[发明专利]一种基于交叉小波特征的模拟电路故障诊断方法

说明书

一种基于交叉小波特征的模拟电路故障诊断方法，包括以下步骤：向被测模拟电路输入激励信号,采集时域响应输出信号，构成原始数据样本集；将原始数据样本集分成训练样本集和测试样本集；将训练样本集和测试样本集，均进行交叉小波分解，分别获取训练样本集和测试样本集的小波交叉谱；应用双向二维线性判别分析对训练样本集和测试样本集的小波交叉谱进行处理，提取训练样本集和测试样本集的故障特征向量；将训练样本集的故障特征向量提交给支持向量机用于训练SVM分类器，构建支持向量机故障诊断模型；向该模型输入测试样本集的故障特征向量，进行故障分类。使用本发明，能高效地识别模拟电路故障，并显著提高模拟电路故障诊断的精度。

技术领域

本发明属于电路测试技术领域，具体涉及一种基于交叉小波特征的模拟电路故障诊断方法。

背景技术

随着微电子技术的发展，大规模数模混合集成电路在电子产品、工业控制、通讯设备等领域中发挥着广泛的应用。模拟电路作为集成电路的重要组成部分，其对信号所进行的传输、滤波、放大、转换是系统正常运行的必要功能。因此，极有必要对模拟电路开展故障诊断技术的研究，以保障系统的可靠性。

然而，由于模拟电路故障模拟难以构建、电路元器件的非线性和容差的影响，模拟电路故障诊断仍然面临着诸多问题。例如，外界噪声的干扰、故障发生未知的不可预测性及参数偏离正常范围程度的不确定性，都将极大的影响故障诊断方法的准确性及效率。

针对上述难点，国内外诸多学者均对其展开了大量的研究工作。这些研究主要涉及故障特征提取方法。例如，Spina R,Upadhyaya S.Linear circuit fault diagnosisusing neuromorphic analyzers[J].Circuits&Systems II Analog & Digital SignalProcessing IEEE Transactions on,1997,44(3):188-196.Negnevitsky M,PavlovskyV.Neural networks approach to online identification of multiple failures ofprotection systems[J].IEEE Transactions on Power Delivery,2005,20(2):588-594.均直接将被测电路的故障响应信号不加任何预处理作为分类器的输入，导致分类器训练时间过长，结构规模过大。又如，何星,王宏力,陆敬辉,等.基于优选小波包和ELM的模拟电路故障诊断[J].仪器仪表学报,2013,34(11):2614-2619.肖玉飞,刘祖润,李目.基于小波包能量熵与SVM的模拟电路故障诊断[J].电子测量技术,2011,34(6):110-113.是通过计算小波系数能量值或能量熵，并将其作为故障特征输入到分类器以实现故障识别，但各节点特征值较小且特征区分不明显。又如，Yuan L,He Y,Huang J,et al.A New Neural-Network-Based Fault Diagnosis Approach for Analog Circuits by Using Kurtosis andEntropy as a Preprocessor[J].IEEE Transactions on Instrumentation&Measurement,2010,59(3):586-595.Long Y,Xiong Y,He Y,et al.A new switchedcurrent circuit fault diagnosis approach based on pseudorandom test andpreprocess by using entropy and Haar wavelet transform[J].Analog IntegratedCircuits&Signal Processing,2017(3):1-17.作者采用故障响应信号的高阶统计量作为故障特征，输入到分类器进行识别，并获得了很好的诊断效果。但是没有考虑多故障情况下即故障类别重叠性较大时，故障诊断方法的性能。