CN115828727A - 一种射频电路的健康评估方法及装置 - Google Patents
一种射频电路的健康评估方法及装置 Download PDFInfo
- Publication number
- CN115828727A CN115828727A CN202211335963.8A CN202211335963A CN115828727A CN 115828727 A CN115828727 A CN 115828727A CN 202211335963 A CN202211335963 A CN 202211335963A CN 115828727 A CN115828727 A CN 115828727A
- Authority
- CN
- China
- Prior art keywords
- health
- fault
- radio frequency
- simulation data
- frequency circuit
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种射频电路的健康评估方法及装置,其方法包括:在真实的案例条件下,能够充分基于射频电路中巴伦滤波器的工作原理和内部构造实际情况,对射频电路中巴伦滤波器及其内部关键部件进行模型构建,为后续加入时间应力关联故障和主动激励测试提供了基础条件。通过健康表征分析,选取能够表征射频电路健康状态的关键参数,利用仿真模型注入故障后主动激励测试获取的参数数据进行多种特征的提取,通过趋势性分析筛选出能够表征射频电路时间应力关联故障的特征参数;最终,将以上高维度的特征进行PCA主成分分析,并基于高斯混合模型构建了巴伦滤波器的健康度,进而完成了射频电路中巴伦滤波器的健康状态评估。
Description
技术领域
本发明涉及电力电子技术领域,特别涉及一种射频电路的健康评估方法及装置。
背景技术
射频(RF)电路是处理信号的电磁波长与电路或器件尺寸处于同一数量级的电路,此时由于器件尺寸和导线尺寸的关系,电路需要用分布参数的相关理论来处理,这类电路都可以认为是射频电路。巴伦滤波器是射频收发系统中的重要元件,在各种形式的无线通信中运用广泛,它可以滤除无用信号,进而让杂散信号有效衰减和抑制,最终让目标频率低损耗通过。滤波器是通信系统中最基础的也是较重要的器件,它的性能指标直接影响通信系统的灵敏度、抗干扰、发射功率等性能指标。
由于射频电路工作过程中经历的时间应力剖面复杂、工况多变等因素,导致其健康状态具有很强的不确定性,现有技术下健康状态评价结果的可信度、准确度及鲁棒性需要进一步提升。
发明内容
根据本发明实施例提供的方案解决的技术问题是现有技术下健康状态评价结果的可信度、准确度及鲁棒性需要进一步提升。
根据本发明实施例提供的一种射频电路的健康评估方法,包括:
构建射频电路中巴伦滤波器仿真模型,并通过对所述巴伦滤波器仿真模型分别进行时间应力关联故障模式分析和健康表征分析,得到巴伦滤波器的时间应力关联故障模式和健康表征参数;
根据所述巴伦滤波器的时间应力关联故障模式,确定所述巴伦滤波器中的故障关键器件,并通过对所述故障关键器件进行连续故障注入仿真与主动激励测试处理,得到所述故障关键器件在不同故障程度下的健康表征参数仿真数据;
通过对所述故障关键器件的健康表征参数仿真数据进行健康表征参数的特征提取,得到所述故障关键器件的健康表征特征参数仿真数据;
利用所述故障关键器件的健康表征特征参数仿真数据进行射频电路的健康评估处理,得到射频电路的健康评估结果。
优选地,所述构建射频电路中巴伦滤波器仿真模型包括:
根据射频电路中巴伦滤波器的器件种类和器件间的连接关系,构建射频电路中巴伦滤波器仿真模型。
