本发明涉及模拟电路模块故障诊断方法。
背景技术：
由于模拟电路在长期工作的过程中，内部的元器件或多或少都存在着一定程度的退化现象，对环境因素比较敏感，也会导致参数加速漂移。致使电路的性能一点点出现恶化，直至完全丧失功能，最后可能会产生某些无法挽回的后果。因此在元器件退化时要进行及时有效的检测，维护。美国NASA的Chetan S.Kulkarni的研究团队证明了元件的退化现象会致使电路响应出现渐变性故障，通过对电源模块中的电容和MOSFET元件进行深入的理论分析和退化实验研究，确认元件的退化现象会导致模拟电路具有故障参数连续的特点。因此相应的故障状态有无穷多个；同时由于模拟元器件的容差性；模拟电路普遍的非线性等，这造成了模拟电路的故障诊断更加困难。
因此近几十年来，国内外的专家在模拟电路故障诊断方面做了大量深入的研究，发表了大量的研究文献，提出了很多结合模式识别领域的方法。大部分的诊断方法都是通过对故障样本数据进行标记训练，建立一个分类器对故障进行诊断。当然也还有一些聚类方法是在无标明类别的前提下，试图发现数据之间的内部特征构造分类器，可是此类算法一般需要指定聚类的个数，在实际上聚类个数一般不可知，会导致诊断的结果并不准确。
无论哪种方法都需要足够的正类和负类样本支撑分类器，才能决定诊断的决策边界。然而现实过程中由于样本的非均衡性，会导致许多的电子系统、设备无法掌握全部的故障样本，一方面由于设备故障率低，无法获取很多有用信息，另一方面许多设备的造价昂贵，比如火箭，卫星，难以为了获得故障样本而制造故障。这样就会由于数据不均衡，引起分类面严重偏离，难以保证分类的准确性。所以只能通过对目标类样本进行学习，建立一个故障检测模型。
目前国内外很多文献研究了使用单分类方法做故障检测，尤其以支持向量数据描述(Support Vector Data Description，SVDD)较为常用，并取得了不错的效果。但是单分类只采用一类样本，无法准确找到参数偏移的元件，对故障做出定位，而实际上由于电路的集成化，即使找到故障的元器件，对某一基本元器件单独更换难度也较大。因此可以考虑将电路故障定位到一部分元件上，不需要具体找到故障元件，只需保证这部分元件涵盖故障元件即可，这里将涵盖故障元件的部分元件集合称为故障模块，以迅速对故障模块进行维护，避免整个电路失效。也就是说，通过单分类法实现模块故障定位即可帮助提升模拟电路的可靠性，开展此项工作对解决目前故障样本获取较难，故障诊断覆盖不足的问题有重大现实意义。
技术实现要素：
本发明的目的是为了解决实际模拟电路模块故障诊断过程中，缺少故障样本导致电路模块故障诊断准确率低的问题，而提出一种模拟电路模块故障诊断方法。
一种模拟电路模块故障诊断方法包括以下步骤：
步骤一：将模拟电路进行功能模块划分，电路模块化后，选择模块的输出节点作为测试节点；电路划分完成后，得到按照上下级排序的N个电路模块，选择各自模块的输出节点作为测试节点，对应N个测试节点；
步骤二：建立模块故障检测仿真模型，通过仿真实验，对电路输入脉冲信号，通过模块故障检测仿真模型获得划分后的各模块正常状态的各节点检测率，以及其中任一模块处于故障状态下的各节点检测率；
步骤三：建立模块故障检测实际模型，采用建立的模块故障检测实际模型对实际的电路各模块进行故障检测(检测正常状态和故障状态)，获得各模块的检测结果；
步骤四：根据步骤二得到的检测率对步骤三获得的各模块的检测结果配置可信度，可信度作为用D-S证据理论诊断故障模块位置的证据m1；
步骤五：将步骤二中的脉冲信号更换为扫频信号，重复执行步骤二至步骤四，得到证据m2，将证据m1和证据m2通过D-S证据理论进行融合后，完成故障模块的定位。
本发明的有益效果为：
