CN105044590A - 一种单测量节点模拟电路故障诊断方法 - Google Patents

Abstract

一种单测量节点模拟电路故障诊断方法，包括如下实施步骤：（1）获取各故障模式下的先验样本数据向量；（2）计算各故障模式下的先验样本向量的统计平均值；（3）信号的haar正交小波滤波器组分解；（4）先验样本故障模式特征因子提取；（5）待测故障模式特征因子提取；（6）计算待测故障模式特征因子与先验样本故障模式特征因子之间的互相关系数矩阵、相关程度衡量参数（7）比较相关程度衡量参数，按最大相关原则判断故障模式。本发明能在不丢失原始测量信息的前提下，把单路信号转化为多路信号,提取故障模式独立性特征因子，使其具有反映不同故障模式下电路结构的变化情况，再研究相关的模式判决规则，完成电路故障模式的成功归类。

Description

一种单测量节点模拟电路故障诊断方法

技术领域

本发明涉及一种单测量节点模拟电路故障诊断方法。

背景技术

模拟电路故障诊断在本质上等价于模式识别问题，其关键在于特征提取与模式判据函数关系的寻找。因此，如何从看似繁杂的测量数据中，寻找其潜在的故障特征因子，并依此为依据，对故障模式进行正确的判断与识别，称为模拟电路测试领域的一大重要研究课题。

模拟电路故障诊断经过了几十年的发展，已有的该方面的成果多种多样，且新的研究成果不断涌现。总结故障诊断过程中所采用的各种技术，现较为广泛使用的主要有基于统计理论、小波分析故障特征提取方法，基于神经网络、支持向量机的故障模式识别方法等。这些方面对于促进模拟电路故障诊断技术的发展起了重大的推动作用，但由于模拟电路故障诊断设计的知识领域范围大、故障模型的缺失以及方法本身的约束性，导致到目前为止，模拟电路故障诊断技术还处于发展状态。

由于模拟电路的可测节点数目有限，多数情况下仅有输出端一个节点为可测节点，这种情形下采集到的测量数据，通常是各类独立源的混合数据，其特征因子隐含较深，对这类电路进行诊断时，倘若直接把采集到的原始数据送往分类器进行分类，往往会使得分类的计算量非常大，实现困难，且分类效果也不好，误判比率高。由于来自系统底层的独立因子不单一，且对于终端用户来说，这些都是不可见的独立源，即盲源。目前针对盲源处理方面的技术主要应用于语音识别领域，且其应用前提为多通道测量数据源。因此，单测量节点的电路不能直接应用盲源分离技术实现特征因子的提取。

发明内容

本发明要解决的技术问题是，克服现有技术存在的上述缺陷，提供一种误判率低的单测量节点模拟电路故障诊断方法。

本发明之单测量节点模拟电路故障诊断方法的实质在于通过一组正交小波分析滤波器组把单测量节点信号转化为多路信号，从而应用盲源分离技术进行故障特征提取，通过计算电路特定节点待测故障独立特征与已知样本故障独立特征间的互相关系数矩阵，通过相关程度衡量参数来估计电路特定节点待测故障类型。由统计学知识可知，两个随机向量的互相关系数越大，那么这两个随机向量相关性就越大，也就是说这两个随机向量的相似程度越高，在误差允许的范围内，我们取一种近似，把已知样本的故障模式近似看成是待测故障的类型。

本发明解决其技术问题所采用的技术方案是：

单测量节点模拟电路故障诊断方法，包括如下步骤：

(1)获取各故障模式下的先验样本数据向量：利用计算机仿真软件获取待测模拟电路每种故障模式F_i下的M组电压样本向量V_ij，i＝1,2,…,N，j＝1,2,3,…,M，其中N为电路故障模式总数，i代表电路工作在第i类故障模式，j为采集到的第j组样本，V_ij代表电路工作在第i类故障模式下采集到的第j组电压样本向量；

