CN103267941A - 一种集成开关电流电路故障模式测试方法 - Google Patents

Abstract

本发明公开了一种集成开关电流电路的故障模式测试方法，其步骤包括：S1：建立开关电流测试电路，并对测试电路施加激励信号；S2：定义开关电流电路故障模式；S3：采集开关电流电路的可测试节点时域响应信号；S4：预处理时域响应数据，计算信号的故障特征参数，提取信号的信息熵和峭度，计算信息熵的模糊集；S5：根据信息熵和峭度，构造神经网络分类器，获取开关电流测试电路的故障模式。本发明公开的一种集成开关电流电路的故障模式测试方法，适用于具有大量故障类别的大规模复杂集成开关电流电路的测试，且故障诊断准确率高。

Description

一种集成开关电流电路故障模式测试方法

技术领域

本发明涉及模式识别及电流域模拟取样数据信号处理领域，尤其涉及一种集成开关电流电路的故障模式测试方法。

背景技术

开关电流电路是电流域模拟采样数据系统，具有不需要浮地电容与数字VLSI工艺兼容、适合于低电压工作、芯片面积较小、适合于高频应用等优点，在混合模数系统设计领域越来越受到重视。在离散时间模拟电路领域，开关电流技术越来越被认为可以取代开关电容技术。

然而，由于开关电流电路中存在由不完善MOS晶体管工作引起的输出-输入电导比误差，失配误差，电荷注入误差，调整误差，噪声误差这5个非理想性能，使开关电流电路的测试和应用受到限制，发展缓慢，一直没有取得系统性和突破性的发展。

现有的基于故障字典的开关电流电路故障诊断方法（CN102129027A），虽然克服了传统的故障字典法的局限性，但基于一个故障特征参数即信息熵的诊断方法，其故障模式识别率和分类率低，不适用于故障类别数较多的大规模集成开关电流电路的测试和诊断。

发明内容

（一）要解决的技术问题

本发明解决的技术问题：如何提供一种集成开关电流电路的故障模式测试方法，以克服现有技术的故障模式识别率低、不适用于故障类别数多的大规模集成开关电流电路的测试和诊断的技术问题。

（二）技术方案

为了解决所述的技术问题，本发明提供了一种集成开关电流电路的故障模式测试方法，包括以下步骤：

S1：建立开关电流测试电路，并对测试电路施加激励信号；

S2：定义开关电流电路故障模式；

S3：采集开关电流电路的可测试节点时域响应信号；

S4：预处理时域响应数据，计算信号的故障特征参数，提取信号的信息熵和峭度，计算信息熵的模糊集；

S5：根据信息熵和峭度，构造神经网络分类器，获取开关电流测试电路的故障模式，具体步骤包括：

S51：构造神经网络训练样本集，分别构造该电路的软故障和硬故障样本集，包括故障模式、输入向量和输出向量，所述输入向量为信息熵和峭度，所述输出向量为“N－1”表示法的输出结果：0表示正常状态、1表示故障状态；

S52：采用经典的三层BP神经网络，构造神经网络结构，其结构如下：

诊断低通滤波器的软故障，所述神经网络结构的输入层神经元为熵和峭度值，神经元数目为2个；

输出层神经元为电路的故障模式，神经元数目23个；

隐层神经元数目选取9个；

诊断低通滤波器的硬故障，所述神经网络结构的输入层神经元为熵和峭度值，神经元数目为2个；

输出层神经元为电路的故障模式，神经元数目13个；

隐层神经元数目选取7个。

优选地，所述隐层的神经元为log-sigmoid传输函数，输出层的神经元为线性传输函数。

优选地，步骤S2包括如下步骤：

S21：定义六阶切比雪夫低通滤波器软故障模式，包括Mg1↑、Mg1↓、Md1↑、Md1↓、Mj↑、Mj↓、Me2↑、Me2↓、Mf1↑、Mf1↓、Mi1↑、Mi1↓、Md2↑、Md2↓、Mf2↑、Mf2↓、Mc↑、Mc↓、Mb↑、Mb↓、Me1↑、Me1↓和正常状态；

