CN109726770A - 一种模拟电路故障测试诊断方法 - Google Patents
一种模拟电路故障测试诊断方法 Download PDFInfo
- Publication number
- CN109726770A CN109726770A CN201910123671.XA CN201910123671A CN109726770A CN 109726770 A CN109726770 A CN 109726770A CN 201910123671 A CN201910123671 A CN 201910123671A CN 109726770 A CN109726770 A CN 109726770A
- Authority
- CN
- China
- Prior art keywords
- fault
- sample
- test
- analog circuit
- probability
- 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
Landscapes
- Tests Of Electronic Circuits (AREA)
Abstract
本发明公开了一种模拟电路故障测试诊断方法,包括以下步骤:采用不同种类的电源信号作为测试激励信号,在待诊断电路的各个测试节点采集故障信息;根据采集到的所述故障信息分别利用模糊聚类FCM算法确定最佳测试激励信号和最优测试节点集合;在确定的最优测试节点集合中分别采集电路的故障特征信息;采用稀疏随机投影方法对所述故障特征信息进行降维,并进行归一化处理,得到预处理后的故障样本;用朴素贝叶斯分类器对所述故障样本进行故障诊断。本发明能自动选择最佳测试激励信号和最优测试节点集合,大大提高了模拟电路故障诊断的效果。采用稀疏随机投影法不仅去除了故障特征属性种的冗余和干扰成分,还可以节省数据预处理的时间。
Description
技术领域
本发明涉及模拟电路测试技术领域,具体涉及一种模拟电路故障测试诊断方法。
背景技术
模拟电路是处理模拟信号,即时间和幅值都是连续信号的电子线路,其在故障诊断中表现出诸多复杂的特点。尽管国内外许多专家学者对模拟电路故障诊断展开了大量的研究,涌现出许多模拟电路故障诊断的方法,但正是由于模拟电路的自身特点导致现有的模拟电路故障诊断方法还不够完善。通过对现有的国内外模拟电路故障诊断的研究基础上进行分析和总结,发现现有的模拟电路故障诊断方法中主要还存在以下一些问题:
(1)模拟电路故障诊断的效果与测试激励信号的选取息息相关。目前都是采用随机选择或是利用经验确定测试激励信号,因而影响了模拟电路故障诊断的最终效果。
(2)模拟电路故障诊断的准确性还有待进一步提高。由于模拟电路元件中存在着容差,使得某些故障模式的特征非常相似,从而增加了故障分类的模糊性和不确定性。现有的方法通常是把这些难以区分的故障模式合并为一类故障对待或是通过对电路的可测性分析只诊断电路中的可诊断元件,因此这些方法还不能完全实现对所有故障模式的正确诊断。
(3)模拟电路中非线性电路广泛存在,再加上元件的容差性等原因,模拟电路的输出响应在一定范围内动态变化,使得电路的某些故障特征表现出非常相似特点,而只在局部有微小的区别,非常难以区分,这使故障诊断难以进行。因此,模拟电路故障特征提取这一环节尤为重要,它是获得好的故障诊断效果关键之一。目前特征提取方法大多数基于信号处理的方法,对模拟电路局部信号进行特征提取,但效果差强人意,相似故障仍旧难以区分,模糊故障的误诊率仍然很高。
(4)模拟电路故障样本获取困难,模拟电路故障诊断是一个典型的小样本模式识别问题,故障样本的缺乏已成为严重影响模拟电路故障诊断技术发展的重要原因之一。现有的故障分类方法对小样本问题的效果不是很好。因此,如何在只能获得较少样本前提下,设计一种故障诊断器,对提高模拟电路的故障诊断精度是尤为关键的。
(5)模拟电路故障诊断受外界环境影响较大。比如,温度和噪声都会对模拟电路故障诊断的结果造成影响。因此,有必要改进现有模拟电路故障诊断方法,使之在不同温度和噪声环境下都能取得不错的诊断效果。
发明内容
发明目的:为了克服现有技术的不足,本发明提供一种模拟电路故障测试诊断方法,该方法可以解决故障诊断率和效率不高、不能够覆盖到所有的故障类型以及适应温度、噪声的环境影响的问题。
技术方案:本发明所述的模拟电路故障测试诊断方法,该方法包括以下步骤:
(1)采用不同种类的电源信号作为测试激励信号,在待诊断电路的各个测试节点采集故障信息;
(2)根据采集到的所述故障信息分别利用模糊聚类FCM算法确定最佳测试激励信号和最优测试节点集合;
(3)将确定的最佳测试激励信号输入该诊断电路的输入端,同时在确定的最优测试节点集合中分别采集电路的故障特征信息;
(4)采用稀疏随机投影方法对所述故障特征信息进行降维,并进行归一化处理,得到预处理后的故障样本;
(5)用构造的朴素贝叶斯分类器对所述故障样本进行故障诊断。
