CN108535635B - 一种基于eemd和hmm的模拟电路间歇故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于EEMD和HMM的模拟电路间歇故障诊断方法。具体方法步骤如下：根据现有模拟电路系统制作用于测试的相同模拟电路，通过灵敏度分析得到测试电路上的关键节点，并为关键节点安装继电器，继电器闭合频率可以设置为两种模式：固定频率以模拟周期性的间歇故障，随机闭合频率以模拟随机性间歇故障。通过控制关键节点继电器的间歇性闭合可以模拟电路系统的的间歇故障运行状态，从而得到测试电路的样本数据，通过对采集到的样本数据进行EEMD处理和特征提取，构建能量特征矩阵，利用特征矩阵进行不同状态的HMM训练，使用训练好的HMM对采集到的现有模拟电路信号数据进行识别分类，能高效、准确识别现有模拟电路系统信号故障类型。

Description

一种基于EEMD和HMM的模拟电路间歇故障诊断方法

技术领域

本发明涉及模拟电路的间歇故障诊断技术领域，具体涉及一种基于EEMD和HMM的模拟电路间歇故障诊断方法。

背景技术

电路系统间歇故障是指故障持续一段有限时间，不经任何修复性维护活动，随后又自行恢复执行所需功能能力的一种故障。间歇故障是随机出现和消失的一种间歇发生、难以预料的物理现象。重复出现和消失，主要由系统内部的缺陷(不稳定的硬件和软件)引起，而发生与否取决于某些特定的系统条件。在间歇故障活跃期时，系统会产生错误结果；在间歇故障不活跃时，系统故障又将输出正确结果，且事后通常又找不到故障原因所在，由此引发虚警，造成了设备的任务中断和无效维修，导致了极大的资源浪费和重大损失。

虽然数模混合电路中80％是数字电路，但是80％的故障却是发生在模拟电路部分。模拟电路部分的故障诊断是集成电路故障诊断的瓶颈，制约着整个电子系统故障诊断技术的发展，而模拟电路中的间歇故障的诊断则是模拟电路故障诊断的首要问题，解决好了间歇故障的诊断问题，模拟电路的其他故障问题都可以得到很好的诊断与识别，所以模拟电路部分的可靠性与安全性对整个系统来说至关重要，模拟电路的间歇故障诊断和测试研究依然是电路测试领域一个极其重要的研究课题。

每个集成电路中都包含着成千上万个电子元器件，每个电子元器件都有可能会出现故障从而导致整个电路的间歇故障。针对模拟电路系统的间歇故障可能是由不同元器件引起的特点，原始信号的处理采用集合经验模态分解(EEMD)的方法，此方法可以有效的提取出原始信号中间歇故障的特征信息，能够以最大限度保留间歇故障信号的特征信息；在故障模式识别方面，隐马尔可夫模型(HMM)在模式识别方面已经取得了长足的发展，此方法能够准确的识别出相应类型的故障，取得了很好的效果。由此基于EEMD-HMM的间歇故障诊断方法可以很好的解决模拟电路系统的间歇故障的诊断问题，对环境噪声有较强的抗干扰能力，识别精度高。

发明内容

本发明的目的是提出了一种基于EEMD和HMM的模拟电路间歇故障诊断方法，本方法基于集合经验模态分解(EEMD)和隐马尔可夫模型(HMM)理论，根据现有模拟电路系统制作用于测试的相同模拟电路，通过灵敏度分析得到测试电路上的关键节点，并为关键节点安装继电器，继电器闭合频率可以设置为两种模式：固定频率以模拟周期性的间歇故障，随机闭合频率以模拟随机性间歇故障。通过控制关键节点继电器的间歇性闭合可以模拟电路系统的的间歇故障运行状态，从而得到测试电路的样本数据，通过对采集到的样本数据进行EEMD处理和特征提取，构建能量特征矩阵，利用特征矩阵进行不同状态的HMM训练，使用训练好的HMM对采集到的现有模拟电路信号数据进行识别分类，能高效、准确识别电路系统信号故障类型，具有较高的识别精度。

为达到上述目的，本发明的技术方案提供一种基于EEMD和HMM的模拟电路间歇故障诊断方法，所述方法包括以下步骤：

1)根据现有模拟电路系统制作用于测试的相同模拟电路，测试电路可进行相关节点的故障注入操作，使用灵敏度分析方法对测试电路进行分析，确定测试电路中的关键节点，选择与测试电路运行状态关联最大的几个关键节点，并为其安装相应继电器；