(2)计算各故障模式下的先验样本向量的统计平均值：i＝1,2,…,N,V_i为电路工作在故障模式F_i下的电压样本统计平均值向量；

(3)信号的haar正交小波滤波器组分解：对各故障模式的电压样本统计平均值向量V_i(i＝1,2,…,N)利用一个K层的haar正交小波分析滤波器组，使V_i分解为(K+1)条滤波输出信号；

(4)先验样本故障模式特征因子提取：将故障模式F_i下的(K+1)条滤波输出信号利用盲源处理技术，提取(K+1)个先验样本故障模式特征因子s_i,d，其中d表示故障特征因子的序号，其取值为d＝1,2,…,K+1，s_i,d表示故障模式F_i下的电压样本信号的第d个先验样本故障模式特征因子；

(5)待测故障模式特征因子提取：采集M组待测故障模式下电压测量向量，取电压测量向量的统计平均值，利用步骤(3)中的Haar正交小波滤波器组进行分解，通过步骤(4)中的盲源处理技术，得待测故障模式下电压测量向量的(K+1)个特征因子s_T,h，T表示待测，为Test首字母，目的是用来区分待测故障模式与先验故障模式的；h表示特征因子的序号，h＝1,2,…,K+1，s_T,h代表待测故障模式电压测量信号的第h个特征因子；

(6)分别计算待测故障模式特征因子与所有故障模式F_i(i＝1,2,…,N)的先验样本故障模式特征因子之间的互相关系数矩阵R_i、相关程度衡量参数δ_i：

$R_i=\left[\begin{array}{cccc}{\mathrm{\ρ}}_{11}& {\mathrm{\ρ}}_{12}& ...& {\mathrm{\ρ}}_{1(K+1)}\\ {\mathrm{\ρ}}_{21}& {\mathrm{\ρ}}_{22}& ...& {\mathrm{\ρ}}_{2(K+1)}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ {\mathrm{\ρ}}_{(K+1)1}& {\mathrm{\ρ}}_{(K+1)2}& ...& {\mathrm{\ρ}}_{(K+1)(K+1)}\end{array}\right],{\mathrm{\δ}}_i=\underset{h=1}{\overset{K+1}{\Σ}}\left(\underset{d}{Max}\left({\mathrm{\ρ}}_{hd}\right)\right);$

其中ρ_hd＝E((s_T,h-E(s_T,h))·(s_i,d-E(s_i,d))),i＝1,2,…,N,E(□)表示求期望值，s_T,h(h＝1,2,…,K+1)代表待测故障模式电压测量信号的第h个特征因子，s_i,d(d＝1,2,…,K+1)表示故障模式F_i下的电压样本信号的第d个先验样本故障模式特征因子，ρ_hd的物理含义为待测故障模式电压测量信号的第h个特征因子与故障模式F_i下的电压样本信号的第d个先验样本故障模式特征因子的相关系数；代表h不变，d＝1,2,…,(K+1)时的ρ_hd最大值；

(7)比较所有δ_i，i＝1,2,…,N，若则判为第k类故障模式，其中Index(·)代表求索引。

进一步，所述步骤(3)中，K层的haar小波分析滤波器组的特征为：滤波器组的每一层由一个低频滤波器g(n)和一个高通滤波器h(n)构成，对高频滤波器h(n)的输出部分进行2倍下采样进入下一层小波滤波器组，对每层的低频滤波器g(n)的输出进行2倍下采样后直接输出，且低通滤波器 $g\left(n\right)=\left\{\frac{1}{\sqrt{2}},\frac{1}{\sqrt{2}}\right\},$ 高通滤波器 $h\left(n\right)=\left\{\frac{1}{\sqrt{2}},-\frac{1}{\sqrt{2}}\right\}.$