S22：定义六阶切比雪夫低通滤波器硬故障模式，包括Mc-GSS、Mc-GDS、Mc-SOP、Mc-DOP、Ma23-GSS、Ma23-GDS、Ma23-SOP、Ma23-DOP、Mi2-GSS、Mi2-GDS、Mi2-SOP、Mi2-DOP和正常状态。

优选地，步骤S4所述的信息熵计算公式为：

J(x)≈k₁(E{G¹(x)})²+k₂(E{G²(x)}-E{G²(v)})²；

其中，k₁和k₂是正常数，满足标准正态分布的随机变量，E(x)代表变量x的期望值，G¹为奇函数，G²为偶函数，

其中

峭度的计算公式为：

kurt(x)=E{x⁴}-3[E{x²}]²；

其中E{x²}=1。

优选地，所述的G¹(x)=xexp(-x²2)，G²(x)=|x|时，最大熵值计算近似为：

$j\left(x\right)=k_1{\left(E\right\{\mathrm{xexp}({-x}^2/2)\left\}\right)}^2+k_2{\left(E\right\{\left|x\right|\}-\sqrt{2/\mathrm{\π}})}^2;$

其中，

k₂=1/(2-6/π)。

（三）有益效果

本发明提供的一种集成开关电流电路的故障模式测试方法有如下优点：

一、基于两个特征参数（信息熵和峭度）的神经网络测试法能够实现故障测试和故障定位，达到故障诊断的目的，其诊断准确率高，适用于具有大量故障类别的大规模复杂开关电流电路的测试；二、低通滤波器的软故障诊断，隐层神经元数目选取9个；低通滤波器的硬故障诊断，隐层神经元数目选取7个，提高了误差精度，其训练结果更佳，大大地提高了神经网络的知识能力和泛化能力，降低了学习和训练时间，提高了系统的性能；三、本发明方法在测试时不需要考虑MOS晶体管的输出-输入电导比误差，失配误差，电荷注入误差，调整误差，噪声误差这些非理想性能，有效降低了开关电流电路的测试难度。

附图说明

图1为本发明所提供的方法流程图；

图2为本发明中的六阶切比雪夫开关电流低通滤波器测试电路；

图3为本发明中的BP神经网络诊断结构图；

图4本发明中的基于信息熵和峭度的软故障类故障分类图；

图5本发明中的基于信息熵和峭度的硬故障类故障分类图。

具体实施方式

下面结合说明书附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例仅用于说明本发明，但不用来限制本发明的范围。

实施例一：

如图1所示，本实施例记载了一种集成开关电流电路的故障模式测试方法，包括以下步骤：

S1：建立开关电流测试电路，并对测试电路施加激励信号；

S2：定义开关电流电路故障模式；

S3：采集开关电流电路的可测试节点时域响应信号；

S4：预处理时域响应数据，计算信号的故障特征参数，提取信号的信息熵和峭度，计算信息熵的模糊集；

S5：根据信息熵和峭度，构造神经网络分类器，获取开关电流测试电路的故障模式，具体步骤包括：

S51：构造神经网络训练样本集，分别构造该电路的软故障和硬故障样本集，包括故障模式、输入向量和输出向量，所述输入向量为信息熵和峭度，所述输出向量为“N－1”表示法的输出结果：0表示正常状态、1表示故障状态；

