CN102540054A - 基于多模块贝叶斯网的电子电路故障诊断方法 - Google Patents

Abstract

本发明涉及基于多模块贝叶斯网的电子电路故障诊断方法。常用的电子电路故障诊断方法有模糊集故障字典法、神经网络法和贝叶斯网络法等，故障分辨的能力、解释性和实时性较差。本发明设置相邻两次故障诊断推理信度阈值参数，确定智能体个数；得到贝叶斯子网络结构，故障原因源映射至各BN子网，BN子网模型各节点间的信度条件概率参数采用EM算法进行学习；用重叠信号对应的节点作为网络的重叠子域形成完整的MSBN网络结构，构建成链化连接森林；各BN子网模型中输入各自的k个目标特征信号作为观测证据。本发明采用空间多源信息融合方法，提高了系统的故障诊断能力，适用于复杂、不确定性的系统，大大提高故障诊断的精度和速度。

Description

基于多模块贝叶斯网的电子电路故障诊断方法

技术领域

    本发明涉及一种电子电路故障的诊断方法，具体涉及一种基于多模块贝叶斯网的电子电路故障诊断方法。

背景技术

近年来，电子电路设计和制作工艺的迅猛发展，涌现出的各种功能系统层出不同。然而电子电路故障检测和诊断进展却相对缓慢，设计复杂电路的能力远远超出了故障检测和维修能力。据美国军事部门报道，在电子设备中数字电路板占80%，模拟电路板占20%。电子电路的可靠性决定了整个系统的可靠性，然而，对于大型、复杂的电路系统进行故障诊断，往往由于一些不确定因素，导致系统呈现出不确定性。具体表现为：虽然系统原理模型或原理图可以获得，但实际系统中对某些信号进行观测成本昂贵，甚至不可以观测；每个元器件都存在故障的可能性，使正常工作的器件在某些瞬间有一定较低的概率输出错误信号，而故障器件往往在某些瞬间也有较低的概率输出正确信号。由于系统模型的复杂性、元件参数容差与广泛的非线性等原因以及噪声影响会使故障的特征表现出一定程度上的不确定性。

复杂、不确定的电子电路系统中的故障，常常会导致某些观测信号间出现矛盾。要使系统恢复正常工作状态，一种解决办法是替换所有的元器件和线路，这无疑是一种成本昂贵、不甚可行的做法。

对于复杂电路，目前常用的故障诊断方法有模糊集故障字典法、神经网络法和贝叶斯网络法等。由于元件容差、测量误差及噪声等的影响，使用故障字典法，虽然可采用模糊集等分析方法来处理由元件容差产生的电压偏差，但仅是将电压分段划分给各局部电路，降低了故障分辨的能力；采用神经网络这种人工智能方法来实现故障诊断，存在建模复杂且模型解释性差的缺点；作为解决不确定性和不完全信息问题处理的有效方法，融合了概率论与图论的贝叶斯网络是可用于故障诊断的理论工具之一。将问题域转化为贝叶斯网络（Bayesian Network，简称BN）模型表示后，便可利用贝叶斯网络理论完成推理任务。贝叶斯网络的推理是贝叶斯网络研究的重要内容。其中，连接树（又称为联合树，Junction tree，简称JT）算法是目前计算速度快、应用最广的BN精确推理算法之一。但传统贝叶斯网络法的推理机需收集观测域内所有观测（证据），通过单个中心推理机进行推理。随着网络节点数量的增加，整个网络信度更新的计算量会呈指数增长，因此传统的BN模型不能充分满足复杂系统故障诊断的实时性要求。

发明内容

本发明的目的是提供一种能克服现有电子电路中故障诊断技术中分辨力低下、模型解释困难和实时性差等不足的基于多模块贝叶斯网的电子电路故障诊断方法。

本发明所采用的技术方案是：

基于多模块贝叶斯网的电子电路故障诊断方法，其特征在于：

由以下步骤实现：

步骤一：设置相邻两次故障诊断推理信度阈值参数δ^*；根据电子电路系统观测的重叠信号，确定智能体个数n；

步骤二：在智能体监测范围内，根据电路系统组合原理和图模型映射转换方法，得到相应的n个贝叶斯子网络结构，m个故障原因源g_p,j映射至各BN子网，BN子网模型各节点间的信度条件概率参数采用EM算法进行学习；

其中，1≤p≤m，1≤j≤n；

步骤三：用重叠信号对应的节点作为网络的重叠子域，即公共节点集，形成完整的MSBN网络结构；

步骤四：利用链树法将MSBN构建成链化连接森林；

步骤五：各BN子网模型中，输入各自的k个目标特征信号作为观测证据；

第一轮观测可随机任选k个目标特征信号数据，设置检测次数i=1；第一轮观测之后，特征数据选取上一轮全局推理后各子网中故障概率较大的门电路相关的观测信号，即按故障概率由大至小的顺序，选择k个目标特征信号；若有两个及以上的门电路推理概率相同，其特征信号可任选，作为观测证据；

其中，1≤k≤q；

步骤六：利用连接树算法进行信度局部推理，完成n个BN子网中的节点g_p, j的信度θ_p, j更新；

其中，1≤p≤m，1≤j≤n；

步骤七：基于步骤六获得的θ_p,j更新，利用信度通信算法完成MSBN网内的信度全局推理，更新MSBN中节点g_p,j故障信度θ_p,j ；

其中1≤p≤m，1≤j≤n；

步骤八：若检测次数i=1，则设置临时故障信度变量θ_p,j*=θ_p,j，其中，1≤p≤m，1≤j≤n；并将检测次数i作加1处理，即i=i+1，然后返回步骤五；否则，按式(1)计算相邻两次故障诊断推理信度参数δ；

                                                           (1)

步骤九：若δ<δ^*，按式(2)计算并输出故障诊断结果，故障诊断过程停止；否则，θ_p,j*=θ_p,j，更新θ_p,j*，然后继续通过传感器系统捕获观测数据，并返回步骤五；

故障原因节点

的故障信度可由下式获取： 

                       (2)

其中：

(??)表示排序运算，常取从大到小的顺序排列，s=1,2,……,m；

为第j个智能体的第k个目标特征数据，1≤j≤n，1≤k≤q；

为第j个智能体中第

个目标出现“故障”的事件，1≤

≤m。

根据权利要求1所述的基于多模块贝叶斯网的电子电路故障诊断方法，其特征在于：

步骤一中，δ^*范围取0.05至0.1， n值取为3至5。

根据权利要求1或2所述的基于多模块贝叶斯网的电子电路故障诊断方法，其特征在于：

步骤三中，形成完整的MSBN网络结构的条件是相邻贝叶斯子网络间有重叠子域和不超过一个子网含有公共节点的私有父节点，即直接毗邻的全部父节点。

    本发明具有以下优点：

本发明是基于多模块贝叶斯网（Multiple sectioned Bayesian network，MSBN）的故障诊断方法，由于采用了MSBN局部推理与全局推理相结合的技术特征，使得各征兆信息互相有效补充和修正，即先由各个子贝叶斯网络在捕获观测证据后，进行局部BN推理，然后经过子网间通信完成全局推理。这种空间多源信息融合方法，提高了系统的故障诊断能力，尤其适用于复杂、不确定性的系统，它与现有技术比较，该方法可大大提高故障诊断的精度和速度，是解决电子电路故障诊断问题的有效途径，可广泛应用于航空、航天、机器人、工业、农业生产等复杂系统中。

附图说明

图1是电子电路系统与其图模型映射表示示意图。

图2是典型电子电路原理图。

图3是有限证据下3个智能体对应的静态贝叶斯网结构图。 

图4是故障诊断的MSBN表示图；。

图5是故障诊断链化连接森林示意图。

图6是基于MSBN的电子电路故障诊断流程图。

具体实施方式

下面结合具体实施方式对本发明进行详细的说明。

本发明将监测电子电路的多个智能体或传感器网络视为MSBN内的多个BN子网，用以解决不确定系统的故障诊断问题。将具有重叠子域的BN子网构建为一个完整的MSBN，MSBN可视为传统贝叶斯网络的扩展形式之一，利用分布式局部信度推理，并采用信度通信算法可完成整个MSBN的信度更新，从而完成待识别故障在相应的MSBN中节点概率查询支持，实现故障诊断。

假定需诊断电路的故障原因状态分两种：“N”（正常）和“F”（异常）；系统故障征兆（如流动信号），不失一般性，可分为高、低电平两种，分别用“1”和“0”来表示。对于图1（a）的典型电子电路系统可采用映射法映射为概率图模型，其拓扑结构如图1（b）所示。

因此故障诊断逻辑关系可方便地转化为图模型来表征。利用MSBN成熟的理论及算法，便可为复杂系统的故障诊断推理提供支持。

 假设待进行故障诊断的系统有m个故障原因源，有n个智能体对电子电路进行局部监测。每个智能体可利用q个不同的传感器从不同方位、途径对故障征兆信号进行观测，但是由于资源所限，每个智能体每次只能观测有限的k个局部特征信号(1≤k≤q)。

如图6所示，基于多模块贝叶斯网的电子电路故障诊断方法由以下步骤实现：

步骤一：设置相邻两次故障诊断推理信度阈值参数δ^*；根据电子电路系统观测的重叠信号；δ^*范围取0.05至0.1， n值取为3至5。

步骤二：在智能体监测范围内，根据电路系统组合原理和图模型映射转换方法，得到相应的n个贝叶斯子网络结构，m个故障原因源g_p,j映射至各BN子网，BN子网模型各节点间的信度条件概率参数采用EM算法进行学习；

其中，1≤p≤m，1≤j≤n；

步骤三：用重叠信号对应的节点作为网络的重叠子域，即公共节点集，形成完整的MSBN网络结构；形成完整的MSBN网络结构的条件是相邻贝叶斯子网络间有重叠子域和不超过一个子网含有公共节点的私有父节点，即直接毗邻的全部父节点。

步骤四：利用链树法（Link tree）将MSBN构建成链化连接森林（Linked Junction Forest）；

步骤五：各BN子网模型中，输入各自的k个目标特征信号作为观测证据；

第一轮观测可随机任选k个目标特征信号数据，设置检测次数i=1；第一轮观测之后，特征数据选取上一轮全局推理后各子网中故障概率较大的门电路相关的观测信号，即按故障概率由大至小的顺序，选择k个目标特征信号；若有两个及以上的门电路推理概率相同，其特征信号可任选，作为观测证据；

其中，1≤k≤q；

步骤六：利用连接树算法进行信度局部推理，完成n个BN子网中的节点g_p, j的信度θ_p, j更新；

其中，1≤p≤m，1≤j≤n；

步骤七：基于步骤六获得的θ_p,j更新，利用信度通信算法完成MSBN网内的信度全局推理，更新MSBN中节点g_p,j故障信度θ_p,j ；

其中1≤p≤m，1≤j≤n；

步骤八：若检测次数i=1，则设置临时故障信度变量θ_p,j*=θ_p,j，其中，1≤p≤m，1≤j≤n；并将检测次数i作加1处理，即i=i+1，然后返回步骤五；否则，按式(1)计算相邻两次故障诊断推理信度参数δ；

                                                           (1)

步骤九：若δ<δ^*，按式(2)计算并输出故障诊断结果，故障诊断过程停止；否则，θ_p,j*=θ_p,j，更新θ_p,j*，然后继续通过传感器系统捕获观测数据，并返回步骤五。

故障原因节点

的故障信度可由下式获取： 

                        (2)

其中：

(??)表示排序运算，常取从大到小的顺序排列，s=1,2,……,m；

为第j个智能体的第k个目标特征数据，1≤j≤n，1≤k≤q；

为第j个智能体中第

个目标出现“故障”的事件，1≤

≤m。

下面以图2所示典型电子电路为例，说明本发明基于MSBN的电子电路故障诊断方法的具体实施步骤。

 在图2中所示电路可观测信号的实际量测值用括号表示。整个数字系统有m=11个门电路视为故障原因，由3个智能体即3个传感器网络监测，分别完成对子系统A1、A2、A3的监测。 

   不失一般性，设A2是一个复杂子系统，并做如下假设：

假设（1）该系统中信号e始终不可观测，而事实上恰巧是go5门出现故障；

假设（2）由于传感器网络资源所限，每次只能进行一定数量的观测。这里每个智能体每次只能对3个输入、输出信号进行观测；

假设（3）系统具有不确定性，假设门电路出故障的先验概率为0.01；故障门电路出正确信号的先验概率为0.2。 

MSBN可用一个三元组M=（V，G，P）表示。其中：V =∪_iV_i，其中V_i 是子域里的变量集， i为子域个数，本发明视各故障原因源和各故障征兆为变量集；P=∏_iP_i是联合概率分布，其中，P_i是G_i中相关节点的势积（product of the potentials）。与普通BN不同，G=∪_iG_i 是一个具有超树（hypertree）结构的多连接有向无环图，每个子图G_i节点用V_i表示。在G中，x是一个节点，π(x)是x的全部父节点。对每个x的势，仅有一个包含{x}∪π(x)的G_i中赋值P(x|π(x));其他G_j包含x的势赋予均匀分布。每个三元组S_i=（V_i，G_i，P_i）被称为M的一个子网。类似普通BN，MSBN网络的结构和参数G和P，可以通过领域专家的知识或数据挖掘技术予以学习、构造。

类似普通BN的连接树推理中的收集证据和发散证据消息传递，多智能体MSBN推理是沿着超树进行两轮信息传播：信度收集(CollectBelief)和信度发布（DistributeBelief）。多智能体协同推理算法主要采用信度通信（CommunicateBelief）算法实现信度收集、信度发布，完成整个MSBN的信度更新。

MSBN推理可分为两个阶段：各连接树内局部推理和连接树间全局推理。其中局部推理可采用连接树算法完成，它是MSBN推理的基础。连接树间全局推理采用的是信度通信算法，利用子网间少量的通信完成网络全局信度更新。

用例中使用的硬件环境为2G内存、2.5GHz Pentium（R）Dual-core CPU的计算机，MSBN推理软件采用WebWeaverIV。

利用本发明所提出的方法对图2所示典型电子电路进行故障诊断，具体步骤如下：

第1步：设置相邻两次故障诊断推理信度阈值参数δ^*；此处δ^*=10%；根据电子电路系统观测的重叠信号，确定智能体个数n。由于有3组公共观测信号，因此n值取3；

第2步：根据电路系统组合原理图和图模型映射转换方法，见图1，得到相应的n个贝叶斯子网络结构，如图3；较佳地，BN子网模型各节点间的信度条件概率参数采用EM算法进行学习；图3中虚线环包围节点为公共节点，是MSBN重叠子域候选节点;

第3步：确定网络的重叠子域，只要保证满足两个条件，便构成一个完整的MSBN结构，即：①相邻贝叶斯子网络间有重叠子域；②且不超过一个子网含有公共节点的私有父节点集（即直接毗邻的全部父节点）；得到的MSBN如图4所示。其中3个BN子网，BN1和BN2有重叠子域{c,d}, BN2和BN3有重叠子域{i,j,l,o},满足条件①；以公共节点c为例，其私有父节点集只有一组{gn4,g},仅有BN1含有其私有父节点集，因此满足条件②。同理可知，图4所示网络为一个完整的MSBN结构；

第4步：利用链树（Linked tree）法将MSBN构建成链化连接森林； 如图5所示；

第5步：各BN子网模型中，输入各自的k个目标特征信号作为观测证据。

根据具体实施步骤用例之假设（2）可知，每个智能体每次只能对3个输入、输出信号进行观测；由于在第一轮检测中，对子系统中可能故障的门电路尚无判断，可随机任选3个目标特征信号数据，如表1所示，并设置检测次数i=1。

表1 第一轮观测信号选择

第6步：利用连接树算法进行信度局部推理，从而完成n个子BN中节点g_p, j信度θ_p, j更新(1≤p≤m=11，1≤j≤n=3)；

此处借助WebWeaver IV软件界面，输入如表1所示有限证据。局部推理结果如表2所示。WebWeaver IV中采用浮点型表示概率。

      表2  第1轮观测后MSBN故障诊断推理结果

第7步：基于步骤6获得的θ_p,j更新，利用信度通信算法（CommunicateBelief算法）完成MSBN网内的信度全局推理，更新MSBN中节点g_p,j故障信度θ_p,j (1≤p≤m，1≤j≤n)，结果亦列入表3。

第8步：由于检测次数i=1，设置临时变量θ_p,j*=θ_p,j，(1≤p≤m，1≤j≤n),并将检测次数i作加1处理，即i=1+1=2。

然后返回第5步，重复第5步至7步，进行下1轮证据输入和信度推理; 

在第1轮观测、推理之后，重点对故障概率较大的门电路的信号加强观测,按故障概率由大至小的顺序，选k=3个目标特征信号。若两个及以上的门电路推理概率相同，其特征信号可任选，作为观测证据。

第1轮观测后MSBN故障诊断推理结果知，出现故障概率较大的门电路是ga3、go5和go10。因此，在第2轮观测中，重点对与这些门电路相关的信号加强观测，选择的观测信号如表3所示。第2轮观测后MSBN故障诊断推理结果如表4所示。

表3 第2轮观测信号选择

表4 第2轮观测后MSBN故障诊断推理结果

按式(1)计算计算相邻两次故障诊断推理信度参数δ=

=79%；

第9步：判定输出结果的条件“δ<δ^*”是否满足。由于δ>δ^*=10%，故障诊断过程停止条件尚不满足，更新变量θ_p,j*=θ_p,j，继续通过传感器系统捕获目标特征数据观测目标，并返回第5步，进行下1轮，即第3轮证据输入和信度推理。

类似前述步骤，在第3轮观测中，选取的观测信号和MSBN故障诊断推理结果分别如表5和表6所示。

表5 第3轮观测信号选择

表6 第3轮观测后MSBN故障诊断推理结果

此时，按式(1)计算再次计算相邻两次故障诊断推理信度比值参数δ=

=0%； 诊断输出结果的条件“δ<δ^*”满足，按式(2)计算并输出故障诊断结果，如表6所示，即最有可能出现故障的门电路范围缩小为go5和受该门电路影响的ga3。分析可知，这是在信息不完整（信号仅部分可观）且系统存在不确定性条件下，可以推断出的最好诊断结果。至此，故障诊断过程停止。

基于MSBN的电子电路故障诊断方法，适用于复杂、不确定性电路系统，该方法可大大提高故障诊断的精度和速度，是解决不确定性系统故障诊断问题的有效途径，可广泛应用于航空、航天、机器人、工业和农业生产等领域。

Claims (3)

1.基于多模块贝叶斯网的电子电路故障诊断方法，其特征在于：

由以下步骤实现：

步骤一：设置相邻两次故障诊断推理信度阈值参数δ^*；根据电子电路系统观测的重叠信号，确定智能体个数n；

步骤二：在智能体监测范围内，根据电路系统组合原理和图模型映射转换方法，得到相应的n个贝叶斯子网络结构，m个故障原因源g_p,j映射至各BN子网，BN子网模型各节点间的信度条件概率参数采用EM算法进行学习；

其中，1≤p≤m，1≤j≤n；

步骤三：用重叠信号对应的节点作为网络的重叠子域，即公共节点集，形成完整的MSBN网络结构；

步骤四：利用链树法将MSBN构建成链化连接森林；

步骤五：各BN子网模型中，输入各自的k个目标特征信号作为观测证据；

第一轮观测可随机任选k个目标特征信号数据，设置检测次数i=1；第一轮观测之后，特征数据选取上一轮全局推理后各子网中故障概率较大的门电路相关的观测信号，即按故障概率由大至小的顺序，选择k个目标特征信号；若有两个及以上的门电路推理概率相同，其特征信号可任选，作为观测证据；

其中，1≤k≤q；

步骤六：利用连接树算法进行信度局部推理，完成n个BN子网中的节点g_p, j的信度θ_p, j更新；

其中，1≤p≤m，1≤j≤n；

步骤七：基于步骤六获得的θ_p,j更新，利用信度通信算法完成MSBN网内的信度全局推理，更新MSBN中节点g_p,j故障信度θ_p,j ；

其中1≤p≤m，1≤j≤n；

步骤八：若检测次数i=1，则设置临时故障信度变量θ_p,j*=θ_p,j，其中，1≤p≤m，1≤j≤n；并将检测次数i作加1处理，即i=i+1，然后返回步骤五；否则，按式(1)计算相邻两次故障诊断推理信度参数δ；

                                       (1)

步骤九：若δ<δ^*，按式(2)计算并输出故障诊断结果，故障诊断过程停止；否则，θ_p,j*=θ_p,j，更新θ_p,j*，然后继续通过传感器系统捕获观测数据，并返回步骤五；

故障原因节点的故障信度可由下式获取： 

               (2)

其中：

(??)表示排序运算，常取从大到小的顺序排列，s=1,2,……,m；为第j个智能体的第k个目标特征数据，1≤j≤n，1≤k≤q；

为第j个智能体中第个目标出现“故障”的事件，1≤

≤m。

2.根据权利要求1所述的基于多模块贝叶斯网的电子电路故障诊断方法，其特征在于：

步骤一中，δ^*范围取0.05至0.1， n值取为3至5。

3.根据权利要求1或2所述的基于多模块贝叶斯网的电子电路故障诊断方法，其特征在于：

步骤三中，形成完整的MSBN网络结构的条件是相邻贝叶斯子网络间有重叠子域和不超过一个子网含有公共节点的私有父节点，即直接毗邻的全部父节点。

Images