优选地,通过对所述巴伦滤波器仿真模型进行时间应力关联故障模式分析,选取对巴伦滤波器输入输出和滤波器性能有影响的故障模式,并将所述对巴伦滤波器输入输出和滤波器性能有影响的故障模式作为巴伦滤波器的时间应力关联故障模式。
优选地,所述健康表征分析包括相关性分析、冗余性分析、互补性分析、条件冗余性分析以及条件相关分析。
优选地,在得到所述故障关键器件在不同故障程度下的健康表征参数仿真数据之后,还包括:
在所述故障关键器件的每个健康表征参数仿真数据上添加用于模拟测量误差的高斯噪声,得到添加有高斯噪声的健康表征参数仿真数据。
优选地,所述用于模拟测量误差的高斯噪声包括:
确定高斯分布的均值和方差,并根据实际测量每个健康表征参数仿真数据的误差,设置高斯分布系数;
利用所述高斯分布系数,得到用于模拟测量误差的高斯噪声。
优选地,所述通过对所述故障关键器件的健康表征参数仿真数据进行健康表征参数的特征提取,得到所述故障关键器件的健康表征特征参数仿真数据包括:
通过对所述故障关键器件的健康表征参数仿真数据进行健康表征参数的特征提取,选取随巴伦滤波器健康状态变化而具有相应变化趋势的一个或多个健康表征特征参数仿真数据,并将所述一个或多个健康表征特征参数仿真数据作为所述故障关键器件的健康表征特征参数仿真数据。
优选地,所述利用所述故障关键器件的健康表征特征参数仿真数据进行射频电路的健康评估处理,得到射频电路的健康评估结果包括:
利用所述故障关键器件的健康表征特征参数仿真数据对所述故障关键器件的健康评估处理,所述故障关键器件的健康评估结果;
将所述故障关键器件的健康评估结果作为射频电路的健康评估结果。
优选地,所述利用所述故障关键器件的健康表征特征参数仿真数据对所述故障关键器件的健康评估处理,所述故障关键器件的健康评估结果包括:
通过对所述故障关键器件的健康表征特征参数仿真数据进行主成分分析PCA降维处理,得到PCA降维处理后的健康表征特征参数仿真数据;
利用高斯混合模型和所述PCA降维处理后的健康表征特征参数仿真数据对所述故障关键器件进行健康评估处理,得到所述故障关键器件的健康评估结果。
根据本发明实施例提供的一种射频电路的健康评估装置,包括:
分析模块,用于构建射频电路中巴伦滤波器仿真模型,并通过对所述巴伦滤波器仿真模型分别进行时间应力关联故障模式分析和健康表征分析,得到巴伦滤波器的时间应力关联故障模式和健康表征参数;
仿真处理模块,用于根据所述巴伦滤波器的时间应力关联故障模式,确定所述巴伦滤波器中的故障关键器件,并通过对所述故障关键器件进行连续故障注入仿真与主动激励测试处理,得到所述故障关键器件在不同故障程度下的健康表征参数仿真数据;
特征提取模块,用于通过对所述故障关键器件的健康表征参数仿真数据进行健康表征参数的特征提取,得到所述故障关键器件的健康表征特征参数仿真数据;
健康评估模块,用于利用所述故障关键器件的健康表征特征参数仿真数据进行射频电路的健康评估处理,得到射频电路的健康评估结果。
根据本发明实施例提供的方案,考虑了射频电路工作时经历的时间应力剖面复杂、工况多变等因素,将时间应力关联的故障模式作为健康评估重点,提升了射频电路状态评价结果的可信度、准确度。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于理解本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明实施例提供的一种射频电路的健康评估方法流程图;
图2是本发明实施例提供的一种射频电路的健康评估装置示意图;
图3是本发明实施例提供的面向时间应力关联故障的射频电路的健康评估方法流程图;
图4是本发明实施例提供的巴伦滤波器仿真模型示意图;
图5是本发明实施例提供的搭建的巴伦滤波器仿真模型的波特图;
图6是本发明实施例提供的正常工作状态下电路的输出示意图;