S52：采用经典的三层BP神经网络，构造神经网络结构，其结构如下：

诊断低通滤波器的软故障，所述神经网络结构的输入层神经元为熵和峭度值，神经元数目为2个；

输出层神经元为电路的故障模式，神经元数目23个；

隐层神经元数目选取9个；

诊断低通滤波器的硬故障，所述神经网络结构的输入层神经元为熵和峭度值，神经元数目为2个；

输出层神经元为电路的故障模式，神经元数目13个；

隐层神经元数目选取7个。

实施例二：

本实施例记载了一种集成开关电流电路的故障模式测试方法，其具体步骤如下：

1、建立一个有代表性的测试集成开关电流电路，并对测试电路施加激励信号。

如图2所示的六阶切比雪夫开关电流低通滤波器的测试电路，并对其施加一个频率为100KHZ的正弦信号作为开关电流电路测试激励信号。

2、定义六阶切比雪夫开关电流低通滤波器的测试电路故障模式。

所述六阶切比雪夫开关电流低通滤波器的故障模式包括软故障模式和硬故障模式。

首先定义所述软故障模式，设跨导Gm的容差范围分别是5%或10%，经过灵敏度分析，电路中同时发生软故障的晶体管为11个，分别为Mg2、Md1、Mj、Me2、Mf1、Mi1、Md2、Mf2、Mc、Mb和Me1。当晶体管Mg1跨导值高于或低于它的标称值50%，而其它十个MOS管在其容差范围内变化，这时所得到的故障模式分别为Mg1↑和Mg1↓。故所述六阶切比雪夫低通滤波器软故障模式包括：Mg1↑、Mg1↓、Md1↑、Md1↓、Mj↑、Mj↓、Me2↑、Me2↓、Mf1↑、Mf1↓、Mi1↑、Mi1↓、Md2↑、Md2↓、Mf2↑、Mf2↓、Mc↑、Mc↓、Mb↑、Mb↓、Me1↑、Me1↓和正常状态共23种故障模式。

再定义所述硬故障模式，硬故障也叫灾难性故障，将对电路性能产生巨大的影响，四种硬故障分别是栅源短路（GSS）、栅漏短路（GDS）、漏极开路（DOP）和源极开路（SOP）。仿真短路故障时一个小电阻串联到栅极和源极之间，获得GSS故障响应；一个大电阻并联到源极端，获得SOP故障响应等等。经过灵敏度分析，电路中同时有三个晶体管Mc、Ma23和Mi2发生了硬故障，所述六阶切比雪夫低通滤波器硬故障模式包括了Mc-GSS、Mc-GDS、Mc-SOP、Mc-DOP、Ma23-GSS、Ma23-GDS、Ma23-SOP、Ma23-DOP、Mi2-GSS、Mi2-GDS、Mi2-SOP、Mi2-DOP和正常状态共13种故障模式。

3、采集六阶切比雪夫开关电流低通滤波器的测试电路的可测试节点时域响应信号。

通过开关电流电路专业仿真软件ASIZ对六阶切比雪夫开关电流低通滤波器无故障电路和各故障电路进行仿真，在被测电路可测试节点获得电路时域响应数据。

4、预处理时域响应数据，计算信号的故障特征参数，提取信号的信息熵和峭度，计算信息熵的模糊集。

信息熵值(Entropy)的计算用于完成提取测试点信号的一个故障特征参数：

对于一个离散取值的随机变量X，它的熵H定义为：

$H\left(X\right)=-\underset{i}{\mathrm{\Σ}}p(X=a_i)\log p(X=a_i)---\left(1\right)$

式中，a_i是X的可能取值,P(X=a_i)是X=a_i的概率密度。对数取不同的基底，将得到熵的不同单位。通常使用2作为基底，这种情况下单位称为比特。

函数f定义为：

f(p)=-p log p     0≤p≤1                    （2）

这是一个非负的函数，在p取中间值时为正，利用这个函数，可以把熵写成：

$H\left(X\right)=\underset{i}{\mathrm{\Σ}}f\left(p(X=a_i)\right)---\left(3\right)$

对于连续信号，其微分熵H(x)的计算公式为：

H(x)=-∫p_x(ξ)logp_x(ξ)dξ=∫f(p_x(ξ))dξ                （4）

这里p(x)为信号x的概率密度函数，

假设已经估计出x的n个不同函数Fⁱ(x)的期望c_i：

E { Fⁱ( x)}= ∫p( x) Fⁱ(x) dx=c_i，i=1,2,L,n              （5）

最大熵值定理表明，在适当的规则性条件下，满足约束式（5），并且在所有这种密度中具有极大熵的密度p_o(ξ)，形如：

$p\left(x\right)=\mathrm{Aexp}\left(\underset{i}{\mathrm{\Σ}}{a}_i{F}^i\left(x\right)\right),i=1,\·\·\·,n---\left(6\right)$

式中，A和a_i是利用式（5）中的约束，即将式（6）右边替换式（5）中的p，以及约束∫p_o(ξ)dξ=1，从c_i确定出的常数。

现在，考虑可以取实直线上所有值、具有零均值和某个固定方差（比方说1）的随机变量的集合（有两个约束）。对于此种变量，其极大熵分布是高斯分布。由式（6），该密度具有如下形式：

$p_o\left(\mathrm{\ξ}\right)=\mathrm{Aexp}(\underset{i}{\mathrm{\Σ}}{a}_1{\mathrm{\ξ}}^2+a_2\mathrm{\ξ})---\left(7\right)$

上式表明在具有单位方差的所有随机变量中，高斯变量具有极大熵。这意味着，熵可以用来作为非高斯性的一种度量。

Fⁱ(x)可以是任何一组关于x的线性函数。又由于∫p_o(ξ)dξ=1，所以一共有n+1个非线性方程需要求解，这通常需要数值计算的方法，而且难以完成。将基于近似极大熵方法引入熵的逼近。此方法的动机是这样的：一个分布的熵，不可能像在式（5）中那样，由有限个期望就能决定下来，即使它们都估计得很准。正如在前面解释过的那样，存在无穷多个分布，它们都满足式（5）中的约束，但它们的熵却相差甚远。特别地，当x仅取有限个值的极限情形下，微分熵趋于-∞。一个简单的解决方案是极大熵方法。这意味着，计算的是极大熵，它与约束式（5）或者观测可比较，而这是一个适定的问题。这个极大熵，或者它的进一步的逼近，可以用做一个随机变量熵的有意义的逼近。在若干给定的约束下，首先推导出一个连续的、一维的随机变量的极大熵密度的一阶逼近。接近高斯性假设意味着，式（6）中所有其他的a_i与a_n+2≈-1/2相比都很小，因为式（6）中的指数和exp(-ξ²/2)相去不远。因此可以取指数函数的一阶逼近。由此可以得到式（6）中常数的简单解，得到了近似极大熵密度，记为

式中，c_i=E{Fⁱ(ξ)}。现在，利用密度的这个近似，可以导出微分熵的一个逼近：

$J\left(x\right)\≈\frac{1}{2}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}E{\left\{F^i\left(x\right)\right\}}^2---\left(9\right)$

现在，只剩下选择定义式（5）中信息的“度量”函数Fⁱ了。其具体的实施过程为先选择任何一组线性独立的函数，比方说Gⁱ，i=1,…,m，然后再对包含这些函数以及单项式ξ^k，k=0,1,2的集合应用Gram-Schmidt正交归一化，使得得到的函数集Fⁱ满足正交性假设。在实际选择函数时，应该强调下面的准则：

（1）E{Gⁱ(x)}的实际估计在统计上不应该有困难。特别的，该估计不应该对野值太敏感；

（2）为了保证极大熵的存在性，Gⁱ(x)的增长不应该比二次函数更快；

（3）Gⁱ(x)必须抓住x的分布中在计算其熵时相干的那些部分。

上面的那些准则只对可以使用的函数空间进行了限制。框架允许使用不同的函数作为Gⁱ。然而要估计其熵的分布有一些先验知识可以利用，准则3将表明如何选择最优的那个函数。

如果使用两个函数G¹和G²，它们的选择使得G¹是奇函数而G²是偶函数，就得到式（8）的一种特殊情形。奇函数度量了反对称性，而偶函数度量了零处双模态相对峰值的大小，这和次高斯性相对超高斯性的比较密切相关。在此特殊情况下，式（9）中的信号的近似最大熵近似简化为：

J(x)≈k₁(E{G¹(x)})²+k₂(E{G²(x)}-E{G²(v)})²      （10）

其中，k₁和k₂是正常数。是满足标准正态分布的随机变量。这里E(x)代表变量x的期望值，G¹和G²满足以上三个规则，且G¹为奇函数，G²为偶函数。这里的ν同上面式中定义的ν一致，即

其中

例如,当选择G¹(x)=xexp(-x²2)，G²(x)=|x|时，最大熵值计算近似为：

$J\left(x\right)=k_1{\left(E\right\{\mathrm{xexp}({-x}^2/2)\left\}\right)}^2+k_2{\left(E\right\{\left|x\right|\}-\sqrt{2/\mathrm{\π}})}^2---\left(11\right)$

