CN102426334B - 一种放大电路的贮存性能表征参数确定方法 - Google Patents
一种放大电路的贮存性能表征参数确定方法 Download PDFInfo
- Publication number
- CN102426334B CN102426334B CN 201110384429 CN201110384429A CN102426334B CN 102426334 B CN102426334 B CN 102426334B CN 201110384429 CN201110384429 CN 201110384429 CN 201110384429 A CN201110384429 A CN 201110384429A CN 102426334 B CN102426334 B CN 102426334B
- Authority
- CN
- China
- Prior art keywords
- amplifying circuit
- signal
- fault
- characterization parameter
- analysis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Tests Of Electronic Circuits (AREA)
Abstract
一种放大电路的贮存性能表征参数确定方法,它有九大步骤:(1)产品功能描述;(2)进行约定层次分析,确定分析对象的层次关系;(3)确定FMMEA分析对象,从约定层次中确定开展故障机理分析的层次;(4)针对确定的分析对象开展FMMEA分析和FMEA分析并汇总分析结果;(5)放大电路功能信号建模;(6)故障模式分析,建立相关性模型;(7)优选节点信号,即贮存性能表征参数;(8)计算故障检测率与故障隔离率,检验选定贮存性能表征参数的全面性;(9)确定放大电路贮存性能参数集合。本发明将故障模式机理影响分析和功能与故障的相关性分析相结合来确定反映放大电路贮存失效机理的性能参数,它在可靠性工程技术领域里具有广阔地应用前景。
Description
一、技术领域
本发明提供一种放大电路的贮存性能表征参数确定方法,用于确定放大电路的贮存性能表征参数,属于可靠性工程技术领域。
二、背景技术
产品在使用前,处于具有不同失效特性的多种贮存状态,其中包括运输、装卸、库房贮存等非工作状态和为使其保持功能而进行功能测试、自动检查时的局部工作状态。贮存可靠性是指产品在经历其寿命剖面中各种贮存状态所规定的环境条件与使用条件后,仍能保持其性能参数在规定范围内的能力。这种能力可用两种参数来表示:一种是保持性能参数在规定范围内的时间长度(或称保持规定质量要求的时间长度),称为贮存寿命;另一种是在规定时间内保持性能参数在规定范围内的概率,称为贮存可靠度。
产品贮存期及贮存可靠性参数体系分为贮存可靠性参数和贮存性能表征参数两大类。贮存可靠性参数目前通常考核贮存可靠度和贮存寿命,电子元器件通常考核贮存失效率(非工作状态失效率)。贮存性能表征参数是反映产品经过长时间贮存后性能是否满足要求的一系列性能参数。本发明给出了确定放大电路反映贮存失效机理的性能参数方法,该方法是以故障模式影响分析(FMEA)和故障模式机理影响分析(FMMEA)技术为支撑,针对最底层的故障模式进一步进行故障机理分析,找出由贮存导致的故障模式及其影响;然后根据放大电路的功能描述,建立其功能信号模型,接着在故障影响分析的基础上,开展功能与故障的相关性建模,最后通过相关性分析确定放大电路的贮存性能表征参数。
三、发明内容
(一)目的:
本发明的目的是提供一种放大电路的贮存性能表征参数确定方法,它可以为确定放大电路的贮存性能表征参数提供支持。
(二)技术方案:
本发明一种放大电路的贮存性能表征参数确定方法,它将故障模式机理影响分析和功能与故障的相关性分析相结合来确定反映放大电路贮存失效机理的性能参数,其实施流程如图1所示。
一方面通过FMMEA和FMEA确定贮存失效机理所导致的顶层故障模式,另一方面通过功能与故障的相关性分析建立故障模式与功能影响参数之间的相关关系,二者结合起来确定反映放大电路贮存失效机理的性能参数,同时经过分析还可以进一步指出现有参数的完整性和全面性。
该方法主要分为三个部分、两个过程。三个部分是指分析的三个主要元素:产品功能、故障模式、故障机理;两个过程是指通过故障模式探究故障机理、故障影响的“故障模式-机理分析”过程,以及结合故障模式产生的故障影响与产品功能进行的相关性建模过程。