优选的,所述步骤(2)中,模糊聚类FCM算法计算得到可测节点下故障样本集x的失真度,将不同测试激励信号的下得到的故障样本的失真度进行比较,选择测试节点数最少的集合作为最优测试节点集合,并将此时的测试激励信号作为该诊断电路的最佳测试激励信号。
优选的,所述在确定的最优测试节点集合中分别采集电路的故障特征信息包括根据待诊断电路的仿真特性确定采样的区间和采样的间隔。
优选的,所述步骤(4)中,采用稀疏随机投影方法对所述故障特征信息进行降维,维数约减的变换公式为:
其中,为经过随机投影后得到的低维矩阵,Xd×N为所述故障特征信息的高维矩阵,维度为d,Rk×d为随机投影矩阵,k≤d。
优选的,所述产生随机投影矩阵Rk×d的分布表示为:
p为概率。
优选的,所述步骤(5)中,用构造的朴素贝叶斯分类器对所述故障样本进行故障诊断,包括以下步骤:
(51)将预处理后的故障样本分为测试样本和训练样本Ts,计算训练样本Ts中故障类别cj的概率P(cj);
(52)估计所述训练样本中每一个故障特征属性属于该故障类别的概率,即计算相对概率P(ai|cj);
(53)根据相对概率P(ai|cj)和类别cj的概率P(cj)得到训练样本中特征的概率值Ρ(ai);
(54)根据所述概率值Ρ(ai)得到待诊断模拟电路故障样本中出现特征时样本属于cj的相对概率Ρ(cj|ai);
(55)根据朴素贝叶斯的独立假设得出样本yi属于类别cj的概率Ρ(k),其中1≤i≤n,n为样本的总数;
(56)采用步骤51-55中的方法,求出样本yi属于其他各个故障类别的概率,再对各个故障类别的概率值进行归一化,排序得到待分类样本yi属于各个类别的相似度,根据以下公式计算出最大后验概率MAP;
(57)根据MAP推出相应的朴素贝叶斯分类器定义公式:
有益效果:本发明能自动选择最佳测试激励信号和最优测试节点集合,大大提高了模拟电路故障诊断的效果。采用稀疏随机投影法不仅去除了故障特征属性种的冗余和干扰成分,还可以节省数据预处理的时间。最终的故障诊断结果表现出了较好的故障诊断性能,并且在不同的温度和噪声环境下也具有较好的故障诊断效果。
附图说明
图1为本发明所述的模拟电路故障测试诊断方法流程图;
图2为本发明所述的CSTV滤波电路的电路图。
具体实施方式
如图1所示,本发明所述的模拟电路测试故障诊断方法包括以下各步骤:
(1)给待诊断电路分别输入不同类型的测试激励信号,可为脉冲信号、阶跃信号、正弦信号。在各可测节点处分别采集电路故障信息。根据采集到的故障信息分别利用模糊聚类FCM算法确定最佳测试激励信号和最优测试节点集合。具体如下:
假设该电路故障类型的总数为k,则所有故障类型表示为c1,c2,...,ck,确定FCM算法的目标函数为:
约束条件为
其中,U表示原矩阵,P表示聚类中心,uik表示xk与第i类样本的隶属度,m>1是一个加权指数,
dik表示样本点xk与第i个类的样本原型pi之间的失真度,可以用向量之间的距离表示。
A表示权重。
分别计算可测节点下故障样本集x的失真度,将不同测试激励信号的下得到的故障样本的失真度进行比较,将计算得到的失真度值由大到小排序,选择前ε个失真度值对应的测试节点作为最优测试节点,ε值为所有故障类别数k的一半。比较不同测试激励信号下的最优测试节点集合,选择最优测试节点数最少的那个测试激励信号作为该诊断电路的测试激励信号。
(2)将确定的最佳测试激励信号输入该诊断电路的输入端,同时在确定的最优测试节点集合中分别采集电路的故障特征信息;
采集故障特征信息时先通过仿真软件OrCad仿真模拟电路的特性,根据待诊断电路的仿真特性确定采样的区间和采样的间隔,通过输出特性曲线的观察,通过仿真的曲线观察输出特征曲线变化明显的部分作为采样区间。
(3)由于提取的故障特征属性维数较高,并且中含有大量的冗余成分,影响到最终的诊断结果和性能会影响模拟电路故障诊断的效果,因此需要将提取的故障特征进行降维。本发明采用稀疏随机投影方法进行模拟电路故障特征属性的降维。具体步骤如下:
设Xd×N为原始的高维矩阵,维度为d,该维度是上一步得到的故障特征信息的维度。Rk×d为随机投影矩阵,其中k≤d。则可得到维数约减的变换公式为:
其中,为经过随机投影后得到的低维矩阵。随机投影降低数据维数的同时,可以近似维持欧式空间内成对映射点的距离,使低维矩阵内的数据具有原始数据的重要特征信息,从而保证变换降维后的数据与原始数据高度的相似性。利用随机投影方法实现数据降维的关键在于确定合适的随机投影矩阵。
本发明采用如下的分布产生随机投影矩阵:
p为概率。
这种分布大大降低了随机投影矩阵与映射变换间的计算复杂度,从构造上可以看到此矩阵非常的稀疏,矩阵中元素有2/3的概率取值为0,可以节省2/3投影计算开销,因此运算速度更快。
(4)降维后对故障特征值进行归一化处理。数据归一化处理是把所有的数据转化为[0,1]之间的数,其目的是取消各维数据间数量级差别,避免因为输入输出数据数量级差别较大而造成识别效果不佳。
(5)构造朴素贝叶斯分类器,并将故障样本输入构造好的朴素贝叶斯分类器识别模拟电路的故障。朴素贝叶斯分类器构造方法如下:
步骤1学习训练数据的模拟电路故障知识。按照下式计算训练样本中类别cj的概率P(cj):
