CN109257120B - 预测射频电路故障表征参数的优选方法 - Google Patents
预测射频电路故障表征参数的优选方法 Download PDFInfo
- Publication number
- CN109257120B CN109257120B CN201811134568.7A CN201811134568A CN109257120B CN 109257120 B CN109257120 B CN 109257120B CN 201811134568 A CN201811134568 A CN 201811134568A CN 109257120 B CN109257120 B CN 109257120B
- Authority
- CN
- China
- Prior art keywords
- parameters
- radio frequency
- parameter
- characterization
- fault
- 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
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/10—Monitoring; Testing of transmitters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/10—Monitoring; Testing of transmitters
- H04B17/101—Monitoring; Testing of transmitters for measurement of specific parameters of the transmitter or components thereof
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3913—Predictive models, e.g. based on neural network models
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
Abstract
本发明提出了预测射频电路故障表征参数的优选方法。利用本发明优选流程可确保所选取的表征参数具有灵敏性、有效性和准确性。本发明通过下述技术方案予以实现:首先对射频电路系统进行分层划分,在分层基础上开展故障模式与影响分析FMEA、故障树分析FTA和历史数据统计分析,确定所有潜在表征参数集,构建可测表征参数集和不可测表征参数集,通过检测方法分析构建间接可测表征参数集,对潜在表征参数集进行重复性、可测性、相关性和重要度等分析形成基本预测表征参数集,最后从故障预测的完整度和有效性分析最终确定故障预测关键灵敏表征参数,确立对射频电路故障灵敏参数的选取步骤并固化对射频电路系统故障预测用表征参数的优选流程。
Description
技术领域
本发明属于射频工程技术领域,涉及一种对射频电路评估分析的参数选取方法,更为具体地讲,是一种预测射频电路故障表征参数优选方法。
背景技术
随着射频电路的快速发展,射频电路的功能能力和集成度日趋增加,射频电路向着低功耗、集成化、高带宽、高速率等方向发展,射频系统的各项性能不断得到提高,同时也日益要求射频电路系统在更宽频带和更小的体积内,具有更高的输出功率、效率和可靠性。射频电路系统的表现出不同于低频电路和直流电路的一些特性,射频简称RF就是射频电流,它是一种高频交流变化电磁波的简称。能通过天线等向外界发射或接收高频电磁波的电路叫射频电路。射频电路的特点就是能向外界发射或接收高频电磁波,高频电路是泛指能运行高频信号、接收高频信号,或产生高频信号,或放大高频信号,传导高频信号,或处理高频信号的一类电路,因此射频电路也是高频电路的一种。通常射频信道接收的信号流为天线孔径接收到射频信号后送天线接口单元进行接口适配后送射频开关矩阵模块,通过开关的选择切换将射频信号送至相应的信号变频与预处理。发射信号流为在信号处理通道完成调制后的中频信号(个别功能的调制信号在天线接口单元的功放中产生)送射频信号激励通道,完成上变频、滤波、放大等处理后送天线接口单元经功放放大后送天线孔径发射出去。因此射频电路按信号流和功能可以分的功能模块包括电源、混频、滤波、放大、功放、开关、天线、控制等功能电路模块。射频电路主要的表征参数包括射频增益、灵敏度、噪声系数、信噪比、噪声功率、增益精度、功率、驻波、频综参考电平、本振失锁等参数。