采用本发明在进行模拟电路模块故障诊断时，解决了实际诊断过程中故障样本较少的问题，仅通过正类样本训练，完成故障模块定位。同时也避免了根据SVDD模型结合各模块位置信息进行模块故障定位时，易受噪声干扰的问题。利用D-S证据融合的诊断模型从时域、频域角度对模块故障定位，可以整合电路模块故障在时域和频域角度诊断效果不同的优势。对某一串联结构模拟电路以及含有并联成分的模拟电路模块故障诊断率为88.48％、93.08％，诊断效果很好。
附图说明
图1为并联模块划分结构图；
图2为含有并联成分的双带通滤波电路图；
图3为含有并联成分的双带通滤波电路模块划分结构图。
具体实施方式
具体实施方式一：一种模拟电路模块故障诊断方法包括以下步骤：
步骤一：将模拟电路进行功能模块划分，电路模块化后，选择模块的输出节点作为测试节点；电路划分完成后，得到按照上下级排序的N个电路模块，选择各自模块的输出节点作为测试节点，对应N个测试节点；
步骤二：建立模块故障检测仿真模型，通过仿真实验，对电路输入脉冲信号，通过模块故障检测仿真模型获得划分后的各模块正常状态的各节点检测率，以及其中任一模块处于故障状态下的各节点检测率；
步骤三：建立模块故障检测实际模型，采用建立的模块故障检测实际模型对实际的电路各模块进行故障检测(检测正常状态和故障状态)，获得各模块的检测结果；
步骤四：根据步骤二得到的检测率对步骤三获得的各模块的检测结果配置可信度，可信度作为用D-S证据理论诊断故障模块位置的证据m1；
步骤五：将步骤二中的脉冲信号更换为扫频信号，采集节点输出的频域电压信号作为待测特征；重复执行步骤二至步骤四，得到证据m2，将证据m1和证据m2通过D-S证据理论进行融合后，完成故障模块的定位。
具体实施方式二：本实施方式与具体实施方式一不同的是：所述步骤一中将电路按照模块的功能进行划分具体为：
划分时满足以下条件：
(1)模块之间不能存在反馈；
(2)保证并联模块的输出存在非公共节点，否则把并联的部分，整体划为一个模块。
将电路按照模块的功能进行划分，要保证划分后模块之间不能存在反馈，以免相互影响。另外对存在并联成分的电路划分时，要尽量保证并联模块的输出存在非公共节点，或者从并联模块的中间级进行划开，如图1，否则需把并联的部分整体划为一个模块。电路划分完成后得到N个电路模块，选择各自模块的输出节点作为测试节点，对应N个测试节点。
其它步骤及参数与具体实施方式一相同。
具体实施方式三：本实施方式与具体实施方式一或二不同的是：所述步骤二中建立模块故障检测仿真模型，通过仿真实验，对电路输入脉冲信号，通过模块故障检测模型获得划分后的各模块正常状态的各节点检测率，以及其中任一模块处于故障状态下的各节点检测率的具体过程为：
步骤二一：通过仿真实验，给电路添加一个脉冲输入信号作为激励，采集正常状态下节点1的时域电压信号作为待测特征，将节点1的输出特征，经过PCA进行特征提取处理，得到处理后的数据作为训练样本，送入SVDD选用高斯核的模型中，建立节点1的模块故障检测仿真模型；所述PCA为主成分分析，SVDD为支持向量数据描述；
步骤二二：通过仿真实验，对步骤一划分的各模块内的元件依次注入参数漂移50％的故障，采用脉冲信号激励该待测模拟电路，采集节点1的时域电压信号作为待测特征，通过PCA进行特征提取处理，得到处理过的数据作为测试样本，送入步骤二一建立的模块故障检测仿真模型中，得到各模块内部元件故障状态以及正常状态下时，模块1对应的测试节点1的检测率，取各模块内部元件检测率的平均值作为各模块故障时节点1的检测率；
步骤二三：将步骤二一中的节点1更换为节点2，重复执行步骤二一至步骤二二，直至得到N个模块故障时N个节点的检测率。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四：本实施方式与具体实施方式一至三之一不同的是：所述步骤三中建立模块故障检测实际模型，采用建立的模块故障检测实际模型对实际的电路各模块进行故障检测，获得各模块的检测结果的具体过程为：
步骤三一：对实际电路添加一个脉冲输入信号作为激励，采集正常状态下节点1的时域电压信号作为待测特征，将节点1的输出特征，经过PCA进行特征提取处理，得到处理后的数据作为训练样本，送入SVDD选用高斯核的模型中，建立节点1的模块故障检测实际模型；
步骤三二：对实际电路添加一个脉冲输入信号作为激励，采集待测状态下节点1的时域电压信号作为特征，经过PCA进行特征提取处理，将处理后的数据送入节点1的模块故障检测实际模型中，得到模块1的检测结果；
步骤三三：将步骤三一中的节点1更换为节点2，重复执行步骤三一至步骤三二，直至得到N个模块的检测结果。
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五：本实施方式与具体实施方式一至四之一不同的是：所述步骤四中根据步骤二得到的检测率对步骤三获得的各模块的检测结果配置可信度，可信度作为用D-S证据理论诊断故障模块位置的证据m1的具体过程为：
根据步骤二得到的检测率对步骤三获得的各模块的检测结果配置可信度的方式分为针对串联结构模拟电路的配置和含有并联结构模拟电路的配置；
(一)串联结构模拟电路配置的具体过程为：
步骤(1)：将步骤三获得的各模块的检测结果按照模块的上下级进行排列，按照排列得到一组数据，将检测结果为正常状态的模块用数字1表示，检测结果为故障状态的用数字-1表示，找到数据中最开始出现-1的位置，即初步判定为故障模块的位置，若所有检测结果都为1，则初步认定整个电路处于正常状态；
步骤(2)：若按照步骤(1)将故障判定为模块n，找到步骤二中仿真实验时模块n故障时的各节点检测率；n＝1，2，…，N；
步骤二仿真实验中，节点1检测率用P1表示，计算此次故障对模块1故障的可信度m1(P1)；计算公式为：
m1(P1)＝P1
节点2检测率用P2表示，计算此次故障对模块2故障的可信度m1(P2)，计算公式为：
m1(P2)＝(1-P1)*P2
节点3检测率用P3表示，计算此次故障对模块3故障的可信度m1(P3)，计算公式为：
m1(P3)＝(1-P1)*(1-P2)*P3
依次得到N个模块故障的可信度，节点n检测率用Pn表示，计算此次故障对模块n故障的可信度m1(Pn)，计算公式为：
m1(Pn)＝(1-P1)*(1-P2)*...*Pn (1)
计算电路正常状态的可信度为：
m1a＝(1-P1)*(1-P2)*...*(1-PN) (2)
m1a为此次故障对电路正常状态故障的可信度。
计算电路处在不确定状态的可信度为：
m1b＝0 (3)
m1b为此次故障对电路处在不确定状态故障的可信度。
完成对此次实际检验结果得到的N个模块故障的可信度计算，表示为证据m1＝m1(P1)，m1(P2)，…，m1(PN)，m1am1b，0；证据m1为一组N+3维的数列。
若定位在正常状态下，P1、P2、...、PN的值分别为：
Pn＝1-Xn
其中Xn为正常状态下节点n的检测率；
根据公式(1)、(2)和(3)，得到证据m1；
(二)含有并联结构模拟电路配置的具体过程为：
步骤1)：将步骤三获得的各模块的检测结果按照模块的上下级进行排列，并联模块的检测结果为同一级，按照排列得到一组数据；找到数据中最开始出现-1的位置，即初步判定为故障模块的位置，若所有检测结果都为1，则初步认定整个电路处于正常状态；若并联模块都判断为-1，且并联模块紧邻的上级模块检测为1，则初步认定整个电路处于不确定状态；