进一步，所述步骤(3)中，K层Haar小波分析滤波器组的层数K的确定方法为：设滤波器组的输入信号为x，第K层的高通滤波器和低通滤波器的输出分别为y_K,H和y_K,L，则K值的确定步骤如下：

(3.1)初始化：K＝1；β₀＝Th,其中K为滤波层数，β₀为能量比率阈值，Th为预设的能量比率阈值初始值，其值可为大于0小于1的任一实数；

(3.2)计算能量比率其中<，>代表求内积；

(3.3)若β>β₀，则K＝K+1，返回执行步骤(3.2)，否则，输出滤波层数K。

进一步，所述步骤(4)中，利用盲源处理技术提取特征因子的方法为：设需要利用盲源技术处理的信号矩阵为Y_i，提取的特征因子矩阵为S_i＝[s_i,1s_i,2…s_i,d…s_i,(K+1)]，s_i,d表示故障模式F_i下的电压样本信号的第d个先验样本故障模式特征因子，其中Y_i与S_i的维数相等；

(4.1)初始化：特征提取矩阵W₀、更新步长μ，并让W₁←W₀，“←”表示将W₀的值赋给W₁，其中W₀为任意单位矩阵，μ取(0,0.3)之间的实数；

(4.2)计算：S_i＝W₀Y_i；

(4.3)更新W₁：W₁←W₀+μ[I-f[S_i]]g^T[S_i]，这里函数f(·)与g(·)的形式分别取f[S_i]＝S_i,g^T(·)代表取矩阵转置；I表示标准单位矩阵；

(4.4)标准化||·||表示矩阵范数，为对W₁进行标准化处理，“←”表示将W₁标准化后赋给W₁；

(4.5)判断收敛性：W₁W₁ ^T→I？即判断W₁W₁ ^T的乘积是否无限接近单位矩阵I，“→”表示“无限接近”，如果是，则输出S_i；否则W₀←W₁，“←”表示赋值，并返回(4.2)；I表示标准单位矩阵。

本发明能在不丢失原始测量信息的前提下，把单路信号转化为多路信号,利用盲信号技术提取故障模式独立性特征因子，使其具有反映不同故障模式下电路结构的变化情况，再研究相关的模式判决规则，从而完成电路故障模式的成功归类。

附图说明

图1为单测量节点模拟电路故障诊断方法框图；

图2为小波滤波器组结构示意图；

图3为滤波器组层数确定流程；

图4为单测量节点特征因子提取流程。

具体实施方式

以下结合附图对本发明进行详细的说明。

参照图1，单测量节点模拟电路故障诊断方法，包括如下步骤：

(1)获取各故障模式下的先验样本数据向量：利用计算机仿真软件获取待测模拟电路每种故障模式F_i下的M组电压样本向量V_ij，i＝1,2,…,N，j＝1,2,3,…,M，其中N为电路故障模式总数，i代表电路工作在第i类故障模式，j为采集到的第j组样本，V_ij代表电路工作在第i类故障模式下采集到的第j组电压样本向量。在图1中表示为：采集M组第1类故障模式下电压样本向量；采集M组第2类故障模式下电压样本向量；……；采集M组第N类故障模式下电压样本向量。

(2)计算各故障模式下的先验样本向量的统计平均值：i＝1,2,…,N,V_i为电路工作在故障模式F_i下的电压样本统计平均值向量；

(3)信号的haar正交小波滤波器组分解：对各故障模式的电压样本统计平均值向量V_i(i＝1,2,…,N)利用一个K层的haar正交小波分析滤波器组，使V_i分解为(K+1)条滤波输出信号；

(4)先验样本故障模式特征因子提取：将故障模式F_i下的(K+1)条滤波输出信号利用盲源处理技术，提取(K+1)个先验样本故障模式特征因子s_i,d，其中d表示故障特征因子的序号，其取值为d＝1,2,…,K+1，s_i,d表示故障模式F_i下的电压样本信号的第d个先验样本故障模式特征因子；

