专利名称：一种基于希尔伯特-黄变换的非线性模拟电路软故障诊断方法
技术领域：
本发明涉及一种模拟电路软故障诊断方法，特别涉及一种基于希尔伯特-黄变换(HiIbert-Huang Transform, HHT)的非线性模拟电路软故障诊断方法,属于模拟电路故障诊断和性能退化检测技术领域。
背景技术：
在电路故障诊断研究领域，经实际经验表明，虽然模拟电路部分通常只占整个电子系统的20%左右，但80%以上的故障来自模拟电路部分，并且模拟电路的测试成本占总测试成本的90%以上。相对于数字电路，模拟电路的故障诊断研究进展缓慢且困难重重，在理论上和实际应用中都尚未成熟完善，究其原因有以下几点(I)模拟电路的结构及故障情况复杂；(2)可用诊断信息不充分；(3)可及测试节点有限；(4)模拟元件参数容差的影响；(5)普遍存在的非线性特性，等等。总之，模拟电路的故障诊断已经成为电路故障诊断领域的瓶颈问题，为了确保系统的可靠性和可维护性，该问题已成为一个亟待解决的重要课题。模拟电路故障诊断技术发展至今，对于故障定位的研究已经取得了较为成熟的研究成果，形成了很多行之有效的诊断策略，传统模拟电路故障诊断法主要有故障字典法、概率统计法、故障验证法和参数辨识法；现代模拟电路故障诊断方法主要有专家系统法、模糊理论法、小波变换法、神经网络法、遗传算法、支持向量机法、多种智能技术的混合诊断方法，等等。传统诊断方法中的故障字典法需要大量的测前模拟，一般只适用于无容差电路的单、硬故障的诊断；故障验证法和参数辨识法都需要足够的独立数据，且测后计算量非常大，实施较为困难。传统模拟电路故障诊断方法无法很好地解决元件容差带来的诊断困难，且不适应于非线性模拟电路的故障诊断，现代模拟电路故障诊断方法较好地克服了传统模拟电路故障诊断方法的不足，成为模拟电路故障诊断研究领域的主要方向，具有广阔的发展前景，但是在非线性电路的软故障诊断问题上，现有的方法仍存在不足之处。现代模拟电路故障诊断方法的一个关键环节在于故障特征的提取，而如何从系统输出的有限信息中提取出足以准确定位故障元件的故障特征却是研究的难点。目前，通常是采取施加多个不同频率的激励源的方法，或者在一组经过优化选择的测试点采集信号，然后通过行之有效的信号分析技术对输出信号进行处理，得到足以准确定位故障元件的故障特征。但是实际电路中往往没有足够的可及测试点，并且施加多个激励信号的方法实施起来相对比较麻烦。
发明内容
为了克服现有技术的不足，本发明提供一种基于希尔伯特-黄变换(Hilbert-Huang Transform, HHT)的非线性模拟电路软故障诊断方法。一种基于希尔伯特-黄变换的非线性模拟电路软故障诊断方法，步骤如下
(I)根据被测电路的灵敏度分析结果和元件发生故障的概率建立故障模式集合，给定电路各个元件的容差均为5% ；
(2)激励源作用于无故障的非线性模拟电路，提供激励信号，对电路进行多次容差条件下的蒙特卡罗仿真分析，将每次蒙特卡罗分析的可及测试节点电压信号做希尔伯特-黄变换，得到可及测试节点电压信号的n阶固有模态函数分量和希尔伯特边际谱，求出n阶固有模态函数分量的能量，记为ESi,其中i=l，…，n，和希尔伯特边际谱总能量，记为ES，并由ESi和ES组成判别电路无故障的特征向量，作为BP神经网络的训练样本；
(3)激励源分别作用于各种故障模式下的非线性模拟电路，提供激励信号，在考虑元件容差的条件下，分别对各种故障模式下的电路采集多次可及测试节点电压信号，将每次采集的可及测试节点电压信号做希尔伯特-黄变换，得到信号的n阶固有模态函数分量和希尔伯特边际谱，求出n阶固有模态函数分量的能量，记为ESp j=l,…，n和希尔伯特边际谱总能量，记为ES，并由ESj和ES组成判别电路发生哪一类故障的特征向量，作为BP神经网络的训练样本；
(4)将步骤(2)和(3)中的训练样本归一化后作为输入向量训练BP神经网络；训练样本的输出向量确定方法为设电路有K种故障模式,即模式1、模式2、…、模式j、…、模式K，网络输出向量为(yi，i2,…，y」，…，yK)，若电路状态处于模式j，则令y」=l，其余为O，网络输出向量为(O，O，…，1，…，0);
