CN106405384A - 模拟电路健康状态评估方法 - Google Patents
模拟电路健康状态评估方法 Download PDFInfo
- Publication number
- CN106405384A CN106405384A CN201610740244.2A CN201610740244A CN106405384A CN 106405384 A CN106405384 A CN 106405384A CN 201610740244 A CN201610740244 A CN 201610740244A CN 106405384 A CN106405384 A CN 106405384A
- Authority
- CN
- China
- Prior art keywords
- circuit
- fault
- characteristic
- state
- mahalanobis distance
- 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.)
- Pending
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Locating Faults (AREA)
Abstract
本发明提出了一种模拟电路健康状态评估方法。利用本发明可以有效预测模拟电路故障,直观地表现健康状态。本发明通过下述技术方案予以实现:当电路处在容差范围内正常态时,提取能表征模拟电路故障信息的多个故障特征量,根据故障特征向量建立多维AR预测模型对提取的未知态的特征向量进行预测,获得预测特征向量;再计算各特征量的权重和故障敏感度;在未知状态下,根据各特征量的权重计算模拟电路,计算多个特征量的值和特征向量集间的加权马氏距离,统计比较未知状态下特征向量的值和电路正常态下的加权马氏距离和容差范围内马氏距离最大值的偏离程度,预测出表征模拟电路健康状态特的数值,对模拟电路的健康状态进行评估。
Description
技术领域
本发明涉及一种可以广泛应用于工业系统,工业控制、电源电路、临界保护、通信、导航等模拟电路健康状态评估技术领域,涉及机械、电子、信息、电气、控制、通信及计算机技术和人工智能等多学科综合的新兴边缘学科的模拟电路健康状态评估方法。更为具体地讲,涉及一种基于加权马氏距离的模拟电路健康状态评估方法。
背景技术
随着电子技术的快速发展,模拟电路日趋复杂,测试参数较多,每个测点都包含了系统的健康状态信息。模拟电路的故障将影响应用设备的性能和功能,并导致设备的反应迟缓功能失效甚至引起灾难性后果。而大部分的研究成果集中于模拟电路的故障诊断,故障诊断的目的在于评估电路当前的健康状态,并识别故障元件。电子设备早期状态退化的征兆不明显,辨别难度相对较大。通常电路系统的健康状态表现为从正常到性能下降直至功能失效的过程,该过程被称为系统健康退化过程。电子系统的状态监测是指监测出系统早期弱故障,健康评估是指当前状态偏离正常态的程度,即故障级别。这就需要有效的特征提取方法并建立相应的状态监测与健康评估模型,且要求该模型对系统的缓变故障较敏感,并能判断系统出现故障的可能性大小,以此避免灾难性故障。目前在国内外关于模拟电路故障诊断的研究已较为丰富,然而关于模拟电路故障预测的报道却鲜见。且利用预测方法预测出来的只是特征量的数值,其并不能直观地和模拟电路的健康状态相联系。传统的预测方法只是利用单一的故障特征量进行预测,并没能充分利用不同特征量之间的关联信息。为了提高故障预测的准确性一般采用多种故障特征量对模拟电路进行故障预测和状态监控。利用模拟电路故障预测方法预测出来的只是特征量的数值,并不能直观地表示出模拟电路的健康状态,故需要将预测出的数据转换为可以直观反映电路健康状态的量,从而为是否需要维修和进一步故障定位提供依据。
模拟电路故障预测方法框架包含信息采集、信息传输、特征提取、信息处理、故障诊断、故障预测、健康评估、保障决策等环节。模拟电路发生故障时,故障信息可以通过多种故障特征量表现出来,鉴于此本文使用多维预测模型,使得多个相关的特征量不但可以利用采集的历史数据为自己的预测提供信息,相关特征量之间也可以为彼此的预测提供信息,从而提高预测的精度。自回归滑动平均(ARMA)预测模型是时间序列预测模型的一种,也是运用最为广泛的一种预测模型。在一维模型中能够用阶数充分大的自回归模型(AR)去逼近滑动平均模型(ARMA),在多维模型中也同样适用,AR模型较ARMA模型,其拟合参数少,计算复杂度较低,一般采用AR模型取替代ARMA模型,故本文采用多维AR预测模型对参数进行估计。