本发明一种放大电路的贮存性能表征参数确定方法,它包括故障模式-机理影响分析和功能-故障模式分析,其中,故障模式-机理影响分析用于确定贮存失效机理所导致的故障模式,其分析流程如图2所示;功能-故障模式分析主要是建立功能信号与故障模式之间的相关关系,根据相关性模型确定最终选定的节点信号,即贮存性能参数。本方法的工作流程如下(其中步骤1至步骤4为故障模式-机理影响分析,步骤5至步骤8为功能-故障模式分析):
步骤1:放大电路功能描述;本发明中所述的放大电路是某无人驾驶飞机自动驾驶仪舵回路的一部分,电路中的前置级与中间级均由三级放大直接耦合而成;在前置级与中间级之间串接一正交切除电路,最后一级——相敏级采用差动式全波相敏整流放大电路,起着鉴相、整流和功率放大的作用,输出相应的控制信号以控制舵机。主通道放大电路功能分解见图3。
步骤2:进行约定层次分析,确定分析对象的层次关系;本发明采用硬件FMEA方法中约定层次的划分方法,针对放大电路硬件组成的结构层次关系划分约定层次。
步骤3:确定FMMEA分析对象,从约定层次中确定开展故障机理分析的层次,通常为最低约定层次。该对象应该为可以进行故障机理分析的对象,即该对象的故障模式应该可以找到对应的故障机理;
步骤4:进行FMMEA分析和FMEA分析并汇总分析结果。
步骤5:放大电路功能信号建模。建立放大电路的功能结构模型,给出最底层功能模块(即确定的最低层次分析对象)内所有初始信号节点,并建立其信号框图;
步骤6:故障模式分析,建立相关性模型。对放大电路功能结构模型中每个最底层功能模块,根据“故障模式-机理分析”得到的结果,确定其故障模式及故障影响;分析上述故障模式在信号节点的反映情况,然后建立最底层功能模块的相关性图示模型,得到所有最底层功能模块的相关性矩阵Dm×n,根据功能信号模型,将所有模块的相关性矩阵进行合并,得到产品级相关性矩阵;
步骤7:优选节点信号,即贮存性能表征参数。相关性矩阵反映了信号与故障模式之间的关联关系,对相关性矩阵进行简化,分析模糊组的情况,逐步优选、确定产品的贮存性能表征参数;
步骤8:计算故障检测率与故障隔离率。故障检测率和隔离率反映了选定的贮存性能表征参数反映故障模式影响的全面性,以及隔离故障模式的情况,因此通过对二者的计算可以辅助判断选定贮存性能表征参数的全面性情况。若不满足要求,则需进一步补充功能单元的信号,然后重复上述步骤重新分析,直到满足要求为止。
步骤9:确定放大电路贮存性能参数集合。
其中,在步骤2中所述的“约定层次”是指进行FMEA分析时的层次,应明确“初始约定层次”、“约定层次”和“最低约定层次”之间的关系。其中,“初始约定层次”和“最低约定层次”只有一级,而“约定层次”可以包含多级层次。将放大电路的约定层次分为两层:初始约定层次为主通道放大电路;最低约定层次共包括4个模块:输入信号放大模块、正交切除模块、控制信号放大模块和相敏放大模块,进入主通道放大电路的信号依次通过这四个模块。
其中,在步骤3中所述的“确定FMMEA分析对象”是在产品约定层次分析的基础上确定的。针对每一个约定层次,分析该层次组成元素故障模式的故障原因及故障机理,直到该层次元素的故障原因为其故障模式的故障机理为止,将该层次的所有元素作为FMMEA分析的对象。放大电路的硬件组成结构可以分为三级,分别为元器件、模块、产品。其中,元器件的故障模式可以进行故障机理分析,而模块和产品的故障模式只存在故障原因,而非故障机理。因此,FMMEA分析的对象为放大电路的四个模块。
其中,在步骤4中所述的“进行FMMEA分析和FMEA分析并汇总分析结果”是指,将FMMEA、FMEA分析表进行整理合并,保留FMMEA分析表中的故障机理和故障模式,并从FMEA分析表中将故障模式的各级影响填入分析内容汇总表中,形成一条故障机理与故障影响之间可追溯的路径,得到与贮存失效机理相关的故障模式及故障影响,分析内容汇总表见表1。
表1分析内容汇总表
其中,步骤5中所述的“放大电路功能信号建模”是指用信号流的方式来描述系统,即先根据功能对放大电路进行模块划分,然后利用信号流将各个模块按照功能连接起来,最终建立放大电路功能信号模型。放大电路的组织结构图如图4所示,功能信号框图如图5所示。
其中,步骤6中所述的“建立相关性模型”,是指采用图形法和矩阵法表达。图形法是在放大电路功能和结构合理划分之后,清楚表明故障信息流方向和各功能组成的相互连接关系,并标注清楚信号节点的位置和编号,以此表明各功能组成与各信号节点的相关性关系。矩阵法在图形模型的基础上进一步细化,建立最底层功能所具有的所有故障模式与信号节点间的相关性关系,二者相互结合使用,更利于全面且充分的分析故障模式与功能信号节点间的相关性关系。
