[发明专利]一种模拟电路故障诊断方法

说明书

技术领域

本发明涉及一种模拟电路的故障诊断方法，属测试诊断技术领域，实现了一种通过信号特征空间建模的模式分类方法，能用于判断导弹中模拟电路部分的工作状态，并能对故障状态进行发现和分离。

背景技术

模拟电路的故障诊断始于20世纪60年代，对其的理论研究是从网络元件参数可解性开始的，但由于其独特的困难如故障状态多样性、元件参数的容差性、信息不足以及结构模型的复杂性等，使得对于模拟电路的故障诊断的研究发展相对比较缓慢，其测试与故障诊断一直以来都成为困扰电路测试工业的难题。20世纪90年代后，随着人工智能技术的发展，模糊理论，小波技术以及一些机器学习方法都相继应用于该领域并取得了良好的效果，但其都存在片面性，对解决实际的模拟电路故障诊断与分析问题都还多多少少存在一定的差距。与此同时，模拟电路故障诊断的实际需求却不断增大。因此，研究一种对模拟电路板准确、快速的故障检测和故障定位方法，缩短检测维护时间及降低维修成本，对于完成电子设备中模拟电路板的保障维修具有重大意义。

发明内容

本发明涉及到一种基于信号特征空间建模的模拟电路故障诊断模式分类方法，该方法具体实现步骤如下：步骤一，模拟电路故障特征信息的空间建模。电路故障时，各有效节点信号将发生改变，利用分数Fourier变换(FrFT)良好的时频局部化分辨特性，对采集的信号进行变换，基于信息熵原理(MEP)寻找反映各故障模式差异性最大的最优p阶Fourier变换。鉴于时频变化的相关性，构造虚拟变量对变换后的采样点进行R型聚类分析完成变量维数约简，找出对故障出现的敏感量，优化特征空间样本的分布。对被诊断系统正常情况下和各种故障情况下分别进行分析，最终构造故障诊断样本特征库；步骤二，核参数整定。把数据投影到高维空间中，借鉴特征评价“类内距离最小，类间距离最大”的类别可分性判据构造核参数的目标优选函数，基于自适应遗传算法对目标函数最优化进行求解，选取支持向量机核参数；步骤三，训练故障模式分类器。对特征数据矩阵进行标准化处理，再进行采样样本的Q型聚类分析，将样本聚为两类，分别由两类组成样本集，利用步骤二中的核参数整定方法，选取最优核参数，对支持向量机进行训练，依此顺序，采用同样方法不断对已经分类的子样本集进行进一步分类，直到各类被完全分开，这样构造N-1个(N为类别个数)支持向量机分类器组成层次递推式故障模式分类器；步骤四，对未知故障样本进行诊断识别。将采集的信号执行步骤一并进行标准化处理后，输入由步骤三所训练的故障模式分类器，对故障进行发现和分离，实现诊断的唯一性。

该方法利用分数Fourier变换的时频分析方法，将不同故障模式的特征差异建模于最优的空间分布中，并采用R型聚类分析提取了反映故障特征的最敏感量，对判断故障出现很敏感；且对故障特征样本先采用Q型聚类的方法再进行支持向量机的训练，构造了层次式支持向量机加快了训练和诊断的速度；同时在支持向量机的训练中，借鉴了特征评价的类别可分性判据用于核参数的整定，有效的优化了核参数的选取。

附图说明

图1故障特征建模流程图

图2分数Fourier变换最优p值选取流程图

图3故障分类器设计流程图

图4核参数整定流程图

图5层次式SVC构造流程图

图6未知样本诊断流程图

图7Continuous-time state-variable filter电路

图8Continuous-time state-variable filter电路中的14软故障模式

图9部分相关性小的虚拟变量聚类图

图10层次式SVC结构图

图11J_d值随σ变化的曲线图

图12分类精度随σ变化的曲线图

具体实施方式

随着人工智能技术的不断发展，基于机器学习的模拟电路故障诊断技术成为了研究的热点。模拟电路的故障诊断从本质上讲是一个模式识别与分类问题。因此，如何提取反映故障特征的敏感量是模拟电路故障诊断的关键技术和重要一环，同时提取特征的最终目的是对测试样本构造分类器，实现对不同故障种类的发现和分离。

为了达到上述目的，本发明的方法是这样实现的：

1、模拟电路故障特征信息的空间建模