CN105699883A - 一种模拟电路健康预测方法 - Google Patents

一种模拟电路健康预测方法 Download PDF

Info

Publication number
CN105699883A
CN105699883A CN201610044805.5A CN201610044805A CN105699883A CN 105699883 A CN105699883 A CN 105699883A CN 201610044805 A CN201610044805 A CN 201610044805A CN 105699883 A CN105699883 A CN 105699883A
Authority
CN
China
Prior art keywords
signal
circuit
tolerance
fundamental frequency
voltage increment
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.)
Granted
Application number
CN201610044805.5A
Other languages
English (en)
Other versions
CN105699883B (zh
Inventor
袁莉芬
吴磊
何怡刚
张朝龙
孙业胜
陈鹏
罗帅
程珍
邓芳明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN201610044805.5A priority Critical patent/CN105699883B/zh
Publication of CN105699883A publication Critical patent/CN105699883A/zh
Application granted granted Critical
Publication of CN105699883B publication Critical patent/CN105699883B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/316—Testing of analog circuits

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Complex Calculations (AREA)

Abstract

一种模拟电路健康预测方法，包括如下步骤：采集电路容差、无故障模式下的测试样本集；计算电路容差、无故障模式下样本向量的统计平均值；计算电路容差、无故障模式下容差电压增量信号集；计算电路容差、无故障模式下的容差电压增量信号的基频能量熵；计算无故障容差电压增量信号的最大能量熵；采集电路待测时刻电压信号；计算电路待测时刻电压增量信号；计算电路待测时刻电压增量信号的基频能量熵；计算待测电路健康指数；以电路健康指数为依据，判断电路健康情况。本发明能在不丢失原始测量信息的前提下，利用EWT分解出测试信号基频信号，通过分别计算基频信号的能量熵与电路健康参数，完成对电路健康状况的判断。

Description

一种模拟电路健康预测方法
技术领域
本发明涉及一种模拟电路健康预测方法。
背景技术
随着科学技术的快速发展，电子设备广泛应用于生活中的各行各业，模拟电路作为电子设备中的重要组成部分，人们对其可靠性的要求越来越高，尤其是军工、航天等领域，即使是微小的误差都有可能造成重大的事故，因此，提高模拟电路的可靠性具有十分重要的意义。近几年来故障预测一直是国内外研究的热点问题，例如著名的美国航空航天局(NASA)，作为美国联邦政府的重要政府机构负责太空计划，一直致力于研究飞行器的故障预测技术。同时，中国也将故障预测技术作为研究重点领域之一。虽然在电子设备中模拟电路的应用没有数字电路广泛，但是有统计资料显示电子设备总故障中的80%来自于模拟电路，可见对模拟电路进行健康预测具有十分重要的意义和必要性。
目前,国内外对模拟电路的故障与预测的研究还不成熟，处于基础理论研究阶段。模拟电路故障健康预测主要存在的问题有以下四个方面。
（1）电路故障的标准不同。电路发生故障的标准是进行故障预测的基础，而国内外发表的很多学术论文中，对故障的定义则不同。
（2）电路各元件容限不同。一般来说，模拟电路中包含大量的电子元件，越复杂的电路，元件越多，也越容易发生故障。对模拟电路进行故障预测，分析各元件失效机理时，必须考虑各元件的容限，而各元件的容限不同则造成了预测电路故障的困难。
（3）复杂的失效机理。电路中通常包含电阻、电容、电感、运放等元件，而各元件的退化、失效机理不同，造成了故障预测的又一困难。
（4）人为操作和环境因素的影响。人为操作对电路的故障预测存在不确定因素，不恰当的操作可能会加快电路发生故障，因此在分析上存在难点。同时，包括温度、湿度、压强等在内的环境因素也是影响电路故障预测的重要因素。
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，提供一种模拟电路故障定期检修到智能预测检修过渡的模拟电路健康预测方法。
本发明之模拟电路健康预测方法的实质在于利用经验小波技术把电路样本容差信号和待测时刻的偏差信号作经验小波分解，分别得到其基频信号，然后根据统计学知识求取各自基频信号的能量熵值，以电路无故障模式下的容差电压信号的基频能量熵与电路待测时刻电压增量信号的基频能量熵的比值作为电路健康指数（HI）,并以此来判断电路的健康状况。
本发明解决其技术问题所采用的技术方案是：
一种模拟电路健康预测方法，包括如下步骤：
（1）采集电路容差、无故障模式下的测试样本集：利用数据采集器获取待测模拟电路容差、无故障模式下的组电压样本向量,其中为采集到的无故障模式模式的第组样本向量；
（2）计算电路容差、无故障模式下的组电压样本向量的统计平均值：，；
（3）计算电路容差、无故障模式下模拟电路测试样本容差电压增量信号集：，令，则,其中为第个样本的容差电压增量信号；
（4）计算电路容差、无故障模式下的容差电压增量信号的基频能量熵；
（5）计算无故障容差电压增量信号的最大能量熵：，其中代表取最大值；
（6）利用数据采集设备采集电路待测时刻电压信号；
（7）计算电路待测时刻电压增量信号：，其中与步骤（2）中相同，即为无故障模式下的样本向量统计平均值；
（8）计算电路待测时刻电压增量信号的基频能量熵；
（9）计算待测电路健康指数(HealthIndex)：；
（10）按如下规则判断电路健康情况：
若,则判为健康；
若,则判为电路出现故障，需要维修。
进一步，所述步骤（4）和（8）中，基频能量熵计算方法如下：
（a）将待处理信号赋给变量，形成信号：步骤（4）中，待处理信号为无故障模式下的容差电压增量信号；步骤（8）中，待处理信号为电路待测时刻电压增量信号；
（b）确定信号的基频信号的个数：
（b-1）计算信号的傅立叶变换，找出的个幅度局部最大值及其所对应的频率点；
（b-2）按照幅度递减的规律重排及其所对应的频率点，即使；
（b-3）对数据集进行标准化处理：，其中，,；
（b-4）设阈值，若数据集中大于阈值的个数为,则；
（c）采用经验小波变换技术（EmpiricalWaveletTransform，EWT）求取信号的基频信号,为信号的基频信号的个数；
（d）计算各基频信号的能量：,其中代表求内积运算；
（e）计算基频信号的能量概率密度：；
（f）计算信号的能量熵：。
进一步，所述步骤（c）中，采用经验小波变换技术求取信号的基频信号的具体步骤为：
(c-1)对信号的傅立叶变换在频带[0,π]内的前个局部幅度最大值所对应的频率，按从小到大的顺序排列，令,，则以，为边界,将频带[0,π]分割成个连续的频谱段，第个频谱段表示为，且有，其中表示求“并”运算；
(c-2）对每个频谱段边界，以,为中心，划分过渡带区间,，则过渡带的宽带,，其中,,取实数区间，上的任一常数,其中表示取最小值；
（c-3）确定经验小波变换的经验尺度函数和经验小波函数，：
；
；
式中：；和为经验尺度函数频谱形式和经验小波函数频谱形式，即时域经验尺度函数的傅里叶变换后的形式和经验小波函数的傅里叶变换后的形式，此时为其频率，为绝对值；
（c-4）计算经验小波变换系数：，；
计算时的经验小波变换的近似系数：；
式中：表示信号的傅立叶变换，“”表示求横线下面变量的复共轭，表示求括号内信号的傅立叶逆变换；
（c-5）计算信号基波，：
，
式中符号“*”表示卷积，和分别为经验尺度函数的时域形式和经验小波函数的时域形式。
本发明能在不丢失原始测量信息的前提下，利用EWT分解出测试信号基频信号，通过分别计算基频信号的能量熵与电路健康参数，能够及时对电路健康状况进行判断，进而对故障电路进行及时维修，在线实时性好，此外本发明通过计算基频信号的能量熵与电路健康参数来判断电路健康状况，计算方法简单，易于实现。
附图说明
图1为模拟电路健康预测方法系统框图；
图2为基频信号能量熵计算框图；
图3为基频信号个数确定流程。
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，模拟电路健康预测方法，包括如下步骤：
（1）采集电路容差、无故障模式下的测试样本集：利用数据采集器获取待测模拟电路容差、无故障模式下的组电压样本向量,其中为采集到的模式的第i组样本向量；
（2）计算电路容差、无故障模式下的M组电压样本向量的统计平均值：，；
（3）计算电路容差、无故障模式下模拟电路测试样本容差电压增量信号集：，令，则,其中为第个样本的容差电压增量信号；
（4）计算电路容差、无故障模式下的容差电压增量信号的基频能量熵；
（5）计算无故障容差电压增量信号的最大能量熵：，其中代表取最大值；
（6）利用数据采集设备采集电路待测时刻电压信号；
（7）计算电路待测时刻电压增量信号：，其中与步骤（2）中相同，即为无故障模式下的样本向量统计平均值；
（8）计算电路待测时刻电压增量信号的基频能量熵；
（9）计算待测电路健康指数(HealthIndex)：
（10）按如下规则判断电路健康情况：
若,则判为健康；
若,则判为电路出现故障，需要维修。
参照图2、图3，所述步骤（4）和（8）中，基频能量熵计算方法如下：
（a）将待处理信号赋给变量，形成信号：步骤（4）中，待处理信号为无故障模式下的容差电压增量信号；步骤（8）中，待处理信号为电路待测时刻电压增量信号；
（b）确定信号的基频信号的个数：
（b-1）计算信号的傅立叶变换，找出的个幅度局部最大值及其所对应的频率点；
（b-2）按照幅度递减的规律重排及其所对应的频率点，即使；
（b-3）对数据集进行标准化处理：，其中，,；
（b-4）设阈值，若数据集中大于阈值的个数为,则；
（c）采用经验小波变换技术（EmpiricalWaveletTransform，EWT）求取信号的基频信号,为信号的基频信号的个数；
（d）计算各基频信号的能量：,其中代表求内积运算；
（e）计算基频信号的能量概率密度：；
（f）计算信号的能量熵：。
进一步，所述步骤（c）中，采用经验小波变换技术求取信号的基频信号的具体步骤为：
(c-1)对信号的傅立叶变换在频带[0,π]内的前个局部幅度最大值所对应的频率，按从小到大的顺序排列，令,，则以，为边界,将频带[0,π]分割成N个连续的频谱段，第个频谱段表示为，且有，其中表示求“并”运算；
(c-2）对每个频谱段边界，以,为中心，划分过渡带区间,，则过渡带的宽带,，其中,,取实数区间，上的任一常数,其中表示取最小值；
（c-3）确定经验小波变换的经验尺度函数和经验小波函数，：
；
；
式中：；和为经验尺度函数频谱形式和经验小波函数频谱形式，即时域经验尺度函数的傅里叶变换后的形式和经验小波函数的傅里叶变换后的形式，此时为其频率，为绝对值；
（c-4）计算经验小波变换系数：，；
计算时的经验小波变换的近似系数：；
式中：表示信号的傅立叶变换，“”表示求横线下面变量的复共轭，表示求括号内信号的傅立叶逆变换；
（c-5）计算信号基波，：
；
式中符号“*”表示卷积，和分别为经验尺度函数的时域形式和经验小波函数的时域形式。

Claims (3)

1.一种模拟电路健康预测方法，其特征在于，包括如下步骤：
（1）采集电路容差、无故障模式下的测试样本集：利用数据采集器获取待测模拟电路容差、无故障模式下的组电压样本向量,其中为采集到的无故障模式模式的第组样本向量；
（2）计算电路容差、无故障模式下的组电压样本向量的统计平均值：，；
（3）计算电路容差、无故障模式下模拟电路测试样本容差电压增量信号集：，令，则,其中为第个样本的容差电压增量信号；
（4）计算电路容差、无故障模式下的容差电压增量信号的基频能量熵；
（5）计算无故障容差电压增量信号的最大能量熵：，其中代表取最大值；
（6）利用数据采集设备采集电路待测时刻电压信号；
（7）计算电路待测时刻电压增量信号：，其中与步骤（2）中相同，即为无故障模式下的样本向量统计平均值；
（8）计算电路待测时刻电压增量信号的基频能量熵；
（9）计算待测电路健康指数(HealthIndex)：；
（10）按如下规则判断电路健康情况：
若,则判为健康；
若,则判为电路出现故障，需要维修。
2.根据权利要求1所述的模拟电路健康预测方法，其特征在于，所述步骤（4）或（8）中，基频能量熵计算方法如下：
（a）将待处理信号赋给变量，形成信号：步骤（4）中，待处理信号为无故障模式下的容差电压增量信号；步骤（8）中，待处理信号为电路待测时刻电压增量信号；
（b）确定信号的基频信号的个数：
（b-1）计算信号的傅立叶变换，找出的个幅度局部最大值及其所对应的频率点；
（b-2）按照幅度递减的规律重排及其所对应的频率点，即使；
（b-3）对数据集进行标准化处理：，其中，,;
（b-4）设阈值，若数据集中大于阈值的个数为,则；
（c）采用经验小波变换技术（EmpiricalWaveletTransform，EWT）求取信号的基频信号,为信号的基频信号的个数；
（d）计算各基频信号的能量：,其中代表求内积运算；
（e）计算基频信号的能量概率密度：；
（f）计算信号的能量熵：。
3.根据权利要求2所述的模拟电路故障预测方法，其特征在于，所述步骤（c）中，采用经验小波变换技术求取信号的基频信号的具体步骤为：
(c-1)对信号的傅立叶变换在频带[0,π]内的前个局部幅度最大值所对应的频率，按从小到大的顺序排列，令,，则以，为边界,将频带[0,π]分割成个连续的频谱段，第个频谱段表示为，且有，其中表示求“并”运算；
(c-2）对每个频谱段边界，以,为中心，划分过渡带区间,，则过渡带的宽带,，其中,,取实数区间，上的任一常数,其中表示取最小值；
（c-3）确定经验小波变换的经验尺度函数和经验小波函数，：
；
；
式中：；和为经验尺度函数频谱形式和经验小波函数频谱形式，即时域经验尺度函数的傅里叶变换后的形式和经验小波函数的傅里叶变换后的形式，此时为其频率，为绝对值；
（c-4）计算经验小波变换系数：，；
计算时的经验小波变换的近似系数：；
式中：表示信号的傅立叶变换，“”表示求横线下面变量的复共轭，表示求括号内信号的傅立叶逆变换；
（c-5）计算信号基波，：
；
式中符号“*”表示卷积，和分别为经验尺度函数的时域形式和经验小波函数的时域形式。
CN201610044805.5A 2016-01-22 2016-01-22 一种模拟电路健康预测方法 Active CN105699883B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610044805.5A CN105699883B (zh) 2016-01-22 2016-01-22 一种模拟电路健康预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610044805.5A CN105699883B (zh) 2016-01-22 2016-01-22 一种模拟电路健康预测方法

Publications (2)

Publication Number Publication Date
CN105699883A true CN105699883A (zh) 2016-06-22
CN105699883B CN105699883B (zh) 2018-08-14

Family

ID=56228575

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610044805.5A Active CN105699883B (zh) 2016-01-22 2016-01-22 一种模拟电路健康预测方法

Country Status (1)

Country Link
CN (1) CN105699883B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113111618A (zh) * 2021-03-09 2021-07-13 电子科技大学 一种基于改进的经验小波变换的模拟电路故障诊断方法
CN114384896A (zh) * 2022-01-12 2022-04-22 北京交通大学 轨道交通列控车载设备模拟电路级健康度预测方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102222151A (zh) * 2011-07-21 2011-10-19 电子科技大学 一种基于自回归滑动平均的模拟电路故障预测方法
WO2012057991A3 (en) * 2010-10-29 2012-07-19 Applied Materials, Inc. Apparatus and method for testing back-contact solar cells
CN102636740A (zh) * 2012-04-18 2012-08-15 南京航空航天大学 一种基于frm-rvm的电力电子电路故障预测方法
CN103163420A (zh) * 2011-12-08 2013-06-19 沈阳工业大学 电力变压器智能在线状态评判方法
CN103675525A (zh) * 2013-11-14 2014-03-26 南京航空航天大学 基于多svdd模型的dc-dc变换器健康监测与故障预测方法
CN103824135A (zh) * 2014-03-11 2014-05-28 合肥工业大学 一种模拟电路故障预测方法
CN105094111A (zh) * 2015-04-09 2015-11-25 南京航空航天大学 基于联合降噪和经验模态分解的控制系统健康状态分析方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012057991A3 (en) * 2010-10-29 2012-07-19 Applied Materials, Inc. Apparatus and method for testing back-contact solar cells
CN102222151A (zh) * 2011-07-21 2011-10-19 电子科技大学 一种基于自回归滑动平均的模拟电路故障预测方法
CN103163420A (zh) * 2011-12-08 2013-06-19 沈阳工业大学 电力变压器智能在线状态评判方法
CN102636740A (zh) * 2012-04-18 2012-08-15 南京航空航天大学 一种基于frm-rvm的电力电子电路故障预测方法
CN103675525A (zh) * 2013-11-14 2014-03-26 南京航空航天大学 基于多svdd模型的dc-dc变换器健康监测与故障预测方法
CN103824135A (zh) * 2014-03-11 2014-05-28 合肥工业大学 一种模拟电路故障预测方法
CN105094111A (zh) * 2015-04-09 2015-11-25 南京航空航天大学 基于联合降噪和经验模态分解的控制系统健康状态分析方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
向玲等: "经验小波变换在旋转机械故障诊断中的应用", 《动力工程学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113111618A (zh) * 2021-03-09 2021-07-13 电子科技大学 一种基于改进的经验小波变换的模拟电路故障诊断方法
CN114384896A (zh) * 2022-01-12 2022-04-22 北京交通大学 轨道交通列控车载设备模拟电路级健康度预测方法及系统

Also Published As

Publication number Publication date
CN105699883B (zh) 2018-08-14

Similar Documents

Publication Publication Date Title
CN104655423B (zh) 一种基于时频域多维振动特征融合的滚动轴承故障诊断方法
Abdelsalam et al. Characterization of power quality disturbances using hybrid technique of linear Kalman filter and fuzzy-expert system
CN103076547B (zh) 基于支持向量机的gis局部放电故障类型模式识别方法
Li et al. A power system disturbance classification method robust to PMU data quality issues
CN109460618A (zh) 一种滚动轴承剩余寿命在线预测方法及系统
CN109633368A (zh) 基于vmd和dfa的含分布式电源配电网电能质量扰动检测方法
Wang et al. Few-shot transfer learning with attention mechanism for high-voltage circuit breaker fault diagnosis
CN105701470A (zh) 一种基于最优小波包分解的模拟电路故障特征提取方法
CN103743980A (zh) 基于pso优化的svm的电能质量扰动识别与分类方法
CN103558519A (zh) 一种gis局部放电超声波信号识别方法
CN107944349A (zh) 基于粒子群‑支持向量机的gis局部放电类型模式识别方法
CN102520341A (zh) 一种基于Bayes-KFCM算法的模拟电路故障诊断方法
CN103995237A (zh) 一种卫星电源系统在线故障诊断方法
CN110163075A (zh) 一种基于权值训练的多信息融合故障诊断方法
CN103018660A (zh) 采用量子Hopfield神经网络的模拟电路多故障智能诊断方法
CN106770652A (zh) 基于声波特征的高压变压器健康状态监测装置及监测方法
CN105572501A (zh) 一种基于sst变换和ls-svm的电能质量扰动识别方法
CN110703078A (zh) 基于频谱能量分析与自组织竞争算法的gis故障诊断方法
Han et al. Faulted-Phase classification for transmission lines using gradient similarity visualization and cross-domain adaption-based convolutional neural network
CN103018537A (zh) 基于cwd谱峭度的暂态电能质量扰动分类识别方法
Li et al. Intelligent fault diagnosis of aeroengine sensors using improved pattern gradient spectrum entropy
CN105699883A (zh) 一种模拟电路健康预测方法
Wang et al. Multi‐harmonic sources location based on sparse component analysis and complex independent component analysis
Zhang et al. Complementary ensemble adaptive local iterative filtering and its application to rolling bearing fault diagnosis
Yan et al. Few-Shot Mechanical Fault Diagnosis for a High-Voltage Circuit Breaker via a Transformer-Convolutional Neural Network and Metric Meta-learning

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant