本发明属于模拟电路故障诊断领域,涉及一种模拟电路间歇故障诊断方法。
背景技术:
模拟电路在工业生产、日常生活和高科技领域有着非常广泛的应用。在电子电路系统中,间歇故障严重影响系统性能。在混合电路中,间歇故障发生频率是永久故障的10~30倍,是造成系统失效的主要原因。虽然电子设备中数字电路约占80%,模拟电路约占20%,但在其寿命周期中,约80%的故障出自模拟电路。显然,模拟电路的可靠性和维修性很大程度上决定了电子设备的可靠性和维修性。
间歇故障是一种可反复出现,未经处理可自行消失的非永久故障,具有随机性,间歇性和反复性。在电子设备尤其是大规模集成电路中,由于制造工艺不佳和不规范使用等导致的元器件虚焊、芯片管脚和连线松动等均会导致电路间歇故障的发生。
目前,提取故障特征的方法很多,如快速傅里叶变换,小波变换,小波包变换,倒谱和wigner分布等。模拟电路中故障信号往往是非平稳和非线性的,一些传统方法不能理想地提取故障特征。小波变换是一种适用于非平稳信号的时频分析方法,但它丢失了信号高频带的相关信息。小波包变换克服了小波变换的缺点,可以对整个信号频率范围进行均匀分解。小波包分解后,信号可以分解为多个独立的频带而不会发生遗漏和重叠。
由于间歇故障机理复杂,建立解析模型的方法条件较为苟刻,不易实现。而高斯混合隐马尔科夫模型(ghmm)是一种基于统计模型的故障诊断方法,无需对间歇故障特性与机理进行深入的分析,只需要通过系统各状态运行的数据就可以建立概率统计的ghmm模型,通过待测信号与各状态的模型相似度就可以确定系统当前状态,从而达到间歇故障诊断的目的。
技术实现要素:
有鉴于此,本发明的目的在于提供一种模拟电路间歇故障诊断方法。本方法通过小波包变换对待测信号进行特征提取,将小波包能量作为特征向量,将特征向量构成的观测序列输入训练好的ghmm模型库中进行匹配识别,以达到诊断间歇故障的目的。
为达到上述目的,本发明的技术方案提供一种模拟电路间歇故障诊断方法,所述方法包括以下步骤:
1)使用电路仿真软件对待测电路进行灵敏度分析,选取灵敏度高的元件作为间歇故障和永久故障的发生部位,给定电路各个元件的容差均为5%。
2)对待测电路施加激励,在离线建模阶段,通过电路仿真软件,针对不同元件的正常状态、间歇故障状态和永久故障状态,根据元件参数的变化范围,分别执行k次montecarlo分析,最后分别得到正常状态、间歇故障状态和永久故障状态下待测电路的k个输出信号。
3)对步骤2)中的正常状态、间歇故障状态和永久故障状态下的输出信号进行j层小波包分解,提取各频带内信号的能量特征作为特征向量,每个状态有k个特征向量。
4)将步骤3)中各个状态下的k个特征向量组成观测序列。通过各个状态的观测序列训练得到不同元件不同状态对应的ghmm模型(正常状态、间歇故障状态和永久故障状态),完成离线建模。同时将实测电路的信号进行步骤3)的小波包特征提取,构建特征向量,以进行测试识别使用。
5)将电路的实测信号的观测序列输入训练好的ghmm模型库中,通过实测信号与各模型的相似度来识别电路的正常状态、间歇故障状态和永久故障状态,得出诊断结果,完成间歇故障的诊断。
本发明达到的有益效果为:本发明无需研究间歇故障系统复杂的动态特性,只需要获取足够的间歇故障数据进行分析和处理来实现间歇故障的诊断。通过小波包变换将信号的高、低频分量中所提取的能量特征作为故障特征,以提高间歇故障的识别精度。在间歇故障诊断方面,与传统方法相比,隐马尔科夫模型是一种双重随机过程,它不仅状态间的转移是随机的,其每个状态的观测值也是随机的,适合处理动态随机过程,模型中真实的状态是隐藏的,可以通过观察值来感知状态的存在和特征。针对间歇故障随机性、间歇性和反复性这种动态随机故障,隐马尔科夫模型能较好的处理这类故障的识别。相比离散隐马尔科夫模型,ghmm克服了观测值量化处理的这一过程而导致的有效信息丢失问题,能较好的处理连续信号,从而提高故障识别率。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚,本发明提供如下附图进行说明:
图1为本发明所述模拟电路间歇故障诊断方法的流程框图。
图2为本发明所述模拟电路间歇故障诊断方法的三层小波包分解结构图。
图3为本发明所述模拟电路间歇故障诊断方法的ghmm训练和诊断流程图。
具体实施方式
为了更清楚的理解本发明,以下结合附图进行详细描述:
参照图1,本实施例包括以下步骤:
1)使用电路仿真软件对待测电路进行灵敏度分析,选取灵敏度高的元件作为间歇故障和永久故障的发生部位,给定电路各个元件的容差均为5%。
2)对待测电路施加激励,在离线建模阶段,通过电路仿真软件,针对不同元件的正常状态、间歇故障状态和永久故障状态,根据元件参数的变化范围,分别执行k次montecarlo分析,最后分别得到正常状态、间歇故障状态和永久故障状态下待测电路的k个输出信号。
本发明虽无需研究间歇故障系统复杂的动态特性,但需要获取足够的间歇故障数据进行分析和处理来实现间歇故障的诊断。考虑到实际电路中难以获取大量间歇故障数据,并且测量过程中难以保障间歇故障的发生,因此考虑通过仿真软件离线获取模拟电路间歇故障数据,以便进行间歇故障ghmm模型的训练。
其间歇故障状态下仿真数据的获取,可以通过步骤1)中获取的关键元器件作为间歇故障发生节点,在关键节点处添加继电器等开关元件,通过在控制继电器等开关元件的间歇性通断来模拟虚焊、连线松动等间歇故障的发生,从而获取不同元件的间歇故障数据以进行间歇故障ghmm模型训练。
3)对步骤2)中的正常状态、间歇故障状态和永久故障状态下的输出信号进行j层小波包分解,提取各频带内信号的能量特征作为特征向量,每个状态有k个特征向量。
间歇故障往往发生在故障早期,具有一定的累积效应,最后转变为不可逆转的永久故障其间歇故障信号往往夹杂在正常信号中,与正常状态信号和永久故障状态信号相比,其能量特征在部分频带中存在差异,根据这种差异,选取小波包分解把信号高频和低频部分无重叠,无遗漏的进行分解,提取各频带的能量特征以达到后续诊断间歇故障的目的。
其小波包分解算法为:
式中j为尺度因子,n为调制参数或振荡参数,dj,n表示第j层第n个子频带的小波系数,dj+1,2n和dj+1,2n+1表示第j+1层第2n和2n+1个子频带的小波系数,m是平移量,k为函数变量。
以三层小波包分解为例,其小波包分解结构图如图2所示。图中x(t)为原始信号,d1,0(t)表示小波包分解的第一层低频系数,d1,1(t)表示第一层高频系数,其它依次类推。
小波包能量的计算公式为:
其中,k表示第k次montecarlo分析,(j,i)表示小波包分解树的第j层的第i个节点,
求出信号分解后的各频带能量所构成的特征向量,则第k次montecarlo分析对应特征向量为:
4)将步骤3)中各个状态下的k个特征向量组成观测序列。通过各个状态的观测序列进行训练得到不同元件不同状态所对应的ghmm模型(正常状态、间歇故障状态和永久故障状态),完成离线建模。同时将实测电路的信号进行步骤3)的小波包特征提取,构建特征向量,以进行测试识别使用。
其中,状态sn的观测序列可以表示为:
o(sn)={t(1),t(2),…,t(k)}(4)
其中,将仿真软件得到训练样本观测序列记为
设ghmm模型有n个状态,其高斯混合数为m,其ghmm模型可以表示如下:
λ=(π,a,c,μ,u)(5)
其中,初始状态概率分布π,状态转移矩阵a,混合权值矩阵c,均值矢量μ,协方差矩阵u表示如下:
u=[unm]n×m(10)
其中,qt表示时刻t下的状态,p是概率,cnm是状态sn下第m个单高斯的权重,
其中,
ghmm训练和诊断流程如图3所示。将训练样本
式中
5)将电路的实测信号的观测序列输入训练好的ghmm模型库中,通过实测信号与各模型的相似度来识别电路的正常状态、间歇故障状态和永久故障状态,得出诊断结果,完成间歇故障的诊断。
其诊断的具体过程如图3所示,将待测电路的实测数据进行特征提取后,把待测电路的观测序列