其中,为故障类别为cj训练样本数,为总训练样本数。故障类别是事先根据模拟电路设置好的。Ts是训练样本。N(Cj)属于某一个故障类别的训练样本数。
步骤2估计训练样本中每一个故障特征属性属于该故障类别的概率,即计算相对概率P(ai|cj):
其中,表示存在类别为集合cj,1≤j≤k,并包含特征的训练样本数。
步骤3根据上面两式计算出训练样本中特征的概率值Ρ(ai):
步骤4由上式,根据贝叶斯公式计算待诊断模拟电路故障样本中出现特征时样本属于cj的相对概率Ρ(cj|ai):
步骤5根据朴素贝叶斯的独立假设得出样本yi属于类别cj的概率Ρ(k),其中1≤i≤n,n为样本的总数;
步骤6采用步骤1-5中的方法,求出样本yi属于其他各个类别cj,1≤j≤k的概率。再对k个概率值进行归一化,排序得到待分类样本yi属于各个类别的相似度,根据以下公式计算出最大后验概率MAP。
步骤7根据上述条件推出相应的朴素贝叶斯分类器定义公式:
以CSTV滤波器电路为实例进行故障诊断效果的说明。如图2所示,选择C1、C2、R1、R2、R5、R6、R7元件作为故障元件进行CSTV滤波器电路的故障诊断。在CSTV滤波器电路输入端Vin处施加幅度为1V的交流电,在节点Vout处采集电压值作为故障特征值。用稀疏随机投影和朴素贝叶斯方法得到的故障诊断率为98.7%,误诊率为1.3%,虚警率为2%。表现出了较好的故障诊断性能。
现分别在-10℃、0℃、27℃(常温)、50℃、80℃、100℃温度环境下进行故障诊断,故障诊断率为96.6%、98%、98.7%、97.8%、97.8%。受温度影响不大,而SVM方法在-10℃时的故障诊断率只有86%。
明显本发明的方法故障诊断的效果要好。这是由于偏离常温时各元器件的值都产生了一定程度的漂移,导致模拟电路故障特征的复杂化,增加了模拟电路故障诊断的难度,尤其是在极限温度情况下。
本发明采用的随机投影方法独立的对每一个故障特征分别随机投影到一个低维子空间中,在不引入失真的情况下保留原始数据结构,降低特征属性维数的同时去除大量无关冗余成分的干扰,结合朴素贝叶斯分类器实现了一定的诊断效果。因此,本发明可以在面对恶劣温度环境下受到相对较小的影响。
Claims (6)
1.一种模拟电路故障测试诊断方法,其特征在于,该方法包括以下步骤:
(1)采用不同种类的电源信号作为测试激励信号,在待诊断电路的各个测试节点采集故障信息;
(2)根据采集到的所述故障信息分别利用模糊聚类FCM算法确定最佳测试激励信号和最优测试节点集合;
(3)将确定的最佳测试激励信号输入该诊断电路的输入端,同时在确定的最优测试节点集合中分别采集电路的故障特征信息;
(4)采用稀疏随机投影方法对所述故障特征信息进行降维,并进行归一化处理,得到预处理后的故障样本;
(5)用构造的朴素贝叶斯分类器对所述故障样本进行故障诊断。
2.根据权利要求1所述的模拟电路故障测试诊断方法,其特征在于,所述步骤(2)中,模糊聚类FCM算法计算得到可测节点下故障样本集x的失真度,将不同测试激励信号的下得到的故障样本的失真度进行比较,选择测试节点数最少的集合作为最优测试节点集合,并将此时的测试激励信号作为该诊断电路的最佳测试激励信号。
3.根据权利要求1所述的模拟电路故障测试诊断方法,其特征在于,所述在确定的最优测试节点集合中分别采集电路的故障特征信息包括根据待诊断电路的仿真特性确定采样的区间和采样的间隔。
4.根据权利要求1所述的模拟电路故障测试诊断方法,其特征在于,所述步骤(4)中,采用稀疏随机投影方法对所述故障特征信息进行降维,维数约减的变换公式为:
其中,为经过随机投影后得到的低维矩阵,Xd×N为所述故障特征信息的高维矩阵,维度为d,k为所述待诊断电路所属故障类别的总数,Rk×d为随机投影矩阵,k≤d。
5.根据权利要求4所述的模拟电路故障测试诊断方法,其特征在于,所述产生随机投影矩阵Rk×d的分布表示为:
p为概率。
6.根据权利要求1所述的模拟电路故障测试诊断方法,其特征在于,所述步骤(5)中,用构造的朴素贝叶斯分类器对所述故障样本进行故障诊断,包括以下步骤:
(51)将预处理后的故障样本分为测试样本和训练样本Ts,计算训练样本Ts中故障类别cj的概率P(cj);
(52)估计所述训练样本中每一个故障特征属性属于该故障类别的概率,即计算相对概率P(ai|cj);
(53)根据相对概率P(ai|cj)和类别cj的概率P(cj)得到训练样本中特征的概率值Ρ(ai);
(54)根据所述概率值Ρ(ai)得到待诊断模拟电路故障样本中出现特征时样本属于cj的相对概率Ρ(cj|ai);
(55)根据朴素贝叶斯的独立假设得出样本yi属于类别cj的概率Ρ(k),其中1≤i≤n,n为样本的总数;
(56)采用步骤51-55中的方法,求出样本yi属于其他各个故障类别的概率,再对各个故障类别的概率值进行归一化,排序得到待分类样本yi属于各个类别的相似度,根据以下公式计算出最大后验概率MAP;