建立相关性模型时,首先根据“放大电路功能信号建模”可以得到放大电路子功能的信号框图以及功能能模块之间的信号框图,然后根据“故障模式-机理分析”可以得到功能模块的故障模式,接着分析故障对功能模块端口的影响以及信号节点与故障模式之间的关联关系,最终得到相关性模型,放大电路的相关性模型如图6所示,把相关性模型转化为相关性数学模型,即相关性矩阵。放大电路的相关性矩阵为:
其中,步骤7中所述的“优选节点信号”采用产品测试性设计中故障检测点和故障隔离点选取的相关方法来实现,主要步骤为:
(1)简化相关性矩阵识别模糊组;
根据相关矩阵D30×5可以看出,
a.相关矩阵中不存在冗余信号节点组,因此不需要进行简化。
b.相关矩阵中存在6个模糊组,其分别为:
m1={F1,F2,F3,F4,F5,F6,F7,F8,F9},模糊组的容量为9;
m2={F10,F11,F12},模糊组的容量为3;
m3={F13,F14,F15,F16,F17,F18,F19,F20},模糊组的容量为8;
m4={F21,F25,F27,F30},模糊组的容量为4;
m5={F22,F24,F26},模糊组的容量为3;
m6={F23,F28,F29},模糊组的容量为3。
其中Fi代表相关矩阵中的第i行。
(2)选择检测用贮存性能表征参数;
计算各信号节点的故障检测权值,结果如下:
很明显,WFD1最大,因此首先选择T1信号节点所对应的信号VCE1作为贮存性能表征参数,然后以T1对应的列向量划分相关性矩阵,得到:
此时,WFD4=WFD5最大,因此任意选择T4或T5所对应的信号作为贮存性能表征参数,这里选择T4,即Vout7。继续划分后,得:
WFD2=WFD5,任意选择T5对应的信号Vout8作为贮存性能表征参数。至此,分析结束。
(3)选择隔离用贮存性能表征参数
计算各信号节点的故障隔离权值,结果如下:
由上述计算结果可知,WFI1最大,所以首选T1节点对应信号VCE1作为隔离用贮存性能表征参数。因为VCE1已经在选择检测用贮存性能参数时已经被优选过,所以此轮计算不增加贮存性能表征参数。
以T1对应的列向量划分相关性矩阵,继续计算WFI,可得:
此次计算结果可知,WFI3最大,选择T3节点信号,即VCE3和VCE4。同理,VCE3和VCE4已经在贮存性能表征参数内,因此继续划分相关性矩阵,计算WFI。
根据计算结果,同理选择T4节点信号,即Vout7。
因为WFI5>WFI2,因此选择T5节点信号,Vout8。
其中,步骤8中所述的“故障检测率”是指能检测到的故障与故障总数之比,所述的“故障隔离率”是指正确隔离的故障数与检测到的故障总数之比,故障检测率和故障隔离率都是用百分数来表示。对放大电路的相关性矩阵进行分析可知相关矩阵中不存在Fi=[00000]的情况,即没有检测不到的故障,故而系统的故障检测率FDR:
FDR=(l-n)/l×100%==(30-0)/30×100%=100%
分析模糊组可知,每个模糊组的故障模式都属于一个功能模块,则当要求隔离到一个功能模块时,其故障隔离率FIR为:
FIR=(30-0)/30×100%=100%
因此,当前选定的贮存性能表征参数已满足要求。
其中,步骤9中所述的“确定放大电路贮存性能参数集合”是指经过计算故障检测率和故障隔离率后,如果指标满足要求则给出放大电路的贮存性能表征参数。
(三)本发明的优点及功效
(1)通过FMMEA与FMEA分析,形成一条故障机理与故障影响之间可追溯的路径,得到与贮存失效机理相关的故障模式及故障影响;
(2)根据相关性数学模型优选反应贮存失效机理的产品性能参数,使参数的确定规则更加准确,并可以检验所选性能参数的全面性和覆盖性。
四、附图说明
图1为本发明放大电路的贮存性能表征参数确定方法流程图
图2为故障模式-机理影响分析流程图
图3为主通道放大电路功能功能分解图
图4为放大电路组织结构图
图5为放大电路功能信号框图
图6为放大电路相关性图形模型
图7为输入信号放大模块电路原理图
图中符号说明如下:
T1~T4代表测试点;
Pcij代表功能模块的功能输入或功能输出端口;
CE1~CE4为测试信号节点;
out7,out8为输出信号节点;
FMEA故障模式影响分析;FMMEA故障模式机理影响分析。
五、具体实施方式
本发明一种放大电路的贮存性能表征参数确定方法,该方法的分析流程如图1所示,它包括故障模式-机理影响分析和功能故-障模式分析,其中,故障模式-机理影响分析用于确定贮存失效机理所导致的放大电路故障模式,其分析流程如图2所示,功能-故障模式分析主要是建立放大电路功能信号与故障模式之间的相关关系,根据相关性模型确定最终选定的节点信号,即贮存性能参数。本方法的工作流程如下(其中步骤1至步骤4故障模式-机理影响分析,步骤5至步骤8为功能-故障模式分析):
