2,…,Tn,该时间点序列为[匕…,Tn]，V是时间点的总数。
[0011]上述的步骤(7)中，余弦角距离的方法为:
【权利要求】
1.一种模拟电路故障预测方法，其特征在于，包括以下步骤: (1)对模拟电路各元件在无故障区间内进行蒙特卡罗分析，提取测试节点信号，对提取的信号进行小波包变换消噪处理，提取各个频带信号能量，其中测试节点信号一般为支路电压； (2)将提取的频带信号能量进行归一化，得到故障诊断特征向量； (3)将故障诊断特征向量作为训练数据，训练BP神经网络； (4)提取工作时被测电路节点信号，进行小波包变换和归一化，生成相应的故障诊断特征向量，利用BP神经网络判断有发生趋势的故障种类； (5)提取元件位于初始值时的被测电路测试节点扫频响应信号，以此构成初始值的故障预测特征向量，所述响应信号一般为支路电压； (6)按固定时间间隔提取工作时被测模拟电路测试节点扫频响应信号，以此构成元件一个时间点序列的故障预测特征向量； (7)计算按固定时间间隔提取的元件故障预测特征向量与元件初始值的故障预测特征向量之间的余弦角距离，用以表征元件在不同时间点的健康度，生成相应的健康度序列； (8)计算元件发生故障时健康度阈值； (9 )基于元件健康度序列和时间点序列数据，应用粒子群算法对相关向量机算法的核函数宽度因子进行优化选 择； (10)应用经粒子群算法优化后的相关向量机算法对模拟电路进行故障预测。
2.根据权利要求1所述的模拟电路故障预测方法，其特征在于，所述步骤(1)中，无故障区间为模拟电路元件标称值的[50%，1+正常容差下限]和标称值的[1+正常容差上限，150%]。
3.根据权利要求1所述的模拟电路故障预测方法，其特征在于，所述步骤(4)中，有发生趋势的故障种类是指发生故障的元件，以及元件在发生故障时偏离初始值的方向。
4.根据权利要求1所述的模拟电路故障预测方法，其特征在于，所述步骤(5)中，初始值的定义为:当元件正向偏离标称值发生故障时，初始值等于标称值X (1+正常容差上限)，当元件反向偏离标称值发生故障时，初始值等于标称值X (1+正常容差下限)。
5.根据权利要求1所述的模拟电路故障预测方法，其特征在于，所述步骤(6)中，提取被测模拟电路测试节点扫频响应信号的固定间隔时间点依次为八…，7；，由此构成的时间点序列为[八T》...，Tn],是时间点的总数。
6.根据权利要求1所述的模拟电路故障预测方法，其特征在于，所述步骤(7)中，计算余弦角距离的方法为:
M
Σ-w COS(KJ1) = ^J=L--.*i m m，
\l J-1 ?-1 其中，JT表征的是元件位于初始值时的故障预测特征向量，I表示向量?中第J个特征，j = 1,2…是提取的一组特征向量中的特征的数量；芡表征的是第i个时间点提取的元件故障预测特征向量，.)--表示向量芡中第J个特征，?是提取的特征量的总数，也是时间点的总数； 健康度乓=CosGJi)，按固定时间间隔提取的元件故障预测特征向量生成的健康度序列为吣H》".，&]，对应的时间点序列为[7；, T2r..., 7；]。
7.根据权利要求1所述的模拟电路故障预测方法，其特征在于，所述步骤(8)中，元件发生故障时健康度阈值的计算方法为:计算该元件所在偏离方向的无故障区间中最终偏离值的余弦角距离，即为元件在此偏离方向的发生故障的健康度阈值；元件发生故障时健康度阈值也可简称为健康度故障阈值。
8.根据权利要求1所述的模拟电路故障预测方法，其特征在于，所述步骤(9)中，应用粒子群算法对相关向量机算法的核函数宽度因子进行优化选择的步骤为: (1)初始化粒子群算法参数，包括位置、速度、寻优范围和迭代次数，其中将宽度因子映射为粒子的位置； (2)计算每一个粒子的适应度，根据适应度得出每一个粒子的个体最优位置和粒子群的全局最优位置； (3)对每一个粒子进行速度与位置的更新； (4)重复(2)和(3)直至迭代结束，输出结果。
9.根据权利要求1所述的模拟电路故障预测方法，其特征在于，所述步骤(10)中， 对模拟电路进行故障预测包括两种方式: (O预测元件的故障发生时间点； (2)预测元件未来某一时间点是否发生故障。
【文档编号】G06Q10/04GK103824135SQ201410088347
【公开日】2014年5月28日 申请日期:2014年3月11日 优先权日:2014年3月11日
【发明者】何怡刚, 张朝龙, 方葛丰, 李中群 申请人:合肥工业大学