(57)根据MAP推出相应的朴素贝叶斯分类器定义公式:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910123671.XA CN109726770A (zh) | 2019-02-19 | 2019-02-19 | 一种模拟电路故障测试诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910123671.XA CN109726770A (zh) | 2019-02-19 | 2019-02-19 | 一种模拟电路故障测试诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109726770A true CN109726770A (zh) | 2019-05-07 |
Family
ID=66300527
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910123671.XA Pending CN109726770A (zh) | 2019-02-19 | 2019-02-19 | 一种模拟电路故障测试诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109726770A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111007390A (zh) * | 2019-11-23 | 2020-04-14 | 宜宾学院 | 基于代数方法的模拟电路故障诊断模型 |
CN112067971A (zh) * | 2020-08-06 | 2020-12-11 | 北京唯实兴邦科技有限公司 | 基于vi曲线故障现象矩阵对比快速隐患检测与诊断方法 |
CN114372693A (zh) * | 2021-12-31 | 2022-04-19 | 新疆大学 | 一种基于云模型和改进ds证据理论的变压器故障诊断方法 |
CN115575796A (zh) * | 2022-10-08 | 2023-01-06 | 共青科技职业学院 | 数据采集集成电路测试方法、系统、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101907681A (zh) * | 2010-07-15 | 2010-12-08 | 南京航空航天大学 | 基于gsd_svdd的模拟电路动态在线故障诊断方法 |
CN102520341A (zh) * | 2011-12-05 | 2012-06-27 | 南京航空航天大学 | 一种基于Bayes-KFCM算法的模拟电路故障诊断方法 |
CN107255785A (zh) * | 2017-04-28 | 2017-10-17 | 南京邮电大学 | 基于改进mRMR的模拟电路故障诊断方法 |
CN107656154A (zh) * | 2017-09-18 | 2018-02-02 | 杭州安脉盛智能技术有限公司 | 基于改进模糊c均值聚类算法的变压器故障诊断方法 |
-
2019
- 2019-02-19 CN CN201910123671.XA patent/CN109726770A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101907681A (zh) * | 2010-07-15 | 2010-12-08 | 南京航空航天大学 | 基于gsd_svdd的模拟电路动态在线故障诊断方法 |
CN102520341A (zh) * | 2011-12-05 | 2012-06-27 | 南京航空航天大学 | 一种基于Bayes-KFCM算法的模拟电路故障诊断方法 |
CN107255785A (zh) * | 2017-04-28 | 2017-10-17 | 南京邮电大学 | 基于改进mRMR的模拟电路故障诊断方法 |
CN107656154A (zh) * | 2017-09-18 | 2018-02-02 | 杭州安脉盛智能技术有限公司 | 基于改进模糊c均值聚类算法的变压器故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
孙健等: ""基于随机投影和NB 网络的模拟电路故障诊断"", 《仪器仪表学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111007390A (zh) * | 2019-11-23 | 2020-04-14 | 宜宾学院 | 基于代数方法的模拟电路故障诊断模型 |
CN111007390B (zh) * | 2019-11-23 | 2022-02-15 | 宜宾学院 | 基于代数方法的模拟电路故障诊断模型 |
CN112067971A (zh) * | 2020-08-06 | 2020-12-11 | 北京唯实兴邦科技有限公司 | 基于vi曲线故障现象矩阵对比快速隐患检测与诊断方法 |