步骤1:放大电路功能描述;本发明中所述的放大电路是某无人驾驶飞机自动驾驶仪舵回路的一部分,电路中的前置级与中间级均由三级放大直接耦合而成;在前置级与中间级之间串接一正交切除电路,最后一级——相敏级采用差动式全波相敏整流放大电路,起着鉴相、整流和功率放大的作用,输出相应的控制信号以控制舵机。主通道放大电路功能分解见图3。
步骤2:进行放大电路约定层次分析,确定分析对象的层次关系;将放大电路的约定层次分为两层:初始约定层次为主通道放大电路;最低约定层次模块,共包括4个模块:输入信号放大模块、正交切除模块、控制信号放大模块和相敏放大模块,进入主通道放大电路的信号依次通过这四个模块。
步骤3:确定FMMEA分析对象;放大电路一共可以分为三级,分别为元器件、模块、产品。其中,元器件的故障模式可以进行故障机理分析,而模块和产品的故障模式只存在故障原因,而非故障机理。因此,FMMEA分析的对象为放大电路的四个模块。
步骤4:进行FMMEA分析、FMEA分析并汇总;放大电路贮存阶段的环境条件包括温度、湿度、化学环境、辐射、沾污等。元器件级的故障模式可以查询相应的国军标,也可以从已有的元器件故障模式库中得到。虽然对故障模式的工作方式进行了限制,但作为判断是否与产品贮存相关的依据不够充分,需要结合故障机理分析与工作方式分析做出合理的判断。以放大电路中的输入信号放大模块为例,对模块内每个元器件的故障模式进行故障影响分析,其余3个模块的分析过程类似。输入信号放大模块电路原理图见图7,得到的FMMEA分析表如下列表2~表5所示。放大电路FMEA如下列表6所示,分析内容汇总如下列表7所示。
步骤5:放大电路功能信号建模
根据产品功能描述,对放大电路进行功能划分,可以得到如所图4所示的组织结构图和图5所示的功能信号框图。
步骤6:分析产品的故障模式,建立相关性模型
根据产品功能模型数据(包括功能结构数据和功能连接关系数据),功能模块故障模式数据,故障模式传递数据,信号节点数据得到放大电路相关性图形模型如图6所示,根据相关性图形得到放大电路的相关矩阵如下所示:
步骤7:优选贮存性能表征参数;
(1)简化相关性矩阵,识别模糊组。
根据相关矩阵D30×5可以看出,
a.相关矩阵中不存在冗余信号节点组。
b.相关矩阵中存在6个模糊组,其分别为:
m1={F1,F2,F3,F4,F5,F6,F7,F8,F9},模糊组的容量为9;
m2={F10,F11,F12},模糊组的容量为3;
m3={F13,F14,F15,F16,F17,F18,F19,F20},模糊组的容量为8;
m4={F21,F25,F27,F30},模糊组的容量为4;
m5={F22,F24,F26},模糊组的容量为3;
m6={F23,F28,F29},模糊组的容量为3。
其中Fi代表相关矩阵中的第i行。
(2)选择检测用贮存性能表征参数
计算各信号节点的故障检测权值,结果如下:
很明显,WFD1最大,因此首先选择T1信号节点所对应的信号VCE1作为贮存性能表征参数,然后以T1对应的列向量划分相关性矩阵,得到:
继续对计算各信号节点的故障检测权值,可知,WFD3最大,则选择T3节点所对应的信号VCE3和VCE4作为贮存性能表征参数。继续划分相关矩阵,得:
此时,WFD4=WFD5最大,因此任意选择T4或T5所对应的信号作为贮存性能表征参数,这里选择T4,即Vout7。继续划分后,得:
WFD2=WFD5,任意选择T5对应的信号Vout8作为贮存性能表征参数。至此,分析结束。
(3)选择隔离用贮存性能表征参数
计算各信号节点的故障隔离权值,结果如下:
由上述计算结果可知,WFI1最大,所以首选T1节点对应信号VCE1作为隔离用贮存性能表征参数。因为VCE1已经在选择检测用贮存性能参数时已经被优选过,所以此轮计算不增加贮存性能表征参数。
以T1对应的列向量划分相关性矩阵,继续计算WFI,可得:
此次计算结果可知,WFI3最大,选择T3节点信号,即VCE3和VCE4。同理,VCE3和VCE4已经在贮存性能表征参数内,因此继续划分相关性矩阵,计算WFI。
根据计算结果,同理选择T4节点信号,即Vout7。
因为WFI5>WFI2,因此选择T5节点信号,Vout8。
步骤8:计算故障检测率与故障隔离率
相关矩阵中不存在Fi=[00000]的情况,故而系统的故障检测率FDR:
FDR=(l-n)/l×100%==(30-0)/30×100%=100%
分析模糊组可知,每个模糊组的故障模式都属于一个功能模块,则当要求隔离到一个功能模块时,其故障隔离率FIR为:
FIR=(30-0)/30×100%=100%
因此,当前选定的贮存性能表征参数已满足要求。
步骤9:确定放大电路贮存性能参数集合
通过上述分析可知,放大电路的贮存性能参数集确定为:VCE1、VCE3、VCE4、Vout7和Vout8。
在优选检测用贮存性能参数时,最后一步T2和T5的WFD值相同,任意选择了T5,而在优选隔离用贮存性能参数时,最后一步必须选择T5,因此我们剔除了T2节点对应的功能信号VCE2。而在最后故障检测率和故障隔离率计算过程中,故障检测率和隔离到一个功能模块的故障隔离率均达到100%,因此已经满足了分析精度,可以确定上述参数集合。
Claims (9)
1.一种放大电路的贮存性能表征参数确定方法,其特征在于:该方法步骤如下:
步骤1:放大电路功能描述;所述的放大电路是一无人驾驶飞机自动驾驶仪舵回路的一部分,电路中的前置级与中间级均由三级放大直接耦合而成;在前置级与中间级之间串接一正交切除电路,最后一级——相敏级采用差动式全波相敏整流放大电路,起着鉴相、整流和功率放大的作用,输出相应的控制信号以控制舵机;
步骤2:进行约定层次分析,确定分析对象的层次关系;采用硬件FMEA方法中约定层次的划分方法,针对放大电路硬件组成的结构层次关系划分约定层次;
步骤3:确定FMMEA分析对象,从约定层次中确定开展故障机理分析的层次,为最低约定层次;该对象为进行故障机理分析的对象,即该对象的故障模式能找到对应的故障机理;
步骤4:进行FMMEA分析和FMEA分析并汇总分析结果;
步骤5:放大电路功能信号建模;建立放大电路的功能结构模型,给出最底层功能模块即确定的最低层次分析对象内所有初始信号节点,并建立其信号框图;
步骤6:故障模式分析,建立相关性模型;对放大电路功能结构模型中每个最底层功能模块,根据“故障模式—机理分析”得到的结果,确定其故障模式及故障影响;分析上述故障模式在信号节点的反映情况,然后建立最底层功能模块的相关性图示模型,得到所有最底层功能模块的相关性矩阵Dm×n,根据功能信号模型,将所有模块的相关性矩阵进行合并,得到产品级相关性矩阵;
步骤7:优选节点信号,即贮存性能表征参数;相关性矩阵反映了信号与故障模式之间的关联关系,对相关性矩阵进行简化,分析模糊组的情况,逐步优选、确定产品的贮存性能表征参数;
步骤8:计算故障检测率与故障隔离率;故障检测率和隔离率反映了选定的贮存性能表征参数反映故障模式影响的全面性,以及隔离故障模式的情况,因此通过对二者的计算辅助判断选定贮存性能表征参数的全面性情况;若不满足要求,则需进一步补充功能单元的信号,然后重复步骤5—步骤8,重新分析,直到满足要求为止;
步骤9:确定放大电路贮存性能参数集合。
2.根据权利要求1所述的一种放大电路的贮存性能表征参数确定方法,其特征在于:在步骤2中所述的“约定层次”是指进行FMEA分析时的层次,应明确“初始约定层次”、“约定层次”和“最低约定层次”之间的关系;其中,“初始约定层次”和“最低约定层次”只有 一级,而“约定层次”包含多级层次;将放大电路的约定层次分为两层:初始约定层次为主通道放大电路;最低约定层次共包括4个模块:输入信号放大模块、正交切除模块、控制信号放大模块和相敏放大模块,进入主通道放大电路的信号依次通过这四个模块。
3.根据权利要求2所述的一种放大电路的贮存性能表征参数确定方法,其特征在于:在步骤3中所述的“确定FMMEA分析对象”是在产品约定层次分析的基础上确定的;针对每一个约定层次,分析该层次组成元素故障模式的故障原因及故障机理,直到该层次元素的故障原因为其故障模式的故障机理为止,将该层次的所有元素作为FMMEA分析的对象;放大电路的硬件组成结构分为三级,分别为元器件、模块、产品;其中,元器件的故障模式进行故障机理分析,而模块和产品的故障模式只存在故障原因,而非故障机理,因此,FMMEA分析的对象为放大电路的输入信号放大模块、正交切除模块、控制信号放大模块和相敏放大模块。
4.根据权利要求1所述的一种放大电路的贮存性能表征参数确定方法,其特征在于:在步骤4中所述的“进行FMMEA分析和FMEA分析并汇总分析结果”是指,将FMMEA、FMEA分析表进行整理合并,保留FMMEA分析表中的故障机理和故障模式,并从FMEA分析表中将故障模式的各级影响填入分析内容汇总表中,形成一条故障机理与故障影响之间可追溯的路径,得到与贮存失效机理相关的故障模式及故障影响,分析内容汇总表见下表
分析内容汇总表
5.根据权利要求1所述的一种放大电路的贮存性能表征参数确定方法,其特征在于:步骤5中所述的“放大电路功能信号建模”是指用信号流的方式来描述系统,即先根据功能对放大电路进行模块划分,然后利用信号流将各个模块按照功能连接起来,最终建立放大电路功能信号模型。
