本发明属于网络
技术领域：
，特别涉及一种基于网络的电路故障诊断方法。
背景技术：
：模拟电路故障诊断技术自20世纪60年代开始研究以来，取得了不少成就，研究者们提出了很多方法，其中人工神经网络在构成原理和功能特点等方面更加接近人脑，与传统的故障诊断分析方法相比，不需要建立对象的精确数学模型，避免了繁杂的数学运算，因而在故障诊断中得到了越来越广泛的应用。利用神经网络进行故障的模式识别时，故障特征的提取具有非常重要的作用。有关文献分别从节点电压增量、信号峭度与节点电压灵敏度方面来获得对元件的硬故障和软故障的统一描述，能够简单、有效地诊断元件的软故障。但是，正是这种故障特征的统一描述，使得这些方法无法区分电路元件参数处于容差允许范围内还是发生了故障，也没有区分电路发生的是硬故障还是软故障，故障定位的准确性低，而电路测试和故障诊断的目的是要区分电路是处于正常状态还是发生了故障。技术实现要素：本发明所要解决的问题是提供一种基于网络的电路故障诊断方法。为了实现上述目的，本发明采取的技术方案为：一种基于网络的电路故障诊断方法，包括如下步骤：（1）对元件无容差情况下的电路，在各种故障状态下进行交流分析，提取其幅频特性，计算标准差与偏斜度，获得无容差样本；（2）对元件有容差情况下的电路，在各种故障状态下进行交流分析和蒙特卡罗分析提取其幅频特性，计算其标准差与偏斜度，获得容差样本；（3）对电路某一元件参数由0变换到无穷大时，对电路进行参数扫描分析，求取电路响应的标准差与偏斜度之间的轨迹，寻找故障特征的规律；（4）将（1）-（3）步所获得的标准差与偏斜度组成特征向量，输入神经网络中，进行故障的分类，若故障分类包括Mi(i=0,1,2,3······n)种，其要满足特征向量Xi；（5）任意故障电路Q，检测其计算标准差与偏斜度，获得其标准差与偏斜度组成特征向量P；（6）比较是否P=Xi，若是，执行Q=Mi，程序结束；若否，执行i+1；（7）执行步骤（6）；优选的，所述步骤（1）标准差与偏斜度的计算过程为：①对被测电路施加激励信号，提取电路的输出电压响应信号V(out)；②对V(out)进行数字化，得到采样序列V＝(V1，V2，…，Vi，…VN)，其中，Vi为第i个采样点；N为采样点数；③根据数学公式计算标准差和偏斜度；优选的，所述步骤（4）标准差与偏斜度组成特征向量，规定向量的起点为标准差值，终点为偏斜度。优选的，所述步骤（4）标准差与偏斜度组成特征向量的获得方法为，当电路处于某一电路故障时，检测电压响应信号，获得的标准差为Si，偏斜度为Ti，则两者的组成的特征向量为（Si，Ti）。优选的，所述步骤（4）规定M0=，X0=0。优选的，所述步骤（6）如果出现bug，执行输出“结果错误”，程序结束。有益效果：本发明提供了一种基于网络的电路故障诊断方法，步骤（1）标准差与偏斜度的计算过程为：①对被测电路施加激励信号，提取电路的输出电压响应信号V(out)；②对V(out)进行数字化，得到采样序列V＝(V1，V2，…，Vi，…VN)，其中，Vi为第i个采样点；N为采样点数；③根据数学公式计算标准差和偏斜度；保证了标准差与偏斜度的精确度，步骤（4）标准差与偏斜度组成特征向量，规定向量的起点为标准差值，终点为偏斜度，（4）标准差与偏斜度组成特征向量的获得方法为，当电路处于某一电路故障时，检测电压响应信号，获得的标准差为Si，偏斜度为Ti，则两者的组成的特征向量为（Si，Ti），这样能够保证某一故障有且仅有一个符合的向量，防止出现错误，步骤（4）规定M0=，X0=0，覆盖了后续所有的特征向量，以保证对比的全面性，步骤（6）如果出现bug，执行输出“结果错误”，程序结束，该步骤允许本发明的执行方法出错，一旦出错即停止程序，便于操作人员纠错。具体实施方式实施例1：一种基于网络的电路故障诊断方法，其加工工艺包括如下步骤：（1）对元件无容差情况下的电路，在各种故障状态下进行交流分析，提取其幅频特性，计算标准差与偏斜度，获得无容差样本，标准差与偏斜度的计算过程为：①对被测电路施加激励信号，提取电路的输出电压响应信号V(out)；②对V(out)进行数字化，得到采样序列V＝(V1，V2，…，Vi，…VN)，其中，Vi为第i个采样点；N为采样点数；③根据数学公式计算标准差和偏斜度；（2）对元件有容差情况下的电路，在各种故障状态下进行交流分析和蒙特卡罗分析提取其幅频特性，计算其标准差与偏斜度，获得容差样本；（3）对电路某一元件参数由0变换到无穷大时，对电路进行参数扫描分析，求取电路响应的标准差与偏斜度之间的轨迹，寻找故障特征的规律；（4）将（1）-（3）步所获得的标准差与偏斜度组成特征向量，标准差与偏斜度组成特征向量，规定向量的起点为标准差值，终点为偏斜度，其获得方法为，当电路处于某一电路故障时，检测电压响应信号，获得的标准差为Si，偏斜度为Ti，则两者的组成的特征向量为（Si，Ti），将输特征向量入神经网络中，进行故障的分类，若故障分类包括Mi(i=0,1,2,3······n)种，其要满足特征向量Xi，规定M0=，X0=0；（5）任意故障电路Q，检测其计算标准差与偏斜度，获得其标准差与偏斜度组成特征向量P；（6）比较是否P=Xi，若是，执行Q=Mi，程序结束；若否，执行i+1；如果出现bug，执行输出“结果错误”，程序结束；（7）执行步骤（6）。经过以上工艺后，分别取出样品，测量结果如下：检测正确率与实际结果误差执行过程出错率执行精度实施例199.1%0.16%0.5‰0.0001现有技术95.8%1.83%0.8‰0.0010根据上述表格数据可以得出，当实施例1实施基于网络的电路故障诊断方法，与实检测正确率为99.1%，其结果与实际结果的误差为0.16%，执行出错率为0.5‰，执行精度为0.0001，而现有技术标准与实检测正确率为95.8%，其结果与实际结果的误差为1.83%，执行出错率为0.8‰，执行精度为0.0010，这表明本发明基于网络的电路故障诊断方法，方法的结果更为可信，并且结果稳定，执行的出错率低，执行的精度高，因此本发明具有显著的优越性。本发明提供了一种基于网络的电路故障诊断方法，步骤（1）标准差与偏斜度的计算过程为：①对被测电路施加激励信号，提取电路的输出电压响应信号V(out)；②对V(out)进行数字化，得到采样序列V＝(V1，V2，…，Vi，…VN)，其中，Vi为第i个采样点；N为采样点数；③根据数学公式计算标准差和偏斜度；保证了标准差与偏斜度的精确度，步骤（4）标准差与偏斜度组成特征向量，规定向量的起点为标准差值，终点为偏斜度，（4）标准差与偏斜度组成特征向量的获得方法为，当电路处于某一电路故障时，检测电压响应信号，获得的标准差为Si，偏斜度为Ti，则两者的组成的特征向量为（Si，Ti），这样能够保证某一故障有且仅有一个符合的向量，防止出现错误，步骤（4）规定M0=，X0=0，覆盖了后续所有的特征向量，以保证对比的全面性，步骤（6）如果出现bug，执行输出“结果错误”，程序结束，该步骤允许本发明的执行方法出错，一旦出错即停止程序，便于操作人员纠错。以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的
技术领域：
，均同理包括在本发明的专利保护范围内。当前第1页1 2 3