(5)待测故障模式特征因子提取：采集M组待测故障模式下电压测量向量，取电压测量向量的统计平均值，利用步骤(3)中的Haar正交小波滤波器组进行分解，通过步骤(4)中的盲源处理技术，得待测故障模式下电压测量向量的(K+1)个特征因子s_T,h，T表示待测，为Test首字母，目的是用来区分待测故障模式与先验故障模式的；h表示特征因子的序号，h＝1,2,…,K+1，s_T,h代表待测故障模式电压测量信号的第h个特征因子；

(6)分别计算待测故障模式特征因子与所有故障模式F_i(i＝1,2,…,N)的先验样本故障模式特征因子之间的互相关系数矩阵R_i、相关程度衡量参数δ_i：

$R_i=\left[\begin{array}{cccc}{\mathrm{\&rho;}}_{11}& {\mathrm{\&rho;}}_{12}& ...& {\mathrm{\&rho;}}_{1(K+1)}\\ {\mathrm{\&rho;}}_{21}& {\mathrm{\&rho;}}_{22}& ...& {\mathrm{\&rho;}}_{2(K+1)}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ {\mathrm{\&rho;}}_{(K+1)1}& {\mathrm{\&rho;}}_{(K+1)2}& ...& {\mathrm{\&rho;}}_{(K+1)(K+1)}\end{array}\right],{\mathrm{\&delta;}}_i=\underset{h=1}{\overset{K+1}{\&Sigma;}}\left(\underset{d}{Max}\left({\mathrm{\&rho;}}_{hd}\right)\right);$

其中ρ_hd＝E((s_T,h-E(s_T,h))·(s_i,d-E(s_i,d))),i＝1,2,…,N,E(□)表示求期望值，s_T,h(h＝1,2,…,K+1)代表待测故障模式电压测量信号的第h个特征因子，s_i,d(d＝1,2,…,K+1)表示故障模式F_i下的电压样本信号的第d个先验样本故障模式特征因子，ρ_hd的物理含义为待测故障模式电压测量信号的第h个特征因子与故障模式F_i下的电压样本信号的第d个先验样本故障模式特征因子的相关系数；代表h不变，d＝1,2,…,(K+1)时的ρ_hd最大值；

(7)比较所有δ_i，i＝1,2,…,N，若则判为第k类故障模式，其中Index(·)代表求索引。

参照图2，所述步骤(3)中，K层的haar小波分析滤波器组的特征为：滤波器组的每一层由一个低频滤波器g(n)和一个高通滤波器h(n)构成，对高频滤波器h(n)的输出部分进行2倍下采样进入下一层小波滤波器组，对每层的低频滤波器g(n)的输出进行2倍下采样后直接输出，且低通滤波器 $g\left(n\right)=\left\{\frac{1}{\sqrt{2}},\frac{1}{\sqrt{2}}\right\},$ 高通滤波器 $h\left(n\right)=\left\{\frac{1}{\sqrt{2}},-\frac{1}{\sqrt{2}}\right\}.$ 图2中，y_cL(c＝1,2,…,K)代表滤波器组的第c层低通滤波器的输出，下标c代表滤波器的滤波层数序号，L表示低通的意思；y_KH代表滤波器组的第K层高通滤波器的输出，下标K代表滤波器的滤波层数序号，H表示高通的意思。

参照图3，所述步骤(3)中，K层Haar小波分析滤波器组的层数K的确定方法为：设滤波器组的输入信号为x，第K层的高通滤波器和低通滤波器的输出分别为y_K,H和y_K,L，则K值的确定步骤如下：

(3.1)初始化：K＝1；β₀＝Th,其中K为滤波层数，β₀为能量比率阈值，Th为预设的能量比率阈值初始值，其值可为大于0小于1的任一实数；

(3.2)计算能量比率其中<，>代表求内积；

(3.3)若β>β₀，则K＝K+1，返回执行步骤(3.2)，否则，输出滤波层数K。

参照图4，所述步骤(4)中，利用盲源处理技术提取特征因子的方法为：设需要利用盲源技术处理的信号矩阵为Y_i，提取的特征因子矩阵为S_i＝[s_i,1s_i,2…s_i,d…s_i,(K+1)]，s_i,d表示故障模式F_i下的电压样本信号的第d个先验样本故障模式特征因子，其中Y_i与S_i的维数相等；

(4.1)初始化：特征提取矩阵W₀、更新步长μ，并让W₁←W₀，“←”表示将W₀的值赋给W₁，其中W₀为任意单位矩阵，μ取(0,0.3)之间的实数；

(4.2)计算：S_i＝W₀Y_i；

(4.3)更新W₁：W₁←W₀+μ[I-f[S_i]]g^T[S_i]，这里函数f(·)与g(·)的形式分别取f[S_i]＝S_i,g^T(·)代表取矩阵转置；I表示标准单位矩阵；

(4.4)标准化||·||表示矩阵范数，为对W₁进行标准化处理，“←”表示将W₁标准化后赋给W₁；

(4.5)判断收敛性：W₁W₁ ^T→I？即判断W₁W₁ ^T的乘积是否无限接近单位矩阵I，“→”表示“无限接近”，如果是，则输出S_i；否则W₀←W₁，“←”表示赋值，并返回(4.2)；I表示标准单位矩阵。

Claims (4)

1.一种单测量节点模拟电路故障诊断方法，其特征在于，包括如下步骤：

(1)获取各故障模式下的先验样本数据向量：利用计算机仿真软件获取待测模拟电路每种故障模式F_i下的M组电压样本向量V_ij，i＝1,2,…,N，j＝1,2,3,…,M，其中N为电路故障模式总数，i代表电路工作在第i类故障模式，j为采集到的第j组样本，V_ij代表电路工作在第i类故障模式下采集到的第j组电压样本向量；

(2)计算各故障模式下的先验样本向量的统计平均值：i＝1,2,…,N,V_i为电路工作在故障模式F_i下的电压样本统计平均值向量；

(3)信号的haar正交小波滤波器组分解：对各故障模式的电压样本统计平均值向量V_i(i＝1,2,…,N)利用一个K层的haar正交小波分析滤波器组，使V_i分解为(K+1)条滤波输出信号；

(4)先验样本故障模式特征因子提取：将故障模式F_i下的(K+1)条滤波输出信号利用盲源处理技术，提取(K+1)个先验样本故障模式特征因子s_i,d，其中d表示故障特征因子的序号，其取值为d＝1,2,…,K+1，s_i,d表示故障模式F_i下的电压样本信号的第d个先验样本故障模式特征因子；

(5)待测故障模式特征因子提取：采集M组待测故障模式下电压测量向量，取电压测量向量的统计平均值，利用步骤(3)中的Haar正交小波滤波器组进行分解，通过步骤(4)中的盲源处理技术，得待测故障模式下电压测量向量的(K+1)个特征因子s_T,h，T表示待测，为Test首字母，目的是用来区分待测故障模式与先验故障模式的；h表示特征因子的序号，h＝1,2,…,K+1，s_T,h代表待测故障模式电压测量信号的第h个特征因子；

(6)分别计算待测故障模式特征因子与所有故障模式F_i(i＝1,2,…,N)的先验样本故障模式特征因子之间的互相关系数矩阵R_i、相关程度衡量参数δ_i：

$R_i=\left[\begin{array}{cccc}{\mathrm{\&rho;}}_{11}& {\mathrm{\&rho;}}_{12}& ...& {\mathrm{\&rho;}}_{1(K+1)}\\ {\mathrm{\&rho;}}_{21}& {\mathrm{\&rho;}}_{22}& ...& {\mathrm{\&rho;}}_{2(K+1)}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ {\mathrm{\&rho;}}_{(K+1)1}& {\mathrm{\&rho;}}_{(K+1)2}& ...& {\mathrm{\&rho;}}_{(K+1)(K+1)}\end{array}\right],{\mathrm{\&delta;}}_i=\underset{h=1}{\overset{K+1}{\&Sigma;}}\left(\underset{d}{Max}\left({\mathrm{\&rho;}}_{hd}\right)\right);$

其中ρ_hd＝E((s_T,h-E(s_T,h))·(s_i,d-E(s_i,d))),i＝1,2,…,N,E(□)表示求期望值，s_T,h(h＝1,2,…,K+1)代表待测故障模式电压测量信号的第h个特征因子，s_i,d(d＝1,2,…,K+1)表示故障模式F_i下的电压样本信号的第d个先验样本故障模式特征因子，ρ_hd的物理含义为待测故障模式电压测量信号的第h个特征因子与故障模式F_i下的电压样本信号的第d个先验样本故障模式特征因子的相关系数；代表h不变，d＝1,2,…,(K+1)时的ρ_hd最大值；

(7)比较所有δ_i，i＝1,2,…,N，若则判为第k类故障模式，其中Index(·)代表求索引。

2.根据权利要求1所述的单测量节点模拟电路故障诊断方法，其特征在于，所述步骤(3)中，K层的haar小波分析滤波器组的特征为：滤波器组的每一层由一个低频滤波器g(n)和一个高通滤波器h(n)构成，对高频滤波器h(n)的输出部分进行2倍下采样进入下一层小波滤波器组，对每层的低频滤波器g(n)的输出进行2倍下采样后直接输出，且低通滤波器高通滤波器 $h\left(n\right)=\left\{\frac{1}{\sqrt{2}},-\frac{1}{\sqrt{2}}\right\}.$

3.根据权利要求1或2所述的单测量节点模拟电路故障诊断方法，其特征在于，所述步骤(3)中，K层Haar小波分析滤波器组的层数K的确定方法为：设滤波器组的输入信号为x，第K层的高通滤波器和低通滤波器的输出分别为y_K,H和y_K,L，则K值的确定步骤如下：

(3.1)初始化：K＝1；β₀＝Th,其中K为滤波层数，β₀为能量比率阈值，Th为预设的能量比率阈值初始值，其值可为大于0小于1的任一实数；

(3.2)计算能量比率其中<，>代表求内积；

(3.3)若β>β₀，则K＝K+1，返回执行步骤(3.2)，否则，输出滤波层数K。

4.根据权利要求1所述的单测量节点模拟电路故障诊断方法，其特征在于，所述步骤(4)中，利用盲源处理技术提取特征因子的方法为：设需要利用盲源技术处理的信号矩阵为Y_i，提取的特征因子矩阵为

S_i＝[s_i,1s_i,2…s_i,d…s_i,(K+1)]，s_i,d表示故障模式F_i下的电压样本信号的第d个先验样本故障模式特征因子，其中Y_i与S_i的维数相等；

(4.1)初始化：特征提取矩阵W₀、更新步长μ，并让W₁←W₀，“←”表示将W₀的值赋给W₁，其中W₀为任意单位矩阵，μ取(0,0.3)之间的实数；

(4.2)计算：S_i＝W₀Y_i；

(4.3)更新W₁：W₁←W₀+μ[I-f[S_i]]g^T[S_i]，这里函数f(·)与g(·)的形式分别取g^T(·)代表取矩阵转置；I表示标准单位矩阵；

(4.4)标准化W₁：||·||表示矩阵范数，为对W₁进行标准化处理，“←”表示将W₁标准化后赋给W₁；

(4.5)判断收敛性：？即判断的乘积是否无限接近单位矩阵I，“→”表示“无限接近”，如果是，则输出S_i；否则W₀←W₁，“←”表示赋值，并返回(4.2)；I表示标准单位矩阵。