[发明专利]一种模拟电路故障预测方法

说明书

技术领域

本发明涉及一种模拟电路故障预测方法，具体来说，涉及一种建立故障预测模型对模拟电路故障进行预测的方法。

背景技术

模拟电路广泛地应用于家用电器﹑工业生产线﹑汽车以及航空航天等设备中，模拟电路的故障将会引起设备的性能下降﹑功能失灵﹑反应迟缓以及其他电子故障。因此对模拟电路的状态进行评估，是十分必要的。

模拟电路的状态评估一般包括故障诊断和故障预测。其中故障诊断发展较快，在大量的研究工作中故障诊断的准确率均可以达到99%左右。当前模拟电路故障预测的研究成果一般是针对模拟电路的特定元件，而不是针对电路整体。无法对电路整体进行预测的一个困难是，很少有方法可以精确地描述模拟电路的各个元件的性能下降，即健康度下降。同时当前鲜有方法可以对非线性模拟电路的故障进行预测。

相关向量机是一种基于贝叶斯框架的回归预测算法，运算速度快，适用于在线检测，已有研究证明相关向量机的预测精度高于支持向量机和神经网络等常用算法。相关向量机算法中其核函数的宽度因子对预测精度有极大的影响，以往多采用经验法获得。

发明内容

本发明要解决的技术问题是，克服现有技术存在的上述缺陷，提供一种故障预测精度高的模拟电路故障预测方法。该方法首先通过BP神经网络识别电路有发生故障趋势的元件及其发生方式（正向偏离标称值或反向偏离标称值），通过计算不同时间点的余弦相似度获取该元件健康度随时间点变化的数据，然后通过基于粒子群算法优化的相关向量机算法对预测该元件未来某一时间点是否发生故障，或直接预测该元件的故障发生时间点。该方法具有普及型，对模拟电路中电阻，电容和电感等主要元件均有效。

本发明解决其技术问题所采用的技术方案为：

一种模拟电路故障预测方法，包括以下步骤：

（1）对模拟电路各元件在无故障区间内进行蒙特卡罗分析，提取测试节点信号，对提取的信号进行小波包变换消噪处理，提取各个频带信号能量，其中测试节点信号一般为支路电压；

（2）将提取的频带信号能量进行归一化，得到故障诊断特征向量；

（3）将故障诊断特征向量作为训练数据，训练BP神经网络；

（4）提取工作时被测电路节点信号，进行小波包变换和归一化，生成相应的故障诊断特征向量，利用BP神经网络判断有发生趋势的故障种类；

（5）提取元件位于初始值时的被测电路测试节点扫频响应信号，以此构成初始值的故障预测特征向量，所述的响应信号一般为支路电压；

（6）按固定时间间隔提取工作时被测模拟电路测试节点扫频响应信号，以此构成元件一个时间点序列的故障预测特征向量；

（7）计算按固定时间间隔提取的元件故障预测特征向量与元件初始值的故障预测特征向量之间的余弦角距离，用以表征元件在不同时间点的健康度，生成相应的健康度序列；

（8）计算元件发生故障时健康度阈值；

（9）基于元件健康度序列和时间点序列数据，应用粒子群算法对相关向量机算法的核函数宽度因子进行优化选择；

（10）应用经粒子群算法优化后的相关向量机算法对模拟电路进行故障预测。

上述步骤（1）中，无故障区间为模拟电路元件标称值的[50%,1+正常容差下限]和标称值的[1+正常容差上限，150%]。对模拟电路各元件在无故障区间内进行蒙特卡罗分析可采用Pspice软件的蒙特卡罗功能。

上述步骤（4）中，有发生趋势的故障种类是指发生故障的元件，以及元件在发生故障时偏离初始值的方向。

上述步骤（5）中，初始值的定义为：当元件正向偏离标称值发生故障时，初始值等于标称值×（1+正常容差上限），当元件反向偏离标称值发生故障时，初始值等于标称值×（1+正常容差下限）。提取初始值的扫频响应信号可采用Pspice软件的交流扫描功能。

上述步骤（6）中，提取被测模拟电路测试节点扫频响应信号的固定间隔时间依次为T₁, T₂,…, T_n，该时间点序列为[T₁, T₂,…, T_n]，                                               是时间点的总数。

上述的步骤（7）中，余弦角距离的方法为：

；