图7是本发明实施例提供的异常工作状态下电路的输出示意图;
图8是本发明实施例提供的九种特征的变化趋势结果示意图;
图9是本发明实施例提供的处理后的仿真数据提取的峰峰值特征示意图;
图10是本发明实施例提供的处理后的仿真数据提取的方差特征示意图;
图11是本发明实施例提供的处理后的仿真数据提取的最大值特征示意图;
图12是本发明实施例提供的处理后的仿真数据提取的最小值特征示意图;
图13是本发明实施例提供的健康度结果分布示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行详细说明,应当理解,以下所说明的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
现有技术中的射频电路在其设计制造阶段,没有大量的时间应力与故障的数据资料,现有技术缺乏获取时间应力与设备故障的关联关系、时间应力下故障数据的手段,而这对于开展设备健康评估与故障预测十分重要。此外,随着射频电路使用时间的增长,巴伦滤波器的电感组件会在时间应力的作用下发生老化,性能也会逐渐下降,进而影响到整个通信系统的灵敏度、发射功率、抗干扰等性能指标。因此需要对巴伦滤波器的健康状态展开评估,及时的发现并预测时间应力作用下的设备健康状态,为后续开展维修保障等措施提供技术支持。
图1是本发明实施例提供的一种射频电路的健康评估方法流程图,如图1所示,包括:
步骤S101:构建射频电路中巴伦滤波器仿真模型,并通过对所述巴伦滤波器仿真模型分别进行时间应力关联故障模式分析和健康表征分析,得到巴伦滤波器的时间应力关联故障模式和健康表征参数;
步骤S102:根据所述巴伦滤波器的时间应力关联故障模式,确定所述巴伦滤波器中的故障关键器件,并通过对所述故障关键器件进行连续故障注入仿真与主动激励测试处理,得到所述故障关键器件在不同故障程度下的健康表征参数仿真数据;
步骤S103:通过对所述故障关键器件的健康表征参数仿真数据进行健康表征参数的特征提取,得到所述故障关键器件的健康表征特征参数仿真数据;
步骤S104:利用所述故障关键器件的健康表征特征参数仿真数据进行射频电路的健康评估处理,得到射频电路的健康评估结果。
其中,所述构建射频电路中巴伦滤波器仿真模型包括:根据射频电路中巴伦滤波器的器件种类和器件间的连接关系,构建射频电路中巴伦滤波器仿真模型。
具体地说,通过对所述巴伦滤波器仿真模型进行时间应力关联故障模式分析,选取对巴伦滤波器输入输出和滤波器性能有影响的故障模式,并将所述对巴伦滤波器输入输出和滤波器性能有影响的故障模式作为巴伦滤波器的时间应力关联故障模式。
其中,所述健康表征分析包括相关性分析、冗余性分析、互补性分析、条件冗余性分析以及条件相关分析。
本发明实施例在得到所述故障关键器件在不同故障程度下的健康表征参数仿真数据之后,还包括:在所述故障关键器件的每个健康表征参数仿真数据上添加用于模拟测量误差的高斯噪声,得到添加有高斯噪声的健康表征参数仿真数据。
具体地说,所述用于模拟测量误差的高斯噪声包括:确定高斯分布的均值和方差,并根据实际测量每个健康表征参数仿真数据的误差,设置高斯分布系数;利用所述高斯分布系数,得到用于模拟测量误差的高斯噪声。
进一步地,所述通过对所述故障关键器件的健康表征参数仿真数据进行健康表征参数的特征提取,得到所述故障关键器件的健康表征特征参数仿真数据包括:通过对所述故障关键器件的健康表征参数仿真数据进行健康表征参数的特征提取,选取随巴伦滤波器健康状态变化而具有相应变化趋势的一个或多个健康表征特征参数仿真数据,并将所述一个或多个健康表征特征参数仿真数据作为所述故障关键器件的健康表征特征参数仿真数据。