马氏距离是印度统计学家马哈拉诺比斯于1936年提出的,其表示的是数据的协方差距离,它能有效的计算一个样本到一个样本集间的距离,也能度量两个未知样本集间的相似度。故可以通过计算电路实际运行过程中的未知样本和已知电路正常态的样本集间的距离,通过距离的大小我们就可以知道电路偏离正常态的程度,因而可以有效的应用于基于多特征的模拟电路的健康状态评估中。马氏距离是一种能很好的进行相似度度量的方法,其在故障诊断和模式识别分类方面已有广泛的应用。故本专利将模拟电路故障预测方法得到的特征量的预测值转换为可以直观反映模拟电路健康状态的量。
本发明提出了一种基于马氏距离的模拟电路健康状态评估方法,且考虑到每个特征量重要性的不同,提出了基于敏感度的加权平均法来确定权重的加权马氏距离,能够将模拟电路预测方法预测出来的特征量的数值直观的表现为模拟电路的健康状况,实验结果证明所提方法能正确的进行健康状态评估,故障检出率高,适用于早期故障的监测,并且为加权马氏距离权重的求解提供了一种新思路。
发明内容
本发明的目的是针对现有技术存在的不足之处,提供一种健康评估有效可行,故障检出率高,具有更强的故障识别和诊断能力,将预测出来的特征量数值更加直观表现为模拟电路的健康状态的模拟电路健康状态评估方法。
为实现上述发明目的,一种模拟电路健康状态评估方法,其特征在于包括如下步骤:当电路处在容差范围内正常态时,提取能表征模拟电路故障信息的多个故障特征量,根据故障特征向量建立多维AR预测模型对提取的未知态的特征向量进行预测,获得预测特征向量;再计算各特征量的权重,采用实际采集到的未知状态的特征量和电路正常态时特征量间的偏离程度作为故障敏感度,然后在计算出的敏感度的基础上采用加权平均法计算权重;在模拟电路实际运行过程中,根据各特征量的权重计算模拟电路该运行过程未知状态多个特征量组成的特征向量值与在电路正常态下特征向量值之间的加权马氏距离,基于马氏距离多元统计的方法比较未知状态下特征向量的值和电路正常态下的加权马氏距离和容差范围内马氏距离最大值的偏离程度,预测出表现为模拟电路健康状态特征量的数值,对模拟电路的健康状态进行评估。
本发明相比于现有技术具有如下有益效果。
模拟电路的健康状态表征更加直观。提取能表征模拟电路故障信息的多个故障特征量,采用基于故障信息贡献率的特征提取方法,当系统发生故障时,故障信息就能通过特征参数的变化表现出来,而特征量偏移的程度可以反应特征量对此时出现的故障类型的敏感度或识别能力,故可以通过特征量的敏感度去衡量提供的故障信息量的多少。假设提取N个故障特征量,构成故障特征向量;建立多维AR预测模型对提取的未知态的特征向量进行预测,获得预测特征向量;计算各特征量的权重,采用实际采集到的未知状态的特征量和电路正常态时特征量间的偏离程度作为故障敏感度,然后在计算出的敏感度的基础上采用加权平均法计算权重。通过各特征量的权重计算模拟电路实际运行过程中在未知状态下由多个特征量组成的特征向量的值和在电路正常态下特征向量集间的加权马氏距离,通过距离的大小就可以知道电路偏离正常态的程度,当电路处在容差范围内正常态时,我们可以计算其加权马氏距离的最大值,当电路出现故障时,特征量的值较正常态必定发生一定的偏离,继而可以反应到马氏距离上,故可以通过比较未知状态下特征向量的值和电路正常态下的加权马氏距离和容差范围内马氏距离最大值的偏离程度来反映电路的健康状态。通过这种方法可以有效的将模拟电路故障预测方法预测出来的特征量的数值,更加直观的表现为模拟电路的健康状态。
健康评估有效可行。本发明根据每个特征量重要性的不同,基于敏感度的加权平均法来确定权重的加权马氏距离,通过将模拟电路特征量的预测值转换为可以直观反映模拟电路健康状态的量,从而真正实现对模拟电路的故障预测。采用将预测获得的特征向量和正常态容差范围内特征向量集间的加权马氏距离和无故障容差范围内马氏距离的最大值的偏离度转换为反映模拟电路健康状态量的故障发生率,得到的状态概率值对设备进行健康评估有效可行。从而为模拟电路是否需要进行进一步的故障诊断和定位提供依据。
故障检出率高。本发明基于马氏距离的模拟电路健康状态评估方法,可以有效的将模拟电路故障预测出特征量的数值构成的特征向量和电路正常态下的加权马氏距离和无故障容差范围内马氏距离的最大值,通过将两者的偏离度转换为故障发生率,对模拟电路的健康状态进行评估,实现模拟电路早期故障的识别和诊断,解决了现有技术模拟电路故障预测方法预测出来的只是特征量的数值,并不能直观地表示出模拟电路的健康状态不足之处。实验结果证明,所提方法能正确的进行健康状态评估,故障检出率高,适用于早期故障的监测,并且为加权马氏距离权重的求解提供了一种新思路。
