一种基于离散化多值扩展D矩阵的电子产品故障诊断方法与流程

本发明涉及一种基于离散化多值扩展d矩阵的电子产品故障诊断方法，属于电子产品故障诊断和测试
技术领域：
。
背景技术：
：随着电子产品集成化、功能多样化的发展，故障信号的传递关系越来越复杂，这给产品的故障诊断增加了难度。目前对电子产品故障诊断测试中，利用故障与测试之间的相关性矩阵，也称d矩阵，通过0/1值表示故障与测试之间的信号传递关系，0表示无故障，1表示有故障，基于d矩阵的故障诊断方法具有计算简单、运算效率高的特点，已广泛应用于航空、航天、船舶、武器装备等领域，是目前电子系统中比较流行的故障诊断方法。然而在工程实际中，将测试点的测试数据简单的用0/1二值表示会导致测试数据中的重要信息无法得到充分的利用，从而影响到系统的故障检测与隔离效果。技术实现要素：针对目前电子产品故障诊断中简单用0/1二值表示测试数据，而测试数据中的重要信息无法得到充分的利用的问题，本发明提出一种基于离散化多值扩展d矩阵的电子产品故障诊断方法，本发明利用k-means聚类对单个测试点数据进行离散化处理，构建多值d矩阵，通过计算测试向量与多值d矩阵的曼哈顿距离实现故障诊断。本发明的基于离散化多值扩展d矩阵的电子产品故障诊断方法，在电子产品的电路板上设有故障注入接口和测试点，通过硬件的故障注入接口或者仿真手段注入各种故障，在测试点采集获取样本数据。本发明的故障诊断方法的实现步骤包括：步骤一、构建多值d矩阵。步骤1，建立离散化的多值d矩阵，包括：步骤1.1，获取待诊断电子产品在正常状态和各个故障状态下的样本数据；步骤1.2，对每个测试点获得的样本数据进行聚类，获得每个测试点下的聚类数目以及聚类中心；步骤1.3，对每个测试点的所有聚类中心，按照值从小到大的顺序用1到n的整数来重新表示，实现离散化处理，然后建立离散化的多值d矩阵；离散化的多值d矩阵中，行表示状态，列表示测试点样本数据的类别；矩阵d中的元素dij表示第i个状态下第j个测试点的数据类别，数据类别用离散化后的整数表示。步骤2，从测试点获取测试数据，根据每个测试点的样本数据的聚类数目以及聚类中心，依据步骤1.3的离散化处理方式，构建离散化的测试向量。步骤3，对步骤2离散化的测试向量，计算与离散化多值d矩阵中每一行的曼哈顿距离，找到与测试向量的曼哈顿距离最短的d矩阵的行，该行对应的状态就是根据离散化的测试向量所诊断出的电子产品的状态。本发明的优点及积极效果在于：(1)本发明提供了一种k-means聚类实现测试点离散化的方法，并通过构建距离代价函数来确定最优的k值，以进一步实现对测试点数据的离散化。(2)本发明构建的多值d矩阵，充分利用了测试信息的数据，可提高故障的隔离能力。(3)本发明通过计算测试向量到多值d矩阵状态行的曼哈顿距离进行故障诊断，提高了方法的应用可行性。附图说明图1是本发明的基于离散化多值扩展d矩阵的电子产品故障诊断方法总流程图；图2是本发明实施例电源板电路图；图3是本发明实施例中训练样本中样本数据的示意图。具体实施方式下面将结合附图和具体实施例对本发明作进一步的详细说明。本发明提供的基于离散化多值扩展d矩阵的故障诊断方法的实现流程如图1所示，下面结合如图2所示的某电源板为对象来说明本发明的故障诊断方法的实现步骤。如图2所示，本发明实施例的电源板可输出18v、12v、5v、3.3v、2.5v、1.8v和0.9v等7种电压。电源板由外部电源提供28v的电压，28v的电压通过lm7818芯片，将电压转换为18v的电压输出，28v的电压同时通过lm2596将电压转换为12v的电压输出，12v输出电压通过lm7805芯片，将电压转换为5v，为5v电源处理电路供电，5v电压通过ams117芯片，将电压转换为3.3v，为3.3v电源处理电路供电，3.3v电压分别通过lt1963a芯片、lt1963芯片、pth03060w芯片，将电压分别转换为2.5v、1.8v以及0.9v，为相应电压电源的处理电路供电。在电源板上设有开路故障注入接口和短路故障注入接口如pts1-1、p-1-1等，并可以通过便携式探针注入器模拟参数漂移故障。