CN105699883B - 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
CN105699883B
CN105699883B CN201610044805.5A CN201610044805A CN105699883B CN 105699883 B CN105699883 B CN 105699883B CN 201610044805 A CN201610044805 A CN 201610044805A CN 105699883 B CN105699883 B CN 105699883B
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.)
Active
Application number
CN201610044805.5A
Other languages
English (en)
Other versions
CN105699883A (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

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F0下的M组电压样本向量其中为采集到的无故障模式模式F0的第i组样本向量；
(2)计算电路容差、无故障模式F0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F0下模拟电路测试样本容差电压增量信号集△V0：i＝1,2,…M，令则i＝1,2,…M，其中为第i个样本的容差电压增量信号；
(4)计算电路容差、无故障模式F0下的容差电压增量信号i＝1,2,…M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max(·)代表取最大值；
(6)利用数据采集器采集电路待测时刻电压信号v；
(7)计算电路待测时刻电压增量信号△v：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△v的基频能量熵HT；
(9)计算待测电路健康指数HI(Health Index)：
(10)按如下规则判断电路健康情况：
若HI≥1,则判为健康；
若HI＜1,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f，形成信号f：步骤(4)中，待处理信号为无故障模式F0下的容差电压增量信号i＝1,2,…M；步骤(8)中，待处理信号为电路待测时刻电压增量信号△v；
(b)确定信号f的基频信号的个数N：
(b-1)计算信号f的傅立叶变换f(ω)，找出f(ω)的J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L1≥L2≥…≥LJ；
(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Th的个数为Mth,则N＝Mth+1；
(c)采用经验小波变换技术求取信号f的基频信号fn,n＝0,1,2，…N-1,N为信号f的基频信号的个数；
(d)计算各基频信号fn的能量En：En＝<fn,fn>,n＝0,1,2,…N-1，其中<·>代表求内积运算；
(e)计算基频信号fn的能量概率密度pn：
(f)计算信号f的能量熵H：
进一步，所述步骤(c)中，采用经验小波变换技术求取信号f的基频信号fn,n＝0,1,2，…N-1的具体步骤为：
(c-1)对信号f的傅立叶变换f(ω)在频带[0,π]内的前N-1个局部幅度最大值所对应的频率ωn，n＝1,2,…,N-1按从小到大的顺序排列，令ω0＝0,ωN＝π，则以ωn，n＝0，1,2,…,N为边界,将频带[0,π]分割成N个连续的频谱段，第n个频谱段表示为Λn＝[ωn-1,ωn],n＝1,2,…N，且有其中∪表示求“并”运算；
(c-2)对每个频谱段边界，以ωn,n＝1,2,…,N-1为中心，划分过渡带区间(ωn-τn,ωn+τn),n＝1,2,…,N-1，则过渡带的宽带Tn＝2τn,n＝1,2,…,N-1，其中τn＝γωn,n＝1,2,…,N-1,γ取实数区间n＝1,2,…N-1上的任一常数,其中min(·)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n＝1,2,…N-1：
式中：β(x)＝x 4(35-84x+70x2-20x3)；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ω为其频率，|·|为绝对值；
(c-4)计算经验小波变换系数：n＝1,2,…,N-1；
计算n＝0时的经验小波变换的近似系数
式中：f(ω)表示信号f的傅立叶变换，表示求横线下面变量的复共轭，F-1[·]表示求括号内信号的傅立叶逆变换；
(c-5)计算信号基波fn(t)，n＝0，1,2,…,N-1：
式中符号“*”表示卷积，和ψn(t)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F0下的M组电压样本向量i＝1,2,…M,其中为采集到的无故障模式模式F0的第i组样本向量；
(2)计算电路容差、无故障模式F0下的M组电压样本向量的统计平均值 i＝1,2,…M；
(3)计算电路容差、无故障模式F0下模拟电路测试样本容差电压增量信号集△V0：i＝1,2,…M，令则i＝1,2,…M，其中为第i个样本的容差电压增量信号；
(4)计算电路容差、无故障模式F0下的容差电压增量信号i＝1,2,…M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max(·)代表取最大值；
(6)利用数据采集器采集电路待测时刻电压信号v；
(7)计算电路待测时刻电压增量信号△v：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△v的基频能量熵HT；
(9)计算待测电路健康指数HI：
(10)按如下规则判断电路健康情况：
若HI≥1,则判为健康；
若HI＜1,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f，形成信号f：步骤(4)中，待处理信号为无故障模式F0下的容差电压增量信号i＝1,2,…M；步骤(8)中，待处理信号为电路待测时刻电压增量信号△v；
(b)确定信号f的基频信号的个数N：
(b-1)计算信号f的傅立叶变换f(ω)，找出f(ω)的J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L1≥L2≥…≥LJ；