进一步地,所述利用所述故障关键器件的健康表征特征参数仿真数据进行射频电路的健康评估处理,得到射频电路的健康评估结果包括:利用所述故障关键器件的健康表征特征参数仿真数据对所述故障关键器件的健康评估处理,所述故障关键器件的健康评估结果;将所述故障关键器件的健康评估结果作为射频电路的健康评估结果。
其中,所述利用所述故障关键器件的健康表征特征参数仿真数据对所述故障关键器件的健康评估处理,所述故障关键器件的健康评估结果包括:通过对所述故障关键器件的健康表征特征参数仿真数据进行主成分分析PCA降维处理,得到PCA降维处理后的健康表征特征参数仿真数据;利用高斯混合模型和所述PCA降维处理后的健康表征特征参数仿真数据对所述故障关键器件进行健康评估处理,得到所述故障关键器件的健康评估结果。
图2是本发明实施例提供的一种射频电路的健康评估装置示意图,如图2所示,包括:分析模块201,用于构建射频电路中巴伦滤波器仿真模型,并通过对所述巴伦滤波器仿真模型分别进行时间应力关联故障模式分析和健康表征分析,得到巴伦滤波器的时间应力关联故障模式和健康表征参数;仿真处理模块202,用于根据所述巴伦滤波器的时间应力关联故障模式,确定所述巴伦滤波器中的故障关键器件,并通过对所述故障关键器件进行连续故障注入仿真与主动激励测试处理,得到所述故障关键器件在不同故障程度下的健康表征参数仿真数据;特征提取模块203,用于通过对所述故障关键器件的健康表征参数仿真数据进行健康表征参数的特征提取,得到所述故障关键器件的健康表征特征参数仿真数据;健康评估模块204,用于利用所述故障关键器件的健康表征特征参数仿真数据进行射频电路的健康评估处理,得到射频电路的健康评估结果。
图3是本发明实施例提供的面向时间应力关联故障的射频电路的健康评估方法流程图,如图3所示,包括:
步骤一:巴伦滤波器仿真模型构建
为提高巴伦滤波器健康状态评估的准确性,需要结合时间应力对其展开评估。而在其设计制造阶段,没有大量的时间应力与故障的数据资料,而获得的时间应力与控制系统故障的关联关系对于故障预测和健康状态的评估十分重要,因此需要对巴伦滤波器构建仿真模型。
在构建巴伦滤波器仿真模型时,首先需要明确巴伦滤波器的内部构造,包括其中的关键器件类型、数量、连接方式、具体参数等等,基于具体的滤波器组成信息才能进行下一步的仿真模型构建。构建完成巴伦滤波器的仿真模型后,还应该进行仿真测试,验证滤波器是否能够完成相应的滤波功能,以此作为模型仿真成功与否的判据。
针对巴伦滤波器的功能,仿真模型的各元器件,如发生基于时间应力的退化或故障,可能导致整个滤波器功能异常。仿真模型的构建,为后续故障的注入及仿真数据的获取提供了支持。
步骤二:时间应力关联故障模式及健康表征分析
考虑到巴伦滤波器工作过程中经历的时间应力剖面复杂、工况多变等因素,为提升巴伦滤波器健康状态评估结果的可信度、准确度,需要展开巴伦滤波器时间应力关联故障模式的分析。首先需要对巴伦滤波器进行调研与仿真测试,一方面根据文献调研的经验性结果,分析巴伦滤波器在时间应力下,关键部件的退化、老化等趋势,滤波器发生故障的故障模式和机理。另一方面,对仿真模型进行各器件的故障注入,观测不同器件的故障对整个巴伦滤波器输入输出、滤波器性能的影响。结合调研结果与仿真模拟测试结果,分析确定相应的时间应力关联故障模式。
基于时间应力的关联故障模式分析完成后,其分析结果将作为后续仿真故障注入的相关依据,为巴伦滤波器的健康评估提供支撑。进一步的,根据时间应力关联故障模式分析结果,筛选出对应故障模式下的关键元器件,并进行健康表征分析。
在进行健康表征分析时,需要从诸多原始指标中选出能够表征设备健康程度的指标子集,这个指标子集具有以下两个特点,第一个特点,这个指标子集内的每个指标之间是低冗余的,低冗余意味着每个指标都可以提供其他指标无法提供的信息。第二个特点,这个指标子集的所有指标与设备健康是高度相关的。假设原始指标集合为S,从原始指标集合中选择出的健康表征指标子集为S,设备健康度为C,候选指标为Xm,需要展开以下分析(包括相关性分析、冗余性分析、互补性分析、条件冗余性分析、条件相关分析):
相关性分析
指标Xm与C的相关性,是指Xm的出现可以使C的混乱程度降低的程度,使用互信息公式I(Xm;C)表示指标Xm和C的相关性,I(Xm;C)的值越大,意味着指标Xm和设备健康度C越相关。考虑极端情况,对于Xm的每个指标值都可以唯一确定变量C的值,由互信息公式可知,此时I(Xm;C)的值为H(C)。I(Xm;C)的最小值为0,意味着Xm与C完全独立。指标选择算法希望得到的是高设备健康度相关的指标,即I(Xm;C)值最大的指标。
冗余性分析
冗余性主要指候选指标Xm和指标子集S中每个指标Xs之间的关系,依然使用互信息来表示,I(Xm;Xs)表示指标Xm和Xs的冗余性。指标选择算法希望选择的指标Xm与已选指标Xs的冗余性越小越好。
条件相关性分析
不同于以上相关性和冗余性,条件相关性涉及到三个变量的关系。在给定Xs的条件下,Xm和C的相关性使用公式I(Xm;C|Xs)公式表示。条件相关性描述了Xm可以提供的而Xs无法提供的额外信息。对I(Xm;C|Xs)公式进行简单的变形,可以得到公式
I(Xm;C|Xs)=I(Xm;C)-(I(Xm;Xs)-I(Xm;Xs|C))
通过观察上式子,可以看出,条件相关性本身可以分解为相关与冗余的差,即条件相关性公式本身包含了对冗余信息的剔除。公式第二项,被称为条件冗余。
条件冗余性分析
条件冗余和条件相关一样,描述的是三个变量的相关性。条件冗余在本方面中被分为两种,一种是与设备健康度相关的条件冗余,一种是与设备健康度部分相关的条件冗余。与设备健康度相关的冗余表示是I(Xm;Xs)-I(Xm;Xs|C)。与设备健康度部分相关的条件冗余表示是I(Xm;Xs|Xj)。后者在计算上消耗的时间大于前者,因为Xs和Xj都来自于已选指标集合S,即为了计算后者,需要嵌套的遍历集合S两次,但是与设备健康度部分相关的条件冗余相比可以蕴含更多的冗余信息。
互补性分析
指标与指标之间的关系除了相关性,冗余性,条件相关性和条件冗余性之外,还有一种称为互补性。在实验中,可以发现I(Xm;C|Xs)与I(Xm;C)的值有三种情况。第一种情况:I(Xm;C|Xs)>I(Xm;C)即Xs的出现使得Xm和C的相关程度变大,这种情况称为Xm和Xs是互补的。指标之间的互补,使得指标与设备健康度之间可能出现这样的情况。当考察单个指标A与设备健康度的关系时,可能这个指标A无法提供足够多的相关信息,但是如果在给定另外一个指标B,即两个指标同时作用下指标A可以提供更多的信息,这就说明指标互补的作用。第二种情况:I(Xm;C|Xs)=I(Xm;C),即sX的出现没有改变Xm和C的相关程度,或者可以说,Xs和Xm完全独立。在进行指标选择的时候,在不考虑指标互补的前提下,最好的指标Xm应该是与已选指标Xs相互独立,只有独立,指标Xm才可以提供更多Xs无法提供的信息,才不会产生冗余信息。第三种情况:I(Xm;C|Xs)<I(Xm;C),即Xs的出现使得Xm和C的相关程度变小,造成这样结果的原因是Xs和Xm发生了冗余,即Xm可以提供的一部分信息,Xs已经提供了。
通过进行以上分析,可以获得巴伦滤波器的健康表征参数集。此外,由于巴伦滤波器结构层次的差异性、对象类别的差异性(不同电路器件等)、功能结构的差异性、故障特征的差异性、数据有效性的差异性、数据产生阶段的差异性、产生数据环境条件的差异性等,同时考虑到滤波器运行工况变化情况等,为全面有效的支持健康评估算法及系统开发,需要针对不同特点的健康表征参数进行特征提取与约减。
步骤三:故障注入仿真与激励测试