6.根据权利要求1所述的一种放大电路的贮存性能表征参数确定方法,其特征在于:步骤6中所述的“建立相关性模型”,是指采用图形法和矩阵法表达;图形法是在放大电路功能和结构合理划分之后,清楚表明故障信息流方向和各功能组成的相互连接关系,并标注清楚信号节点的位置和编号,以此表明各功能组成与各信号节点的相关性关系;矩阵法在图形模型的基础上进一步细化,建立最底层功能所具有的所有故障模式与信号节点间的相关性关系,二者相互结合使用,更利于全面且充分的分析故障模式与功能信号节点间的相关性关系;
建立相关性模型时,首先根据“放大电路功能信号建模”得到放大电路子功能的信号框 图以及功能模块之间的信号框图,然后根据“故障模式—机理分析”得到功能模块的故障模式,接着分析故障对功能模块端口的影响以及信号节点与故障模式之间的关联关系,最终得到相关性模型,把相关性模型转化为相关性数学模型,即相关性矩阵;放大电路的相关性矩阵为:
7.根据权利要求6所述的一种放大电路的贮存性能表征参数确定方法,其特征在于:步骤7中所述的“优选节点信号”采用产品测试性设计中故障检测点和故障隔离点选取的相关方法来实现,具体实现的步骤为:
(1)简化相关性矩阵识别模糊组;
根据相关矩阵D30×5看出,a.相关矩阵中不存在冗余信号节点组,因此不需要进行简化,
b.相关矩阵中存在6个模糊组,其分别为:
m1={F1,F2,F3,F4,F5,F6,F7,F8,F9},模糊组的容量为9;
m2={F10,F11,F12},模糊组的容量为3;
m3={F13,F14,F15,F16,F17,F18,F19,F20},模糊组的容量为8;
m4={F21,F25,F27,F30},模糊组的容量为4;
m5={F22,F24,F26},模糊组的容量为3;
m6={F23,F28,F29},模糊组的容量为3;
其中Fi代表相关矩阵中的第i行;
(2)选择检测用贮存性能表征参数;
计算各信号节点的故障检测权值,结果如下:
很明显,WFD1最大,因此首先选择T1信号节点所对应的信号VCE1作为贮存性能表征参数,然后以T1对应的列向量划分相关性矩阵,得到:
此时,WFD4=WFD5最大,因此任意选择T4或T5所对应的信号作为贮存性能表征参数,这里选择T4,即Vout7;继续划分后,得:
WFD2=WFD5,任意选择T5对应的信号Vout8作为贮存性能表征参数,至此,分析结束;
(3)选择隔离用贮存性能表征参数
计算各信号节点的故障隔离权值,结果如下:
由上述计算结果知道,WFI1最大,所以首选T1节点对应信号VCE1作为隔离用贮存性能表征参数;因为VCE1已经在选择检测用贮存性能参数时已经被优选过,所以此轮计算不增加贮存性能表征参数;
以T1对应的列向量划分相关性矩阵,继续计算WFI,得:
此次计算结果知道,WFI3最大,选择T3节点信号,即VCE3和VCE4;同理,VCE3和VCE4已经在贮存性能表征参数内,因此继续划分相关性矩阵,计算WFI;
根据计算结果,同理选择T4节点信号,即Vout7;
因为WFI5>WFI2,因此选择T5节点信号,Vout8。
8.根据权利要求1所述的一种放大电路的贮存性能表征参数确定方法,其特征在于:步骤8中所述的“故障检测率”是指能检测到的故障与故障总数之比,所述的“故障隔离率”是指正确隔离的故障数与检测到的故障总数之比,故障检测率和故障隔离率都是用百分数来表示;对放大电路的相关性矩阵进行分析可知相关矩阵中不存在Fi=[0 0 0 0 0]的情况,即没有检测不到的故障,故而系统的故障检测率FDR:其中,Fi代表相关矩阵中的第i行;
FDR=(l-n)/l×100%==(30-0)/30×100%=100%
分析模糊组可知,每个模糊组的故障模式都属于一个功能模块,则当要求隔离到一个功能模块时,其故障隔离率FIR为:
FIR=(30-0)/30×100%=100%
因此,当前选定的贮存性能表征参数已满足要求。
9.根据权利要求1所述的一种放大电路的贮存性能表征参数确定方法,其特征在于:步骤9中所述的“确定放大电路贮存性能参数集合”是指经过计算故障检测率和故障隔离率后,如果指标满足要求则给出放大电路的贮存性能表征参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110384429 CN102426334B (zh) | 2011-11-28 | 2011-11-28 | 一种放大电路的贮存性能表征参数确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110384429 CN102426334B (zh) | 2011-11-28 | 2011-11-28 | 一种放大电路的贮存性能表征参数确定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102426334A CN102426334A (zh) | 2012-04-25 |