步骤一、构建多值d矩阵。步骤1.1，获取待诊断的电子产品的各个状态下的样本数据。产品状态包括正常状态与各类故障状态，通过故障硬件注入或者仿真注入等手段注入各种故障模式，故障模式即故障状态，获取各故障状态下各个测试点的数据。本发明实施例中通过便携式探针注入器注入各种故障模式，在电源板中一共能实现40种故障模式的注入。40种故障模式如下表1所示：表1电源板的故障模式列表其中有35种故障模式的注入主要是依靠短路帽的插拔模拟短路断路来实现。11种故障模式的注入主要是依靠探针式故障注入器模拟器件的参数漂移来实现。在电源板上设计了14个数据采集点，即测试点/观测点，其中，第5个测试点和第12个测试点采集的是温度信号，其他的测试点采集的是电压信号。对每一类状态的数据选取70个数据样本，对于40种状态一共获取2800个数据样本。每一个观测点都采集了3220个观测数据，本发明对每类状态的观测数据中选取其中的50个作为训练样本，20个作为测试样本，对于40种状态可获得2000个训练样本，800个测试样本。2000个训练样本的数据如图3所示。步骤1.2，分别对每一个观测点获取的数据进行聚类分析。包括如下步骤：步骤1.2.1、聚类中心个数k＝1；步骤1.2.2、进行k-means聚类；聚类结束后，选取欧式距离作为相似性和距离判断的准则，计算每类状态中各观测点到聚类中心的距离平方和j(ck)：其中，xi表示第i个样本，ck表示第k类，μk表示第k类的聚类中心，k＝1,2,…,k。损失函数j(μ,r)定义为：其中，n表示样本数目，k表示聚类的类别总数，rik表示第i个样本数据点与第k个类别之间的关系，当xi属于类别ck时，rik＝1，当xi不属于ck时，rik＝0。步骤1.2.3、计算距离代价函数l，距离代价函数l可由下述公式计算得到：l＝ds+s其中，ds表示各个聚类中心到样本中心μi的距离之和，s表示各个样本点x到相应的聚类中心μi的距离之和，μi是ci类的聚类中心，μ是所有样本的中心。步骤1.2.4、聚类中心个数自增1，k＝k+1，进行步骤1.2.2的k-means聚类，计算距离平方和以及损失函数，进行步骤1.2.3的距离代价函数的计算。步骤1.2.5、重复上述步骤1.2.2～1.2.4，直到距离代价函数l不再减小为止，而此时的k值即为聚类中心的个数，此时的聚类结果即为最终的聚类结果。本发明实施例中，根据构建距离代价函数的方法确定各个测试点数据的聚类个数，最终确定各个测试点的聚类中心个数如下表2所示：表2各测试点数据聚类个数对每一个测试点的数据进行k-means聚类确定的各个聚类中心，如下表3所示：表3各个观测点数据的聚类中心观测点聚类中心1聚类中心2聚类中心3聚类中心4聚类中心5聚类中心6聚类中心7观测点10.0315.9418.03观测点20.035.288.7410.211.1816.17观测点30.0412.4114.5122.99观测点40.025.826.67.167.9810.6313.4观测点50.6744.23124.96观测点60.033.265.03观测点70.021.713.03观测点80.020.170.872.843.3观测点90.020.891.31.67观测点100.022.5观测点110.020.470.95观测点12227124观测点130.021.81观测点140.020.95步骤1.3，离散化处理，建立离散化的多值d矩阵。根据聚类结果，可获得各状态下单个测试点的聚类中心，各聚类中心代表不同的类别，对于单个测试点的数据，测试点的数据离哪个聚类中心近则该测试点数据隶属于哪一类，按照聚类中心从小到大的顺序，用从1开始的自然数对不同的类别进行表示。在本实施例中，由表3可知，对于第一个观测点的数据，它一共包含三类数据，三个聚类中心分别是0.03、15.94、18.03，本发明中用“1”表示聚类中心为0.03的类，用“2”表示聚类中心为15.94的类，用“3”表示聚类中心为18.03的类。按照该处理方法，建立离散化的多值d矩阵。离散化的多值d矩阵中，行表示状态，状态不仅包括故障状态还包括正常状态，列表示测试点数据的类别，矩阵中的元素dij表示第i个状态下第j个测试点的数据类别，数据类别用离散化后的整数表示，单个测试点对应的整数的个数是由聚类中心个数决定的。建立的离散化的多值d矩阵如下所示：其中，m表示待诊断的电子产品的所有状态数目，n表示待诊断的电子产品上设置的测试点的数目。对不同状态下的测试点数据进行离散化处理，对于第一个观测点的数据，隶属于聚类中心0.03的数据，将用整数“1”表示，隶属于聚类中心15.94的数据，将用整数“2”表示，隶属于聚类中心18.03的数据，将用整数“3”表示。如果测试数据是0.4，它离聚类中心0.03最近，因此可用整数“1”表示。从而获得本发明实施例离散化后的状态与测试相关性关系的矩阵，如下表4所示：表4离散化后的状态与测试相关性关系的矩阵步骤1.4，简化离散化多值d矩阵。将上面表4的多值d矩阵中行一致的状态进行合并，可获得如下表5所示的多值d矩阵：表5合并相同行的多值d矩阵步骤二、构建测试向量。步骤2.1，获取测试数据。从测试样本数据中随机选取了6个测试样本如下表所示：表6测试样本数据步骤2.2，离散化处理测试数据，构建离散化的测试向量。针对单个测点的测试数据，计算测试数据与各个聚类中心的距离，与测试数据距离最近的聚类中心即为该测试数据所属的类的中心，因此也用该聚类中心对应的整数值表示该测试数据。对所有的测试点的测试数据进行离散化处理后，构建离散化后的测试向量，该测试向量的元素用整数表示。按照步骤1.3的方法对测试数据进行离散化处理，可得到表6的测试数据离散化后的测试向量a1(3,4,1,1,2,1,1,2,1,1,1,2,1,1),a2(3,4,1,1,2,1,1,1,1,1,1,2,1,1)a3(3,4,3,5,2,3,3,5,3,2,2,,2,2,2),a4(3,4,2,1,2,3,3,5,3,2,2,2,2,2),a5(3,4,2,1,2,3,3,5,3,2,2,2,2,2),a6(3,4,2,3,2,1,1,2,1,1,1,2,1,1)。步骤三、故障诊断。步骤3.1，计算离散化多值d矩阵的每一行与测试向量之间的曼哈顿距离。曼哈顿距离描述如下：两个n维向量(x11,x12,……,x1n)与(x21，x22,……,x2n)之间的曼哈顿距离d12为：本发明实施例中各个测试向量与离散化多值d矩阵中各个状态行的曼哈顿距离如下表7所示，表格中的数值表示距离。表7测试向量到d矩阵行向量的曼哈顿距离状态a1a2a3a4a5a6f0161732213f1,f3341615150f218197121215f4891110105f5，f6871312125f7，f82324109920f9181954415f10，f11141554411f12141554411f13，f16212249918f14141554411f15171843314f17151643312f18171843314f19，f20141550015f21192025516f22151641114f23171823314f25181954415f24，f26192065516f27171843314f28171843314f29181954415f30，f32151643312f31、f39222338819f33，f34，f35151643312f36011914143f37，f38102015154f40192005516步骤3.2，找到与测试向量的曼哈顿距离最短的矩阵行，其对应的状态即为诊断出的最终状态。根据上表获得了8个测试样本到各个状态的曼哈顿距离，与测试向量a1距离最小的状态为f36，因此a1所处的状态为f36，即lm2596第二管脚开路故障。根据此方法，可获得测试向量a1至a6所属的状态分别为{(f36)，(f37,f38),(f40),(f19,f20),(f19,f20),(f1,f3)}，根据表1可获得具体的状态描述。当前第1页12