2)继电器闭合频率可以设置为两种模式：设定固定频率模式以模拟周期性的间歇故障，设定随机闭合频率模式以模拟随机性间歇故障。在测试电路的输入端给定稳定激励信号的情况下，设定继电器闭合频率，在测试电路的输出端处以一定频率采集输出电压来获得响应电压信号，经过滤波器滤除噪声信号共获得N种样本数据；

3)将得到的每种样本数据都均分成m段有相同数量样本点的数据段，采用EEMD处理每段信号样本，对原始数据每段信号样本数据特征提取后，将会得到一个m行的特征向量矩阵。将得到的N个特征向量矩阵输入到N个HMM中，训练得到相应的N种隐马尔可夫模型；

4)在现有模拟电路系统的输入端给定与测试电路相同的激励信号，输出端以一定频率采集输出电压来获得响应电压信号作为待测样本数据，然后利用步骤3)中的EEMD方法处理待测样本，最终得到待测样本的特征向量矩阵；

5)将得到的现有模拟电路待测样本的特征向量矩阵输入到步骤3)中训练好的N个HMM中，即可得到现有模拟电路故障类型的分类识别结果，从而识别出间歇故障。

本发明达到的有益效果为：本发明与现有方法相比，采用EEMD方法对原始信号进行处理，能够极大的保留原始信号的特征信息；通过使用提取出来的特征向量训练好的HMM对待测信号进行分类识别，可以有效避免环境干扰和电压波动带来的误识别、误动作，能够获得很好的识别效果，能够准确的识别电路系统故障类型。

下面结合附图对本发明作进一步的说明。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：

图1为本发明所述基于EEMD和HMM的模拟电路间歇故障诊断方法流程图。

具体实施方式

下面将结合附图和具体实施方式，对本发明作进一步的详细阐述：

1.根据现有模拟电路系统制作用于测试的相同模拟电路，测试电路可进行相关节点的故障注入操作，使用灵敏度分析方法对测试电路进行分析，确定测试电路中的关键节点，并为其安装相应继电器。如图1所示，具体实施方式如下：

在同一电路系统中不同的元器件的运行对整个电路系统的影响是不同的，只要判断影响系统运行的关键节点元器件的运行状况，就可以大致判断整个系统的运行情况。灵敏度分析就是研究与分析系统元器件参数变化与一个系统的状态或输出敏感程度的方法，通过灵敏度分析可以判断哪些元器件对电路系统有较大的影响，针对这些关键节点元器件进行研究，即可对系统的整体状态进行诊断与识别。

由于现有模拟电路系统通常不能添加相应的中继器以实现故障的注入操作，所以需要根据现有模拟电路系统制作用于测试的相同模拟电路，测试电路可进行相关节点的故障注入。使用灵敏度分析方法对测试电路进行分析，确定测试电路中的关键节点，选择与测试电路运行状态关联最大的几个关键节点，并为其安装相应继电器。

2.继电器的闭合频率有固定和随机两种模式，设定测试电路系统的继电器闭合频率，在电路的测量点处以一定频率采集输出电压来获得响应电压信号，经过滤波器滤除噪声信号共获得N种样本数据。具体实施方式如下：

继电器的闭合频率有固定频率模式和随机频率模式两种模式：固定频率模式是以固定的频率控制继电器的闭合来模拟关键节点元器件的周期性间歇故障，随机闭合频率模式是以随机的频率控制继电器的闭合来模拟关键节点元器件的随机性间歇故障。

在测试电路系统输入端给定稳定的激励信号的情况下，通过设置关键节点元器件上继电器闭合的频率模式来模拟实际的模拟电路间歇故障，在测试电路的输出处以一定频率采集输出电压来获得响应电压信号作为样本数据，经过滤波器滤除噪声信号，共获得N种状态下的样本数据集：

其中，i＝1,2,…,N表示模拟电路系统的N种状态，n表示模拟电路系统每种状态下采集的样本点数。

3.将得到的每种样本数据都均分成m段有相同数量样本点的数据段，然后使用EEMD处理每段信号样本，对每段信号样本数据特征提取后，将会得到一个m行的特征向量矩阵，将此矩阵输入到HMM中进行训练，得到相应的HMM。具体实施方式如下：

EEMD是将白噪声加入待分解信号进行EMD分解，利用白噪声EMD分解的IMF分量频谱均匀分布的特性，使不同频带尺度的信号自动地映射到合适的参考频带尺度上，进而达到更好的频带尺度分解效果。将步骤2)中得到的N种样本数据均分成m段有相同数量样本点的数据段，每种样本数据均包含n/m个信号样本点数，然后对每段样本数据进行EEMD处理。

