[发明专利]一种复杂模拟电路故障识别与估计方法及系统

权利要求书

1.一种复杂模拟电路故障识别与估计方法，其特征在于，包括：

(1)建立待诊断模拟电路的退化仿真模型，进行待诊断模拟电路的退化仿真模型中不同器件的参数老化模拟实验，并采集各不同器件的参数条件下的输出信号；

(2)利用时序变换方法提取各所述输出信号的时域特征，并根据各所述时域特征建立各器件的健康指数；

(3)基于各所述器件的健康指数，结合时间滑窗及卷积神经网络CNN对所述待诊断模拟电路是否发生退化进行识别；

(4)复用前述卷积神经网络的部分隐含层，并结合长短时记忆循环网络LSTM-RNN对已发生退化的电路进行状态估计。

2.根据权利要求1所述的方法，其特征在于，由建立各器件的健康指数，其中，x₁＝(x₁⁽¹⁾,x₁⁽²⁾,...,x₁⁽ⁿ⁾)指的是器件健康状态下的输出信号的时域特征，x₂＝(x₂⁽¹⁾,x₂⁽²⁾,...,x₂⁽ⁿ⁾)指的是老化过程中器件的输出信号的时域特征，n表示时域特征向量长度。

3.根据权利要求2所述的方法，其特征在于，在步骤(2)中，提取的输出信号的十个时域特征指标为：tf₁＝max(s_t)、及其中，s_t是当前次退化过程中t点的输出信号值，N是该次退化样本的输出信号点总数，表示该次退化样本输出信号的算术平均值。

4.根据权利要求1至3任意一项所述的方法，其特征在于，所述卷积神经网络CNN包含卷积层、池化层和Softmax层三种类型的隐含层，所述时间滑窗是通过将一定数量的信号特征在给定长度的退化周期进行截断实现，进而由所述时间滑窗创建一个信号矩阵，其中，每一个信号特征分列该信号矩阵的每一行，该信号矩阵的列号对应该列信号的退化周期数。

5.根据权利要求4所述的方法，其特征在于，步骤(3)包括：

通过卷积神经网络CNN对由所述时间滑窗截取出的信号矩阵进行识别，以对所述待诊断模拟电路是否发生退化进行识别，若所述待诊断模拟电路发生退化，则进一步确定退化起始的退化周期数。

6.根据权利要求5所述的方法，其特征在于，步骤(4)包括：

将由卷积神经网络CNN提取的退化电路输入信号的隐含特征信息送入长短时记忆循环网络LSTM-RNN进行健康状态估计操作，并采用AdaGrad算法更新网络参数。

7.根据权利要求6所述的方法，其特征在于，所述方法还包括：

采用相关评价指标对预测效果进行评估，其中，所述评价指标包括：打分函数和均方根误差。

8.一种复杂模拟电路故障识别与估计系统，其特征在于，包括：

数据采集模块，用于建立待诊断模拟电路的退化仿真模型，进行待诊断模拟电路的退化仿真模型中不同器件的参数老化模拟实验，并采集各不同器件的参数条件下的输出信号；

数据处理模块，用于利用时序变换方法提取各所述输出信号的时域特征，并根据各所述时域特征建立各器件的健康指数；

识别模块，用于基于各所述器件的健康指数，结合时间滑窗及卷积神经网络CNN对所述待诊断模拟电路是否发生退化进行识别；

状态估计模块，用于复用前述卷积神经网络的部分隐含层，并结合长短时记忆循环网络LSTM-RNN对已发生退化的电路进行状态估计。

9.根据权利要求8所述的系统，其特征在于，所述系统还包括：

评价模块，采用相关评价指标对预测效果进行评估，其中，所述评价指标包括：打分函数和均方根误差。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一项所述方法的步骤。