CN113609809A - 射频低噪放电路故障诊断方法、系统、设备、介质、终端 - Google Patents

射频低噪放电路故障诊断方法、系统、设备、介质、终端 Download PDF

Info

Publication number
CN113609809A
CN113609809A CN202110765607.9A CN202110765607A CN113609809A CN 113609809 A CN113609809 A CN 113609809A CN 202110765607 A CN202110765607 A CN 202110765607A CN 113609809 A CN113609809 A CN 113609809A
Authority
CN
China
Prior art keywords
circuit
radio frequency
layer
noise
neural network
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.)
Granted
Application number
CN202110765607.9A
Other languages
English (en)
Other versions
CN113609809B (zh
Inventor
杜晗
孙璐
付磊磊
李洋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN202110765607.9A priority Critical patent/CN113609809B/zh
Publication of CN113609809A publication Critical patent/CN113609809A/zh
Application granted granted Critical
Publication of CN113609809B publication Critical patent/CN113609809B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/36—Circuit design at the analogue level
    • G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/10—Noise analysis or noise optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Monitoring And Testing Of Transmission In General (AREA)
  • Testing Electric Properties And Detecting Electric Faults (AREA)

Abstract

本发明属于无线通信技术领域，公开了一种射频低噪放电路故障诊断方法、系统、设备、介质、终端，进行射频低噪放电路设计；进行故障特征参数提取及对数据进行数据增广；基于一维卷积神经网络的故障诊断模型的构建。本发明提供的射频低噪放电路故障诊断方法，建立了典型的射频低噪放电路的仿真模型，通过注入故障的方式，提取电路故障的特征参数并进行了数据增广。本发明通过实验说明了对数据进行数据增广后，一维卷积神经网络故障诊断法在射频电路故障诊断的可行性，丰富了样本空间的多样性，提高了模型的泛化能力，且有效防止了神经网络模型的过拟合现象，为射频电路故障诊断提供理论依据，对于实际射频电路故障诊断具有一定的参考价值。