其中， $k_1=36/(8\sqrt{3}-9),k_2=1/\left(\mathrm{\π}\right)$

信号峭度（kurtosis）的计算用于完成提取测试点信号的另一个故障特征参数：

本发明中将应用峭度这样的高阶统计量来对故障类别较多的大规模开关电流电路进行故障诊断。假设x是从被测电路的输出端取样得到的信号，信号x的概率密度函数是p_x(x)，这样x的第j阶矩α_j定义为如下期望：

${\mathrm{\α}}_1=E\left\{x^j\right\}={\∫}_{-\∞}^{\∞}{\mathrm{\ξ}}^j{p}_x\left(\mathrm{\ξ}\right)\mathrm{d\ξ},j=\mathrm{1,2},\·\·\·\left(12\right)$

相应地，定义x的第j阶中心矩μ_j为：

${\mathrm{\μ}}_j=E\left\{{(x-{\mathrm{\α}}_1)}^j\right\}={\∫}_{-\∞}^{\∞}{(\mathrm{\ξ}-m_x)}^j{p}_x\left(\mathrm{\ξ}\right)\mathrm{d\ξ},j=\mathrm{1,2},\·\·\·\left(13\right)$

这样，中心矩是围绕x的均值m_x而计算的，而均值m_x等于一阶矩α₁。二阶矩α₂=E{x²}是x的幂的平均。可以看出，零阶和一阶中心矩μ₀=1和μ₁=0是无关紧要的，而二阶中心矩μ₂=σ² _x就是x的方差。三阶中心矩：

μ₃=E{(x-m_x)³}              （14）

称为偏度。它是pdf非对称性的一个有用的度量。容易看出，关于均值对称的概率密度其偏度为零。现仔细考察一下四阶矩。因为在实践中很少使用高于四阶的矩和其他统计量，所以不对它们展开讨论。由于四阶矩α₄=E{x⁴}的简单性，在一些算法中得到了应用。除了四阶中心矩μ₄=E{(x-m_x)⁴}外，有一种称为峭度的四阶统计量，因它具有四阶中心矩没有的一些有用性质，使它在实际中经常得到应用。在零均值的情况下，峭度的计算公式为：

kurt(x)=E{x⁴}-3[E{x²}]²             （15）

对于白化的数据，E{x²}=1，所以峭度的公式可总结为：

kurt(x)=k(x)=E{x⁴}-3                  （16）

这表示，对于白化数据，x的分布可以通过四阶矩E{x⁴}代替峭度来刻画，它们之间只存在一个常量的差别，而这对不同的故障模式都是一样的，因而不会影响故障模式的正确识别。

计算信息熵模糊集：当开关电流电路的晶体管跨导值在容差范围内变化时，分别考虑硬故障和软故障几种故障模式，对应每一种故障模式，运行50次蒙特卡罗（Monto-Carlo）分析，产生50次时域响应，找到信息熵的模糊集。

由以上几步可得基于两个故障特征参数的故障特征值，如表1基于信息熵和峭度的软故障类特征值和表2基于信息熵和峭度的硬故障类特征值所示。

表1基于信息熵和峭度的软故障类特征值

表2基于信息熵和峭度的硬故障类特征值

5、构造神经网络分类器，获取开关电流电路的故障模式。

神经网络具有高度的并行分布式处理能力、非线性映射能力、极强的分类和识别能力和极强的自适应学习能力，其应用已经涉及到控制工程、模式识别和信号处理等各个领域中，BP神经网络由于具有自身的诸多优势，尤其在模式识别和分类能力上更加突出，将其应用于开关电流电路的测试与诊断，能够实现故障测试和故障定位，达到故障诊断的目的。该方法从被测器件的输出端提取到神经网络的原始训练数据，构造神经网络训练样本集，这些原始数据通过特征选择后，提取故障特征参数信息熵和峭度，将故障特征向量输入到经过训练和测试过的神经网络，实现故障模式分类。

具体步骤如下：

（1）构造神经网络训练样本集是神经网络训练的基础，合理的样本训练数据是神经网络训练的良好准备。分别构造该电路的软故障和硬故障样本集，包括故障模式、输入向量和输出向量，所述输入向量为信息熵和峭度，所述输出向量为“N－1”表示法的输出结果：0表示正常状态、1表示故障状态。假设输出为：10000000000000000000000表示Ma1↓故障，其它晶体管正常。