目前,射频(RF)电路在无线通信、物联网、射频传感、无线控制等应用中的作用日益凸显,主要体现在射频电路的功能日益复杂,性能快速提升,应用日趋广泛。具体的应用如:手机(CellPhone),无线局域网(WirelessLAN),无线广播系统(电视和收音机)等,以及其它方面的应用:如雷达探测系统用远距离探测试,微波炉利用微波功率来加热食物。在射频下工作的电路需要考虑其分布参数。从微波工作的传输线来看,其长度可以与工作波长相比拟或更长,根据电磁场理论,此时传输线的导体上存在有损耗电阻、电感,导体之间存在着电容和漏电导。当频率高时这些参数便会呈现出其对能量或信号传输的影响外,在射频情况下存在趋肤效应。射频电路因其为分布参数电路,存在趋肤效应和耦合效应,不同于低频电路和直流电路。电磁场能在相邻信号线或PCB线上感生信号,而导致串扰,并且会损害系统性能。串扰是指当信号在传输线上传播时,因电磁耦合对相邻的传输线产生的电压噪声干扰。过大的串扰可能引起电路的误触发,导致系统无法正常工作。在射频电路中,对射频信号进行处理的设备中都离不开射频功率放大器,滤波器、射频电源模块、射频开关等相关器件及电路,这些器件或电路实际上是包含多种分布参数的等效电路,这些分布参数使实际射频电路系统变得异常复杂。评价射频电路性能的主要指标如表征包含非线性度的dB增益压缩点和三阶交调点、灵敏度和动态范围等,特征参数不仅能够有效表征射频子系统的射频特性,亦能够分析潜在的故障和风险等问题。由于射频电路在越来越多的电子系统中成为核心部分,因此射频电路的健康状态和故障情况极大地影响系统工作,并成为整个系统功能的关键影响因素。
射频电路系统包含众多功能器件,其每种器件的功能指标、性能参数等各不相同,因此不同器件的故障模式对射频电路系统最终故障的影响也不相同。即使相同的器件在不同的射频电路系统中所承载的功能也不尽相同,因此即使相同器件的相同故障模式对不同的射频电路系统最终故障的影响也不相同。由此可见射频电路系统的故障模式多样、关系复杂,要实现有效的健康评估及故障预测必须选取合适的灵敏参数,只有在选择正确的参数基础上才有可能保证后续评估预测的准确性和有效性。目前射频电路的故障预测存在准确性、有效性和可信性差等问题。一方面是由于相关核心评估预测算法有待进一步突破,但另一方面还存在更为根本性的问题,即评估预测的参数对象选取缺乏科学性和有效性的问题,缺乏一套有效的、标准化的预测表征参数选择流程。
射频电路系统准确的健康评估和故障预测的前提是科学有效的选择分析对象的表征参数,而目前国内外对射频电路的健康评估和故障预测研究主要集中在算法理论和数据分析层面,对基础的参数选择方法没有明确的流程规范,不能保证选择的参数对健康和故障状态具有良好的反映。
发明内容
本发明的目的是针对上述现有技术存在的不足之处,针对上述问题提出一种有效的预测射频电路故障表征参数优选方法,建立一种具有灵敏性、有效性、准确性和统一性的对射频电路故障预测灵敏表征参数的优选流程,通过该方法更加科学的保证所选取的参数具有忠实性、敏感性、可测性和完整性。
本发明的上述目标是通过以下措施来达到,首先按射频信号流、功能类别和功能级别对射频电路进行系统层次划分,分析所有各层功能的故障表征参数或检测参数信息,同时结合历史数据分析得到表征参数,形成表征特征参数的合并集,对合并集中重复的参数进行处理,剔除重复参数后,根据这些参数信息构成潜在预测表征参数集;利用潜在失效模式和影响分析FMEA、故障树分析FTA,由底到高的层次对各种故障模式和影响参数的传递关系进行可测性分析,将直接可测参数构建为可测表征参数集,不可直接测试参数构建为不可测表征参数集,对不可测表征参数集再分析,检测其中的间接可测参数,构建间接可测表征参数集;利用历史数据分析统计潜在故障预测表征参数集中的参数,对易失效器件的参数进行基于信息贡献度的敏感性分析和健康表征参数重要度分析,对功能电路具体元器件的历史失效数据进行排序,确定易失效器件;利用相关性分析筛选出的重要参数和可测表征参数集中的参数,分类出关联参数集和独立参数集两大类参数,剔除关联参数集中的冗余关联参数后,再与独立参数集合并,形成基本预测表征参数集;最后,基于确定的基本故障预测参数集,判断预测表征参数完整度是否达到规定要求,是则构建形成关键灵敏表征参数集,否则再从间接可测参数集中进行选择追加,从相关性分析流程再开展一轮分析,直到满足完整性要求,形成射频电路故障预测优选的关键灵敏表征参数,确立对射频电路故障灵敏参数的选取步骤并固化对射频电路系统故障预测用表征参数的优选流程。
本发明具有如下有益效果:
具有灵敏性。本发明利用历史数据分析统计潜在故障预测表征参数集中的参数,以功能电路具体元器件的历史失效数据分析和排序,确定易失效器件,对易失效器件的参数进行基于信息贡献度的敏感分析,从而完成对健康表征参数重要度分析,对筛选出的重要参数再与可测表征参数集中的参数进行相关性分析,可分类出关联参数集和独立参数集两大类参数,对关联参数集进行剔除冗余关联参数后再与独立参数集合并形成基本预测表征参数集。形成的基本预测表征参数及具备了灵敏性、可测试,通过确定基本表征参数的因素是否完整形成最终关键灵敏表征参数集。
有效性。本发明借助FMA(故障模式分析)和FEA(故障影响分析)的组合FMEA(Failure Mode and Effects Analysis),确立对射频电路故障预测的灵敏参数选取步骤、流程和方法,发现、评价产品/过程中潜在的失效及其后果;找到能够避免或减少潜在失效发生的措施,并且不断地完善,减少或消除因修改而带来更大损失的机会。能够容易、低成本地对产品或过程进行修改,从而减轻事后修改的危机。并找到能够避免或减少这些潜在失效发生的措施。利用FMEA确定潜在失效模式及其原因的分析方法可明确并固化对射频电路系统故障预测用表征参数的优选流程,通过该优选流程可确保所选取的表征参数具有灵敏性、有效性和准确性,同时也为射频电路系统故障预测分析人员提供统一标准化的参数优选流程。通过射频电路系统故障预测参数优选流程的设计,建立和形成了一套有效的、标准化的对射频电路系统故障预测用表征参数的优化选择流程,保证了选取的参数具有有效性。