具有更强的故障识别和诊断能力。本发明通过计算模拟电路实际运行过程中在未知状态下由多个特征量组成的特征向量的值和在电路正常态下特征向量集间的距离,当电路处在容差范围内正常态时,可以计算其马氏距离的最大值,当电路出现故障时,特征量的值较正常态必定发生一定的偏离,继而可以反应到马氏距离上,通过距离的大小就可以知道电路偏离正常态的程度,故可以通过比较未知状态下特征向量的值和电路正常态下的加权马氏距离和容差范围内马氏距离最大值的偏离程度来反映电路的健康状态。通过这种方法可以有效的将模拟电路故障预测方法预测出来的特征量的数值,更加直观的表现为模拟电路的健康状态。而且仅需建立一个多维AR预测模型,大幅度减少了隐马尔科夫模型HMM作为分类器使用时的模型训练计算量。仿真结果表明,本发明具有更好的状态监测性能,克服了隐马尔科夫模型HMM在训练时波氏(Baum-Welch,B-W)算法不足。解决了模拟电路健康状态的评估问题。
附图说明
图1是本发明基于马氏距离的模拟电路健康状态评估方法的实施方式流程图。
图2是健康评估对象,一个二阶thomas电路的电路原理图。
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。
具体实施方式
参阅图1。根据本发明,当电路处在容差范围内正常态时,提取能表征模拟电路故障信息的多个故障特征量,根据故障特征向量建立多维AR预测模型,对提取的未知态的特征向量进行预测,获得预测特征向量;再计算各特征量的权重,采用实际采集到的未知状态的特征量和电路正常态时特征量间的偏离程度作为故障敏感度,然后在计算出的敏感度的基础上采用加权平均法计算权重;在模拟电路实际运行过程中,根据各特征量的权重计算模拟电路该运行过程未知状态多个特征量组成的特征向量值与在电路正常态下特征向量值之间的加权马氏距离,基于马氏距离多元统计的方法比较未知状态下特征向量的值和电路正常态下的加权马氏距离和容差范围内马氏距离最大值的偏离程度,预测出表现为模拟电路健康状态特征量的数值,对模拟电路的健康状态进行评估。
健康评估时首先提取容差范围内正常特征量,利用正常特征量计算容差范围内马氏距离的最大值;对电路进行实际评估时,提取实测的特征量,利用实测特征量计算加权马氏距离;将容差范围内的马氏距离最大值与实测计算得到的加权马氏距离进行对比,当实测计算得到的加权马氏距离小于容差范围内的马氏距离最大值时,表明电路正常;当实测计算得到的加权马氏距离大于故障阈值时,表明电路完全故障;当实测计算得到的加权马氏距离小于故障阈值,但大于容差范围内的马氏距离最大值时,表明电路不完全故障,即可以通过比较未知状态下特征向量的值和电路正常态下的加权马氏距离和容差范围内马氏距离最大值的偏离程度来反映电路的健康状态。据此,根据本发明,采用基于故障信息贡献率的特征提取方法,按以下步骤:
S1:当电路处在容差范围内正常态时,提取能表征模拟电路故障信息的多个故障特征量,构成故障特征向量,从故障特征向量中选择出特征量参数变化明显,故障信息量较大的特征量,根据特征量参数变化明显程度及故障信息量大小定义故障信息贡献率,对贡献率进行排序,度量观测样本和已知样本间的距离,判断特征量故障信息贡献率的大小。假设提取了N个故障特征量,电路正常态时特征量的值为X=(X1,X2,X3…XN),电路实际运行过程中未知状态的特征量的值为X'=(X'1,X'2,X'3…X'N),依据模拟电路灵敏度分析的原理,可以将特征量的敏感度定义为:
Si=|X'i-Xi|/|Xi|
其中,Xi为电路正常态第i个特征量的值,X'i为电路实际运行过程中未知状态第i个特征量的值,Si为第i个特征量的敏感度。
由于故障信息可以通过特征参数的变化表现出来,特征量参数变化越明显特征量就越敏感,提供的故障信息也越多,那么故障信息贡献率就可定义为:
其中,Ci为第i个特征量的故障信息贡献率,Si为第i个特征量的敏感度。按C1≥C2≥…≥CN≥0的贡献率进行排序,即可通过判断特征量故障信息贡献率的大小选择出对出现此类故障时提供信息量较大的特征量,从中选出最有用的故障特征量。
S2:根据选出最有用的故障特征量,建立多维AR预测模型,计算模拟电路实际运行过程中,在未知状态下特征向量值和在电路正常态下特征向量值之间的距离,根据计算出的特征向量值间距离大小获取电路偏离正常态的程度;用多维AR预测模型对提取的未知态的特征向量进行预测,获得预测特征向量。
S3:将实际采集到的未知状态的特征量和电路正常态时特征量间的偏离程度定义为故障敏感度;计算各特征量的权重,然后求得加权马氏距离。在电路实际运行过程中,采用实际采集到的未知状态的特征量和电路正常态时特征量间的偏离程度作为故障敏感度,然后在计算出的敏感度的基础上采用加权平均法计算权重。
设提取了m个特征量,电路正常态时特征向量的值为X=(x1,x2……xm),电路实测到的未知状态的特征向量的值为Y=(y1,y2……ym),第i个故障特征量对未知状态的敏感度为:
mi=|yi-xi|/|xi|
利用加权平均法计算的权重值为:
wi=mi/(m1+m2+...+mm)
其中wi为第i个特征量的权重,其权重向量定义为W=diag(w1,w1,……wm)。mi为第i个故障特征量对未知状态的敏感度。
加权马氏距离公式为:
其中为已知样本集X的协方差矩阵的逆矩阵,Y为实测到的未知状态的特征向量的值,W为权重向量,为已知样本集X的重心,计算式为:
其中n为提取的特征量的个数,m为每个特征量所提取的样本数。
根据上式计算出未知状态下特征向量的值和电路正常态下的加权马氏距离d。
S4:基于马氏距离多元统计的方法比较未知状态下特征向量的值和电路正常态下的加权马氏距离和容差范围内马氏距离最大值的偏离程度,预测出表现为模拟电路健康状态特征量的数值;然后在计算出的敏感度的基础上采用加权平均法计算各特征量的权重,将出现故障类型敏感的特征量赋予更大的权值,计算出未知状态下特征向量的值和电路正常态下的加权马氏距离d,比较未知状态下特征向量的值和电路正常态下的加权马氏距离和容差范围内马氏距离最大值的偏离程度,由步骤S3所得的计算公式,当电路处在容差范围内正常态时,计算其马氏距离的最大值Dmax;
S5:将预测获得的特征向量和正常态容差范围内特征向量值间的加权马氏距离和无故障容差范围内马氏距离的最大值Dmax的偏离度转换为反映模拟电路健康状态量的故障发生率,对模拟电路的健康状态进行评估。
由步骤S3、S4所得的计算结果,计算得电路此时的故障发生率为:
其中d为未知状态下特征向量的值和电路正常态下的加权马氏距离。
由上式可知,当偏离电路正常态越远即故障程度越严重时得到的故障发生率也越大。至此就将模拟电路特征量的预测值转换为可以直观反映模拟电路健康状态的量;
实施例
图1所示模拟电路健康评估流程可以划分为四个阶段:提取能表征模拟电路故障信息的多个故障特征量、根据多维AR预测模型对提取的未知态的特征向量进行预测、计算预测获得的未知态的特征向量和容差范围正常态特征向量集间的加权马氏距离,以及容差范围正常态马氏距离的最大值、将预测获得的特征向量和正常态容差范围内特征向量集间的加权马氏距离和无故障容差范围内马氏距离的最大值。当电路处在容差范围内正常态时,提取能表征模拟电路故障信息的多个故障特征量,根据故障特征向量建立多维AR预测模型对提取的未知态的特征向量进行预测,获得预测特征向量;再计算各特征量的权重,采用实际采集到的未知状态的特征量和电路正常态时特征量间的偏离程度作为故障敏感度,然后在计算出的敏感度的基础上采用加权平均法计算权重;在未知状态下,根据各特征量的权重计算模拟电路,计算实际运行过程中,多个特征量组成的特征向量的值和在电路正常态下特征向量集间的加权马氏距离,基于马氏距离多元统计的方法比较未知状态下特征向量的值和电路正常态下的加权马氏距离和容差范围内马氏距离最大值的偏离程度,预测出表现为模拟电路健康状态特征量的数值,对模拟电路的健康状态进行评估。具体步骤如下:
S1:从故障特征向量中选择出特征量参数变化明显,故障信息量较大的特征量,定义故障信息贡献率,对贡献率进行排序,度量观测样本和已知样本间的距离,判断特征量故障信息贡献率的大小;提取能表征模拟电路故障信息的多个故障特征量,构成故障特征向量。本实施例实验采用图2所示的滤波电路,由于模拟电路单故障出现的概率约为80%,机率最大,故只考虑出现单故障时对电路健康状态的评估。以电容为例,定义C∈[0.95Xn,1.05Xn],电容在正常的容差范围内变化,其中Xn为标称值;C∈[0.7Xn,0.95Xn],电容发生负偏软故障,以C↓表示;C∈[1.05Xn,1.3Xn],电容发生正偏软故障,以C↑表示。
滤波电路中各元器件的标称值为:电阻R1=R3=R4=R5=R6=1KΩ,R2=10KΩ,电容C1=C2=100nf,输入幅值为5V,频率为1kHZ的正弦信号,选取t1、t2、t3三点作为故障信息的可测节点,分别采集三点两个周期的电压,通过采用小波基函数Haar、Db、coif1进行小波包分解,发现采用Db3小波函数进行小波分解得到的各频段能量变化最为明显,故采用‘Db3’进行三层小波包分解,提取第三层的各个频段的能量,以及时域和频域电压的均值,峰值和方差作为预选故障特征向量。设滤波电路中无源元器件的容差范围均为标称值的±5%。
以电容C2出现软故障为例,模拟其在(5%~20%)及(-5%~-20%)间出现参数漂移的软故障,通过基于故障信息贡献率的特征提取方法,根据公式Si=|X'i-Xi|/|Xi|和计算特征量的故障信息贡献率,以电容C2↑30%为例,故障信息贡献率最大的六个特征量为F=[E16,C’1,C1,M 3,M 2,E17],其中,E16表示t1点小波包分析的第6个频段的能量,C’1表示t1点频域的方差,C1表示t1点时域的方差,M 3表示t3点时域的均值,M 2表示t2点时域的均值,E17表示t1点小波包分析的第7个频段的能量;
S2:依据模拟电路灵敏度定义特征量的敏感度,将实际采集到的未知状态的特征量和电路正常态时特征量间的偏离程度作为故障敏感度;基于马氏距离多元统计的方法比较未知状态下特征向量的值和电路正常态下的加权马氏距离和容差范围内马氏距离最大值的偏离程度,预测出表现为模拟电路健康状态特征量的数值;计算步骤S1中所选取的特征量的权重。以电容C2(5%~20%)出现正偏和电容C2(-5%~-20%)出现负偏为例,分别采集了10个样本数,按照发明内容步骤S3中的公式计算出的此时的各个特征量的权值如表1所示。通过权重的计算,我们就将对电容C2出现故障时敏感的特征量赋予了更高的权重,使得其故障检出率更高;
S3:计算模拟电路实际运行过程中,在未知状态下特征向量值和在电路正常态下特征向量集间的距离,根据计算出的特征向量集间距离大小获取电路偏离正常态的程度,建立多维AR预测模型,对上述提取的未知态的特征向量进行预测,获得预测特征向量;由步骤S2所计算得到的权重值,根据发明内容步骤S3中式子可以计算得到加权马氏距离,如表2所示,当电路处于容差范围内正常态时我们可以将每个特征量的权重值都视为相等,将采集到容差范围±5%的特征样本Xnormal代入公式:
根据上式可以得到电路容差范围正常态马氏距离的最大值Dmax=1.8865;
S4:然后在计算出的敏感度的基础上采用加权平均法计算各特征量的权重,将出现故障类型敏感的特征量赋予更大的权值,计算出未知状态下特征向量的值和电路正常态下的加权马氏距离d,比较未知状态下特征向量的值和电路正常态下的加权马氏距离和容差范围内马氏距离最大值的偏离程度,将预测获得的特征向量和正常态容差范围内特征向量集间的加权马氏距离和无故障容差范围内马氏距离的最大值Dmax的偏离度转换为反映模拟电路健康状态量的故障发生率,对模拟电路的健康状态进行评估。
将得到的未知状态的加权马氏距离的值d和电路容差范围正常态马氏距离的最大值Dmax,由公式:
转换为如表3所示的故障发生率,其中P为故障发生率。通过表2可以看出随着C2参数值出现漂移得越大,得到的马氏距离和加权马氏距离的值偏离电路正常态的距离就越大,偏离越远说明故障程度越大,这正和实际情况相符,且利用本发明提出的基于敏感度加权平均的加权马氏距离计算得到的值相对于正常态时的值偏离得更远,将参数的微弱变化通过加权马氏距离转换为距离值较大的变化,容易对电路的早期故障进行监测。且通过表3转换为故障发生率后,通过本发明提出的加权马氏距离基本都能进行正常的状态评估,当C2↑时,普通的马氏距离直到采集到的第9个点,参数已经偏移了18%才勉强检测出来,前面8个点的数据都误判成了正常态,当C2↓时,普通的马氏距离基本不能检测出来,而利用本发明提出的加权马氏距离基本都能检测出来,故利用本发明提出的加权马氏距离进行健康状态评估时,能更准确真实的反应电路的状态,为是否需要进一步的故障诊断和定位提供准确的依据。
表1特征量权重值;
表2马氏距离值比较
表3是故障率比较
参阅图2。图2示出了特征向量滤波电路二阶thomas电路的电路原理。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (10)
1.一种模拟电路健康状态评估方法,其特征在于包括如下步骤:其特征在于包括如下步骤:当电路处在容差范围内正常态时,提取能表征模拟电路故障信息的多个故障特征量,根据故障特征向量建立多维AR预测模型对提取的未知态的特征向量进行预测,获得预测特征向量;再计算各特征量的权重,采用实际采集到的未知状态的特征量和电路正常态时特征量间的偏离程度作为故障敏感度,然后在计算出的敏感度的基础上采用加权平均法计算权重;在模拟电路实际运行过程中,根据各特征量的权重计算模拟电路该运行过程未知状态多个特征量组成的特征向量值与在电路正常态下特征向量值之间的加权马氏距离,基于马氏距离多元统计的方法比较未知状态下特征向量的值和电路正常态下的加权马氏距离和容差范围内马氏距离最大值的偏离程度,预测出表现为模拟电路健康状态特征量的数值,对模拟电路的健康状态进行评估。
2.如权利要求1所述的模拟电路健康状态评估方法,其特征在于:健康评估时首先提取容差范围内正常特征量,利用正常特征量计算容差范围内马氏距离的最大值;对电路进行实际评估时,提取实测的特征量,利用实测特征量计算加权马氏距离将容差范围内的马氏距离最大值与实测计算得到的加权马氏距离进行对比,当实测计算得到的加权马氏距离小于容差范围内的马氏距离最大值时,表明电路正常;当实测计算得到的加权马氏距离大于故障阈值时,表明电路完全故障;当实测计算得到的加权马氏距离小于故障阈值,但大于容差范围内的马氏距离最大值时,表明电路不完全故障。
3.如权利要求1所述的模拟电路健康状态评估方法,其特征在于:通过比较未知状态下特征向量的值和电路正常态下的加权马氏距离和容差范围内马氏距离最大值的偏离程度来反映电路的健康状态。
4.如权利要求1所述的模拟电路健康状态评估方法,其特征在于:当电路处在容差范围内正常态时,提取能表征模拟电路故障信息的多个故障特征量,构成故障特征向量,从故障特征向量中选择出特征量参数变化明显,故障信息量较大的特征量,根据特征量参数变化明显程度及故障信息量大小定义故障信息贡献率,对贡献率进行排序,度量观测样本和已知样本间的距离,判断特征量故障信息贡献率的大小。
5.如权利要求1所述的模拟电路健康状态评估方法,其特征在于:电路正常态时,特征量的值为X=(X1,X2,X3…XN),电路实际运行过程中未知状态的特征量的值为X'=(X'1,X'2,X'3…X'N),依据模拟电路灵敏度分析的原理,可以将特征量的敏感度定义为:
Si=|X'i-Xi|/|Xi|
其中,Xi为电路正常态第i个特征量的值,X'i为电路实际运行过程中未知状态第i个特征量的值,Si为第i个特征量的敏感度,N为提取故障特征量的个数。
6.如权利要求1所述的模拟电路健康状态评估方法,其特征在于:故障信息贡献率定义为:
其中,Ci为第i个特征量的故障信息贡献率,Si为第i个特征量的敏感度。
7.如权利要求1所述的模拟电路健康状态评估方法,其特征在于:按C1≥C2≥…≥CN≥0的贡献率进行排序,判断特征量故障信息贡献率的大小,选择出对出现此类故障时,提供信息量较大的特征量,从中选出最有用的故障特征量。
8.如权利要求1所述的模拟电路健康状态评估方法,其特征在于:根据选出最有用的故障特征量,建立多维AR预测模型,计算模拟电路实际运行过程中,在未知状态下特征向量值和在电路正常态下特征向量值之间的距离,根据计算出的特征向量值间距离大小获取电路偏离正常态的程度;用多维AR预测模型对提取的未知态的特征向量进行预测,获得预测特征向量。
9.如权利要求1所述的模拟电路健康状态评估方法,其特征在于:将实际采集到的未知状态的特征量和电路正常态时特征量间的偏离程度定义为故障敏感度,计算各特征量的权重,然后求得加权马氏距离;在电路实际运行过程中,采用实际采集到的未知状态的特征量和电路正常态时特征量间的偏离程度作为故障敏感度,然后在计算出的敏感度的基础上采用加权平均法计算权重。
10.如权利要求1所述的模拟电路健康状态评估方法,其特征在于:将预测获得的特征向量和正常态容差范围内特征向量值间的加权马氏距离和无故障容差范围内马氏距离的最大值Dmax的偏离度转换为反映模拟电路健康状态量的故障发生率,对模拟电路的健康状态进行评估。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610740244.2A CN106405384A (zh) | 2016-08-26 | 2016-08-26 | 模拟电路健康状态评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610740244.2A CN106405384A (zh) | 2016-08-26 | 2016-08-26 | 模拟电路健康状态评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106405384A true CN106405384A (zh) | 2017-02-15 |
Family
ID=58002311
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610740244.2A Pending CN106405384A (zh) | 2016-08-26 | 2016-08-26 | 模拟电路健康状态评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106405384A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108802525A (zh) * | 2018-06-06 | 2018-11-13 | 浙江宇天科技股份有限公司 | 基于小样本的设备故障智能预测方法 |
CN109257120A (zh) * | 2018-09-28 | 2019-01-22 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 预测射频电路故障表征参数的优选方法 |
CN110162746A (zh) * | 2018-03-12 | 2019-08-23 | 华北电力大学(保定) | 一种多参数融合相似度的健康预警及故障诊断方法 |
CN110288046A (zh) * | 2019-07-02 | 2019-09-27 | 南京恩瑞特实业有限公司 | 一种基于小波神经网络与隐马尔科夫模型的故障预测方法 |
CN110705581A (zh) * | 2019-07-18 | 2020-01-17 | 浙江运达风电股份有限公司 | 一种基于改进的隐马尔可夫模型的变桨轴承故障识别方法 |
CN112560892A (zh) * | 2020-11-09 | 2021-03-26 | 西安电子科技大学芜湖研究院 | 一种基于机器学习的dc-dc电源的健康状态监测方法 |
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 |
CN115689397A (zh) * | 2022-12-30 | 2023-02-03 | 北京和利时系统集成有限公司 | 一种水泵健康度确定方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000046701A (ja) * | 1998-07-23 | 2000-02-18 | Japan Nuclear Cycle Development Inst States Of Projects | 機器の診断方法 |
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 |
CN103291600A (zh) * | 2013-03-18 | 2013-09-11 | 北京航空航天大学 | 一种基于emd-ar和mts的液压泵故障诊断方法 |
CN104483049A (zh) * | 2014-12-12 | 2015-04-01 | 南京航空航天大学 | 基于ar模型与马氏距离的光纤光栅传感动态载荷辨识方法 |
-
2016
- 2016-08-26 CN CN201610740244.2A patent/CN106405384A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000046701A (ja) * | 1998-07-23 | 2000-02-18 | Japan Nuclear Cycle Development Inst States Of Projects | 機器の診断方法 |
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 |
CN103291600A (zh) * | 2013-03-18 | 2013-09-11 | 北京航空航天大学 | 一种基于emd-ar和mts的液压泵故障诊断方法 |
CN104483049A (zh) * | 2014-12-12 | 2015-04-01 | 南京航空航天大学 | 基于ar模型与马氏距离的光纤光栅传感动态载荷辨识方法 |
Non-Patent Citations (1)
Title |
---|
张娜: "基于多特征的模拟电路故障预测", <<中国优秀硕士学位论文全文数据库>> * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110162746A (zh) * | 2018-03-12 | 2019-08-23 | 华北电力大学(保定) | 一种多参数融合相似度的健康预警及故障诊断方法 |
CN108802525A (zh) * | 2018-06-06 | 2018-11-13 | 浙江宇天科技股份有限公司 | 基于小样本的设备故障智能预测方法 |
CN109257120A (zh) * | 2018-09-28 | 2019-01-22 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 预测射频电路故障表征参数的优选方法 |
CN109257120B (zh) * | 2018-09-28 | 2020-11-24 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 预测射频电路故障表征参数的优选方法 |
CN110288046A (zh) * | 2019-07-02 | 2019-09-27 | 南京恩瑞特实业有限公司 | 一种基于小波神经网络与隐马尔科夫模型的故障预测方法 |
CN110288046B (zh) * | 2019-07-02 | 2022-11-18 | 南京恩瑞特实业有限公司 | 一种基于小波神经网络与隐马尔科夫模型的故障预测方法 |
CN110705581A (zh) * | 2019-07-18 | 2020-01-17 | 浙江运达风电股份有限公司 | 一种基于改进的隐马尔可夫模型的变桨轴承故障识别方法 |
CN112560892A (zh) * | 2020-11-09 | 2021-03-26 | 西安电子科技大学芜湖研究院 | 一种基于机器学习的dc-dc电源的健康状态监测方法 |
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 |
CN115689397A (zh) * | 2022-12-30 | 2023-02-03 | 北京和利时系统集成有限公司 | 一种水泵健康度确定方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106405384A (zh) | 模拟电路健康状态评估方法 | |
CN104712542B (zh) | 一种基于物联网的往复压缩机敏感特征提取与故障诊断方法 | |
CN109583570A (zh) | 基于深度学习确定桥梁健康监测系统异常数据来源的方法 | |
CN106846729A (zh) | 一种基于卷积神经网络的跌倒检测方法和系统 | |
CN105891794B (zh) | 基于模糊准则的雷达健康管理方法及系统 | |
Pan et al. | Human falling detection algorithm based on multisensor data fusion with SVM | |
CN106580282A (zh) | 一种人体健康监测装置、系统及方法 | |
CN109818798A (zh) | 一种融合kpca和elm的无线传感器网络入侵检测系统及方法 | |
CN110110809B (zh) | 基于机器故障诊断的模糊自动机的构建方法 | |
CN109389325B (zh) | 基于小波神经网络的变电站电子式互感器状态评估方法 | |
CN105833508A (zh) | 测量卡路里消耗和监测手部姿势识别的智慧手套及估算的方法和系统 | |
CN106875630B (zh) | 一种基于层次分类的可穿戴跌倒检测方法及系统 | |
CN105675038A (zh) | 一种仪表的故障预测装置 | |
CN104156615A (zh) | 基于ls-svm的传感器检测数据点异常检测方法 | |
CN113485302A (zh) | 基于多元时序数据的车辆运行过程故障诊断方法及系统 | |
CN105137324B (zh) | 一种基于仿真分类模型的多探测点故障元器件定位方法 | |
CN110111885A (zh) | 属性预测方法、装置、计算机设备及计算机可读存储介质 | |
CN109446804A (zh) | 一种基于多尺度特征连接卷积神经网络的入侵检测方法 | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
CN111583592A (zh) | 一种基于多维卷积神经网络的实验环境安全预警方法 | |
Zhu et al. | Self-detection and self-diagnosis methods for sensors in intelligent integrated sensing system | |
CN114239734A (zh) | 一种分布式车载健康管理系统 | |
Yang et al. | An intelligent singular value diagnostic method for concrete dam deformation monitoring | |
Dwivedi et al. | DynamoPMU: A Physics Informed Anomaly Detection, Clustering and Prediction Method using Non-linear Dynamics on μPMU Measurements | |
CN112215044A (zh) | 一种基于概率神经网络的驾驶倾向性辨识方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170215 |
|
WD01 | Invention patent application deemed withdrawn after publication |