一种基于多级分类的模拟电路诊断方法与流程

本发明涉及模拟电路故障诊断技术领域，具体涉及一种基于多级分类的模拟电路诊断方法。

背景技术：

随着科技的发展，特别是电子领域和计算机领域技术的突飞猛进，电子设备的应用愈来愈多，设备中的电子元件也越来越复杂，涉及的方面也越来越广。但每个元件在整个设备中都起着举足轻重的作用，任何元件发生微小的故障都有可能导致整个设备的误差，甚至造成巨大的安全隐患。不仅要及时诊断出哪些元件发生了变化，又要准确地诊断和定位电子元件的故障位置和故障原因才是最至关重要的。

虽然电子设备中有较大部分是数字电子电路，但是却有80％的故障发生在模拟电路部分。模拟电路的故障包括硬故障和软故障，硬故障指电子元件完全失效而不能正常工作，软故障指电子元件参数偏移正常范围的正负50％的范围内且能正常工作。模拟电路的硬故障较为容易地发现和定位，而模拟电路的软故障却不容易发现和定位，每个设备中模拟电路由于其非线性、容差性故障模型的失效、可访问结点的不充分以及测量的不确定性使得故障诊断非常困难。

关于模拟电路故障诊断的研究，研究者们提出了不同的诊断方法，如传统的基于信号处理和解析模型的模拟电路故障诊断方法，其包括故障字典法、元件参数识别法、故障验证法，然而，单一的基于原理解析的传统方法存在着模型过于复杂、无法最终定位故障等缺点；又如基于人工智能“特征提取-学习训练-模式识别”的智能信息诊断方法等，然而，基于人工智能的智能信息诊断方法虽然能精确定位故障，但存在着算法复杂度高、数据量过大等缺点。

技术实现要素：

本发明针对现有模拟电路故障诊断方法存在诊断准确率低和复杂度高的问题，提供一种基于多级分类的模拟电路诊断方法。

为解决上述问题，本发明是通过以下技术方案实现的：

一种基于多级分类的模拟电路诊断方法，包括步骤如下：

步骤1、选取各类已知故障的模拟电路和正常的模拟电路作为样本模拟电路，构建训练样本库；

步骤2、对训练样本库中的样本模拟电路施加一个激励源，并获得样本模拟电路的截止频率参数和输出响应参数；其中截止频率参数包括上限截止频率和下限截止频率；输出响应参数为输出电压；

步骤3、对各个样本模拟电路的截止频率参数进行频率分析，并将所有样本模拟电路分为4种初级故障类型，即：上限截止频率上升，下限截止频率保持不变；上限截止频率下降，下限截止频率不变；下限截止频率上升，上限截止频率不变；下限截止频率下降，上限截止不变；

步骤4、对各个样本模拟电路的输出响应参数进行多分辨分析，得到分解系数，并利用该分解系数的能量谱组成样本模拟电路的故障特征向量；

步骤5、根据所确定的样本模拟电路的初级故障类型，对该样本模拟电路的故障特征向量进行分类，由此得到4组故障特征向量；

步骤6、对于每一种初级故障类型，分别利用支持向量机建立一个分类器模型，并利用该初级故障类型所对应的故障特征向量，对该分类器模型进行训练，得到4个故障分类器模型；

步骤7、对待诊断模拟电路施加一个激励源，并获得待诊断模拟电路的截止频率参数和输出响应参数；

步骤8、对待诊断模拟电路的截止频率参数进行频率分析，并确定待诊断模拟电路所属的初级故障类型，进而选择该初级故障类型所对应的故障分类器模型；

步骤9、对待诊断模拟电路的输出响应参数进行多分辨分析，得到分解系数，并利用该分解系数的能量谱组成对待诊断模拟电路的故障特征向量；

步骤10、将步骤9所得到的待诊断模拟电路的故障特征向量输入到步骤8所选择的故障分类器模型中，对故障进行进一步分类，从而确定待诊断模拟电路的最终故障类型。

上述方案中，所述激励源为交流电压源。

上述方案中，所述多分辨分析是以haar小波为小波基的小波变换。

与现有技术相比，本发明通过原理分析，即通过对频率及带宽的测量进行初级分类，再结合智能算法，针对每一小类故障组更细致地划分。多级分类的诊断方法通过电路中故障表征的不同参数，多级诊断，能够最大限度的减少了智能算法的复杂程度，又精确了故障的诊断范围，进而提高了诊断效率，从而解决单级分类的复杂度较大，诊断精度不高的不足。

附图说明

图1为一种基于多级分类的模拟电路诊断方法的流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实例，并参照附图，对本发明进一步详细说明。

为快速实现模拟电路故障的有效分类，本发明针对电路中的不同故障对象，各种故障的特征相似，彼此之间存在着模糊的界限，提出一种基于原理解析(pas)与人工智能算法相结合的模拟电路诊断方法，即一种基于多级分类的模拟电路诊断方法，其基于多级分类的思想，从频域分析和时域分析相结合出发，首先对测试电路进行原理解析，观察待测电路的频谱特性，从上、下限截止频率的变化对故障进行初级定位。初级定位之后，故障范围进一步缩小，之后通过多分辨率分析(mra)提取电路故障信号的特征，形成故障特征集，最后采用支持向量机(svm)精确识别各种故障。

一种基于多级分类的模拟电路诊断方法，如图1所示，其具体包括如下步骤：

步骤1、样本模拟电路的训练阶段：

步骤1.1、选取各类故障的模拟电路和正常的模拟电路作为样本模拟电路，构建训练样本库；

步骤1.2、对训练样本库中的样本模拟电路施加一个激励源即交流电压源，并提取样本模拟电路的截至频率参数和输出响应参数；

所述截至频率参数包括上限截止频率和下限截止频率，是将待测模拟电路施加激励源后，并获得待测模拟电路的频谱图，则可知上限截止频率和下限截止频率。

所述输出响应参数是将待测模拟电路施加激励源后，在待测电路的输出端检测输出电压值作为输出响应参数。

步骤1.3、利用样本模拟电路的截至频率参数构建初级故障分类词典；

在激励的作用下的上限截止频率和下限截止频率，根据截止频率的变化，进行故障初级分类：即①上限截止频率上升，下限截止频率保持不变；②上限截止频率下降，下限截止频率不变；③下限截止频率上升，上限截止频率不变；④下限截止频率下降，上限截止不变；由此得到初级故障分类词典。

步骤1.4、对样本模拟电路的输出响应参数进行mra多分辨分析，并构造故障特征向量；

步骤1.4.1、在电路输出端测量电压信号，每种故障情况采集100组电压信号uij,其中i＝1,2,3…100,j为时间单位，由0s开始，保证时间间隔相同，所有电压信号的测量时间范围相同即可；

步骤1.4.2、响应参数进行以haar小波为小波基的小波变换得到分解系数。

采用连续小波中的haar小波对电压信号uij进行多分辨分析(mra)，对原始信号进行五层分解，并提取每一层高频分解成分的信号特征和第五层的低频第五层信号特征，得到小波分解系数；

步骤1.4.3、对采集到的电压信号进行多分辨分析，求取分解系数序列的能量值组成故障特征向量。

利用得到的小波分解系数构造特征能量谱：

式中：ej为频带为j的能量值，j代表1个低频和5个高频状态，αj为低频信号和高频信号的小波系数(i＝1,2,...k,j＝1,2,...6,k＝100)；

将得到的6个特征能量谱组成故障特征向量x＝(e1,e2,e3…,e6)。

步骤1.5、对于每个样本模拟电路，利用步骤1.3所构建的初级故障分类词典，对步骤1.4所得到的故障特征向量按照进行分类；

步骤1.6、分类完成后，对于每一个大类，用支持向量机svm建立分类器模型，并利用对应的故障特征向量去训练该分类器模型，共得到四个次级故障分类器模型，由此得到次级故障分类词典。

步骤2、待诊断模拟电路的分类阶段：

步骤2.1、对待诊断模拟电路施加一个激励源即交流电压源，并提取待诊断模拟电路的截至频率参数和输出响应参数；

步骤2.2、对待诊断模拟电路的截至频率参数即上限截止频率和下限截止频率进行分析，确定该待诊断模拟电路属于初级故障分类词典中的哪一类故障类型，从而对故障进行初级定位；

步骤2.3、对待诊断模拟电路的输出响应参数即电压信号进行多分辨分析，求取分解系数序列的能量值组成待诊断模拟电路的的故障特征向量；

步骤2.4、基于步骤2.2所确定的故障类型选取对应的分类器模型，并将待步骤2.3所得到的诊断模拟电路的输入到该分类器模型中，对故障进行进一步分类，从而对故障进行次级定位，并诊断出最终的故障类型。

需要说明的是，尽管以上本发明所述的实施例是说明性的，但这并非是对本发明的限制，因此本发明并不局限于上述具体实施方式中。在不脱离本发明原理的情况下，凡是本领域技术人员在本发明的启示下获得的其它实施方式，均视为在本发明的保护之内。