准确性。本发明按信号流、功能类别和功能级别对射频电路系统分层划分,列出各层所有可测试的功能的故障表征参数或检测参数信息,从历史数据分析中获取健康表征特征参数合并集,剔除重复参数后,根据这些参数信息构成潜在预测表征参数集;建立和形成了一套有效的、标准化的对射频电路系统故障预测用潜在表征参数的优化选择流程,通过FMEA找出影响安全及任务成功的关键故障模式作为顶事件,建立故障树进行多因素分析,找出各种故障模式组合,提供依据,准确性高。
统一性。本发明利用故障模式与影响、故障树分析FTA,由底到高的层次对各种故障模式和参数影响的传递关系进行可测性分析,对直接可测参数形成可测表征参数集,对不可直接测试参数构成不可测表征参数集,对间接可测参数形成间接可测表征参数集,对不可测表征参数集,分析间接检测优选分类出射频故障预测表征参数的可测试性,保证了射频故障预测参数的实际可获取、可应用和统一性。使用固定概率(也就是组成树的每一个事件都有一个发生的固定概率)以时间而变化的分布的故障树图工作在"故障空间"故障集合,分析射频电路系统多种故障因素,确定故障原因的各种可能组合方式和(或)其发生概率,发现可靠性和安全性薄弱环节,确定基本故障预测表征参数集,判断预测表征参数完整度,提高了射频电路系统的可靠性和安全性。其灵敏性、可测性和完整性,为后续评估预测的准确性和有效性奠定基础。
附图说明
图1是本发明预测射频电路故障表征参数的流程图。
图2是本发明实施例射频电源模块功能划分示意图。
图3是图2射频电源模块FMEA分析得到的健康表征参数分布示意图。
图4是图2射频电源模块失效模式的失效概率的统计分布。
图5是图2电路漏电故障模式下输入保护滤波输出纹波及终端输出纹波对比图,其中,图5(a)是模拟输入保护滤波输出的纹波示意图,图5(b)是终端输出的纹波示意图。
图6是图2射频电源电路前级两个DC/DC并联汇流等效电路示意图。
图7是图2射频电源模块的最终得到的故障预测关键灵敏表征参数分布示意图。
具体实施方式
参阅图1。根据本发明,明确研究对象,按信号流、功能类别和功能级别对射频电路进行系统层次划分,分析所有各层功能的故障表征参数或检测参数信息,同时结合历史数据分析得到的表征参数形成表征特征参数合并集,对合并集中重复的参数进行处理,剔除重复参数后,根据这些参数信息构成潜在预测表征参数集;然后,利用失效模式与影响分析或潜在失效模式与后果分析FMEA、故障树分析FTA(Fault Tree Analysis),由底到高的层次对各种故障模式和参数影响的传递关系进行可测性分析,FTA通过对可能造成对射频电路故障的硬件、软件、环境、人为因素进行分析,画出故障树逻辑因果关系图,确定对射频电路故障原因的各种可能组合方式和(或)其发生概率,定量分析发现对射频电路可靠性和安全性薄弱环节,对直接可测参数形成可测表征参数集,对不可直接测试参数构成不可测表征参数集,对该不可测表征参数集分析间接检测方法,对间接可测参数形成间接可测表征参数集;利用历史数据分析统计潜在故障预测表征参数集中的参数,以功能电路具体元器件的历史失效数据分析和排序,确定易失效器件,对易失效器件的参数进行基于信息贡献度的敏感分析,从而完成对表征参数重要度分析,对筛选出的重要参数再与可测表征参数集中的参数进行相关性分析,可分类出关联参数集和独立参数集两大类参数,对关联参数集进行剔除冗余关联参数后再与独立参数集合并形成基本预测表征参数集。最后,基于确定的基本健康表征参数集判断预测表征参数完整度是否达到规定要求,是则最终构建形成关键灵敏表征参数集,否则再从间接可测参数集中进行选择追加,从相关性分析流程再开展一轮分析,最终以满足完整性要求,形成射频电路故障预测优选的关键灵敏表征参数,以用于后续的故障预测评估和分析,确立对射频电路故障灵敏参数的选取步骤并固化对射频电路系统故障预测用表征参数的优选流程。顶事件可由FMEA分析确定,中间事件故障树中除底事件及顶事件之外的所有事件。在其所在的层次或更高的层次增加“与门”,并使“与门”尽可能接近顶事件。根据与、或门的性质和割集的定义,找出该故障树的最小割集(故障树中一些底事件的集合)。故障树分析法是近年来越来越被质量工作人员所使用的一个质量工具。这种采用逻辑的方法,形象地进行分析工作,特点就是直观、明了、思路清晰、逻辑性强。由于故障树定性、定量分析工作量十分庞大,因此建立故障树后,应采用计算机辅助进行分析,以提高其精度和效率。
基于本实施例的基本方法和流程,合理的改变部分流程顺序及具体分析方法,即可构成本发明的其它具体实施方案。
实施例1
按信号流、功能类别和功能级别对射频电路系统进行分层划分,将分析电路划分为具有独立功能的功能模块;分析各层功能的故障表征或检测参数,对划分的各功能模块的所有输出端口进行分析,列出各层次输出端口所有可测试的参数信息;对分析对象历史数据进行分析,从历史数据分析结果中提取出能够对健康进行表征的参数,对相关参数进行信息贡献率分析,确定重要度;根据确定的重要度参数组合构成包含每层功能模块绝大多数参数信息的故障预测灵敏表征参数合并集;直接剔除得到的表征参数合并集中重复性参数,形成潜在预测表征参数集,所述重复性参数是指同一层级、同一功能模块的相同参数信息;然后,对潜在表征参数集中的参数利用FMEA和FTA分析方法对其可测试性进行分析,得到直接可测参数和间接可测参数,并作为备选参数供后续步骤选择;为防止重要参数漏选,结合历史数据分析结果,同时对潜在预测表征参数集中的重要参数进行分选,分析重要度,对得到的全部参数进行相关性分析,再对关联的参数进行处理,剔除关联参数,并与独立参数进行合并得到基本预测表征参数集;对得到的基本预测表征参数集的完整性进行分析,如不完整从得到的间接可测备选参数集中进行参数再优选,最终得到关键灵敏表征参数集。
实施例2
(1)、按信号流、功能类别和功能级别对射频电路系统进行分层划分,将分析电路划分为具有独立功能的功能模块。
(2)、分析各层功能的故障表征或检测参数,对划分的各功能模块的所有输出端口进行分析,列出各层次输出端口所有可测试的参数信息。
(3)、首先确定对健康或故障情况影响较大的关键元器件,主要方法是利用历史数据计算得到所有器件的失效率数据,对分析对象历史数据进行分析,从历史数据分析结果中提取出能够对健康进行表征的参数,对失效率数据进行排序;其次,对所有器件的失效模式和影响参数进行分析,选择出对失效模式有反映的器件参数;收集相关参数的正常和故障历史数据,利用信息贡献率对每个器件的参数和自身故障模式反映的信息贡献率进行计算和排序;最后,结合器件的失效率排序和信息贡献率排序选择出重要度较高的参数,其中,优选选择失效率高的器件中信息贡献率排前的参数。
关键元件的识别基于若干标准,这些选择标准对于被研究的系统来说完全是主观的。根据历史案例和经验数据建立可以准确反映实际器件的失效率情况,能够用于关键元件识别的元器件失效率表,列出各个器件的失效概率,划分器件的失效率等级,根据失效率等级失效率由高到底排列可识别的高危元器件。按忠实性原则要求,选取能够表征射频电路系统健康状况的测试表征参量,可能预示灾难性故障,参数特性的变化具有与健康状况映射或相关关系,功能关联密切的参数作为失效率表的集合元素。重点选择与以下功能关联密切的参数,这此功能包括:对安全性至关重要的功能、很可能预示灾难性故障的功能、对于完成任务至关重要的功能和会造成长时间停机的功能。
基于信息贡献率的参数敏感性和重要度分析,对关键元器件的所有N个电学参数进行分析,如电流、电压、温度等,将关键元器件正常时各参数的历史数据设为正常参数集合A=(a1,a2,a3…aN),这里的N为第i个参数正常值,然后在关键元器件实际故障模式下,将各参数的历史数据设为故障参数集合A'=(a'1,a'2,a'3…a'N),且N为第i个参数故障值,定义参数的敏感度:
Si=|a'i-ai|/|ai|i=1,2,...,N
关键元器件的故障可以通过参数的变化表现出来,参数变化越明显表明其越敏感,那么参数的信息贡献率定义为:
然后对贡献率进行排序:C1>C2>...>CN,通过判断参数信息贡献率的大小并结合器件的失效率数据选择出最有用的故障预测用参数。
(4)、由步骤(2)和步骤(3)组合构成故障预测表征参数合并集,该参数集包含每层功能模块绝大多数参数信息。
(5)、直接剔除步骤(4)得到的预测表征参数合并集中重复性参数,该重复性参数是指同一层级、同一功能模块的相同参数信息,通过该步骤形成潜在预测表征参数集。
(6)、对潜在预测表征参数集中的参数利用FMEA和FTA分析方法对其可测试性进行分析,对其中不可测参数分析是否具备间接测试方法,最终得到直接可测和间接可测参数,其中间接可测参数可作为备选参数供后续优选流程步骤选择。
(7)、为防止重要参数漏选,结合历史数据分析结果同时对潜在健康表征参数集中的重要参数进行分选,并分析重要度,保证完整性。完整性原则要求是选取的表征参量能够反映射频信道的所有故障模式,原则上选取测试参数集的参数监测能够覆盖所有的故障模式,以保证对故障预测评估的完整性。
(8)、对步骤(6)和步骤(7)对得到的全部参数进行相关性分析,再对关联的参数进行处理,剔除关联参数,并与独立参数进行合并得到基本预测表征参数集。射频系统各功能模块间不是单一的单向耦合关系,他们之间具有互联、控制和反馈等特性,因此在故障的表现形式上也存在相互的耦合关系。例如在串联的射频电路系统构架中,下级模块的某一种故障模式可能传递给上级模块,并联电路系统模块间可能会有故障模式的耦合。在上述情况下,表征系统的健康状态可以不用对所有相关参数进行监测,因为部分参数间可能存在相关性特点,因此可以对相关的参数进行合并简化,即选取某些具有代表性参数进行监测,即遵循相关性简化的原则。
(9)、对步骤(8)得到的基本预测表征参数集的完整性进行分析,主要考虑是否包含所有不同性质的参数类型,如不完整可从(6)得到的间接可测备选参数集中进行参数再优选,并完成(7)和(8)步骤,最终得到关键灵敏表征参数集。
实施例3
参阅图2。结合优选流程以典型的射频电源模块为实施对象开展参数优选说明,首先对射频电源模块按功能层次进行划分,电源模块功能划分示意如图2所示,划分为有输入滤波模块及保护电路模块、直流/直流DC/DC变换电路1、DC/DC变换电路2、输出滤波电路1、输出滤波电路2、输出滤波电路3以及相关控制电路模块,对表征参数或检测参数进行分析,得到射频电源模块工作性能的表征参数,根据射频电源模块正常工作性能的表征参数,采用基于FMEA分析的方法,结合故障树分析以及历史案例数据进行分析,构建射频电源模块的故障预测表征参数集,通过对主要故障模式和影响参数分析、射频关键器件失效概率分析和历史数据分析,找到主要的故障模式和对应的表征参数,删除对表征参数选取影响较小的分析项,得到了电源模块的主要失效模式。