分别构造该电路的软故障和硬故障样本集，如表3软故障样本集和表4硬故障样本集所示。

表3软故障样本集

表4硬故障样本集

（2）采用经典的三层BP神经网络，构造神经网络结构。

BP神经网络设计主要从输入层、隐层、输出层、各层间的传输函数和初始值等方面考虑。在开关电流电路故障诊断中，一旦样本集构造完成后，神经网络输入层节点数和输出层节点数便已确定。在不限制隐层节点数情况下，三层BP网络（一个S型隐含层、线性输出层）可以实现任意非线性映射。增加层数可进一步降低误差，提高精度，但同时也使网络复杂化、网络权值的训练时间较长。因此，在设计开关电流电路故障诊断的多层前馈网络结构时，一般先考虑设一个隐层，通常首选增加隐层的神经元个数，这样可提高误差精度，其训练效果更佳。

“试凑法”是确定最佳隐层神经元数的一个常用方法，可先设置较少的隐层神经元数训练网络，然后逐渐增加隐层神经元数，用同一样本集进行训练，从中可确定网络误差最小时对应的隐层神经元数。根据“试凑法”典型经验公式

（m为隐层神经元数；n为输入层神经元数；l为输出层神经元数；a为1－10之间的常数），对于低通滤波器的软故障诊断来说，隐层神经元数可选6—15，首先选取6个隐层神经元进行网络性能测试，表5是m=6的低通滤波器软故障测试性能。从表中可看出，每一种故障模式经过50次蒙特卡罗分析产生50次测试数据，故障类F2仅有15次能被正确分类，而35次被误分类为F6；故障类F6仅有10次能被正确分类，而40次被误分类为F2。现在逐渐增加隐层神经元数，分别选择7—15进行测试，实验结果表明，随着隐层神经元数目的增加，F2和F6误分类次数会减少，相应正确分类次数会增加，表6为m=9的低通滤波器软故障测试性能。但是当m>9以后，网络测试性能又会下降，F2和F6误分类次数会增加，正确分类次数会减少，当隐层神经元数目达到15时，不仅F2和F6不能正确区分，故障类F21也误分类为F2，表7为m=10的低通滤波器软故障测试性能。

表5m=6的低通滤波器软故障测试性能

表6m=9的低通滤波器软故障测试性能

表7m=15的低通滤波器软故障测试性能

对于低通滤波器的硬故障诊断来说，根据经验公式，隐层神经元数可选5—14，与软故障诊断一样，隐层神经元分别选取5—14进行网络性能测试。表8，表9，表10分别是m=5,7,14的低通滤波器硬故障测试性能，表8中故障类F0仅有18次能被正确分类，而32次被误分类为F4；故障类F4仅有20次能被正确分类，而30次被误分类为F0。随着隐层神经元数目的增加，F0和F4误分类次数会减少，相应正确分类次数会增加，表9为m=7的低通滤波器硬故障测试性能。但是当m>7以后，网络测试性能又会下降，F0和F4误分类次数会增加，正确分类次数会减少，当隐层神经元数目达到15时，F0，F4和F3都不能正确区分。

表8m=5的低通滤波器硬故障测试性能

表9m=7的低通滤波器硬故障测试性能

表10m=14的低通滤波器硬故障测试性能

综上所述，对于低通滤波器的软故障和硬故障诊断来说，隐层神经元分别选择为9个和7个为最佳选择，提高了误差精度，其训练效果最佳，大大地提高了神经网络的知识能力和泛化能力，提高了系统的性能。

如图3所示，本实施例记载的BP神经网络诊断结构图。其隐层神经元采用log-sigmoid传输函数，输出层神经元采用线性传输函数。对于低通滤波器的软故障诊断来说，输入层神经元数目2个，即熵和峭度值，输出层神经元数目23个，即电路的故障模式，隐层神经元数目选取9个。对于低通滤波器的硬故障诊断来说，输入层神经元数目2个，即熵和峭度值，输出层神经元数目13个，即电路的故障模式，隐层神经元数目选取7个。

采用本实施例记载的BP神经网络诊断结构，可进一步提高神经网络的知识能力和泛化能力，降低学习和训练时间，从而提高系统的性能。图4和图5分别是基于信息熵和峭度的软故障和硬故障分类图，从图4可以看出，23个故障类别都可以通过峭度和熵这两个特征参数值将它们区分开来。图4表明：故障类Mg2↑（F2）和Mj↑（F6）非常靠近，交叉在一起，除了这个模糊组之外，在切比雪夫滤波器中其它故障类（包括正常状态）都落入不同的模糊组。图5表明，神经网络不能区分无故障类（F0）和Mc-DOP（F4）故障类，但是仍能对测试数据达到99.2%的正确分类率。而其它11个故障类也落入不同的模糊组。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (5)

1.一种集成开关电流电路的故障模式测试方法，其特征在于，包括以下步骤：

S1：建立开关电流测试电路，并对测试电路施加激励信号；

S2：定义开关电流电路故障模式；

S3：采集开关电流电路的可测试节点时域响应信号；

S4：预处理时域响应数据，计算信号的故障特征参数，提取信号的信息熵和峭度，计算信息熵的模糊集；

S5：根据信息熵和峭度，构造神经网络分类器，获取开关电流测试电路的故障模式，具体步骤包括：

S51：构造神经网络训练样本集，分别构造该电路的软故障和硬故障样本集，包括故障模式、输入向量和输出向量，所述输入向量为信息熵和峭度，所述输出向量为“N－1”表示法的输出结果：0表示正常状态、1表示故障状态；

S52：采用经典的三层BP神经网络，构造神经网络结构，其结构如下：

诊断低通滤波器的软故障，所述神经网络结构的输入层神经元为熵和峭度值，神经元数目为2个；

输出层神经元为电路的故障模式，神经元数目23个；

隐层神经元数目选取9个；

诊断低通滤波器的硬故障，所述神经网络结构的输入层神经元为熵和峭度值，神经元数目为2个；

输出层神经元为电路的故障模式，神经元数目13个；

隐层神经元数目选取7个。

2.根据权利要求1所述的故障模式测试方法，其特征在于，所述隐层的神经元为log-sigmoid传输函数，输出层的神经元为线性传输函数。

3.根据权利要求1所述的故障模式测试方法，其特征在于，步骤S2包括如下步骤：

S21：定义六阶切比雪夫低通滤波器软故障模式，包括Mg1↑、Mg1↓、Md1↑、Md1↓、Mj↑、Mj↓、Me2↑、Me2↓、Mf1↑、Mf1↓、Mi1↑、Mi1↓、Md2↑、Md2↓、Mf2↑、Mf2↓、Mc↑、Mc↓、Mb↑、Mb↓、Me1↑、Me1↓和正常状态；

S22：定义六阶切比雪夫低通滤波器硬故障模式，包括Mc-GSS、Mc-GDS、Mc-SOP、Mc-DOP、Ma23-GSS、Ma23-GDS、Ma23-SOP、Ma23-DOP、Mi2-GSS、Mi2-GDS、Mi2-SOP、Mi2-DOP和正常状态。

4.根据权利要求1所述的故障模式测试方法，其特征在于，步骤S4所述的信息熵计算公式为：

J(x)≈k₁(E{G¹(x)})²+k₂(E{G²(x)}-E{G²(v)})²；

其中，k₁和k₂是正常数，满足标准正态分布的随机变量，E(x)代表变量x的期望值，G¹为奇函数，G²为偶函数，

其中

峭度的计算公式为：

kurt(x)=E{x⁴}-3[E{x²}]²；

其中E{x²}=1。

5.根据权利要求4所述的故障模式测试方法，其特征在于，所述的G¹(x)=xexp(-x²/2)，G²(x)=|x|时，最大熵值计算近似为：

$J\left(x\right)=k_1{\left(E\right\{\mathrm{xexp}({-x}^2/2)\left\}\right)}^2+k_2{\left(E\right\{\left|x\right|\}-\sqrt{2/\mathrm{\π}})}^2;$

其中， $k_1=36/(8\sqrt{3}-9),k_2=1/(2-6/\mathrm{\π}).$

Images