CN102426334B true CN102426334B (zh) | 2013-07-24 |
Family
ID=45960339
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110384429 Active CN102426334B (zh) | 2011-11-28 | 2011-11-28 | 一种放大电路的贮存性能表征参数确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102426334B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102707257B (zh) * | 2012-06-19 | 2014-11-05 | 冀北电力有限公司计量中心 | 智能电表多应力极限的确定方法 |
CN103226636B (zh) * | 2013-04-24 | 2015-11-18 | 北京航空航天大学 | 基于定性推理的放大电路故障传播分析方法 |
CN103268273B (zh) * | 2013-05-24 | 2015-05-06 | 北京航空航天大学 | 一种功能解析和机理分析的故障判据确定方法 |
CN103760886B (zh) * | 2013-12-02 | 2016-06-15 | 北京航空航天大学 | 一种新研航空电子产品硬件综合fmeca方法 |
CN104182287A (zh) * | 2014-08-11 | 2014-12-03 | 工业和信息化部电子第五研究所 | 元器件fmea分析层次划分方法与系统 |
CN104166800A (zh) * | 2014-08-11 | 2014-11-26 | 工业和信息化部电子第五研究所 | 基于失效机理的元器件fmea分析方法与系统 |
CN104361193B (zh) * | 2014-08-13 | 2017-04-05 | 北京航空航天大学 | 一种产品寿命主机理确定方法 |
CN108241114B (zh) * | 2016-12-26 | 2020-05-26 | 北京邮电大学 | 混合电路芯片的在线故障检测方法、装置及故障检测电路 |
CN113095607B (zh) * | 2019-12-23 | 2023-04-07 | 新疆金风科技股份有限公司 | 风力发电机组水冷系统的故障诊断方法、装置及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1553328A (zh) * | 2003-06-08 | 2004-12-08 | 华为技术有限公司 | 基于故障树分析的系统故障定位方法及装置 |
CN102208028A (zh) * | 2011-05-31 | 2011-10-05 | 北京航空航天大学 | 一种适用于动态复杂系统的故障预测和诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4296160B2 (ja) * | 2005-03-29 | 2009-07-15 | 株式会社東芝 | 回路基板の品質解析システム及び品質解析方法 |
-
2011
- 2011-11-28 CN CN 201110384429 patent/CN102426334B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1553328A (zh) * | 2003-06-08 | 2004-12-08 | 华为技术有限公司 | 基于故障树分析的系统故障定位方法及装置 |
CN102208028A (zh) * | 2011-05-31 | 2011-10-05 | 北京航空航天大学 | 一种适用于动态复杂系统的故障预测和诊断方法 |
Non-Patent Citations (5)
Title |
---|
JP特开2006-277370A 2006.10.12 |
可靠性测试方法在电子产品中的应用研究;柯广贤等;《冶金自动化》;20091231(第S1期);853-856 * |
基于仿真的电路故障模式识别研究;林丹龙等;《电子产品可靠性与环境试验》;20091231(第S1期);220-224 * |
林丹龙等.基于仿真的电路故障模式识别研究.《电子产品可靠性与环境试验》.2009,(第S1期), |