表1射频电源模块工作性能表征参数
射频电源模块的故障预测表征参数集构建主要采用基于FMEA分析的方法,其中也结合故障树分析以及历史案例数据进行分析。通过对主要故障模式和影响参数分析、关键器件失效概率分析和历史数据分析,找到主要的故障模式和对应的表征参数。射频电源模块的基本FMEA分析如下表2表2所示,在该表中简化了标准的FMEA分析表,删除了对表征参数选取影响较小的分析项。
表2电源模块简化FMEA分析表
参阅图3。通过对射频电源模块的FMEA分析,得到了电源模块的主要失效模式总共有23种,这23种失效模式对应的测试参数主要有电源模块的输出电压、纹波、电源模块DC/DC的温度、抗电强度和绝缘电阻。由FMECA分析得到的电源模块的故障预测表征参数的分布如图3所示。
参阅图4。开展重要度分析主要通过对历史失效案例的统计与分析,23种失效模式的失效概率统计分布如图4所示。通过对历史数据的分析,DC/DC变换器的输出失效占比最大。同时DC/DC变换器中的变换器失效引起的过热保护、输出短路或输出过压失效模式也占有较大比重。进行参数的信息贡献率分析得到DC/DC的输出电压、纹波、绝缘电阻和模块温度是故障预测表征监测的重点参数。射频电源模块的FMEA分析数据以及历史案例数据涵盖电源模块实验测试阶段(包括高低温循环、温度冲击和振动)和应用阶段的各种情况故障数据收集,基本涵盖电源模块整个寿命周期以及任务阶段的工作环境,因此对主要的故障模式具有较为全面的反映。通过工作性能的表征参数和上述FMEA分析得到的电源模块健康的潜在故障预测表征参数集如下表3所示:
表3射频电源模块潜在预测表征参数集
实施例4
根据发明流程,开展可测性、相关性和重复性分析。根据实际射频电源模块测试性设计可以得到测试项主要针对模块功能典型参数进行测试,包括输入输出电流电压、模块内部温度和两路输出的状态。由于电源电路模块是一体化设计,不能对所有内部节点电学特性进行测试,如基本表征参数集中的各内部节点电压、纹波和绝缘电阻都不能进行直接测试。对上一步得到的表征参数集测试性的分析结果如下表4所示。通过测试性分析得到表征参数集中总共的18个参数中有8个参数不能进行直接的测量。
表4电源模块表征参数集可测性分析结果
在这8个不可测参量中主要分为两种类型,其一是绝缘电阻参数和电压参数(包括电压和纹波)。由电路分析可以得到绝缘电阻影响电路模块输出漏电大小,即输出电流部分通过该通道泻放导致电源产生损耗功率。因此从电源转换效率角度上可以得到绝缘电阻愈小导致的系统转换效率降低。电源转换效率也非直接可测量,但是可以通过总的输入输出电流(Iin和Iout)和电压(Vin和Vout)进行计算转换实现间接可测,既间接可测参数为总效率:
实施例5
参阅图5。相关性分析首先从同类参量分析入手,通过电路表征的所有参数可以将其划分为绝缘电阻值、电压值、电压纹波值和温度值共四类。同时由电路结构和仿真分析可以得到,电源模块总的绝缘电阻与各功能模块绝缘电阻具有相关性,因此在不需要区分具体功能电路绝缘电阻情况下可以进行统一考虑。同时又由于绝缘电阻与转换效率之间存在测试性转换,因此在表征总的绝缘电阻时可用总的电源效率进行替代。在这种情况下由于模块绝缘电阻通过总转换效率进行相关,因此可以将其多个表征参量合并为同一个表征参量。
同样的对于各模块输出的电压纹波,由于各模块输入与输出的连接关系可以得到电源模块终端输出的纹波与上一级输入的电压纹波存在着相关性,通过模拟分析了输入保护滤波输出纹波图5(a)对终端输出纹波图5(b)的影响情况。通过模拟输出滤波电路的纹波,可以得到随着纹波幅度的增大,模块终端输出的纹波幅度也相应增加,其它电路模块的模拟结果具有类似的效应。电源模块终端输出纹波和各功能电路输出纹波具有叠加效应,因此终端输出电压纹波和各节点纹波具有相关性。
对于DC/DC汇流输出点电压直接通过滤波器1滤波后分两路进行输出,因此两路输出的电压与汇流点电压具有直接的相关性。输入滤波的输出电压V1也为通过DC/DC变换后输出,其与最终电压输出也具有一定相关性。因此根据实验数据分析结果和专家经验值,上述表征参量项亦可进行合并。
实施例6
参阅图6。重复因素分析通过电路拓扑连接关系可以得到,作为相互冗余备份的两个DC/DC输出在输出滤波电路1前进行汇流输出,因此实际测试的两输出电压V2和V3、纹波Vn2和Vn3进行汇流合并。因此输出电压和纹波存在重复性因素,现将DC/DC简化为恒压源和内阻的模型,得到图6所示的并联等效电路,通过电路计算可得到汇流的输出电压和纹波与其单独输出电压存在的关系,式中r1、r2分别为DC/DC变换器的等效内阻,V2、V3分别为其电源电压,Vout为汇流输出总电压,如图3中所示。对电压纹波的分析同样具有相同的结果形式,因此DC/DC的输出电压和纹波具有重复性。
