CN111220905A - 一种基于模糊分类器的模拟电路故障诊断方法 - Google Patents
一种基于模糊分类器的模拟电路故障诊断方法 Download PDFInfo
- Publication number
- CN111220905A CN111220905A CN201911061025.1A CN201911061025A CN111220905A CN 111220905 A CN111220905 A CN 111220905A CN 201911061025 A CN201911061025 A CN 201911061025A CN 111220905 A CN111220905 A CN 111220905A
- Authority
- CN
- China
- Prior art keywords
- fault
- fuzzy
- analog circuit
- output
- membership function
- 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
Images
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
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)
- Devices For Executing Special Programs (AREA)
Abstract
本发明公开了一种基于模糊分类器的模拟电路故障诊断方法,根据故障模型编写故障字典,然后构建模糊分离器,作为分类方法,给模糊分类器一个输入,它通过存储在模糊知识库中的隶属函数将其转换为语言变量,推理引擎获得模糊输入并使用IF‑Then规则转换为模糊输出,解模糊器中的隶属函数将模糊输出转换为清晰输出。在计算了所有输入特征参数集之后,模糊分类器可以输出元件的估计值,根据故障字典可以确定故障类型,因此可以获得更为准确的故障诊断结果。相比于传统的电子产品故障诊断方法,本发明所提出的方法具有应用广泛、识别准确率高、可视化效果好等优点。
Description
技术领域
本发明属于故障诊断领域,特别涉及一种基于模糊分类器的模拟电路故障诊断方法。
背景技术
随着电子行业的快速发展,测试和诊断在产品的可靠性中发挥着越来越重要的作用。据估计,测试成本占据了产品成本的三分之一,而混合信号电路的模拟部分的测试成本是测试成本的最主要部分。因此,模拟电路诊断的研究已成为热门课题。模拟电路中的故障分为硬故障和软故障。硬故障在电路级别上主要是开路和短路故障。软故障是由电路参数的变化引起的。由于它们的连续性,与硬故障相比,难以建立软故障的故障列表。
1962年R.S.Berkowitz首先提出模拟电路故障诊断理论。1979年IEEE协会将模拟电路故障诊断主要的方法归纳为三大类:估值法、分类法和拓扑法。1979年以后,故障诊断进入深入的发展阶段,根据对被测电路的模拟在测试之前或测试之后分为:测前模拟法—SBT和测后模拟法——SAT。除此之外,还有近似法和专家系统法。测试前的仿真方法消除了在线仿真过程中的误差,并且在测试活动之前只需要一次离线计算工作,所以更加有效。故障字典是一种属于模拟前测试的实用方法,首先选择输入激励以激励被测电路,然后在不同的故障和非故障条件下模拟或者测量电路对输入激励的响应。
目前虽然提出了几种用于模拟电路和系统软故障诊断的方法,但由于缺少故障模型,同时存在元件容差和非线性问题,模拟电路的故障诊断复杂而困难。传统的故障诊断方法已无法满足电子行业快速迭代的要求,需要发展更为准确、高效且适用性更广的模拟电路故障诊断方法。
发明内容
针对现有的模拟电路的故障诊断复杂而困难,本发明提出了一种基于模糊分类器的模拟电路故障诊断方法,可用于模拟电路单一故障和双重故障的诊断,通过建立故障模型和故障字典,采用模糊分类器,在拓宽诊断范围的同时实现更高的诊断精度。
本发明采用如下技术方案来实现:
一种基于模糊分类器的模拟电路故障诊断方法,包括以下步骤:
1)创建故障模型:
2)根据故障模型编写故障字典;
3)构建模糊分类器;
首先定义输入隶属函数和输出隶属函数,使用IF-THEN规则连接输入隶属函数和输出隶属函数;然后构建解模糊器,解模糊器将输出隶属函数的模糊输出转为清晰输出,并根据清晰输出确定元件的估计值;
4)根据步骤3)得到的估计值结合故障字典,确认故障类型;
优选的,步骤1)中创建故障模型的具体方法如下:
根据待诊断的模拟电路,建立电路故障与元件之间的关系,确定电路故障时元件值的变化范围,在该范围内创建多个故障模型,同时设定电路正常运行时元件值的标称公差极限。
优选的,所述电路故障包括单一故障和双重故障。
优选的,步骤2)中编写故障字典的方法如下:
首先,根据步骤1中创建的故障模型,在对应的元件值参数下对模拟电路进行频域分析,获取模拟电路的频率响应;
然后,提取频率响应结果中的峰值增益、峰值增益频率和峰值增益频率的相位;
最后,建立峰值增益、峰值增益频率和峰值增益频率的相位与故障模型的对应关系,完成故障字典的编写。
优选的,编写故障字典时,使用单一故障和双重故障的所有故障模型,并记录每个单一故障和双重故障特征参数,使故障字典涵盖所有的故障模型及其对应的特征参数。
优选的,将三角形的隶属函数作为输入隶属函数,基于峰值增益、峰值增益频率和峰值增益频率的相位定义隶属函数的三个输入。
优选的,采用高斯分布作为输出隶属函数。
优选的,采用重心法作为解模糊方法,计算公式如下:
其中y为一系列模糊值,B(yi)为取得模糊值的概率,N为模糊输出的个数,y*为模糊输出的重心。
本发明具有如下有益的技术效果:
本发明提供的一种基于模糊分类器的模拟电路故障诊断方法,根据故障模型编写故障字典,然后构建模糊分离器,作为分类方法,给模糊分类器一个输入,它通过存储在模糊知识库中的隶属函数将其转换为语言变量,推理引擎获得模糊输入并使用IF-Then规则转换为模糊输出,解模糊器中的隶属函数将模糊输出转换为清晰输出。在计算了所有输入特征参数集之后,模糊分类器可以输出元件的估计值,根据故障字典可以确定故障类型,因此可以获得更为准确的故障诊断结果。相比于传统的电子产品故障诊断方法,本发明所提出的方法具有应用广泛、识别准确率高、可视化效果好等优点。
本发明所提出的故障诊断方法既可以识别单一软故障也适用于多重软故障,对元件变化值小于50%的软故障也同样适用,基本涵盖了各种模拟电路的软故障,因此适用于几乎所有的模拟电路故障诊断;
进一步,故障诊断方法使用频率响应提取的增益,频率和相位三个特征值作为输入,构建模糊逻辑分类器作为分类方法,输出电路元件的估计值,因此可以获得更为准确的故障诊断结果。
附图说明
图1是Sallen-Key带通滤波器的电路图;
图2是模拟电路故障诊断方法的流程图;
图3是模糊分类器的结构图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细说明,所述实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
参照图1-3,一种基于模糊分类器的模拟电路故障诊断方法,包括如下步骤:
步骤1:创建故障模型。根据待诊断的模拟电路,确定单一故障和双重故障,并建立电路故障与元件之间的关系,确定电路故障时元件值的变化范围,在该范围内创建多个故障模型,同时设定电路正常运行时元件值的标称公差极限。
参阅图1,在该实施例中,考虑13个软故障(7个单一故障和6个双重故障)。7个单一故障分别是元件R1,R2,Rf,Ra,Rb,C1和C2,6个双重软故障分别是R1R2,RaRf,RAC1,RAC2,RfC1和RfC2。单一故障和双重故障中每一个元件值的变化为从-50%到+50%。为每个单一故障和双重故障创建8个故障模型,分别为-50%,-40%,-30%,-20%,+20%,+30%,+40%,+50%,将元件值变化±10%作为其标称公差极限。
步骤2:分析频率响应并编写故障字典。针对步骤1中创建的所有故障模型,在对应的元件值参数下对模拟电路进行频域分析,使用波特绘图仪获得被测模拟电路的频率响应。提取频率响应结果中的峰值增益、峰值增益频率和峰值增益频率的相位三个特征参数,建立这三个特征参数与故障模型的对应关系,由此生成故障字典。除此之外也可以通过数学方法获得模拟电路的频率响应。对于一个故障模型的每个特征参数,设置三个值,分别为实际值、比实际值低10%和高10%。
在编写故障字典时,使用电路仿真单一故障和双重故障的所有故障模型,并记录每个单一故障和双重故障特征参数,确保故障字典涵盖所有的故障模型及其对应的特征参数。
参阅图3,步骤3:设计模糊分类器。具体步骤如下:
步骤31:定义输入隶属函数。使用三角形的隶属函数作为输入隶属函数,基于峰值增益、峰值增益频率和峰值增益频率的相位这三个特征参数来定义三个输入,每个预定义的单一故障或双重故障都将具有9个隶属函数。步骤1中确定的故障数量为13,则系统中的每个输入都具有117个隶属函数;
步骤32:定义输出隶属函数。模拟电路中的元件数量为7,则模糊分类器中有7个输出变量,用于表示被测模拟电路中的每个元件,每个输出变量包含9个隶属函数。由于电阻器和电容器服从高斯分布,因此选择高斯分布作为输出隶属函数;
步骤33:定义了输入和输出变量的隶属函数之后,使用IF-THEN规则连接,规则的数量等于故障的数量。
本实施例中,由于有117个输入隶属函数,因此设计了117个IF-THEN连接规则。以故障RaC1+20%为例,判断规则如下:如果RaC1峰值增益,峰值增益频率和峰值增益频率的相位均为RaC1+20%的故障模型,则Ra为Ra+20%的故障模型,C1为C1+20%的故障模型,而R1,R2,Rf,Rb和C2在10%的元件容差限度内,为无故障模型时,此时可以判断此故障为RaC1+20%的故障模型。
步骤34:设置解模糊器。采用重心法作为解模糊方法,将模糊输出转化为明确输出,计算公式如下:
其中y为一系列模糊值,B(yi)为取得模糊值的概率,N为模糊输出的个数,y*为模糊输出的重心。
步骤4:进行故障诊断。给模糊分类器一个输入,它通过存储在模糊知识库中的隶属函数将其转换为语言变量,推理引擎获得模糊输入并使用IF-Then规则转换为模糊输出,解模糊器中的隶属函数将模糊输出转换为清晰输出。在计算了所有输入特征参数集之后,模糊分类器可以输出元件的估计值,根据故障字典可以确定故障类型。
本发明提供的一种基于模糊分类器的模拟电路故障诊断方法,相比于传统的电子产品故障诊断方法,本发明所提出的方法具有应用广泛、识别准确率高、可视化效果好等优点。
本发明所提出的故障诊断方法既可以识别单一软故障也适用于多重软故障,对元件变化值小于50%的软故障也同样适用,基本涵盖了各种模拟电路的软故障,因此适用于几乎所有的模拟电路故障诊断,应用广泛。
本发明中的故障诊断方法使用频率响应提取的增益,频率和相位三个特征值作为输入,构建模糊逻辑分类器作为分类方法,输出电路元件的估计值,因此可以获得更为准确的故障诊断结果,识别精度高。
使用LabVIEW中的图形编程设计了虚拟仪器。在模拟研究中,虚拟仪器包括模糊分类器和用于结果显示的组件。在实时验证中,虚拟仪器充当用于故障诊断的独立系统。它获取实时数据,对故障进行模糊分类并显示结果,可视化效果好。
Claims (8)
1.一种基于模糊分类器的模拟电路故障诊断方法,其特征在于,包括以下步骤:
1)创建故障模型:
2)根据故障模型编写故障字典;
3)构建模糊分类器;
首先定义输入隶属函数和输出隶属函数,使用IF-THEN规则连接输入隶属函数和输出隶属函数;然后构建解模糊器,解模糊器将输出隶属函数的模糊输出转为清晰输出,并根据清晰输出确定元件的估计值;
4)根据步骤3)得到的估计值结合故障字典,确认故障类型。
2.根据权利要求1所述的一种基于模糊分类器的模拟电路故障诊断方法,其特征在于,步骤1)中创建故障模型的具体方法如下:
根据待诊断的模拟电路,建立电路故障与元件之间的关系,确定电路故障时元件值的变化范围,在该范围内创建多个故障模型,同时设定电路正常运行时元件值的标称公差极限。
3.根据权利要求2所述的一种基于模糊分类器的模拟电路故障诊断方法,其特征在于,所述电路故障包括单一故障和双重故障。
4.根据权利要求3所述的一种基于模糊分类器的模拟电路故障诊断方法,其特征在于,步骤2)中编写故障字典的方法如下:
首先,根据步骤1中创建的故障模型,在对应的元件值参数下对模拟电路进行频域分析,获取模拟电路的频率响应;
然后,提取频率响应结果中的峰值增益、峰值增益频率和峰值增益频率的相位;
最后,建立峰值增益、峰值增益频率和峰值增益频率的相位与故障模型的对应关系,完成故障字典的编写。
5.根据权利要求4所述的一种基于模糊分类器的模拟电路故障诊断方法,其特征在于,编写故障字典时,使用单一故障和双重故障的所有故障模型,并记录每个单一故障和双重故障特征参数,使故障字典涵盖所有的故障模型及其对应的特征参数。
6.根据权利要求4所述的一种基于模糊分类器的模拟电路故障诊断方法,其特征在于,将三角形的隶属函数作为输入隶属函数,基于峰值增益、峰值增益频率和峰值增益频率的相位定义隶属函数的三个输入。
7.根据权利要求6所述的一种基于模糊分类器的模拟电路故障诊断方法,其特征在于,采用高斯分布作为输出隶属函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911061025.1A CN111220905A (zh) | 2019-11-01 | 2019-11-01 | 一种基于模糊分类器的模拟电路故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911061025.1A CN111220905A (zh) | 2019-11-01 | 2019-11-01 | 一种基于模糊分类器的模拟电路故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111220905A true CN111220905A (zh) | 2020-06-02 |
Family
ID=70829172
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911061025.1A Pending CN111220905A (zh) | 2019-11-01 | 2019-11-01 | 一种基于模糊分类器的模拟电路故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111220905A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6047114A (en) * | 1997-08-05 | 2000-04-04 | Institute For Information Industry | Method of constructing testing procedures for analog circuits by using fault classification tables |
CN102520342A (zh) * | 2011-12-07 | 2012-06-27 | 南京航空航天大学 | 基于动态反馈神经网络建模的模拟电路测试节点选择方法 |
CN103323749A (zh) * | 2013-05-16 | 2013-09-25 | 上海交通大学 | 多分类器信息融合的局部放电诊断方法 |
CN104793124A (zh) * | 2015-04-06 | 2015-07-22 | 长沙学院 | 基于小波变换和ica特征提取的开关电路故障诊断方法 |
CN105205492A (zh) * | 2015-08-26 | 2015-12-30 | 华北电力大学(保定) | 一种热力系统故障的模糊最近邻融合诊断方法 |
CN108828436A (zh) * | 2018-06-27 | 2018-11-16 | 桂林电子科技大学 | 基于混沌云自适应萤火虫算法的模拟电路故障诊断方法 |
-
2019
- 2019-11-01 CN CN201911061025.1A patent/CN111220905A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6047114A (en) * | 1997-08-05 | 2000-04-04 | Institute For Information Industry | Method of constructing testing procedures for analog circuits by using fault classification tables |
CN102520342A (zh) * | 2011-12-07 | 2012-06-27 | 南京航空航天大学 | 基于动态反馈神经网络建模的模拟电路测试节点选择方法 |
CN103323749A (zh) * | 2013-05-16 | 2013-09-25 | 上海交通大学 | 多分类器信息融合的局部放电诊断方法 |
CN104793124A (zh) * | 2015-04-06 | 2015-07-22 | 长沙学院 | 基于小波变换和ica特征提取的开关电路故障诊断方法 |
CN105205492A (zh) * | 2015-08-26 | 2015-12-30 | 华北电力大学(保定) | 一种热力系统故障的模糊最近邻融合诊断方法 |
CN108828436A (zh) * | 2018-06-27 | 2018-11-16 | 桂林电子科技大学 | 基于混沌云自适应萤火虫算法的模拟电路故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
ASHWANI KUMAR 等: "Fuzzy classifier for fault diagnosis in analog electronic circuits", 《ISA TRANSACTIONS》 * |
宋立博 等: "《运动控制系统原理、结构与设计》", 31 January 2009, 上海科学技术文献出版社 * |
龙驹 等: "《水泵用无刷直流电动机智能控制系统的MATLAB建模与仿真》", 31 December 2016, 西南交通大学出版社 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Long et al. | Improved diagnostics for the incipient faults in analog circuits using LSSVM based on PSO algorithm with Mahalanobis distance | |
CN106529090A (zh) | 一种航天电子类产品可靠性评估方法 | |
CN105572572B (zh) | 基于wknn-lssvm的模拟电路故障诊断方法 | |
JP7462400B2 (ja) | 問題騒音の発音源を識別するための騒音データの人工知能装置および前処理方法 | |
CN111260063B (zh) | 基于遗传算法的模拟电路故障定位与参数辨识方法 | |
Kumar et al. | Fuzzy classifier for fault diagnosis in analog electronic circuits | |
CN108562821B (zh) | 一种基于Softmax确定配电网单相接地故障选线的方法及系统 | |
Aretakis et al. | Nonlinear engine component fault diagnosis from a limited number of measurements using a combinatorial approach | |
CN110308384B (zh) | 基于圆模型和神经网络的模拟电路故障诊断方法 | |
Bilski et al. | Automated diagnostics of analog systems using fuzzy logic approach | |
CN108052953B (zh) | 基于特征相关的样本扩展方法 | |
CN111007390A (zh) | 基于代数方法的模拟电路故障诊断模型 | |
US7937197B2 (en) | Apparatus and methods for evaluating a dynamic system | |
CN103076556B (zh) | 航电组件功能维护测试点选取方法 | |
Maiden et al. | Using artificial neural networks or Lagrange interpolation to characterize the faults in an analog circuit: an experimental study | |
Papadopoulos et al. | Online parameter identification and generic modeling derivation of a dynamic load model in distribution grids | |
CN111220905A (zh) | 一种基于模糊分类器的模拟电路故障诊断方法 | |
CN112505533A (zh) | 基于改进粒子群算法的模拟电路双故障诊断方法 | |
CN116773192A (zh) | 基于数据及混合调制模型的行星齿轮箱故障诊断方法 | |
Zhao et al. | A new approach for analog circuit fault diagnosis based on extreme learning machine | |
Srimani et al. | Testing of analog circuits using statistical and machine learning techniques | |
Zilch et al. | Automatic tool for test set generation and DfT assessment in analog circuits | |
CN103714385A (zh) | 一种基于改进型克隆选择算法的模拟电路故障诊断方法 | |
Tadeusiewicz et al. | A method for parametric and catastrophic fault diagnosis of analog linear circuits | |
Duan et al. | A novel adaptive fault diagnosis method for wind power gearbox |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200602 |
|
RJ01 | Rejection of invention patent application after publication |