Description

射频低噪放电路故障诊断方法、系统、设备、介质、终端
技术领域
本发明属于无线通信技术领域，尤其涉及一种射频低噪放电路故障诊断方法、系统、设备、介质、终端。
背景技术
目前，射频电路通常应用于无线通信领域，而射频半导体电路是射频电路的重要组成部分。随着无线通信系统的发展，信息时代的我们对无线通信的质量和速度都提出了更高的要求。射频半导体器件趋于小型化、低功耗，工作频率也逐渐增加，其工作环境复杂等因素使得射频电路故障率大大增加。判断电路是否故障以及迅速对电路故障点进行定位，可以为在设备维修或排除故障中提供方便，从而不仅降低经济损失，更能够减少对人类生活的影响，甚至防止重大事故的发生。
故障诊断是应用设备技术原理来确定设备是否正常，判断故障部位以及寻找故障原因并能够对故障进行排除的方法。电路故障诊断最开始主要针对低频模拟电路，目前低频模拟电路的诊断方法已经相对成熟，而基于深度学习针对射频电路故障诊断的研究尚不充分。其主要面临以下几个困难：
一方面，低频模拟电路故障诊断是对给定电路结构输入激励信号，分析不同状态电路输出信号之间的联系进行故障诊断与定位。射频电路的工作频率高，信号以电磁场方式传播，故障诊断中特征参数难以提取，通过提取输入激励和输出响应曲线分析电路工作状态意义不大。因此，传统的模拟电路测试方法难以适用于射频电路，针对射频电路的故障诊断需要进行进一步的研究。
另一方面，射频电路的可提取参数体量较大，参数分布范围随机且不具有规律性，深度神经网络的非线性拟合能力十分适合解决多维数据的特征分类问题，因此该方法能够较好解决射频电路的故障模式诊断。
深度学习是机器学习的一种主要算法，广泛应用于机器视觉、语音识别及自然语言处理等人工智能领域。卷积神经网络是最具代表性的深度学习算法，其具有较强的非线性拟合能力，可在大量非线性的高维数据中，通过梯度传播得到输入输出之间对应的映射关系。随着深度学习在各个领域的应用研究，卷积神经网络逐渐在故障诊断领域中受到学界的关注。因此，亟需一种利用卷积神经网络实现射频低噪放电路故障诊断的方法。
通过上述分析，现有技术存在的问题及缺陷为：
(1)现有基于深度学习针对射频电路故障诊断的研究尚不充分。
(2)射频电路的工作频率高，信号以电磁场方式传播，故障诊断中特征参数难以提取，通过提取输入激励和输出响应曲线分析电路工作状态意义不大，故传统的模拟电路测试方法难以适用于射频电路。
(3)射频电路的可提取参数体量较大，参数分布范围随机且不具有规律性。
解决以上问题及缺陷的难度为：射频电路特征参数难以选取、提取困难、提取点难以选择，如何有效地提取特征参数为本发明的第一个难点。在完成特征参数提取后，如何利用数据特征并进行数据预处理，选取合理的算法构建故障诊断模型是本发明的第二个难点。
解决以上问题及缺陷的意义为：基于一维卷积神经网络的射频低噪放电路故障诊断方法具有较强的非线性拟合能力，可在大量非线性的高维数据中，通过梯度传播得到输入输出之间对应的映射关系。弥补了常规方法在射频低噪放电路故障诊断问题上的模糊性和不确定性。
发明内容
针对现有技术存在的问题，本发明提供了一种射频低噪放电路故障诊断方法、系统、设备、介质、终端，尤其涉及一种基于一维卷积神经网络的射频低噪放电路故障诊断方法、系统、设备、介质、终端。
本发明是这样实现的，一种射频低噪放电路故障诊断方法，所述射频低噪放电路故障诊断方法包括以下步骤：
步骤一：进行射频低噪放电路设计；
低噪放电路作为比较具有代表意义的射频电路，通过对低噪放电路主要参数研究提出一种适用于射频电路故障诊断的研究方案，可以为其它射频电路故障诊断研究提供一定的借鉴意义。
步骤二：进行故障特征参数提取及数据增广；
选取低噪放电路作为研究对象，分析电路主要性能指标随电路退化的变化趋势，选取变化程度较为明显的S21参数和噪声系数NF作为特征参数。提出了以故障注入方式，即改变电路中元器件值偏离阈值设定故障类型，改变仿真温度提取特征参数的方案。对数据进行数据增广可以提高样本多样性，丰富样本特征的分布空间，使得模型更具有鲁棒性和普适性。
步骤三：基于一维卷积神经网络的故障诊断模型的构建。
设计构建了基于一维卷积神经网络的故障诊断模型，使用多卷积核多层次提取数据特征，使用最大池化提取数据特征的主要信息，优化参数求解过程，利用神经网络的特性解决故障参数中的非线性数据拟合难题，从大量的故障参数中求解故障模式的最优映射关系。
进一步，步骤一中，所述射频低噪放电路设计，包括：
射频低噪放电路实例采用ATF54143晶体管设计，频率范围为2.4～2.5GHz的低噪放电路；性能指标包括噪声系数NF<0.7dB，增益Gain<15，输入输出驻波VSWR<1.5。仿真电路的设计包括：明确性能指标后选择合适的晶体管并进行直流偏置电路设计；放大器的稳定性分析和设计；放大器电路的输入和输出匹配；最后对电路进行优化和改进。
在完成仿真电路的设计后，适当调整输入匹配网络，使输入输出匹配网络存在一定的阻抗失配；在射频电路设计中，考虑在不同的工作条件下电路工作的稳定性，射频电路的稳定性是指电路抑制环境变化，是维持通信系统正常工作的重要因素；对优化后的电路进行仿真，得到S参数曲线以及噪声系数和稳定性系数曲线K的曲线。仿真结果表明，射频低噪放仿真电路的设计符合预期。
进一步，步骤二中，所述故障特征参数提取及数据增广，其中，所述故障特征参数提取，包括：
通过改变电子电路的环境温度加速其老化过程，完成电子电路故障特征参数提取工作；结合射频电路稳定性特点和电路的退化性能提出了以环境温度为自变量，对电路中元器件注入故障，以低噪声放大电路的S21参数和噪声系数NF为因变量提取故障特征参数。
考虑软故障和硬故障两种故障模式，设置12种不同的射频电路健康状态；测试射频电路故障信息中，标签为C1、C2、C3、...和C12；其中，C1为正常状态；C2至C7为硬故障状态，以元器件开短路为主；C8至C12为软故障状态，是偏离元器件正常值一定范围而引起的故障；原始数据样本经过数据增广技术进行扩展后，总共有2220个样本，将所有样本按照0.9：0.1比率随机分为训练集和测试集。
分别对R1、R2和R3注入故障，其他元器件在健康状态范围内进行微量偏离；改变环境温度，将仿真温度从25℃升至261℃，每隔4℃进行一次测试，记录每个故障状态下的S21和噪声系数NF；对R1注入短路故障，R2和R3处于健康状态；将温度从25℃升至261℃，每隔4℃进行一次测试，提取S21和噪声系数NF的一部分。
进一步，所述数据增广，包括：
(1)镜像，用于将数据进行水平镜像；
(2)裁剪，用于对输入数据随机切割掉一部分；
(3)噪声，用于在数据中随机加入少量的噪声。
进一步，步骤三中，所述一维卷积神经网络的结构，包括：
一维卷积神经网络与经典卷积神经网络结构相似，区别在于输入数据的维度；所述一维卷积神经网络的基本结构由输入层、卷积层、池化层、全连接层和输出层组成，其中卷积层、池化层和全连接层的数量可根据任务的需要进行添加或减少。
(1)卷积层，采用多个卷积核对输入数据的局部区域进行卷积运算并产生相应特征，改变传统神经网络的全局感知方式，具有权值共享的特点。
在卷积层中，卷积核对前一层输出的特征矢量进行卷积操作，利用非线性激活函数构建输出特征矢量，每一层的输出均为对多输入特征的卷积结果，其数学模型描述为：
Figure BDA0003150939930000051
其中，Mj为输入特征矢量；l为第l层网络；
Figure BDA0003150939930000052
为权值即卷积核；
Figure BDA0003150939930000053
为网络偏置；
Figure BDA0003150939930000054
为第l层输出，
Figure BDA0003150939930000055
为第l层输入；*为卷积符号；f(·)为神经网络的激活函数。在CNN中，非线性激活函数通常选择修正线性单元ReLU，ReLU的公式化表述为：
Figure BDA0003150939930000056
其中，
Figure BDA0003150939930000057
为卷积操作的输出值；
Figure BDA0003150939930000058
为
Figure BDA0003150939930000059
的激活值。
(2)池化层：即下采样层，用于在保持特征不变性的前提下进一步减少冗余参数并描述出数据的主要特征；采用最大池化，最大池化是在输入的特征中提取局部最大值，池化过程如下：
Figure BDA00031509399300000510
其中，
Figure BDA00031509399300000511
为第l层第i个特征矢量中第t个神经单元的值，t∈[(j-1)W+1,jW]，W为池化区域的宽度，
Figure BDA00031509399300000512
为第l+1层神经元对应的值。
(3)全连接层和输出层：全连接层的主要作用是将所有卷积核提取到的每种特征整合在一起进行计算，将激活的特征向量输入到分类层完成任务需要，模型表示为：
O＝f(bO+kofv)；
其中，fv为特征矢量；bo、ko分别为偏置矩阵和权值矩阵。
进一步，步骤三中，所述基于一维卷积神经网络故障诊断流程，包括：
(1)对射频低噪放电路进行仿真并收集正常数据和故障数据，将数据进行数据增广后并按0.9：0.1分成训练集和测试集；
(2)构建一维卷积神经网络模型，并进行初始化；
(3)开始训练，直至所有轮次迭代完毕；
(4)训练完成，使用测试集评估模型最终训练效果。
本发明的另一目的在于提供一种应用所述的射频低噪放电路故障诊断方法的射频低噪放电路故障诊断系统，所述射频低噪放电路故障诊断系统包括：
电路设计模块，用于进行射频低噪放电路设计；
特征参数提取模块，用于进行故障特征参数提取及数据增广；
故障诊断模型构建模块，用于实现基于一维卷积神经网络的故障诊断模型的构建。
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
射频低噪放电路设计：采用ATF54143晶体管设计频率范围为2.4～2.5GHz的低噪放电路；所述射频低噪放电路设计包括明确性能指标后选择合适的晶体管并进行直流偏置电路设计；放大器的稳定性分析和设计；放大器电路的输入和输出匹配；最后对电路进行优化和改进；
故障特征参数提取及数据增广：通过改变电子电路的环境温度加速其老化过程，完成电子电路故障特征参数提取工作；结合射频电路稳定性特点和电路的退化性能提出了以环境温度为自变量，对电路中元器件注入故障，以低噪声放大电路的S21参数和噪声系数NF为因变量提取故障特征参数；随后对所提取的特征参数采用数据增广方法进行数据扩充。
基于一维卷积神经网络的故障诊断模型的构建：一维卷积神经网络与经典卷积神经网络结构相似，区别在于输入数据的维度；所述一维卷积神经网络的基本结构由输入层、卷积层、池化层、全连接层和输出层组成，其中卷积层、池化层和全连接层的数量可根据任务的需要进行添加或减少。
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
射频低噪放电路设计：采用ATF54143晶体管设计频率范围为2.4～2.5GHz的低噪放电路；所述射频低噪放电路设计包括明确性能指标后选择合适的晶体管并进行直流偏置电路设计；放大器的稳定性分析和设计；放大器电路的输入和输出匹配；最后对电路进行优化和改进；
故障特征参数提取及数据增广：通过改变电子电路的环境温度加速其老化过程，完成电子电路故障特征参数提取工作；结合射频电路稳定性特点和电路的退化性能提出了以环境温度为自变量，对电路中元器件注入故障，以低噪声放大电路的S21参数和噪声系数NF为因变量提取故障特征参数；随后对所提取的特征参数采用数据增广方法进行扩充。
基于一维卷积神经网络的故障诊断模型的构建：一维卷积神经网络与经典卷积神经网络结构相似，区别在于输入数据的维度；所述一维卷积神经网络的基本结构由输入层、卷积层、池化层、全连接层和输出层组成，其中卷积层、池化层和全连接层的数量可根据任务的需要进行添加或减少。
本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述的射频低噪放电路故障诊断系统。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明提供的射频低噪放电路故障诊断方法，建立了典型的射频低噪放电路的仿真模型，通过注入故障的方式，提取电路故障的特征参数并进行了数据增广。本发明通过实验说明了一维卷积神经网络故障诊断法在射频电路故障诊断的可行性，为射频电路故障诊断提供了一定的理论依据，对于实际射频电路故障诊断具有一定的参考价值。
由仿真实验可知，对于射频低噪放电路的故障诊断，传统分类算法隐马尔科夫模型和支持向量机的准确率都为83.3％，BP神经网络和一维卷积神经网络的准确率都为91.6％，比隐马尔科夫模型和支持向量机准确率高出8.3％。对于非线性分类问题，传统分类算法对故障参数的特征提取能力较弱，难以挖掘出多维输入数据与故障模式之间的关键特征信息，无法准确的表征出输入与输出数据之间的映射关系，而BP神经网络和一维卷积神经网络相对于隐马尔科夫模型和支持向量机算法具有更强的数据拟合能力，因此对于故障模式的分类效果更好。
使用本发明的数据增广方法对数据进行增广后，基于增广数据对一维卷积神经网络模型进行训练，该模型的准确率达到了96.7％，相对于未进行数据增广的准确率提高了5.1％，这是因为通过数据增广有效提高了样本特征的分布范围，丰富了样本空间的多样性，提高了模型的泛化能力，且有效防止了神经网络模型的过拟合现象。
对于本发明所研究的射频电路故障诊断问题，通过表中的实验对比可以发现，本发明提出的故障诊断模型准确率最好，对模型的硬故障和软故障的诊断效果都比较好，因此，本发明的研究工作充分证明了对数据进行数据增广后，基于一维卷积神经网络的射频电路故障诊断方法具有可行性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的射频低噪放电路故障诊断方法流程图。
图2是本发明实施例提供的射频低噪放电路故障诊断系统结构框图；
图中：1、电路设计模块；2、特征参数提取模块；3、故障诊断模型构建模块。
图3是本发明实施例提供的射频低噪放电路仿真原理图。
图4是本发明实施例提供的S参数曲线示意图。
图5是本发明实施例提供的噪声性能、稳定性系数K曲线示意图。
图6是本发明实施例提供的卷积神经网络结构图。
图7是本发明实施例提供的一维卷积神经网络的进行的故障诊断流程图。
图8是本发明实施例提供的分类精度示意图。
图9是本发明实施例提供的训练集的误差曲线示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种射频低噪放电路故障诊断方法、系统、设备、介质、终端，下面结合附图对本发明作详细的描述。
如图1所示，本发明实施例提供的射频低噪放电路故障诊断方法、系统、设备、介质、终端包括以下步骤：
S101，进行射频低噪放电路设计；
S102，进行故障特征参数提取及数据增广；
S103，基于一维卷积神经网络的故障诊断模型的构建。
如图2所示，本发明实施例提供的射频低噪放电路故障诊断系统包括：
电路设计模块1，用于进行射频低噪放电路设计；
特征参数提取模块2，用于进行故障特征参数提取及对已提取的数据进行数据增广；
故障诊断模型构建模块3，用于实现基于一维卷积神经网络的故障诊断模型的构建。
下面结合实施例对本发明的技术方案作进一步描述。
本发明建立了典型的射频低噪放(Low Noise Amplifier，LNA)电路的仿真模型，通过注入故障的方式，提取电路故障的特征参数并进行了数据增广(Data Augmentation，DA)。通过实验说明了对数据进行数据增广后，一维卷积神经网络故障诊断法(OneDimensional Convolutional Neural Network，1D-CNN)在射频电路故障诊断的可行性，为射频电路故障诊断提供了一定的理论依据，对于实际射频电路故障诊断具有一定的参考价值。
1、LNA电路设计
LNA电路实例采用ATF54143晶体管设计了频率范围为2.4～2.5GHz的低噪放电路，性能指标主要有噪声系数NF<0.7dB，增益Gain<15，输入输出驻波VSWR<1.5。仿真电路的设计主要包括：明确性能指标后选择合适的晶体管并进行直流偏置电路设计；放大器的稳定性分析和设计；放大器电路的输入和输出匹配；最后对电路进行优化和改进。如图3为LNA仿真原理图，图中MLIN1-5表示微带线，SNP1-6表示实际元器件模型。
在完成上述步骤之后，适当调整输入匹配网络，使输入输出匹配网络存在一定的阻抗失配，放大器的功率-电流转换效率会有效提高。在射频电路设计中，需要考虑在不同的工作条件下电路工作的稳定性，射频电路的稳定性是指电路抑制环境变化，是维持通信系统正常工作的一个重要因素，当一个射频电路变得不稳定时，该电路将无法完成正常功能，因此设计中都希望电路能有比较高的稳定性。对优化后的电路进行仿真，S参数曲线如图4所示，噪声系数和稳定性系数曲线K的曲线如图5所示。
图5中(a)反映了LNA的噪声性能，红色曲线代表晶体管最优噪声性能F＝Fmin，蓝色曲线代表实际晶体管的噪声性能，两者在频率2.45GHz处重合表示LNA噪声性能最优。故LNA仿真电路的设计符合预期。
2、故障特征参数提取及数据增广
2.1故障特征参数提取
由于电子电路的退化性能与工作时间以及环境温度有关。通过改变电子电路的环境温度加速其老化过程，来完成电子电路故障特征参数提取工作。此方法优点是能够更好地反应电子电路的正常的退化过程，较为符合电子电路的物理特性。本发明将结合射频电路稳定性特点和电路的退化性能提出了以环境温度为自变量，对电路中元器件注入故障，以低噪声放大电路的S21参数和噪声系数NF为因变量提取故障特征参数。
考虑软故障和硬故障两种故障模式，设置了12种不同的射频电路健康状态。测试射频电路故障信息如表1所示，标签为C1、C2、C3、...和C12。其中，C1为正常状态。C2至C7为硬故障状态，以元器件开短路为主。C8至C12为软故障状态，是偏离元器件正常值一定范围而引起的故障。原始数据样本经过数据增广技术进行扩展后，总共有2220个样本，将所有样本按照0.9：0.1比率随机分为训练集和测试集。
表1故障信息表
Figure BDA0003150939930000111
分别对R1、R2和R3注入故障，其他元器件在健康状态范围内进行微量偏离。改变环境温度，将仿真温度从25℃升至261℃，每隔4℃进行一次测试，记录每个故障状态下的S21和噪声系数NF。
表2是对R1注入短路故障，R2和R3处于健康状态。将温度从25℃升至261℃，每隔4℃进行一次测试，提取S21和噪声系数NF的一部分：
表2部分特征参数
Figure BDA0003150939930000112
Figure BDA0003150939930000121
2.2数据增广
数据增广技术主要用来防止神经网络模型的过拟合，所谓过拟合，指的就是神经网络可以高度拟合训练数据的分布情况，但是对于测试数据来说准确率很低，缺乏泛化能力。
对于神经网络，虽然一个两层网络在理论上可以拟合所有的分布，但是并不容易学习得到所有特征。因此，通常会增加神经网络的深度和广度，让神经网络的学习能力增强，便于拟合训练数据的分布情况。然而随着神经网络的加深，需要学习的参数也会随之增加，这样就会很容易导致过拟合，当数据集较小的时候，过多的参数会拟合数据集的所有特点，而非数据之间的共性。
通常，要求增广样本与原样本具有强相关性，如镜像(flip)、旋转(rotation)、缩放(scale)、裁剪(crop)、平移(translation)、噪声(noise)等方法，通过以上变换，在模型训练过程中，可以强制模型学习某些故障样本变换方式，提高样本多样性，丰富样本特征的分布空间，使得模型更具有鲁棒性和普适性，能够抵抗故障样本特征空间变化所带来的故障模式分割面平移的现象。
本发明所用的数据增广方法如下：
1)镜像(Flip)
本发明是将数据进行水平镜像。
2)裁剪(Crop)
随机裁剪是对输入数据随机切割掉一部分。
3)噪声(Noise)
是指在数据中随机加入少量的噪声。
以上方法对防止过拟合比较有效，使神经网络不能拟合输入数据的所有特征。
3、基于1D-CNN的故障诊断模型
3.11D-CNN的结构
卷积神经网络(Convolutional NeuralNetwork，CNN)是最具代表性的深度学习算法，具有局部连接、权值共享和多核卷积的特点。1D-CNN与经典CNN结构相似，区别在于输入数据的维度。1D-CNN的基本结构如图6所示，主要由输入层、卷积层(Convolution Layers)、池化层(Pooling Layers)、全连接层(Full Connected Layers)和输出层组成，其中卷积层、池化层和全连接层的数量可根据任务的需要进行添加或减少。
(1)卷积层：该层作用是采用多个卷积核对输入数据的局部区域进行卷积运算并产生相应特征，其改变了传统神经网络的全局感知方式，其具有权值共享的特点，在很大程度上减少了神经网络需要训练的权值参数。
在卷积层中，卷积核对前一层输出的特征矢量进行卷积操作，利用非线性激活函数构建输出特征矢量，每一层的输出均为对多输入特征的卷积结果，其数学模型可以描述为：
Figure BDA0003150939930000131
其中，Mj为输入特征矢量；l为第l层网络；
Figure BDA0003150939930000132
为权值即卷积核；
Figure BDA0003150939930000133
为网络偏置；
Figure BDA0003150939930000134
为第l层输出，
Figure BDA0003150939930000135
为第l层输入；*为卷积符号；f(·)为神经网络的激活函数。在CNN中，非线性激活函数通常选择修正线性单元(rectified linear unit，ReLU)，ReLU的公式化表述为：
Figure BDA0003150939930000136
其中，
Figure BDA0003150939930000137
为卷积操作的输出值；
Figure BDA0003150939930000138
为
Figure BDA0003150939930000139
的激活值。
(2)池化层：通常也叫下采样层，其主要作用是在保持特征不变性的前提下进一步减少冗余参数并描述出数据的主要特征，在一定程度上可以防止过拟合。该层采样方式主要有平均池化(mean-pooling)和最大池化(max-pooling)。本发明采用最大池化。最大池化是在输入的特征中提取局部最大值，降低可训练参数数目和提高特征的鲁棒性。池化过程如下：
Figure BDA0003150939930000141
其中，
Figure BDA0003150939930000142
为第l层第i个特征矢量中第t个神经单元的值，t∈[(j-1)W+1,jW]，W为池化区域的宽度，
Figure BDA0003150939930000143
为第l+1层神经元对应的值。
(3)全连接层和输出层：全连接层的主要作用是将所有卷积核提取到的每种特征整合在一起进行计算，然后将激活的特征向量输入到分类层完成任务需要。模型可表示为：
O＝f(bo+kofv)；
其中，fv为特征矢量；bo、ko分别为偏置矩阵和权值矩阵。
3.2基于1D-CNN故障诊断流程
本次研究构造了一个11层的1DCNN，基于1D-CNN的进行的故障诊断流程图如图7所示，具体步骤如下：
(1)对LNA电路进行仿真并收集正常数据和故障数据，将数据进行数据增广后并按0.9：0.1分成训练集和测试集。
(2)构建1DCNN神经网络模型，并进行初始化。
(3)开始训练，直至所有轮次迭代完毕
(4)训练完成，使用测试集评估模型最终训练效果。
4、故障诊断实验
4.1基于1DCNN的LNA故障诊断实验
LNA故障诊断以S21和噪声系数NF进行实验，本次实验共十二种健康状态，类别标号分别为C1、C2、…、C12。将2220个样本按0.9：0.1分为1980个训练样本和240个测试样本。在学习率为0.003，批量大小为32的情况下，神经网络分类正确率最高，达到96.7％。各类的分类率如图8的混淆矩阵所示。
通过图9训练集的误差曲线可看到训练到第15轮次后模型开始收敛，损失率约为0.25左右。
4.2实验结果与对比
为了证明本发明所提出诊断方法的优越性，实验采用多种诊断方法进行对比，其他方法其中包括：隐马尔科夫模型(Hidden Markov Model，HMM)、支持向量机(supportvector machine，SVM)、BP神经网络、HMM+SVM。在进行对比实验后，得到各个方法的测试正确率。如表3所示，列出了各类对比方法的测试正确率。本发明方法基于增广数据的1DCNN模型(DA+1DCNN)准确率最高，可达96.7％。
表3实验结果对比
Figure BDA0003150939930000151
由表3可发现，对于LNA的故障诊断，传统分类算法HMM和SVM的准确率都为83.3％，BP神经网络和1DCNN的准确率都为91.6％，比HMM和SVM准确率高出8.3％。对于非线性分类问题，传统分类算法对故障参数的特征提取能力较弱，难以挖掘出多维输入数据与故障模式之间的关键特征信息，无法准确地表征出输入与输出数据之间的映射关系，而BP神经网络和1DCNN相对于HMM和SVM算法具有更强的数据拟合能力，因此对于故障模式的分类效果更好。
使用本发明的数据增广方法对数据进行增广后，基于增广数据对1DCNN模型进行训练，该模型的准确率达到了96.7％，相对于未进行数据增广的准确率提高了5.1％，这是因为通过数据增广有效提高了样本特征的分布范围，丰富了样本空间的多样性，提高了模型的泛化能力，且有效防止了神经网络模型的过拟合现象。
对于本发明所研究的射频电路故障诊断问题，通过表中的实验对比可以发现，本发明提出的故障诊断模型准确率最好，对模型的硬故障和软故障的诊断效果都比较好，因此，本发明的研究工作充分证明了基于增广数据的1DCNN模型的射频电路故障诊断方法具有可行性。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种射频低噪放电路故障诊断方法，其特征在于，所述射频低噪放电路故障诊断方法包括：
进行射频低噪放电路设计；
进行故障特征参数提取及数据增广；
基于一维卷积神经网络的故障诊断模型的构建。
2.如权利要求1所述的射频低噪放电路故障诊断方法，其特征在于，所述射频低噪放电路设计，包括：射频低噪放电路实例采用ATF54143晶体管设计频率范围为2.4～2.5GHz的低噪放电路；性能指标包括噪声系数NF<0.7dB，增益Gain<15，输入输出驻波VSWR<1.5；仿真电路的设计包括：明确性能指标后选择合适的晶体管并进行直流偏置电路设计；放大器的稳定性分析和设计；放大器电路的输入和输出匹配；最后对电路进行优化和改进；
在完成仿真电路的设计后，适当调整输入匹配网络，使输入输出匹配网络存在一定的阻抗失配；在射频电路设计中，考虑在不同的工作条件下电路工作的稳定性，射频电路的稳定性是指电路抑制环境变化，是维持通信系统正常工作的重要因素；对优化后的电路进行仿真，得到S参数曲线以及噪声系数和稳定性系数曲线K的曲线；仿真结果表明，射频低噪放仿真电路的设计符合预期。
3.如权利要求1所述的射频低噪放电路故障诊断方法，其特征在于，所述故障特征参数提取及数据增广，其中，所述故障特征参数提取，包括：
通过改变电子电路的环境温度加速其老化过程，完成电子电路故障特征参数提取工作；结合射频电路稳定性特点和电路的退化性能提出了以环境温度为自变量，对电路中元器件注入故障，以低噪声放大电路的S21参数和噪声系数NF为因变量提取故障特征参数；
考虑软故障和硬故障两种故障模式，设置12种不同的射频电路健康状态；测试射频电路故障信息中，标签为C1、C2、C3、...和C12；其中，C1为正常状态；C2至C7为硬故障状态，以元器件开短路为主；C8至C12为软故障状态，是偏离元器件正常值一定范围而引起的故障；原始数据样本经过数据增广技术进行扩展后，总共有2220个样本，将所有样本按照0.9：0.1比率随机分为训练集和测试集；
分别对R1、R2和R3注入故障，其他元器件在健康状态范围内进行微量偏离；改变环境温度，将仿真温度从25℃升至261℃，每隔4℃进行一次测试，记录每个故障状态下的S21和噪声系数NF；对R1注入短路故障，R2和R3处于健康状态；将温度从25℃升至261℃，每隔4℃进行一次测试，提取S21和噪声系数NF的一部分。
4.如权利要求3所述的射频低噪放电路故障诊断方法，其特征在于，所述数据增广，包括：
(1)镜像，用于将数据进行水平镜像；
(2)裁剪，用于对输入数据随机切割掉一部分；
(3)噪声，用于在数据中随机加入少量的噪声。
5.如权利要求1所述的射频低噪放电路故障诊断方法，其特征在于，所述一维卷积神经网络的结构，包括：一维卷积神经网络与经典卷积神经网络结构相似，区别在于输入数据的维度；所述一维卷积神经网络的基本结构由输入层、卷积层、池化层、全连接层和输出层组成，其中卷积层、池化层和全连接层的数量可根据任务的需要进行添加或减少；
(1)卷积层，采用多个卷积核对输入数据的局部区域进行卷积运算并产生相应特征，改变传统神经网络的全局感知方式，具有权值共享的特点；
在卷积层中，卷积核对前一层输出的特征矢量进行卷积操作，利用非线性激活函数构建输出特征矢量，每一层的输出均为对多输入特征的卷积结果，其数学模型描述为：
Figure FDA0003150939920000021
其中，Mj为输入特征矢量；l为第l层网络；
Figure FDA0003150939920000022
为权值即卷积核；
Figure FDA0003150939920000023
为网络偏置；
Figure FDA0003150939920000024
为第l层输出，
Figure FDA0003150939920000025
为第l层输入；*为卷积符号；f(·)为神经网络的激活函数；在CNN中，非线性激活函数通常选择修正线性单元ReLU，ReLU的公式化表述为：
Figure FDA0003150939920000031
其中，
Figure FDA0003150939920000032
为卷积操作的输出值；
Figure FDA0003150939920000033
为
Figure FDA0003150939920000034
的激活值；
(2)池化层：即下采样层，用于在保持特征不变性的前提下进一步减少冗余参数并描述出数据的主要特征；采用最大池化，最大池化是在输入的特征中提取局部最大值，池化过程如下：
Figure FDA0003150939920000035
其中，
Figure FDA0003150939920000036
为第l层第i个特征矢量中第t个神经单元的值，t∈[(j-1)W+1,jW]，W为池化区域的宽度，
Figure FDA0003150939920000037
为第l+1层神经元对应的值；
(3)全连接层和输出层：全连接层的主要作用是将所有卷积核提取到的每种特征整合在一起进行计算，将激活的特征向量输入到分类层完成任务需要，模型表示为：
O＝f(bo+kofv)；
其中，fv为特征矢量；bo、ko分别为偏置矩阵和权值矩阵。
6.如权利要求1所述的射频低噪放电路故障诊断方法，其特征在于，所述基于一维卷积神经网络故障诊断流程，包括：
(1)对射频低噪放电路进行仿真并收集正常数据和故障数据，将数据进行数据增广后并按0.9：0.1分成训练集和测试集；
(2)构建一维卷积神经网络模型，并进行初始化；
(3)开始训练，直至所有轮次迭代完毕；
(4)训练完成，使用测试集评估模型最终训练效果。
7.一种实施权利要求1～6任意一项所述的射频低噪放电路故障诊断方法的射频低噪放电路故障诊断系统，其特征在于，所述射频低噪放电路故障诊断系统包括：
电路设计模块，用于进行射频低噪放电路设计；
特征参数提取模块，用于进行故障特征参数提取及数据增广；
故障诊断模型构建模块，用于实现基于一维卷积神经网络的故障诊断模型的构建。
8.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
射频低噪放电路设计：采用ATF54143晶体管设计频率范围为2.4～2.5GHz的低噪放电路；所述射频低噪放电路设计包括明确性能指标后选择合适的晶体管并进行直流偏置电路设计；放大器的稳定性分析和设计；放大器电路的输入和输出匹配；最后对电路进行优化和改进；
故障特征参数提取及数据增广：通过改变电子电路的环境温度加速其老化过程，完成电子电路故障特征参数提取工作；结合射频电路稳定性特点和电路的退化性能提出了以环境温度为自变量，对电路中元器件注入故障，以低噪声放大电路的S21参数和噪声系数NF为因变量提取故障特征参数；随后对所提取的特征参数采用数据增广方法进行数据扩充。
基于一维卷积神经网络的故障诊断模型的构建：一维卷积神经网络与经典卷积神经网络结构相似，区别在于输入数据的维度；所述一维卷积神经网络的基本结构由输入层、卷积层、池化层、全连接层和输出层组成，其中卷积层、池化层和全连接层的数量可根据任务的需要进行添加或减少。
9.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
射频低噪放电路设计：采用ATF54143晶体管设计频率范围为2.4～2.5GHz的低噪放电路；所述射频低噪放电路设计包括明确性能指标后选择合适的晶体管并进行直流偏置电路设计；放大器的稳定性分析和设计；放大器电路的输入和输出匹配；最后对电路进行优化和改进；
故障特征参数提取及数据增广：通过改变电子电路的环境温度加速其老化过程，完成电子电路故障特征参数提取工作；结合射频电路稳定性特点和电路的退化性能提出了以环境温度为自变量，对电路中元器件注入故障，以低噪声放大电路的S21参数和噪声系数NF为因变量提取故障特征参数；随后对所提取的特征参数采用数据增广方法进行扩充。
基于一维卷积神经网络的故障诊断模型的构建：一维卷积神经网络与经典卷积神经网络结构相似，区别在于输入数据的维度；所述一维卷积神经网络的基本结构由输入层、卷积层、池化层、全连接层和输出层组成，其中卷积层、池化层和全连接层的数量可根据任务的需要进行添加或减少。
10.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现如权利要求7所述的射频低噪放电路故障诊断系统。
CN202110765607.9A 2021-07-06 2021-07-06 射频低噪放电路故障诊断方法、系统、设备、介质、终端 Active CN113609809B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110765607.9A CN113609809B (zh) 2021-07-06 2021-07-06 射频低噪放电路故障诊断方法、系统、设备、介质、终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110765607.9A CN113609809B (zh) 2021-07-06 2021-07-06 射频低噪放电路故障诊断方法、系统、设备、介质、终端

Publications (2)

Publication Number Publication Date
CN113609809A true CN113609809A (zh) 2021-11-05
CN113609809B CN113609809B (zh) 2024-04-05

Family

ID=78337367

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110765607.9A Active CN113609809B (zh) 2021-07-06 2021-07-06 射频低噪放电路故障诊断方法、系统、设备、介质、终端

Country Status (1)

Country Link
CN (1) CN113609809B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115361272A (zh) * 2022-08-08 2022-11-18 展讯通信（上海）有限公司 一种基带芯片的通信故障检测方法、系统和电子设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180357542A1 (en) * 2018-06-08 2018-12-13 University Of Electronic Science And Technology Of China 1D-CNN-Based Distributed Optical Fiber Sensing Signal Feature Learning and Classification Method
CN111964908A (zh) * 2020-08-17 2020-11-20 天津大学 一种基于mwdcnn的变工况下轴承故障诊断方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180357542A1 (en) * 2018-06-08 2018-12-13 University Of Electronic Science And Technology Of China 1D-CNN-Based Distributed Optical Fiber Sensing Signal Feature Learning and Classification Method
CN111964908A (zh) * 2020-08-17 2020-11-20 天津大学 一种基于mwdcnn的变工况下轴承故障诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
吴东升;杨青;张继云;纪振平;: "基于VMD-LMD-CNN的集合型故障诊断方法", 轴承, no. 10 *
田粉霞;杨世武;崔勇;武沛;: "基于改进卷积神经网络的无绝缘轨道电路调谐区故障诊断", 铁路计算机应用, no. 06 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115361272A (zh) * 2022-08-08 2022-11-18 展讯通信（上海）有限公司 一种基带芯片的通信故障检测方法、系统和电子设备

Also Published As

Publication number Publication date
CN113609809B (zh) 2024-04-05

Similar Documents

Publication Publication Date Title
CN109635928A (zh) 一种基于深度学习模型融合的电压暂降原因识别方法
CN114157539B (zh) 一种数据知识双驱动的调制智能识别方法
CN111309718B (zh) 一种配网电压数据缺失填补方法及装置
CN113971440B (zh) 一种基于深度聚类的无监督雷达信号分选方法
CN112101487B (zh) 一种细粒度识别模型的压缩方法和设备
CN111680788A (zh) 基于深度学习的设备故障诊断方法
Xiaolin et al. Multistage pruning of CNN based ECG classifiers for edge devices
CN113609809B (zh) 射频低噪放电路故障诊断方法、系统、设备、介质、终端
CN114880505A (zh) 图像检索方法、装置及计算机程序产品
CN114626435A (zh) 一种高准确率的滚动轴承智能故障特征选择方法
CN115906303A (zh) 一种基于机器学习的平面微波滤波器设计方法及装置
CN118068195A (zh) 电池健康状态预测模型的建立方法和系统
Rui et al. Smart network maintenance in an edge cloud computing environment: An adaptive model compression algorithm based on model pruning and model clustering
CN111914083B (zh) 语句处理方法、装置及存储介质
CN117034030A (zh) 基于正反双向信息融合的脑电图数据对齐算法
Xu et al. A hybrid model for multi-step wind speed forecasting based on secondary decomposition, deep learning, and error correction algorithms
CN116227553A (zh) 基于卷积神经网络的声源定位的方法及系统
Zhang et al. A heavy-tailed distribution data generation method based on generative adversarial network
CN115169740A (zh) 基于压缩感知的池化回声状态网络的序列预测方法及系统
Liu et al. A deep neural network pruning method based on gradient L1-norm
CN114118411A (zh) 图像识别网络的训练方法、图像识别方法及装置
CN114168822A (zh) 一种时间序列数据聚类模型建立及时间序列数据聚类方法
Zhao et al. Differentiable Channel Sparsity Search via Weight Sharing within Filters
Wang et al. Cross-Level fusion for rotating machinery fault diagnosis under compound variable working conditions
Kung XNAS: a regressive/progressive NAS for deep learning

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