(1)添加一个均值为0的白噪声n_i(t)到均分后的某段信号样本x(t)中，得到一个复合信号x_i(t)，高斯白噪声将影响EEMD模式的混叠：

x_i(t)＝x(t)+n_i(t) (2)

其中，i＝1,2,…,m，m为原始数据均分段的数量。

(2)通过原始EMD算法将复合原始信号x_i(t)分解为一系列表征信号特征时间尺度的固有模态函数(IMF)和一个残余项r_Ni(t)之和，使得各个IMF是单分量的幅值或频率调制信号：

其中，j为IMF的数量，且j＝1,2,3,...,N，c_i,j(t)(c_i,1,c_i,2,...,c_i,N)代表着从高到低的频率组分，r_Ni(t)为最终的残差，它表示信号的平均趋势。

对于一个系统来说，信息熵是表征系统不确定因素的混乱程度，若系统的运行状态发生变化，该系统的信息熵值就会相应发生变化。经EMD分解后的各个IMF包含了信号从高到低不同频率段的成分，各频带能量的变化表征了间歇故障或者故障的发生。虑到故障信息主要集中在高频带即前n个权值比重大的IMF中，因此选取前n个IMF分量的能量作为特征向量来识别工作状态与故障类型：

(1)计算分解出来的IMF分量相应的集合均值

其中，e_i(t)为通过EEMD分解出来的第i个IMF分量集合均值，i＝1,2,3,...,n。

(2)对于给定的原始信号x(t)，设定经过EEMD分解后的IMF分量为c_i(t)，则c_i(t)分频段的能量E_i为

其中，E_i为通过EEMD分解出来的第i个IMF分量的能量，i＝1,2,3,...,n，n为IMF分量的数量。

(3)选取前n个IMF分量的能量作为特征向量T_i来识别工作状态与故障类型：

E＝E₁+E₂+E₃+...+E_n (6)

T_i＝[E₁/E,E₂/E,E₃/E,...,E_n/E] (7)

其中，i＝1,2,…,m，m为原始信号样本均分的数量，n为IMF分量的数量，E为前n个IMF分量的能量之和。

(4)由于训练信号样本被均分成了m段，所以当原始信号样本处理完毕之后就会得到一个m行的特征矩阵T：

T'＝[T₁,T₂,…,T_m] (8)

其中，i＝1,2,…,m，m为原始信号样本均分的数量。

将得到的N种状态的特征矩阵T输入到隐马尔可夫模型(HMM)中进行训练，得到N种状态下的HMM：

(1)HMM具体可表示为λ＝(A,B,π) (9)

其中：π为初始概率分布矢量；A为状态转移概率矩阵；B为观测值概率矩阵。

(2)系统开始时总是处于正常状态，因此取初始状态概率矢量为π＝[1,0,0]，状态转移概率矩阵A对模型训练的影响微乎其微，一般常采用左-右模式同等概率状态转移概率模型，可得状态转移概率矩阵

(3)通过连续迭代的方法调整模型参数λ以使概率P(O|λ)最大化，Baum-Welch算法的重估公式如下：

π_i＝γ₁(i) (11)

其中：

代表状态q_i(i＝1,2,3，分别代表正常、间歇和故障三种状态)的转换数量期望值；

代表状态q_i转移到状态q_j的次数的期望值(i,j＝1,2,3)。

(4)根据给定的观测序列O＝(o₁,o₂,…,o_T)和选择的初始模型λ＝(A,B,π)，可以通过以上公式获得一组新的参数π_i，a_ij和b_jk。通过连续迭代优化，直到概率P(O|λ)收敛并且概率最大，那么λ就是获得的模型。

4.将得到的现有模拟电路信号样本的特征向量矩阵输入到训练好的N个HMM中，即可得到现有模拟电路故障类型的分类识别结果，从而识别出间歇故障，具体过程为：

在现有模拟电路系统的输入端给定与测试电路相同的激励信号，输出端以一定频率采集输出电压来获得响应电压信号作为待测样本数据，然后利用步骤3)中的EEMD方法处理待测样本，最终得到待测样本的特征向量矩阵，将特征矩阵输入已经训练好的以上N种状态HMM模型，通过前向-后向算法计算观测向量在不同模型下的概率P(O|λ)，由概率值最大的HMM模型决定现有模拟电路的状态，从而识别出间歇故障的类型。

Claims (4)

1.一种基于EEMD和HMM的模拟电路间歇故障诊断方法，其特征在于，包括如下步骤：

1)根据现有模拟电路系统制作用于测试的相同模拟电路，测试电路能够进行相关节点的故障注入操作，使用灵敏度分析方法对测试电路进行分析，确定测试电路中的关键节点，选择与测试电路运行状态关联最大的几个关键节点，并为其安装相应继电器；