步骤2)：假设电路中模块m和模块m+1为并联模块，若按照步骤1)将故障判定为模块n，找到步骤二仿真实验时模块n故障时的各节点检测率；m＝1，2，…，N；
步骤二仿真实验中，节点1检测率用P1表示，计算此次故障对模块1故障的可信度m1(P1)，计算公式为：
m1(P1)＝P1
节点2检测率用P2表示，计算此次故障对模块2故障的可信度m1(P2)，计算公式为：
m1(P2)＝(1-P1)*P2
依此类推，当计算此次故障对并联模块m、m+1故障的可信度m1(Pm)以及m1(Pm+1)时，节点m检测率用Pm表示，节点m+1检测率用Pm+1，则计算公式为：
m1(Pm)＝(1-P1)*(1-P2)*...*Pm*(1-Pm+1) (4)
m1(Pm+1)＝(1-P1)*(1-P2)*...*(1-Pm)*Pm+1 (5)
依次得到对N个模块故障的可信度，节点n检测率用Pn表示，计算此次故障对模块n故障的可信度m1(Pn)，计算公式为：
m1(Pn)＝(1-P1)*(1-P2)*...*(1-Pm)*(1-Pm+1)*...*Pn (6)
对电路正常状态的可信度为m1a，计算公式为：
m1a＝(1-P1)*(1-P2)*...*(1-Pm)*(1-Pm+1)*...*(1-PN) (7)
不确定程度用m1b表示，计算公式为：
m1b＝1-m1(P1)-m1(P2)-...-m1(PN)-m1a (8)
完成对此次实际检验结果得到的N个模块故障的可信度计算，表示为证据m1＝m1(P1)，m1(P2)，…，m1(PN)，m1a，m1b，0；
若定位在正常状态下，P1、P2、...、PN的值分别为：
Pn＝1-Xn
其中Xn为正常状态下节点n的检测率；
根据公式(4)、(5)、(6)、(7)和(8)，得到证据m1，m1＝m1(P1)，m1(P2)，…，m1(PN)，m1a，m1b，0；
若定位在不确定状态下，m1(P1)，m1(P2)，…，m1(PN)，m1a，m1b；的值为：
m1(Pn)＝100/(N+2)
m1a＝100/(N+2)
m1b＝100/(N+2)
得到m1＝m1(P1)，m1(P2)，…，m1(PN)，m1a，m1b，0。
其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六：本实施方式与具体实施方式一至五之一不同的是：所述步骤五中将证据m1和证据m2通过D-S证据理论进行融合后，完成故障模块的定位的具体过程为：
根据D-S证据理论得到融合后的证据m，对证据m进行决策输出，判定对该电路模块故障的定位结果；
所述决策遵守三条原则：
在新证据m中，m(n)作为最大可信度；
①m(n)大于其他类可信度一个阈值λ1；
②m(A)大于不确定可信度一个阈值λ2；
③不确定可信度小于一个阈值λ3；
λ1、λ2和λ3为人为选取，其中m(n)对应为新证据m对n模块故障或者电路正常的可信度，根据决策输出判定n模块故障或者电路处于正常状态。
其它步骤及参数与具体实施方式一至五之一相同。
采用以下实施例验证本发明的有益效果：
实施例一：
以一个双带通滤波电路为例说明本发明对模块故障诊断的研究成果，双带通滤波电路结构如图2所示：
首先按照针对并联电路的实施步骤一，先将电路进行模块划分，划分为P1、P2、P3、P4、P5模块，模块的结构图如图3所示。五个模块依次对应的测试节点为节点1、2、3、4、5，其中模块P2、模块P3为并联模块。
按照步骤二，通过仿真实验，给电路添加一个周期为500μs、脉冲宽度为20μs、幅值为5V的脉冲输入信号作为测试激励，然后采集电路状态下节点1输出的时域电压信号，对得到的数据进行归一化处理，利用PCA完成数据的特征提取，到处理后的数据作为训练样本，送入SVDD选用高斯核的模型中，建立起该节点的故障检测模型。