柯广贤等.可靠性测试方法在电子产品中的应用研究.《冶金自动化》.2009,(第S1期), |
Also Published As
Publication number | Publication date |
---|---|
CN102426334A (zh) | 2012-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102426334B (zh) | 一种放大电路的贮存性能表征参数确定方法 | |
US7787969B2 (en) | Virtual sensor system and method | |
CN102789543B (zh) | 基于多试验信息的可靠性综合评估方法 | |
CN105071381B (zh) | 一种基于影响增量的状态枚举可靠性评估方法及其装置 | |
CN106529090A (zh) | 一种航天电子类产品可靠性评估方法 | |
Sinnamon et al. | Improved accuracy in quantitative fault tree analysis | |
CN110645153B (zh) | 风力发电机组故障诊断方法、装置和电子设备 | |
CN103389701B (zh) | 基于分布式数据模型的厂级过程故障检测与诊断方法 | |
CN103530449B (zh) | 一种弹上寿命件的多变量加速贮存试验优化设计方法 | |
CN102541017B (zh) | 一种复杂化工过程中振荡信号的快速定位方法 | |
CN106250709A (zh) | 基于传感器关联网络的燃气轮机异常检测与故障诊断算法 | |
CN105786678A (zh) | 一种基于相关性模型的测试性预计方法 | |
Ju et al. | Modeling, analysis, and improvement of integrated productivity and quality system in battery manufacturing | |
CN102207998B (zh) | 基于无失效数据的评估产品寿命及其可靠性的方法 | |
CN102608519B (zh) | 基于节点信息的电路故障诊断方法 | |
Khan et al. | A new variable control chart under failure‐censored reliability tests for Weibull distribution | |
CN105512011A (zh) | 一种电子装备测试性建模评估方法 | |
Normatov et al. | Analysis Method of Structural-complex System Indicators by Decomposition Into Subsystems | |
CN101008936A (zh) | 一种校正测量数据显著误差与随机误差的方法 | |
CN102735435B (zh) | 一种基于相关性模型的动量轮故障可诊断性确定方法 | |
CN103196691B (zh) | 基于主对角元占优模糊关系矩阵建立相关性故障测试矩阵的方法 | |
CN105426279A (zh) | 基于元胞机的伺服系统故障传播分析方法 | |
Vento et al. | Set-membership parity space hybrid system diagnosis | |
CN105577432A (zh) | 一种基于关联分析的网络丢包概率预测方法 | |
CN112849429A (zh) | 一种民机系统测量参数的溯源方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210526 Address after: 215000 No.1-3, hangqiao Road, hejiajiao village, Wangting Town, Xiangcheng District, Suzhou City, Jiangsu Province Patentee after: Suzhou Tianhang Changying Technology Development Co.,Ltd. Address before: 100191 No. 37, Haidian District, Beijing, Xueyuan Road Patentee before: BEIHANG University |