通过对射频电源模块上述流程的分析,可以得出射频电源模块的基本表征集中可进行测试性转换和相关项合并的表征参量4种,即绝缘电阻表征量R1-R4合并为电源模块转换效率值。其他相关项合并参数共6种,输入滤波电路的电压纹波Vn1、DC/DC汇流电压纹波Vn2和Vn3、输出滤波器Vn4的电压纹波,其合并为电源模块总的输出电压纹波Vn5。输入滤波电路的电压V1、DC/DC汇流电压V2和V3、输出滤波器电压V4,其合并为电源模块总的输出电压V5。通过上述分析得到电源模块的基本健康表征因素集,即为{X电源|效率η、输出电压V5、输出电压V6、输出电压纹波Vn5、输出电压纹波Vn6、DC/DC模块温度T1、DC/DC模块温度T2}。通过对电源模块电路功能重要的分析,第二路输出为转电输出电源,通常健康评估中不考虑转电功能因素,因此对应的输出电压V6和输出电压纹波Vn6可以剔除。最终得到的电源关键健康表征参数集={X电源|效率η、输出电压V5、输出电压纹波Vn5、DC/DC模块温度T1、DC/DC模块温度T2},在此可记为{X电源|η、V5、Vn5、T1、T2}。最终射频电源模块的健康评估和故障预测关键灵敏表征参数集和意义如图7及下表5。
表5电源模块关键健康表征参数集
以上对本发明实施例进行了详细介绍,本文中应用了具体实施方式对本发明进行了阐述;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书实施例的内容不应理解为对本发明的限制。
Claims (10)
1.一种预测射频电路故障表征参数的优选方法,其特征在于包括如下步骤:
首先按射频信号流、功能类别和功能级别对射频电路进行系统层次划分,分析所有各层功能的故障表征参数或检测参数信息,同时结合历史数据分析得到表征参数,形成表征特征参数的合并集,对合并集中重复的参数进行处理,剔除重复参数后,根据这些参数信息构成潜在预测表征参数集;利用潜在失效模式和影响分析FMEA、故障树分析FTA,由底到高的层次对各种故障模式和影响参数的传递关系进行可测性分析,将直接可测参数构建为可测表征参数集,不可直接测试参数构建为不可测表征参数集,对不可测表征参数集再分析,检测其中的间接可测参数,构建间接可测表征参数集;利用历史数据分析统计潜在故障预测表征参数集中的参数,对易失效器件的参数进行基于信息贡献度的敏感性分析和健康表征参数重要度分析,对功能电路具体元器件的历史失效数据进行排序,确定易失效器件;采用相关性分析筛选出的重要参数和可测表征参数集中的参数,分类出关联参数集和独立参数集两大类参数,剔除关联参数集中的冗余关联参数后,再与独立参数集合并,形成基本预测表征参数集;最后,基于确定的基本故障预测表征参数集,判断预测表征参数完整度是否达到规定要求,是则构建形成关键灵敏表征参数集,否则再从间接可测参数集中进行选择追加,从相关性分析流程再开展一轮分析,直到满足完整性要求,形成射频电路故障预测优选的关键灵敏表征参数,确立对射频电路故障灵敏参数的选取步骤,并固化对射频电路系统故障预测用表征参数的优选流程。
2.按权利要求1所述的预测射频电路故障表征参数的优选方法,其特征在于:按信号流、功能类别和功能级别对射频电路系统进行分层划分,将分析电路划分为具有独立功能的功能模块;分析各层功能的故障表征或检测参数,对划分的各功能模块的所有输出端口进行分析,列出各层次输出端口所有可测试的参数信息。
3.按权利要求2所述的预测射频电路故障表征参数的优选方法,其特征在于:对分析对象历史数据进行分析,从历史数据分析结果中提取出能够对故障进行表征的参数,对相关参数进行信息贡献率分析,确定重要度。
4.权利要求3所述的预测射频电路故障表征参数的优选方法,其特征在于:根据确定的重要度参数组合构成包含每层功能模块绝大多数参数信息的预测表征参数合并集,直接剔除得到的预测表征参数合并集中重复性参数,形成潜在故障与表征参数集,其中,所述重复性参数是指同一层级、同一功能模块的相同参数信息。
5.权利要求4所述的预测射频电路故障表征参数的优选方法,其特征在于:对潜在表征参数集中的参数利用FMEA和FTA分析方法对其可测试性进行分析,得到直接可测参数和间接可测参数,将间接可测参数作为备选参数供后续优选流程步骤选择。
6.按权利要求1所述的预测射频电路故障表征参数的优选方法,其特征在于:为防止重要参数漏选,结合历史数据分析结果,同时对潜在预测表征参数集中的重要参数进行分选,分析重要度,对得到的全部参数进行相关性分析,再对关联的参数进行处理,剔除关联参数,并与独立参数进行合并得到基本故障预测表征参数集;对得到的基本故障预测表征参数集的完整性进行分析,如不完整,从得到的间接可测备选参数集中进行参数再优选,最终得到关键灵敏表征参数集。
7.按权利要求1所述的预测射频电路故障表征参数的优选方法,其特征在于:利用历史数据统计分析出射频关键元器件,并结合信息学中的信息贡献率的射频关键元器件的参数进行计算,从而识别出参数的重要性;首先确定对健康或故障情况影响较大的关键元器件,利用历史数据计算得到所有器件的失效率数据,对失效率数据进行排序,优选、选择失效率高的器件中信息贡献率排前的参数;其次,对所有射频器件的失效模式和影响参数进行分析,选择出对失效模式有反映的器件参数;收集相关参数的正常和故障历史数据,利用信息贡献率对每个器件的参数和对自身故障模式反映的信息贡献率进行计算和排序;最后,结合器件的失效率排序和信息贡献率排序选择出重要度较高的参数。