2)继电器闭合频率能够设置为两种模式：设定固定频率模式以模拟周期性的间歇故障，设定随机闭合频率模式以模拟随机性间歇故障；在测试电路的输入端给定稳定激励信号的情况下，设定继电器闭合频率，在测试电路的输出端处以一定频率采集输出电压来获得响应电压信号，经过滤波器滤除噪声信号共获得N种样本数据；

3)将得到的每种样本数据都均分成m段有相同数量样本点的数据段，采用EEMD方法处理每段信号样本，对原始数据每段信号样本数据特征提取后，将会得到一个m行的特征向量矩阵；将得到的N个特征向量矩阵输入到N个HMM中，训练得到相应的N种隐马尔可夫模型；

4)在现有模拟电路系统的输入端给定与测试电路相同的激励信号，输出端以一定频率采集输出电压来获得响应电压信号作为待测样本数据，然后利用步骤3)中的EEMD方法处理待测样本，最终得到待测样本的特征向量矩阵；

5)将得到的现有模拟电路待测样本的特征向量矩阵输入到步骤3)中训练好的N个HMM中，即得到现有模拟电路故障类型的分类识别结果，从而识别出间歇故障；

所述步骤1)中，选取模拟电路系统中的关键节点元器件的具体过程为：

在同一电路系统中不同的元器件的运行对整个电路系统的影响是不同的，只要判断影响系统运行的关键节点元器件的运行状况，就能够判断整个系统的运行情况；灵敏度分析就是研究与分析系统元器件参数变化与一个系统的状态或输出敏感程度的方法，通过灵敏度分析能够判断哪些元器件对电路系统有较大的影响，针对这些关键节点元器件进行研究，即对系统的整体状态进行诊断与识别；

由于现有模拟电路系统通常不能添加相应的中继器以实现故障的注入操作，需要根据现有模拟电路系统制作用于测试的相同模拟电路，测试电路能够进行相关节点的故障注入；使用灵敏度分析方法对测试电路进行分析，确定测试电路中的关键节点，选择与测试电路运行状态关联最大的几个关键节点，并为其安装相应继电器。

2.根据权利要求1所述的一种基于EEMD和HMM的模拟电路间歇故障诊断方法，其特征在于，所述步骤2)中，采集输出电压来作为样本数据的具体过程为：

继电器的闭合频率有固定频率模式和随机频率模式两种模式；固定频率模式是以固定的频率控制继电器的闭合来模拟关键节点元器件的周期性间歇故障，随机闭合频率模式是以随机的频率控制继电器的闭合来模拟关键节点元器件的随机性间歇故障；

在测试电路系统输入端给定稳定的激励信号的情况下，通过设置关键节点元器件上继电器闭合的频率模式来模拟实际的模拟电路间歇故障，在测试电路的输出处以一定频率采集输出电压来获得响应电压信号作为样本数据，经过滤波器滤除噪声信号，共获得N种状态下的样本数据集。

3.根据权利要求1所述的一种基于EEMD和HMM的模拟电路间歇故障诊断方法，其特征在于，所述步骤3)中，EEMD处理信号并训练HMM的具体过程如下：

EEMD是将白噪声加入待分解信号进行EMD分解，利用EMD分解的IMF分量频谱均匀分布的特性，使不同频带尺度的信号自动地映射到合适的参考频带尺度上，进而达到更好的频带尺度分解效果；将得到的N种样本数据均分成m段有相同数量样本点的数据段，然后对每段样本数据进行EEMD处理；

经EMD分解后的各个IMF包含了信号从高到低不同频率段的成分，各频带能量的变化表征了间歇故障或者故障的发生；选取前n个IMF分量的能量作为特征向量来识别工作状态与故障类型；最终得到一个m行的特征矩阵，将得到的各状态的特征矩阵输入到隐马尔可夫模型HMM中进行训练，得到N种状态下的HMM。

4.根据权利要求1所述的一种基于EEMD和HMM的模拟电路间歇故障诊断方法，其特征在于，所述步骤5)中，分类识别的具体过程为：

在现有模拟电路系统的输入端给定与测试电路相同的激励信号，输出端以一定频率采集输出电压来获得响应电压信号作为待测样本数据，然后利用步骤3)中的EEMD方法处理待测样本，最终得到待测样本的特征向量矩阵，将特征矩阵输入已经训练好的以上N种状态HMM模型，通过前向-后向算法计算观测向量在不同模型下的概率，由概率值最大的HMM模型决定现有模拟电路的状态，从而识别出间歇故障的类型。

Images