然后通过仿真实验，给电路添加一个脉冲输入信号作为激励，依次对电路中的所有元件注入50％的故障，采用同样的脉冲信号，并且PCA处理，最后将处理后的数据送到送入之前建立的SVDD高斯核检测模型中，得到各模块内元件故障时节点1的检测率，取各模块内部元件检测率的平均值作为各模块故障时节点1的检测率。以及正常状态下仿真得到的节点1的检测率。
重复实验得到各模块故障下以及正常状态下各节点采集时域电压信号的检测率如表所示；表中加粗的数字为各模块故障状态对应节点的检测率。
双带通滤波电路各节点采集时域电压信号的检测率(单位：％)
按照步骤三，对实物电路各节点建立正常状态的检测模型，在实际对该电路诊断时，通过建立的实物检测模型检测各节点输出的时域信号的状态，正常的状态用1，表示故障状态用-1表示。
按照步骤四，将各模块的检测结果按照电路结构排列起来得到五个(-1、1)的组合，这里假设为1、(1、-1)、-1、1，这里模块2和模块3属于并联模块，他们的状态没有先后顺序，处于同一级。根据五个数据可以初步判断故障模块为模块P3。
因此这里取表中P3模块故障各节点的检测的率作为先验知识，得到此次检验各模块故障的可信程度。
m1(P1)＝P1＝0.0783
m1(P2)＝(1-P1)*P2*(1-P3)＝0.0028
m1(P3)＝(1-P1)*(1-P2)*P3＝0.8160
m1(P4)＝(1-P1)*(1-P2)*(1-P3)*P4＝0.0247
m1(P5)＝(1-P1)*(1-P2)*(1-P3)*(1-P4)*P5＝0.0063
m1(正常)＝(1-P1)*(1-P2)*(1-P3)*(1-P4)*(1-P5)＝0.0020
m1(不确定)＝1-7.83％-0.28％-81.60％-2.47％-0.63％-0.20％＝0.0699
由此得到了证据m1。
然后按照步骤五，重复步骤二，将电路激励换为一个幅值为5V，频率区间为1Hz-1MHz的扫频激励信号，采集各节点输出的频域电压信号。经步骤二得到各模块故障下以及正常状态下各节点采集频域电压信号的检测率如图表所示。表中加粗的数字为各模块故障状态对应节点的检测率。
双带通滤波电路各节点采集频域电压信号的检测率(单位：％)
按照步骤四，将各模块的检测结果按照电路结构排列起来得到五个(-1、1)的组合，这里假设为1、(1、-1)、-1、-1，根据五个数据可以初步判断故障模块为模块P3。
因此这里取表中P3模块故障各节点的检测的率作为先验知识，得到此次检验各模块故障的可信程度。
m2(P1)＝P1＝0.0533
m2(P2)＝(1-P1)*P2*(1-P3)＝0.0018
m2(P3)＝(1-P1)*(1-P2)*P3＝0.8355
m2(P4)＝(1-P1)*(1-P2)*(1-P3)*P4＝0.0128
m2(P5)＝(1-P1)*(1-P2)*(1-P3)*(1-P4)*P5＝0.0025
m2(正常)＝(1-P1)*(1-P2)*(1-P3)*(1-P4)*(1-P5)＝0.0013
m2(不确定)＝1-7.83％-0.28％-81.60％-2.47％-0.63％-0.20％＝0.0928
由此得到了证据m2。将证据m1、m2通过D-S证据理论进行证据融合结果如表所示。
D-S证据理论进行决策输出时，选取三个阈值λ1，λ2，λ3都为0.1。
双带通滤波电路D-S证据融合诊断例表
经融合后，故障模块定位为模块P3。完成了此次模块故障诊断。
本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。