(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Th的个数为Mth,则N＝Mth+1；
(c)采用经验小波变换技术求取信号f的基频信号fn,n＝0,1,2，…N-1,N为信号f的基频信号的个数；
(d)计算各基频信号fn的能量En：En＝<fn,fn>,n＝0,1,2,…N-1，其中<·>代表求内积运算；
(e)计算基频信号fn的能量概率密度pn：
(f)计算信号f的能量熵H：
进一步，所述步骤(c)中，采用经验小波变换技术求取信号f的基频信号fn,n＝0,1,2，…N-1的具体步骤为：
(c-1)对信号f的傅立叶变换f(ω)在频带[0,π]内的前N-1个局部幅度最大值所对应的频率ωn，n＝1,2,…,N-1按从小到大的顺序排列，令ω0＝0,ωN＝π，则以ωn，n＝0，1,2,…,N为边界,将频带[0,π]分割成N个连续的频谱段，第n个频谱段表示为Λn＝[ωn-1,ωn],n＝1,2,…N，且有其中∪表示求“并”运算；
(c-2)对每个频谱段边界，以ωn,n＝1,2,…,N-1为中心，划分过渡带区间(ωn-τn,ωn+τn),n＝1,2,…,N-1，则过渡带的宽带Tn＝2τn,n＝1,2,…,N-1，其中τn＝γωn,n＝1,2,…,N-1,γ取实数区间n＝1,2,…N-1上的任一常数,其中min(·)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n＝1,2,…N-1：
式中：β(x)＝x4(35-84x+70x2-20x3)；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ω为其频率，|·|为绝对值；
(c-4)计算经验小波变换系数：n＝1,2,…,N-1；
计算n＝0时的经验小波变换的近似系数
式中：f(ω)表示信号f的傅立叶变换，表示求横线下面变量的复共轭，F-1[·]表示求括号内信号的傅立叶逆变换；
(c-5)计算信号基波fn(t)，n＝0，1,2,…,N-1：
式中符号“*”表示卷积，和ψn(t)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F0下的M组电压样本向量其中为采集到的无故障模式F0的第i组样本向量；
(2)计算电路容差、无故障模式F0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F0下模拟电路测试样本容差电压增量信号集ΔV0：令则其中为第i个样本的容差电压增量信号；
(4)计算电路容差、无故障模式F0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max(·)代表取最大值；
(6)利用数据采集器采集电路待测时刻电压信号v；
(7)计算电路待测时刻电压增量信号△v：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△v的基频能量熵HT；
(9)计算待测电路健康指数HI：
(10)按如下规则判断电路健康情况：
若HI≥1,则判为健康；
若HI＜1,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)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f，形成信号f：步骤(4)中，待处理信号为无故障模式F0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△v；
(b)确定信号f的基频信号的个数N：
(b-1)计算信号f的傅立叶变换f(ω)，找出f(ω)的J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L1≥L2≥…≥LJ；
(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Th的个数为Mth,则N＝Mth+1；
(c)采用经验小波变换技术求取信号f的基频信号fn,n＝0,1,2，…N-1,N为信号f的基频信号的个数；
(d)计算各基频信号fn的能量En：En＝<fn,fn>,n＝0,1,2,…N-1，其中<·>代表求内积运算；
(e)计算基频信号fn的能量概率密度pn：
(f)计算信号f的能量熵H：
3.根据权利要求2所述的模拟电路健康预测方法，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f的基频信号fn,n＝0,1,2，…N-1的具体步骤为：
(c-1)对信号f的傅立叶变换f(ω)在频带[0,π]内的前N-1个局部幅度最大值所对应的频率ωn，n＝1,2,…,N-1按从小到大的顺序排列，令ω0＝0,ωN＝π，则以ωn，n＝0，1,2,…,N为边界,将频带[0,π]分割成N个连续的频谱段，第n个频谱段表示为Λn＝[ωn-1,ωn],n＝1,2,…N，且有其中∪表示求“并”运算；
(c-2)对每个频谱段边界，以ωn,n＝1,2,…,N-1为中心，划分过渡带区间(ωn-τn,ωn+τn),n＝1,2,…,N-1，则过渡带的宽带Tn＝2τn,n＝1,2,…,N-1，其中τn＝γωn,n＝1,2,…,N-1,γ取实数区间上的任一常数,其中min(·)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：β(x)＝x4(35-84x+70x2-20x3)；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ω为其频率，|·|为绝对值；
(c-4)计算经验小波变换系数：
计算n＝0时的经验小波变换的近似系数
式中：f(ω)表示信号f的傅立叶变换，表示求横线下面变量的复共轭，F-1[·]表示求括号内信号的傅立叶逆变换；
(c-5)计算信号基波fn(t)，n＝0，1,2,…,N-1：
式中符号“*”表示卷积，和ψn(t)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 CN105699883A (zh) 2016-06-22
CN105699883B true 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)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113111618B (zh) * 2021-03-09 2022-10-18 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 (6)

* 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
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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012057991A2 (en) * 2010-10-29 2012-05-03 Applied Materials, Inc. Apparatus and method for testing back-contact solar cells

Patent Citations (6)

* 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
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
经验小波变换在旋转机械故障诊断中的应用;向玲等;《动力工程学报》;20151231;第35卷(第12期);第975-981页 *

Also Published As

Publication number Publication date
CN105699883A (zh) 2016-06-22

Similar Documents

Publication Publication Date Title
Liang et al. Two-terminal fault location method of distribution network based on adaptive convolution neural network
CN106443310B (zh) 一种基于som神经网络的变压器故障检测方法
Abdelsalam et al. Characterization of power quality disturbances using hybrid technique of linear Kalman filter and fuzzy-expert system
CN109460618A (zh) 一种滚动轴承剩余寿命在线预测方法及系统
CN103728551B (zh) 一种基于级联集成分类器的模拟电路故障诊断方法
CN109738776A (zh) 基于lstm的风机变流器开路故障识别方法
CN109932627A (zh) 一种gis耐压试验局部放电的定位方法及系统
CN109635928A (zh) 一种基于深度学习模型融合的电压暂降原因识别方法
CN101975910A (zh) 一种特高压直流输电线路故障智能分类与测距方法
CN105004939A (zh) 一种复合电能质量扰动信号定量分析方法
Li et al. A power system disturbance classification method robust to PMU data quality issues
Lin et al. Wide‐area coherency identification of generators in interconnected power systems with renewables
Wang et al. Few-shot transfer learning with attention mechanism for high-voltage circuit breaker fault diagnosis
Sun et al. A classification identification method based on phasor measurement for distribution line parameter identification under insufficient measurements conditions
CN102721941A (zh) 一种基于som和d-s理论的电表电路故障信息融合和诊断方法
CN103245907A (zh) 一种模拟电路故障诊断方法
CN101782625B (zh) 一种基于Gradation-Boosting算法的电力电子系统故障诊断方法
CN104777418A (zh) 一种基于深度波尔兹曼机的模拟电路故障诊断方法
CN102005755A (zh) 基于支持向量机的特高压直流输电线路边界元件构成方法
Wang et al. Application of extension neural network algorithm and chaos synchronization detection method to partial discharge diagnosis of power capacitor
CN104680002B (zh) 一种基于随机集理论的分布式融合方法
CN105699883B (zh) 一种模拟电路健康预测方法
Xu et al. Novel fault location for high permeability active distribution networks based on improved VMD and S-transform
CN105866633B (zh) 基于波权重的输电线路故障电流行波波形的重现方法
CN106093516B (zh) 基于多频带分解的输电线路故障电流行波波形的重现方法

Legal Events

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