(5)测量待测电路的可及测试节点的电压信号，经希尔伯特-黄变换后得到由n阶固有模态函数分量的能量ESm，m =1，…，n和希尔伯特边际谱总能量ES组成的特征向量，将特征向量归一化后输入步骤(4)中训练好的BP神经网络，神经网络的输出即可判定故障模式，完成了故障元件的定位。所述的待测电路的拓扑结构已知。所述的待测电路的输出端为唯一的可及测试点。给待测电路施加 的激励源为一个不少于三个频率的多频复合信号。所述的待测电路的各个元件的容差均为5%。对待测电路进行灵敏度仿真分析，只考虑测试节点电压灵敏度较高的元件发生故障的情况。所述的软故障情况为元件参数漂移出标称值的容差范围，但不超过标称值的±50%，假如元件的标称值为S0 ,容差为5%，元件发生软故障时的参数为^ 1，则
^f e [ 1 50% 為-Rq :丨:5%] I—j [1 + Rrj r|: 5% , I0 :|:150%]。所述的软故障只会引起电路性能发生退化，而不会引起电路发生功能性故障。本发明的有益效果在于本发明通过对测试节点的电压信号进行HHT分析，由n阶IMF分量的能量ESi和Hilbert边际谱总能量ES组成特征向量，实现了在测试节点有且仅有一个的前提下提取足以定位故障元件的故障特征，通过训练好的BP神经网络实现单个和多个软故障元件的定位，对于元件发生性能退化型故障的情况，本发明的诊断率较高，单故障的平均诊断率可达96%，多故障的平均诊断率可达91. 3%，适合于解决实际工程问题。
图1是基于希尔伯特-黄变换的非线性模拟电路软故障诊断方法的流程图。
图2是晶体管单管共射级放大电路的电路原理图。图3是希尔伯特-黄变换的经验模态分解算法流程图。图4是希尔伯特-黄变换的Hilbert能量谱算法流程图。
具体实施例方式下面结合附图和实施例，对本发明做进一步说明。一种基于希尔伯特-黄变换的非线性模拟电路软故障诊断方法，步骤如图1所示
(1)根据被测电路的灵敏度分析结果和元件发生故障的概率建立故障模式集合，给定电路各个元件的容差均为5% ；
(2)激励源作用于无故障的非线性模拟电路，提供激励信号，对电路进行多次容差条件下的蒙特卡罗仿真分析，将每次蒙特卡罗分析的可及测试节点电压信号做希尔伯特-黄变换，得到可及测试节点电压信号的n阶固有模态函数分量和希尔伯特边际谱，求出n阶固有模态函数分量的能量，记为ESi,其中i=l，…，n，和希尔伯特边际谱总能量，记为ES，并由ESi和ES组成判别电路无故障的特征向量，作为BP神经网络的训练样本；
(3)激励源分别作用于各种故障模式下的非线性模拟电路，提供激励信号，在考虑元件容差的条件下，分别对各种故障模式下的电路采集多次可及测试节点电压信号，将每次采集的可及测试节点电压信号做希尔伯特-黄变换，得到信号的n阶固有模态函数分量和希尔伯特边际谱，求出n阶固有模 态函数分量的能量，记为ESp j=l,…，n和希尔伯特边际谱总能量，记为ES，并由ESj和ES组成判别电路发生哪一类故障的特征向量，作为BP神经网络的训练样本；
(4)将步骤(2)和(3)中的训练样本归一化后作为输入向量训练BP神经网络；训练样本的输出向量确定方法为设电路有K种故障模式,即模式1、模式2、…、模式j、…、模式K，网络输出向量为(yi，i2,…，y」，…，yK)，若电路状态处于模式j，则令y」=l，其余为0，网络输出向量为(0，0，…，1，…，0);
(5)测量待测电路的可及测试节点的电压信号，经希尔伯特-黄变换后得到由n阶固有模态函数分量的能量ESm，m =1，…，n和希尔伯特边际谱总能量ES组成的特征向量，将特征向量归一化后输入步骤(4)中训练好的BP神经网络，神经网络的输出即可判定故障模式，完成了故障元件的定位。 所述的待测电路的拓扑结构已知。所述的待测电路的输出端为唯一的可及测试点。给待测电路施加的激励源为一个不少于三个频率的多频复合信号。所述的待测电路的各个元件的容差均为5%。对待测电路进行灵敏度仿真分析，只考虑测试节点电压灵敏度较高的元件发生故障的情况。所述的软故障情况为元件参数漂移出标称值的容差范围，但不超过标称值的±50%，假如元件的标称值为R0 ,容差为5%，元件发生软故障时的参数为尽! \则
E0tSl R0:1:50% ,E0-R0^ 5 %] u [E0+ R0 :.1:5% , R0 * 15 0%]。
所述的软故障只会引起电路性能发生退化，而不会引起电路发生功能性故障。实施例其具体过程如下
(I)如图2所示，选取晶体管单管共射级放大电路验证本发明的软故障诊断方法。晶体管单管共射级放大电路的各元件参数的标称值如图2所示，元件RL为负载，各个元件参数的容差均为5%，激励信号为一组幅值42mV/频率1KHZ、幅值30mV/频率2. 4KHZ、幅值20mV/频率0. 8KHZ的复合正弦信号，节点out为输出测试点。仿真平台为Multisimll. 0和Matlab7. 11. O。(2)根据被测电路的输出节点灵敏度分析结果和可能发生的主要元件故障建立由11种故障模式组成的电路状态模式，加上无故障模式，共有12种电路状态集合，如表I所表I待测电路各状态模式下的元件参数值
权利要求
1.一种基于希尔伯特-黄变换的非线性模拟电路软故障诊断方法，其特征在于，步骤如下 (1)根据被测电路的灵敏度分析结果和元件发生故障的概率建立故障模式集合，给定电路各个元件的容差均为5% ； (2)激励源作用于无故障的非线性模拟电路，提供激励信号，对电路进行多次容差条件下的蒙特卡罗仿真分析，将每次蒙特卡罗分析的可及测试节点电压信号做希尔伯特-黄变换，得到可及测试节点电压信号的η阶固有模态函数分量和希尔伯特边际谱，求出η阶固有模态函数分量的能量，记为ESi,其中i=l，…，η,和希尔伯特边际谱总能量，记为ES，并由ESi和ES组成判别电路无故障的特征向量，作为BP神经网络的训练样本； (3)激励源分别作用于各种故障模式下的非线性模拟电路，提供激励信号，在考虑元件容差的条件下，分别对各种故障模式下的电路采集多次可及测试节点电压信号，将每次采集的可及测试节点电压信号做希尔伯特-黄变换，得到信号的η阶固有模态函数分量和希尔伯特边际谱，求出η阶固有模态函数分量的能量，记为ESp j=l,…，η和希尔伯特边际谱总能量，记为ES，并由ESj和ES组成判别电路发生哪一类故障的特征向量，作为BP神经网络的训练样本； (4)将步骤(2)和(3)中的训练样本归一化后作为输入向量训练BP神经网络；训练样本的输出向量确定方法为设电路有K种故障模式,即模式1、模式2、…、模式j、…、模式K，网络输出向量为(yi，ι2,…，y」，…，yK)，若电路状态处于模式j，则令y」=l，其余为O，网络输出向量为(O, O,…，1，…，O); (5)测量待测电路的可及测试节点的电压信号，经希尔伯特-黄变换后得到由η阶固有模态函数分量的能量ESm，m =1，…，η和希尔伯特边际谱总能量ES组成的特征向量，将特征向量归一化后输入步骤(4)中训练好的BP神经网络，神经网络的输出即可判定故障模式，完成了故障元件的定位。
2.根据权利要求1所述的基于希尔伯特-黄变换的非线性模拟电路软故障诊断方法，其特征在于，待测电路的拓扑结构已知。
3.根据权利要求1所述的基于希尔伯特-黄变换的非线性模拟电路软故障诊断方法，其特征在于，待测电路的输出端为唯一的可及测试点。
4.根据权利要求1所述的基于希尔伯特-黄变换的非线性模拟电路软故障诊断方法，其特征在于，给待测电路施加的激励源为一个不少于三个频率的多频复合信号。
5.根据权利要求1所述的基于希尔伯特-黄变换的非线性模拟电路软故障诊断方法，其特征在于，待测电路的各个元件的容差均为5%。
6.根据权利要求1所述的基于希尔伯特-黄变换的非线性模拟电路软故障诊断方法，其特征在于对待测电路进行灵敏度仿真分析，只考虑测试节点电压灵敏度较高的元件发生故障的情况。
7.根据权利要求1所述的基于希尔伯特-黄变换的非线性模拟电路软故障诊断方法，其特征在于，所述的软故障情况为元件参数漂移出标称值的容差范围，但不超过标称值的±50%，假如元件的标称值为R0 ,容差为5%，元件发生软故障时的参数为在_ ,则
特征在于，所述的软故障只会引起电路性能发生退化，而不会引起电路发生功能性故障。
全文摘要
本发明公开了一种基于希尔伯特-黄变换的非线性模拟电路软故障诊断方法。给待测电路施加一个交变激励信号，以电路的输出端作为可及测试点，通过对输出电压信号进行希尔伯特-黄变换，得到输出电压信号的n阶固有模态函数分量和希尔伯特边际谱，以固有模态函数分量的能量和希尔伯特边际谱总能量组成判别故障存在与否的特征向量。针对各种故障模式，通过仿真训练BP神经网络，然后将实际测试得到的特征向量输入训练好的神经网络，即可定位故障元件。本发明不仅可以诊断单个元件的软故障，并且可以诊断两个或三个元件同时发生软故障的情况，故障诊断率高，且只需一个测试点，诊断条件宽松，实用性较强。
文档编号G06N3/02GK103064008SQ20121057383
公开日2013年4月24日 申请日期2012年12月26日 优先权日2012年12月26日
发明者马翔楠, 徐正国, 王文海, 孙优贤, 王力, 肖海生, 程崇峰 申请人:浙江大学