8.按权利要求1所述的预测射频电路故障表征参数的优选方法,其特征在于:根据历史案例和经验数据建立可以准确反映实际器件的失效率情况,用于射频关键元件识别的元器件失效率表,列出各个器件的失效概率,划分器件的失效率等级,根据失效率等级由高到底排列可识别的高危元器件;按忠实性原则要求,选取能够表征射频电路系统故障状况的测试表征参量和可能预示灾难性故障,以及参数特性的变化具有与故障状况映射或相关关系,将功能关联密切的参数作为失效率表的集合元素。
9.按权利要求1所述的预测射频电路故障表征参数的优选方法,其特征在于:基于信息贡献率的参数敏感性和重要度分析,对关键元器件的所有N个电学参数进行分析,将射频关键元器件正常时各参数的历史数据a设为正常参数集合A=(a1,a2,a3…aN),然后在关键元器件实际故障模式下,将各参数的历史数据a'设为故障参数集合A'=(a'1,a'2,a'3…a'N),且a'i为N个数据中的第i个参数故障值,定义参数的敏感度:
Si=|a′i-ai|/|ai|i=1,2,...,N
射频关键元器件的故障通过参数的变化表现出来,根据参数变化越明显表明其越敏感的特性,将参数的信息贡献率定义为:
然后对贡献率进行排序:Cj>Ck>...CN...>Cm,其中Cj,Ck,Cm…CN等分别表示第j,k,m...N个参数的信息贡献率,满足1≤j,k...m≤N,且j≠k≠...≠m,通过判断参数信息贡献率的大小并结合器件的失效率数据选择出最有用的故障预测用参数,其中,N为电学参数总个数,ai为N个数据中的第i个参数正常值。
10.按权利要求1所述的预测射频电路故障表征参数的优选方法,其特征在于:结合优选流程以典型的射频电源模块为实施对象,首先对射频电源模块按功能层次进行划分,划分为有输入滤波模块及保护电路模块、直流/直流DC/DC变换电路1、DC/DC变换电路2、输出滤波电路1、输出滤波电路2、输出滤波电路3以及相关控制电路模块,对表征参数或检测参数进行分析,得到射频电源模块工作性能的表征参数,根据射频电源模块正常工作性能的表征参数,采用基于FMEA分析的方法,结合故障树分析以及历史案例数据进行分析,构建射频电源模块的故障预测表征参数集,通过对主要故障模式和影响参数分析、射频关键器件失效概率分析和历史数据分析,找到主要的故障模式和对应的表征参数,删除对表征参数选取影响较小的分析项,得到了电源模块的主要失效模式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811134568.7A CN109257120B (zh) | 2018-09-28 | 2018-09-28 | 预测射频电路故障表征参数的优选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811134568.7A CN109257120B (zh) | 2018-09-28 | 2018-09-28 | 预测射频电路故障表征参数的优选方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109257120A CN109257120A (zh) | 2019-01-22 |
CN109257120B true CN109257120B (zh) | 2020-11-24 |
Family
ID=65047483
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811134568.7A Active CN109257120B (zh) | 2018-09-28 | 2018-09-28 | 预测射频电路故障表征参数的优选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109257120B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109975722B (zh) * | 2019-03-17 | 2021-09-14 | 江苏神州半导体科技有限公司 | 一种射频电源的检测方法 |
CN110263944A (zh) * | 2019-05-21 | 2019-09-20 | 中国石油大学(华东) | 一种多变量故障预测方法和装置 |
CN112101634A (zh) * | 2020-08-21 | 2020-12-18 | 河南中烟工业有限责任公司 | 一种导致缺陷产品的故障设备预测方法 |
CN112135311B (zh) * | 2020-09-24 | 2023-02-28 | 维沃移动通信有限公司 | 射频器件的监控方法、装置、电子设备及可读存储介质 |
Citations (3)
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 |
CN105930963A (zh) * | 2016-04-15 | 2016-09-07 | 中国船舶工业系统工程研究院 | 一种机电系统装备健康评估方法 |
CN106405384A (zh) * | 2016-08-26 | 2017-02-15 | 中国电子科技集团公司第十研究所 | 模拟电路健康状态评估方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9500705B2 (en) * | 2013-08-28 | 2016-11-22 | Wisconsin Alumni Research Foundation | Integrated circuit providing fault prediction |
-
2018
- 2018-09-28 CN CN201811134568.7A patent/CN109257120B/zh active Active
Patent Citations (3)
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 |
CN105930963A (zh) * | 2016-04-15 | 2016-09-07 | 中国船舶工业系统工程研究院 | 一种机电系统装备健康评估方法 |
CN106405384A (zh) * | 2016-08-26 | 2017-02-15 | 中国电子科技集团公司第十研究所 | 模拟电路健康状态评估方法 |
Non-Patent Citations (2)
Title |
---|
复杂机载电子系统故障综合诊断技术研究;陈文豪等;《复杂机载电子系统故障综合诊断技术研究》;20161130(第11期);全文 * |
机载航电系统射频信道健康表征及影响评估;陈文豪等;《电讯技术》;20130531(第5期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109257120A (zh) | 2019-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109257120B (zh) | 预测射频电路故障表征参数的优选方法 | |
CN112398680B (zh) | 一种故障定界方法及设备 | |
CN108985279B (zh) | 多功能车辆总线mvb波形的故障诊断方法及装置 | |
CN106980905A (zh) | 配电网供电可靠性预测方法和系统 | |
JP2000512766A (ja) | 高電圧絶縁における部分放電測定の統計的パターン分析方法 | |
CN117041029A (zh) | 网络设备故障处理方法、装置、电子设备及存储介质 | |
CN113591393A (zh) | 智能变电站的故障诊断方法、装置、设备和存储介质 | |
CN117439687B (zh) | 一种基于hplc和hrf的双模通信方法、系统及装置 | |
CN112763848A (zh) | 确定电力系统故障的方法及装置 | |
CN113626267A (zh) | 复杂电子系统不确定性故障诊断效能评估方法 | |
CN113591390A (zh) | 一种接收机射频链路非线性效应的模型筛选方法、平台 | |
CN117152925A (zh) | 基于大数据的电力通信数据处理系统 | |
CN116128690B (zh) | 一种碳排放量成本值计算方法、装置、设备及介质 | |
CN115792583A (zh) | 一种车规级芯片的测试方法、装置、设备及介质 | |
Rizvi et al. | Real-time ZIP load parameter tracking using adaptive window and variable elimination with realistic synthetic synchrophasor data | |
Chuanbao et al. | Effect characterization and modeling of RF low noise amplifier for VHF communication system after HEMP PCI test | |
Yang et al. | Performing Machine Learning Based Outlier Detection for Automotive Grade Products | |
CN114676157A (zh) | 互联网访问质量监测分析方法、系统、介质和程序 | |
CN114564853B (zh) | 一种基于fmea数据的评价报告的生成方法及电子设备 | |
CN118112466B (zh) | 一种接地网故障诊断方法 | |
CN118100447B (zh) | 基于物联网的高压配电线路智能监控方法及系统 | |
WO2024138968A1 (zh) | 基站故障诊断方法及装置 | |
Li et al. | Switchgear Insulation Condition Assessment with Multi-Dimensional Feature Database Based on an Optimal Grade Clustering Method | |
CN113537763A (zh) | 一种配电物联网智能配变终端响应能力评价方法 | |
CN117827568A (zh) | 测试设备稳定性的监控方法、装置、电子设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |