（电工理论与新技术专业论文）基于模式识别原理的神经网络模拟电路故障诊断方法.pdf

a b s t r a c t t h ef a u l td i a g n o s i so ft h ea n a l o gc i r c u i t s i sa na d v a n c e ds y n t h e s i s i n t e r c r o ss e ds u b j e c t ，w h i c hi sa na p p l i c a t i o nt e c h n o l o g ya b s o r b i n gt h en e w t h e o r y ，t e c h n o l o g ya n dm e t h o di no t h e rs u b je c t sa n df i e l d s i nt h ep a s t4 0 y e a r s ，i th a sd e v e l o p e dag r e a td e a l o ft h e o r ya n da p p r o a c h e s ，bu tt h e a p p r o a c h e sa r el i m i t e dt od e a lw i t hf a u l td i a g n o s i sb e c a u s eo ft h ev a r i e t y a n dc o m p l e x i t yo ft h ea n a l o gc i r c u i t s ，e s p e c i a l l yt h el a r g e s c a l ea n a l o g c i r c u i t sw i t ht h et o l e r a n c eo rt h es o f tf a u l t a r t i f i e i a ln e u r a ln e t w o r k s ( a n n ) w h i c hh a v eb e e no n eo ft h em e s ta c t i v er e s e a r c ha r e a sr e c e n t l yc a n b ec o n t r i b u t e dt os o l v ep r o b l e m si nv a r i o u sp r a c t i c a lf i e l d s i nt h i sp a p e r ， a n a l o gc i r c u i tf a u l td i a g n os i sa p p r o a c hb a s e do np a t t e r nr e c o g n i t i o n ，a n d a n nise x p a t i a t e d i nt h ep a p e r ，b a s e do nt h ee x i s t i n gl i t e r a t u r er e s e a r c hf o u n d a t i o na n a n a l o gc i r c u i tc a t a s t r o p h i cf a u l tl o c a t i o na p p r o a c hb yu s i n gf e e d f o r w a r d n e t w o r k sw i t hb a c k p r o p a g a t i o nl e a r n i n gi sr e a l i z e d b yt h i sa p p r o a c h ，t h e s i m u l a t i o nr e q u i r e m e n t sb e f o r et e s ta r er e d u c e db e c a u s ef e w e rt r a i n i n g s a m p l e sa r en e e d e d ，a n dt h ef a u l tl o c a t i o np r o c e s si s f a s t t h i sm e t h o di s v e r ye f f i c i e n ti nl o c a t i o no fs i n g l eh a r df a u l tw i tc o m p o n e n tt o l e r a n c e s t h e m e a s u r e m e n ts p a c ef e a t u r ea n dt h eg e n e r a lc h a r a c t e r i z a t i o nc o n c e p to f s i n g l ea n dd o u b l es o f tf a u l ti nl i n e a rc i r c u i t sa r ep r e s e n t e d a c c o r d i n gt o t h i sc o n c e p t ，al i n e a rc i r c u i tss o f tf a u l tl o c a t i o na p p r o a c hu s i n gs u b h i d d e n l a y e rb p n ni se s t a b l i s h e dw i t he l e m e n tt o l e r a n c e ，a n di ti ss h o w nt h a tt h i s a p p r o a c hi ss u c c e s s f u li nf a u l tl o c a t i o n ad o u b l ef a u l tf e a t u r ee x t r a c t i o n m e t h o df o rl i n e a rc i r c u i t sw i t he l e m e n tt o l e r a n c e sa r ea l s op r es e n t e d b y t h i sm e t h o d ，t h ed o u b l ef a u l tg e n e r a lc h a r a c t e r i z a t io nc a nb ec a l c u l a t e db y s i n g l ef a u l tg e n e r a lc h a r a c t e r i z a t i o nw h i c hc a nb ec a l c u l a t e db ys i n g l ef a u l t f e a t u r e t h i sm e t h o dm a k e ss i m u l a t i o nb e f o r et e s tm o r es i m p l e a c c o r d i n g t ot h ea c t u a lp r o j e c tr e q u i r e m e n t s ，p r a c t i c a lb pa l g o r i t h mi sp r e s e n t e da n d r e a l i z e do np e r s o n a lc o m p u t e r a f t e rf u r t h e ro p t i m i z a t i o na n di m p r o v e m e n t s ， as u b h i d d e nl a y e rb p n na l g o r i t h mw h i c hs u p p o r tu n l i m i t e du n i t si sr e a l i z e d t h ea l g o r i t h mi sp o w e r f u l ，s i m p l ea n du s e r - f r i e n d l y ，h i g h l yc o m p a t i b i l i t y a n de x p a n s i o n a c c o r d i n gt ot h e c o m p l e x i t y o fa c t u a l p r o j e c t ，t h i s a l g o r i t h ma l l o wu s e r sd e s i g n i n gt h es t r u c t u r eo ft h en e u r a ln e t w o r k 1 i i k e y w o r d s ：a n a l o gc i r c u i t ；f a u l td i a g n os i s ；n e u r a l n e t w or k ；b p a l g o r i t h m ； i v 硕士学位论文 湖南大学 学位论文原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行 研究所取得的研究成果。除了文中特别加以标注引用的内容外，本 论文不包含任何其他个人或集体已经发表或撰写的成果作品。对本 文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。 本人完全意识到本声明的法律后果由本人承担。 作者签名 仓麦 日期：么话妇j 日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定， 同意学校保留并向国家有关部门或机构送交论文的复印件和电子 版，允许论文被查阅和借阅。本人授权湖南大学可以将本学位论文 的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印 或扫描等复制手段保存和汇编本学位论文。 本学位论文属于 作者签名： 导师签名： 一年解密后适用本授权书。 ( 请在以上相应方框内打4 ) i e 期：砰j ，月l 日 日期：m 6 年厂月l 了臼 1 1 问题的提出 第1 章绪论 模拟电路广泛应用于军工、通讯、自动控制、测量仪表、家用电器 等各个方面。随着大规模模拟集成电路的发展，模拟电路的复杂度和密 集度不断增长，对模拟电路运行可靠性的要求更为严格。就模拟电路生 产工厂而言，也要求能诊断出故障以便分析原因，改进工艺以提高成品 合格率。对某些用于重要设备的模拟电路，还要求能进行故障预测，也 就是对模拟电路在正常工作时的响应作持续不断的监测，以确定哪些元 件将要失效，以便在模拟电路故障发生前将那些将要失效的元件替换掉， 以避免故障发生。所有这些，通常的人工诊断技术己无法满足需要，因 而，电路故障的自动诊断成为一个急待要解决的问题。自动故障诊断的 关键在于诊断程序的产生，而诊断程序产生的中心问题是电路故障诊断 理论。因此，模拟电路故障诊断的研究引起世界各国电路理论工作者的 高度重视。 现代社会中，电子设备或系统广泛应用于各个科学技术领域、工业 生产部门以及人们的日常生活中，电子设备的可靠性直接影响着生产的 效率、系统、设备及人类的生命安全。随着电子设备使用的日趋广泛， 不论是在设备的生产阶段还是应用阶段，都对电路的故障诊断提出了迫 切的要求，要求人们研究新的有效的诊断技术，进一步提高电子设备的 可靠性。 设备诊断技术引入生产现场己三十多年。最初，设备较为简单，维 修人员主要靠感觉器官、简单仪表和个人经验就能胜任故障的诊断和排 除工作，即为传统的诊断技术。随着科学技术的不断发展，动力机械设 备越来越复杂化、精密化、系统化和自动化，同时价格也越来越昂贵， 设备在现代工业生产中的作用和影响越来越大，生产的主体也逐渐由人 力向设备转移，与设备有关的费用越来越高，传统的诊断方法已远远不 能适应。机器运行中发生的任何故障或失效不仅会引起严重后果，造成 重大的经济损失，甚至还可能导致灾难性的人员伤亡和恶劣的社会影响。 国内外曾经发生的空难、爆炸、断裂、泄漏、毁坏等恶性事件，造成了 巨大的经济损失，产生了严重的社会影响。例如，1 9 8 6 年4 月前苏联切 尔诺贝利核电站四号机组发生严重振动而造成核泄露，致使2 0 0 0 多人死 硕士学位论文 亡，直接经济损失达3 0 亿美元。这些严重的或灾难性的事件不断发生， 迫使人们在设备的故障诊断方面进行大量的研究，形成了机器设备、工 程结构和工艺过程的故障诊断这一新兴的研究领域。通过对机械工况进 行监测，对其故障发展趋势进行早期诊断，便可找出故障原因，采取各 种措施进行维修保养，避免设备的突然损坏，使之安全经济地运转。例 如，法国c r a r e l i n e s 电厂对其近4 0 0 台主辅设备进行了两年的状态监测 试验，结果表明，由于采用状态维修，电厂实际节约了5 4 万多法郎( 尚未 考虑停工造成的损失) 。在欧美，上世纪7 0 年代初为了确保宇宙火箭和军 用设备的可靠性而开发出了设备诊断技术。国内外许多资料表明，开展 故障诊断技术的经济效益是明显的。据日本统计，在采用诊断技术后， 事故率减少了7 5 左右，维修费降低了2 5 5 0 ；英国对2 0 0 0 个国营工 厂的调查表明，采用诊断技术后每年节省维修费3 亿英磅，用于诊断技 术的费用仅为0 5 亿英磅【l 以】。可见，设备故障诊断技术在现代工业生产 中起着非常重要的作用，开展设备故障诊断技术的研究具有重要的现实 意义。 在工程中实际存在着大量的多故障、多过程、突发性故障及需要对 庞大机器或复杂工程系统进行的监测和诊断，现有的技术手段和方法如 信号处理、模式识别等往往存在较大的局限性，迫使人们深入系统地研 究如h a r t r e e 所说的智能仪器系统。随着计算机技术、人工智能技术等的 发展，各种智能诊断系统应运而生。故障诊断技术经过了3 0 多年的发展， 人们已经认识到了智能诊断技术的重要性，智能诊断技术己成为当今世 界的研究热点之一h - s 。 回顾模拟电路故障测试与诊断理论的发展历史1 9 ，故障测试与诊断 的每一个发展过程都与数字计算机的发展成果紧密相关。在对线性无容 差电路进行诊断时，用计算机容易实现。但当诊断有容差的电路时，如 果还是用传统数学手段来处理，则计算方法复杂，计算量大，不能适应 工业实际运用中对故障实时检测和诊断的要求。在诊断容差电路时，一 般的模拟电路故障诊断方法存在的主要问题有： 元件有容差，使元件参数带有未知的、不确定的偏差，非线性特性 也不再是一条曲线而是一条曲带，不可能借助于曲线拟合等现有数学手 段，这时采用传统数学手段建立的诊断方程庞大、繁琐。 采用数字计算机处理模拟电路故障诊断问题的大多数方法都需要进 行迭代运算，求解工作量大。同时元件参数与系统之间是非线性关系， 也造成测后运算量大，使诊断难以适应实时诊断的要求。 在一般诊断方法中，求解电路参数所需方程数多与实测中可测点多 硕士学位论文 少形成矛盾。模拟电路中元件的容差效应对电路分析带来的模糊性，使 诊断的正确性受到影响。 模拟电路的故障现象复杂多样，给诊断带来困难。 人工神经网络( a n n ) 在处理许多模式识别问题中，如果文字手写体识 别、语音识别等，由于具有联想记忆，大规模并行分布处理、分布式存 储、较强的鲁棒性、自适应学习、实时计算和便于硬件实现等特点，显 示了突出的优势。故障诊断问题是一个从故障所体现的特征来识别故障 源的问题，目前在机械、控制系统、化工等一些领域，已经尝试用神经 网络实现故障的诊断。因此将人工神经网络用于模拟电路故障诊断是一 个很有希望的新的研究领域。特别是神经网络具有的容错能力，预计使 神经网络诊断容差电路故障可能成为有效方法，有可能为电路故障诊断 开辟一条新的途径。 本文基于模式识别原理，对于在考虑元件容差的情况下，采用b p 算 法前向多层神经网络诊断模拟电路故障的方法进行了较为系统的研究。 对于不同的故障类型，研究了故障特征的选取方法、神经网络的结构和 训练样本的组成等有关问题，并用所给出的诊断方法对多个电路实例进 行了诊断。 1 2 模拟电路故障诊断理论 依据电路的仿真是在实际测试的先或后，模拟电路故障诊断方法可 分为测前模拟法( s b t ) 和测后模拟法( s a t ) 0 】 测前模拟法( s b t ) 主要包括故障字典法，它包括直流字典法、频域字典法和时域法。 由于时域法往往要求特殊设计的激励信号，造成对测试硬件要求高，使 用较少。字典法的理论基础是模式识别原理。基本步骤是在被检测电路 测试之前，用计算机模拟计算电路在各种故障状态下的网络端口特征， 然后将这些端口特征经过处理后编制成故障字典。在诊断中，对被测电 路进行同样条件下的测试，将测试所得的端口特征与故障字典进行对照， 根据某种判决准则查字典，从而确定故障。故障字典的建立是字典法的 关键步骤，包括故障集的选择，模糊集的分割和故障的隔离等步骤。由 于字典编制过程复杂受数字计算机内存容量的限制和模拟电路中元件容 差和噪声的影响，故障字典法一般只用来完成对单、硬故障的诊断。当 待诊断的电路规模较大时，测试查阅字典的时间增加。另外字典法抗容 差干扰的能力差。 测后模拟法( s a t ) 硕士学位论文 主要包括参数识别法和故障证实技术。参数识别法的原理是利用网 络响应与元件参数之间的解析关系，求解诊断方程，再根据解出的元件 的参数值是否在容差范围之内来判定元件是否故障。理论上这种方法可 以查出所有元件的故障。但为了求解故障诊断方程往往要求大量的测试 点和求解非线性方程组，且方程数量决定于电路复杂度计算量大，因此 实用性较差。 故障验证法是s a t 中比较实用的方法。属于这种方法的有k 故障诊 断法故障定界技术、网络撕裂法等。 k 故障诊断法是利用故障元件参数变化与可测点电压( 流) 变化之间 的关系，建立诊断方程，并通过检测诊断方程的相容性来实现故障定位。 k 故障法所需的测试信息较少，但仅适用于线性电路，诊断方程的相容 性判断过程复杂。k 故障诊断法理论上可以诊断多故障，但由于网络拓 扑条件的限制，一般可诊断2 3 个故障。 由于故障验证法是基于对电路故障源的猜测，需要的计算量大。另 外这种方法对电路的可测条件要求较高，当电路不满足可测条件时，将 出现不能诊断或误诊断的情况。 s a t 中的另一种方法是估计法，包括最小平方判据法、二次规划法、 l 对数法、符号传递函数法等。缺点是在线计算量大。 其他方法 随着电子技术的不断发展，特别是超大规模模拟集成电路的发展和 技术的应用，还出现了人工智能方法和模糊诊断方法。模糊诊断是把复 杂电路看作模糊系统，用模糊信息处理的方法进行故障诊断。 目前模拟电路测试与诊断的研究高潮正在形成，新的诊断技术正在 出现，人们正期待着能在那些运用网络理论难以进行诊断的场合开辟一 条新路，期待着更简单、更实用的诊断方法和手段的出现。 1 3 人工神经网络方法概述 人工神经网络是在现代神经科学研究成果的基础上提出来的，它反 映了人脑的基本功能，是对人脑的简化与模拟。人工神经网络是一个非 线性动态系统，它通过对样本的学习建立起记忆，然后将未知模式判决 为最接近的记忆，它可以处理一些环境信息十分复杂，背景知识不清楚， 推理规则不明确的问题。神经网络的i o 非线性映射特性、信息的分布存 储、并行处理和全局集体作用，特别是其高度的自组织和自学习能力， 使其成为故障诊断的一种有效方法和手段，神经网络的这一优良特性受 到故障诊断领域专家学者的关注。神经网络故障诊断问题可以看成模式 识别。通过对一系列过程参量进行测量，然后用神经网络从测量空间映 射到故障空间，实现故障诊断。人工神经网络之所以适合于故障诊断， 原因是： 1 ) 训练过的神经网络能存储有关过程知识，能直接从定量的、历史的 故障信息中学习。可以根据对象的正常历史数据训练网络，然后将此信 息与当前数据进行比较，以确定故障。 2 1 神经网络具有滤除噪声及在有噪声情况下得出正确结论的能力，可 以训练神经网络来识别故障信息，使其能在噪声环境中有效地工作，这 种滤除噪声的能力使得神经网络适合在线故障检测和诊断。 3 ) 神经网络具有分辨原因及故障类型的能力。 8 0 年代以来神经网络理论受到世界各国学者的广泛重视，并且在智 能控制，计算机视觉、语音识别、生物医学等方面有了成功的应用。9 0 年代后期，神经网络在电路故障自诊断领域得到了应用。 1 4 本文的主要工作 本文基于模式识别原理，较系统地研究了人工神经网络应用于模拟 有容差电路硬故障和软故障、单故障和多故障的诊断问题，实现了无限 元b p 神经网络的算法，并将该算法应用于实际的模拟电路故障诊断中。 本文的主要内容和章节分布为： 第一章：概述研究模拟电路故障诊断技术的背景和意义，从模拟电 路故障诊断原理、人工智能与神经网络、三个方面分析模拟电路故障诊 断方法的研究现状和进展，提出了本文的主要工作。 第二章：介绍模拟电路故障诊断的基本概念和方法，分析模拟电路 故障诊断的难点和发展趋势，简述模拟电路故障诊断技术，其中着重介 绍故障字典法。结合具体实例说明了将直流和交流字典结合起来对模拟 电路进行故障诊断的方法，该方法能够有效的提高故障诊断覆盖率。 第三章：概述神经网络的基本分类、基本结构和函数映射，分析了 神经网络各种学习规则。着重介绍了多层前馈网络与反向传播学习算法 的网络结构及训练算法的具体步骤。 第四章：针对在模拟电路中大量出现的硬故障，阐述了直流测试下 硬故障的b p 网络诊断方法。在一般情况下，b p 网络用于模式分类时需 要的训练样本非常多。而在电路故障诊断中，获得样本的代价较高。根 据硬故障的特征较为突出的特点，给出了用典型特征作为训练样本构造 训练样本集的方法。利用神经网络本身的容错能力实现容差电路的故障 诊断。 硕士学位论文 第五章：通过对k 故障诊断方法的进一步研究，从理论上给出了线 性电路存在单一故障和双重故障时可测端电压在其增量空间所具有的特 性，阐述了线性电路单一和双重软故障统一特征的提取方法。这一方法 对故障特征的提取不必经过对故障状态的分析，而仅由元件正常状态参 数可以获得故障特性。在此基础上给出了线性电路单一和双重软故障的 b p 网络诊断方法。 第六章：根据实际项目的需要，根据现有文献的研究结果，实现了 b p 神经网络的算法，在此基础上改进并实现了子隐层型b p 神经网络的 算法，最后实现了无限元的支持。使用者可以任意设置输入维数，输出 维数，子隐层的层数，每一层神经元的个数等重要的参数。为了适应项 目开发的需要，将此算法做了改进。 最后，本文对人工神经网络的应用前景和社会、经济价值等进行预 测和评价，并指出今后进一步在本研究方向研究工作的展望与设想。 一i i 。：! ：i ：2 量! ：。，。，：，。，。一 日e e - 目e e l = = = l 口0 2 0 2 2 0 2 2 0 0 0 0 0 0 0 0 一 第2 章模拟电路故障诊断基本概念和方法 现今提起微电子器件几乎是家喻户晓，老幼皆知，因为它在现在人 类社会的生产和生活中的作用是任何其它工业产品都不能与之相比的。 微电子器件的发展将推动人类社会更快的进步。微电子器件的发展趋势 是大规模、超大规模集成电路，集成度越来越高，芯片上功能元件的尺 寸越来越小。在超大规模集成电路制造技术的推动下，电子技术的发展 呈加速的趋势。莫尔博士曾在一篇论文里指出，集成电路上能够被集成 的元件数目，将以每两年翻一番的速度稳定增长，即每18 个月同样大小 芯片上的元件数增加一倍。过去几十年是这样，电子学家预言，未来的 数十年仍将保持这种增长势头。 电子电路的处理能力和复杂程度成倍的提高，与现在诊断能力形成 了尖锐的矛盾。在这种情况下，大量的科研机构都加入到电路故障诊断 的研究中来，在这股热潮的推动下，在故障诊断的研究中新理论、新方 法层出不穷，呈现百花齐放的繁荣景象。 本章概述了模拟电路故障诊断的基本概念和方法。在详细介绍模拟 电路故障诊断特点的基础上，分析了模拟电路故障诊断的难点和发展趋 势，然后从不同角度分类介绍了模拟电路故障诊断技术。 2 1 模拟电路故障诊断基本概念 2 1 1 模拟电路故障诊断特点 在电子电路的发展进程中，模拟电路比数字电路出现的早，但是数 字电路的发展速度却比模拟电路要高的多。探索其进展缓慢的原因，大 致有两个。其一是模拟系统的集成度较数字系统低，传统的模拟电路规 模也小，采用人工测试还是可以满足实际需要，因此模拟电路的测试和 诊断理论的研究缺少强有力的动力。但是随着电子技术日新月异的发展， 现在的模拟电路在规模和集成度上都较以往有了较大的提高，因此对于 诊断理论的研究在近年来也有了较为迫切的需求。其二是模拟电路的测 试和诊断的难度远远大于数字电路，因此模拟电路诊断技术在理论和方 法上均没有完全成熟，可付诸实用的很少。 模拟电路测试诊断的难点归纳起来主要表现在以下几个方面： ( 1 ) 模拟电路的输入激励和输出响应均是模拟连续量，网络元件参数 也是连续量，难以像数字电路一样进行简单量化。由于故障参数是连续 量，从理论上说模拟电路有无穷多个故障。 ( 2 1 模拟电路元件参数具有很大的离散性，即具有容差。从理论上说 容差就是“小故障”，只是尚在允许范围内。由于元件参数容差的普遍存 在，网络中多个元件容差累积影响可能等效于一个或几个元件的“大故 障”，这将导致实际故障的模糊性，正确的故障诊断难以进行。 ( 3 ) 模拟电路中广泛存在着非线性问题，可能是网络中包括非线性元 件，也可能是线性网络求解元件参数需要解非线性方程，不论是何种情 况，以目前的计算机水平而言，求解计算工作量都是很大的。 ( 4 1 模拟系统中可触端子少，获得有用的故障信息不足以唯一定位故 障。模拟电路中的电流是一个重要参数，也是故障信息的重要组成部分。 但在实际测量中，除了输入和输出端口可以方便测到电流参数以外，一 般电路中支路电流均不易测量，因此难以进行故障定位。 由于模拟电路故障诊断存在上述各种特点和困难，数字系统中所广 泛使用的测试方法和手段无法移植到模拟系统中来，必须根据模拟电路 自身的特点探索有效的诊断理论和方法。迄今为止，大规模电路、非线 性电路和容差电路的故障诊断的研究都有待进一步发展和完善。 2 1 2 模拟电路故障诊断分类 在模拟电路中，故障按其性质可分为硬故障和软故障两大类。硬故 障是指严重的、突出的、极端的故障，例如，元件的开路、短路、毁坏、 失效故障，一般会导致系统严重失效甚至瘫痪，这类故障一般相对易于 检测到。软故障则是指元件参数超出预定的容差范围，一般它们不会导 致设备完全失效，例如，由于元件的老化、变质或使用环境的变化等造 成了元件参数的变化。严格的说来，硬故障应该可以看成是软故障的一 个特例。 模拟电路按故障模式又可分为单故障和多故障两类。实际应用中， 电子设备发生单故障的概率是故障总数的7 0 8 0 。同时多个故障发生 的可能性也是存在的，尽管它发生的概率要远小于单故障发生的概率。 按模拟电路测试的任务又可分为故障检测、故障辨识和故障预报三 类。故障检测是判断电路是否存在故障，主要用于产品的检验。故障辨 识是在已检测到电路存在故障的前提下，确定存在的故障总数，进行故 障的定位和辨识。故障预报则是在系统发生故障前即预报出将发生故障 的元件，以便提前更换或处理【1 1 】。 按故障诊断的环境区分，可以将故障诊断方法分为在线诊断和离线 硕士学位论文 诊断。在线诊断也称为实时诊断，诊断要求快速，定位区域较大。离线 诊断要求定位区域较小，故障定位具有唯一性。 按故障定位中测试时间的前后来进行区分，则可分为测前模拟诊断 法( s i m u l a t i o nb e f o r et e s ta p p r o a c h ) 和测后模拟诊断法( s i m u l a t i o na f t e l t e s ta p p r o a c h ) 。测前模拟诊断的典型方法是故障字典法，主要计算工作 量多集中在对电路作仿真，因此更易于作实时诊断。测后模拟诊断的典 型方法主要有元件参数辨识法和故障验证法。 2 2 模拟电路故障的模式识别法 模式识别是基于对事物性质的认识而能够对事物进行正确的分类和 描述，它被认为是人类及其他生物的基本属性。模式识别问题可视为通 过搜索各模板特征，对输入数据与各模板之间的相似性进行鉴别。 针对模式特征的不同选择及其判别决策方法的不同，模式识别方法 可分为：模板匹配法、统计特征法、句法结构方法、逻辑特征方法、模 糊模式识别和神经网络方法。其中神经网络方法将是本文讨论重点，其 优点是可处理一些环境信息十分复杂，背景知识不清楚，推理规则不明 确的问题。它允许样本有较大的缺损和畸变。一般模式识别系统如图2 1 所示，它包括信息获取、预处理、特征提取、特征判决和学习五个部分。 图2 1 模式识别系统 模拟电路故障的模式识别诊断方法主要思想是根据测试数据对故障 分类，从而达到故障定位的目的。这一过程可以分为三个阶段：测试， 提取特征和分类。即( 1 ) 在电路的各种状态( 正常状态和故障状态) 下，对 给定可及节点，在选定的激励下测试；( 2 ) 根据获得的测试数据提取各故 障状态的特征，记录各故障特征，并产生决策函数；( 3 ) 对待诊断特征由 决策函数分类。 故障的模式识别诊断方法与一般诊断方法相比，一般的故障诊断方 法很大程度上决定于诊断方程或优化模型，而模式识别方法不需要诊断 对象的解析模型，但需要有代表性的训练数据。一般故障诊断方法建模 需要的计算量大，模式识别法通常计算简单，计算量主要取决于测试数 9 据和所处理的问题。一般诊断方法在建模过程中工作量大，建模后就难 以改变，而模式识别法在这一方面要灵活的多。 特征提取是模式识别法中的一个重要环节，它直接影响到诊断系统 的分类效果。同时，特征提取也是较为复杂的环节。特征提取目前还没 有系统的理论和方法，只有具体问题具体分析之后，才能从测试数据中 提取识别对象的特征和结构。 模拟电路故障的特征要从测试数据中获得，若两故障在选定激励下 任何可及点上的测量值无差异或差异很小，这两种故障在现有激励和可 及点上是不可隔离的，需要改变或增加激励和可及点才有可能隔离。 神经网络能够在实现故障的模式识别时，从输入的数据中自动提取 故障特征，并存储在网络权值中。 2 3 模拟电路故障字典法 故障字典法是目前模拟电路故障诊断中最具有实用价值的方法。它 的基本思想与数字系统的故障诊断相似，即预先根据经验或实际需要， 确定所要诊断的故障集，然后求电路存在故障集中的一个故障时的响应， 这里求响应的方法可以是在计算机上仿真，也可以在实际电路上仿真。 然后将所得到的响应作必要的处理，例如压缩、编码等，最后作为对应 故障的特征，将它们编纂成一部故障与特征相对应的字典【l2 1 。 任何一种故障都对应一定的征兆，本着便于定位故障的厕 则，将诊 断范围内的每一种征兆进行恰当的排列。故障的征兆既可以用特定激励 下的响应来表征，也可以用为了获得某一特定响应的激励来表达。有时 为了区别不同的故障，还用多种激励和其相应的多种响应来表征。当多 个故障对应相近的征兆时，就需要按一定的判别准则加以区分，以确定 它到底是哪一种故障。 2 3 1 直流故障字典法 建立直流故障字典大致可以分为以下几步： ( 1 ) 故障集的选择 选择故障集实际上是确定可诊断的故障集。一般根据实际经验确定 那些经常发生故障的元器件的故障状态，也可以根据灵敏度分析，选择 那些比较灵敏的元器件状态。由于罗列所有故障作为故障集是不现实的， 比较实际的做法就是根据被测电路的特点和以往的经验以及元件发生故 障的概率来选择若干单故障和多故障作为故障集。虽然这种做法不能保 证电路中所有元件故障可测，但在实际工程问题中是允许的。 1 0 ( 2 1 激励信号的选择 通常采用与实际工作相似的输入信号作为激励信号。为了充分隔离 故障集中的所有故障，经常需要多种输入信号的组合信号。 ( 3 1 测试节点的选择 测试节点选择的基本准则是：在故障集中故障均可以隔离的前提下， 使可测点数目最少。实际的做法是根据以往的经验选择可获得故障信息 量最多的节点，先将故障集中的故障予以隔离，然后再在仍保证故障可 隔离的前提下优选出尽可能少的节点作为实际使用的测试节点。 ( 4 ) 模糊集的分割 将每个测试向量中的每个元素的值划分为若干区域，每个区域的中 心值为若干相邻元素值的平均值，然后从中心值向左右各扩展构成模糊 域。划分模糊域的基本准则是：使相邻模糊域不产生交叉重叠。 ( 5 ) 故障的隔离 利用模糊集作为特征来逐一隔离出故障集中的各种故障。 ( 6 ) 故障字典的建立 如果已经找到若干测试点和激励信号，它们生成的模糊集已经足以 隔离出故障集中的所有故障，或区分故障已达到满意的程度，则可以将 每个模糊域的中心值储存起来，构成字典。 2 3 2 交流故障字典法 直流故障字典法只能施加直流电源和直流激励信号，因此它只能简 单测试电路的静态工作情况，对一些敏感于信号频率的元件不能作完全 的测试【l ”。如陶瓷电容通常无标识，加之外形相同，易装贴错误，需要 通过最后的测试诊断来识别和纠正1 1 4 1 。由于电容的阻抗对频率十分敏感， 因此需要采用交流故障字典法或旌加其它交流激励信号的方法来诊断。 交流故障字典法的原理与直流故障字典法基本上是一致的。在利用 交流故障字典作故障诊断时，需要的测试点比较少，因此通常不存在测 试点的选择问题。但是它需要作多次激励测试，因此它存在一个测试信 号频率的优选问题。 2 3 3 诊断实例 考虑到直流故障字典法和交流故障字典法，它们单独使用都不能覆 盖基本模拟电路的元件故障，因此同时采用两种方法，相互弥补其不足。 两级r c 耦合放大器在众多的模拟电路中具有广泛的代表性，因此对 此电路的故障分析具有深远的意义，考虑到在实际的模拟电路中，硬故 障占的比例相当大，因此本次分析只考虑硬故障，暂时不考虑软故障。 硕士学位论文 例2 1两级r c 耦合放大器电路图如图2 2 所示，元件参数均如图 所示。建立故障字典进行故障诊断。 ( 1 1 故障集的选择 先确定待诊断的故障集，由于电路多故障的组合数较大，因此罗列 所有多故障组合是不现实的。这里我们暂时只考虑单故障。为方便描述， 进行如下符号定义，令b 代表三极管基极，c 代表三极管集电极，e 代 表三极管发射极，o c 代表电路开路，s c 代表电路短路。 ( 2 ) 测试点的选择 选择获得信息量较多的6 个点作为测试点，分别用序号l 6 在图2 2 中标注，因此测试向量是一个6 维向量。 ( 3 ) 直流分析 首先，根据电路的标称参数，分别仿真得到电路在直流输入激励的 条件下的测试向量l l5 i ，如表2 1 所示。 表2 1 中f o 表示电路工作在正常状态，f 1 ( q 1 b e s ) 表示第一种故障 状态，即三极管q l 的基极和发射极( b e ) 发生短路( s ) 故障，其它描述可 依此类推。v l v 6 表示6 个测试点的测量电压，单位伏特。表2 1 暂时 省略了5 种故障状态，分别是f s ( c 1 0 c ) ，f 1 0 ( c 2 0 c ) ，f 1 2 ( c 3 0 c ) ， f 1 4 ( c 4 0 c ) ，f 1 6 ( c 5 0 c ) ，因为在直流分析中电容本来就代表着开路，电 容开路的故障在直流分析中无法诊断，因此在这里暂时省略。 - _ 鼍 i 三 图2 2 两级r c 耦合放大电路图 其次，确定模糊域的中心值和范围。在这里我们根据表2 1 的数据， 对第一个节点( v 1 ) 电压值划分了5 个模糊区间，即5 个模糊域。对第二 个节点( v 2 ) 电压值同样也划分了5 个模糊区间，第三个节点( v 3 ) 仍然划分 了5 个模糊区间，第四个节点( v 4 ) 则划分了6 个模糊区间，第五个节点( v 5 ) 也划分了6 个模糊区间，第六个节点( v 6 ) 根据需要同样划分了6 个模糊 区间，如表2 2 所示。表中所有数据均是电压值，单位为伏特。 再次，进行模糊集的分割。如表2 3 所示。 最后，进行故障的隔离。在对电路各种状态下的测试向量作模糊域 划分之后，可将这些状态分割成若干模糊集。因此，电路的各种不同的 状态可用模糊集号作为特征来表示。例f 3 2 可以用模糊集号( 6 ，6 ) 表示。 模糊集号( a ，b ) 中a 表示节点号，b 表示模糊集序号。利用模糊集作为特 征来隔离故障的基本规则有三条：( 1 ) 任何只包含一个故障的模糊集可以 唯一确定隔离这个故障；( 2 ) 任意只含有一个故障的若干模糊集之交集， 可以唯一确定这个故障：( 3 ) 任意只含有一个故障的若干模糊集之对称差 可以唯一确定这个故障。根据上述三条规则，从表2 3 的单个或综合多个 模糊集中可分离的故障有r 2 ( 1 ，3 ) ( 3 ，3 ) ，f 5 ( 4 ，5 ) ( 5 ，2 ) ，f 1 1 ( 4 ，4 ) ， f 1 7 ( 2 ，4 ) ，f 2 1 ( 2 ，5 ) ( 1 ，1 ) ( 3 ，5 ) ，f 2 2 ( 1 ，2 ) ，f 2 4 ( 3 ，5 ) ，f 2 5 ( 4 ，6 ) ， f 2 9 ( 5 ，6 ) ( 6 ，2 ) ，f 3 2 ( 6 ，6 ) 。另外f 7 故障状态可以根据电容c 1 的两端电压 来判断分离，同理f 15 故障状态可以根据电容c 5 的两端电压来判断分离。 表2 1 故障状态与各可测点电压对应表 y ! ( y ) y ! f y ) y 【y ) ! ! ) y i ( y ) y ( y ) f 0 ( 正常) 3 0 2 55 9 8 62 3 7 83 9 1 68 9 9 43 2 6 7 f 1 ( q 1 b e s ) 0 2 6 6 12 0 00 2 6 63 9 16 8 9 9 43 2 6 7 f 2 ( q 1 c e s ) 3 1 9 43 3 8 53 3 8 53 9 168 9 9 43 2 6 7 f 3 ( q 1 b c s ) 3 8 153 8 153 1 5 93 9 1 68 9 9 43 2 6 7 f 4 ( q 2 b e s ) 3 0 2 5 5 9 8 62 3 7 80 3 6 112 0 00 3 6 1 f 5 ( q 2 c e s ) 3 0 2 55 9 8 62 3 7 84 1 2 86 2 3 16 2 3 1 f 6 ( q 2 b c s ) 3 0 2 5 5 9 8 6 2 3 7 8 6 4 4 46 4 4 4 5 7 7 9 f 7 ( c 1 s c ) 0 0 0 7 12 0 003 9 168 9 9 43 2 6 7 f 9 ( c 2 s c ) 0 6 7 3 0 0 4 503 9 168 9 9 43 2 6 7 f 1 1 ( c 3 s c ) 3 0 2 45 6 2 62 3 7 75 6 2 67 4 3 1 4 9 6 5 f 13 ( c 4 s c )3 0 2 55 9 8 62 3 7 80 6 9 10 0 6 50 f 15 ( c 5 s o )3 0 2 5 5 9 8 62 3 7 83 9 158 5 6 73 2 6 6 f 17 ( r 1 s c )12 1 1 2 21 1 2 13 9 168 9 9 43 2 6 7 f 18 ( r 1 0 c ) 012 0 003 9 168 9 9 4 3 2 6 7 f 1 9 ( r 2 s c ) 0 12 0 003 9 168 9 9 43 2 6 7 f 2 0 ( r 2 0 c ) 4 17 4 3 5 5 0 3 5 0 93 9 1 68 ，9 9 43 2 6 7 f 2 1 ( r 3 s c ) 3 0 3 5 1 2 0 02 3 93 9 1 68 9 9 4 3 2 6 7 f 2 2 ( r 3 0 c ) 0 8 4 9 0 2 1 7 0 2 133 9 1 68 9 9 43 2 6 7 f 2 3 ( r 4 s c ) 0 6 7 3 0 0 4 503 9 1 68 9 9 4 3 2 6 7 f 2 4 ( r 4 0 c ) 3 1 9 41 2 0 01 1 9 63 9 16 8 9 9 43 2 6 7 f 2 5 ( r 5 s c ) 3 0 2 55 9 8 62 3 7 812 0 011 2 4 11 2 3 f 2 6 ( r 5 0 c ) 3 0 2 5 5 9 8 62 3 7 801 2 0 0 0 f 2 7 ( r 6 s c ) 3 0 2 55 9 8 62 3 7 80 1 2 0 00 f 2 8 ( r 6 0 c ) 3 0 2 5 5 9 8 62 3 7 86 9 5 16 3 4 0 6 2 7 9 f 2 9 ( r 7 s c ) 3 0 2 55 9 8 6 2 3 7 83 9 2 2123 2 7 4 f 3 0 ( r t o c ) 3 0 2 55 9 8 62 3 7 8 0 9 4 50 3 0 90 3 0 5 f 3 1 ( r 8 s c ) 3 0 2 5 5 9 8 62 3 7 80 6 9 10 0 6 50 f 3 2 ( r s o c ) 3 0 2 55 9 8 6 2 3 7 84 12 812 1 1 9 6 1 4 表2 2 模糊域的中心值及范围 撞塑熊! 蕉塑熊2 燕塑堇熊塑堡! 焦塑筮焦塑堡 v 10 a ：0 71 3 40 53 士o 54 2 4 - 0 5 12 4 0 7 一一 v 20 + 0 73 8 4 - 0 66 士0 6 1 14 - 0 51 2 1 士o 5 一一 v 30 4 - 0 72 3 a ：0 6 3 6 士0 61 1 士0 51 2 14 - 0 5 一一 v 40 4 - 0 61 2 士o 54 4 - 0 65 5 士0 56 6 a ：0 512 4 - 0 5 v 50