CN114372693A (zh) * | 2021-12-31 | 2022-04-19 | 新疆大学 | 一种基于云模型和改进ds证据理论的变压器故障诊断方法 |
CN114372693B (zh) * | 2021-12-31 | 2024-05-14 | 新疆大学 | 一种基于云模型和改进ds证据理论的变压器故障诊断方法 |
CN115575796A (zh) * | 2022-10-08 | 2023-01-06 | 共青科技职业学院 | 数据采集集成电路测试方法、系统、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109726770A (zh) | 一种模拟电路故障测试诊断方法 | |
CN103728551B (zh) | 一种基于级联集成分类器的模拟电路故障诊断方法 | |
CN103245907B (zh) | 一种模拟电路故障诊断方法 | |
CN110336534A (zh) | 一种基于光伏阵列电气参数时间序列特征提取的故障诊断方法 | |
Du et al. | Online ensemble learning algorithm for imbalanced data stream | |
CN111027408A (zh) | 一种基于支持向量机和v-i曲线特征的负荷识别方法 | |
CN106503086A (zh) | 分布式局部离群点的检测方法 | |
CN101871994B (zh) | 多分数阶信息融合的模拟电路故障诊断方法 | |
CN104881521B (zh) | 一种标号随机集滤波器分布式融合方法 | |
CN105572572A (zh) | 基于wknn-lssvm的模拟电路故障诊断方法 | |
CN110569876A (zh) | 非侵入式负荷识别方法、装置及计算设备 | |
Zhu et al. | Adaptive fault diagnosis of HVCBs based on P-SVDD and P-KFCM | |
CN114676742A (zh) | 一种基于注意力机制和残差网络的电网异常用电检测方法 | |
CN109359665A (zh) | 一种基于支持向量机的家电负荷识别方法及装置 | |
Han et al. | Faulted-Phase classification for transmission lines using gradient similarity visualization and cross-domain adaption-based convolutional neural network | |
CN113869145A (zh) | 轻量级梯度提升机和麻雀搜索的电路故障诊断方法及系统 | |
Maruf et al. | Locating faults in distribution systems in the presence of distributed generation using machine learning techniques | |
Hou et al. | Deep-learning-based fault type identification using modified CEEMDAN and image augmentation in distribution power grid | |
CN108491719A (zh) | 一种改进朴素贝叶斯算法的安卓恶意程序检测方法 | |
Zhang et al. | A novel extreme learning machine using privileged information | |
Ma et al. | Measurement error assessment for smart electricity meters under extreme natural environmental stresses | |
Harish et al. | Fault detection and classification for wide area backup protection of power transmission lines using weighted extreme learning machine | |
Paul et al. | Residential appliance identification using 1-D convolutional neural network based on multiscale sinusoidal initializers | |
CN113987910A (zh) | 一种耦合神经网络与动态时间规划的居民负荷辨识方法及装置 | |
CN116842459B (zh) | 一种基于小样本学习的电能计量故障诊断方法及诊断终端 |
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 |