针对以上时间应力关联故障模式分析结果,确定相应的故障关键元器件,进行故障的注入。不断调整关键器件的参数,巴伦滤波器的滤波功能会收到影响,进而模拟巴伦滤波器的退化过程。利用这种方法完成对射频电路中巴伦滤波器的连续故障注入与主动激励测试。
对于获取的仿真数据,由于在实际测量中,由于仪器存在的误差不可消除,为模拟实际测量误差的影响,在测得仿真数据的基础之上,人为添加高斯噪声模拟测量误差。每次在测得的原始仿真数据上添加均值为0,方差为1的高斯分布,并将该过程重复十次视作十次测量结果。
步骤四:健康表征参数特征提取
根据以上的仿真结果,为进一步表征时间应力下的相关故障,需要对健康表征参数进行特征提取,主要包括以下九种特征值:
1)均值的自学习计算
均值可用下式表示:
2)方差的自学习计算
方差SN 2的自学习计算公式为:
3)均方根的自学习计算
均方根可用下式表示:
4)峭度的自学习计算
峭度可用下式表示:
上式中:CkN为N时刻X的峭度;CkN-1为N-1时刻X的峭度。根据上式可知,当计算CkN时,仅需计算CkN-1和XN。与 相比,提升了运算速度。峭度是反映随机变量分布特性的数值统计量,其本质就是归一化4阶中心矩。
5)峰峰值的计算
峰峰值可用下式表示:
CVpp=maxX-minX
上式中:Cvpp为峰峰值;X为数据集。
6)最大值的计算
最大值可用下式表示:
Cmax=maxX
上式中:Cmax为最大值;X为数据集。
7)最小值的计算
最小值可用下式表示:
Cmin=minX
上式中:Cmin为最大值;X为数据集。
8)标准差的自学习计算
标准差可用下式表示:
9)绝对值的平均值的自学习计算
绝对值的平均值可用下式表示:
针对以上九种特征,进行特征筛选,选取其中部分随设备健康状态变化而具有相应变化趋势的特征,如随着故障注入量增大,具有单调递增或递减趋势的特征,选取上述特征为后续健康评估提供基础。
步骤五:基于PCA与高斯混合模型的健康评估
由于提取的特征种类较多,为进行后续评估,需要进一步进行降维处理,这里采用PCA技术,即主成分分析方法。PCA的主要思想是将n维特征映射到k维上,这k维是全新的正交特征也被称为主成分,是在原有n维特征的基础上重新构造出来的k维特征。主成分分析的算法步骤如下:
1)将原始数据按列组成n行m列矩阵X:
2)将X的每一行(代表一个属性字段)进行零均值化(去平均值),即减去这一行的均值:
3)求出协方差矩阵
4)求出协方差矩阵的特征值及对应的特征向量
5)将特征向量按对应特征值大小从上到下按行排列成矩阵,取前k行组成矩阵P(保留最大的k各特征向量)
6)Y=PX即为降维到K维后的数据
将仿真数据提取出的特征参数输入PCA降维模型,进行数据的降维。在完成降维的基础上,对关键部件开展基于高斯混合模型的健康评估。高斯模型就是用高斯概率密度函数(正态分布曲线)精确地量化事物,将一个事物分解为若干的基于高斯概率密度函数(正态分布曲线)形成的模型。对于待评估的故障关键元器件的正常数据和故障数据,分别建立GMM模型,通过计算两个GMM模型的重叠度即可对设备进行健康评估,其计算公式如下:
基于以上步骤,首先对PCA降维处理后的数据进行划分数据,将正常数据状态数据视为基准,基于正常数据得到其高斯混合模型拟合对应的均值。随后使用一个滑动窗口,从仿真数据开始滑动,由每个窗口中的衰退数据得到该窗口对应的高斯混合模型拟合对应的均值。最后度量正常数据得到的均值与衰退数据得到的均值之间的欧式距离,将结果归一化后得到电感或电容衰退全过程的健康度,即可完成对巴伦滤波器的健康状态评估。
下面以具体的实施例对本发明的技术方案进行解释说明
步骤11:仿真模型构建
结合巴伦滤波器的原理,构建的巴伦滤波器仿真模型如图4所示,针对巴伦滤波器的功能,图4中的各元器件,如发生基于时间应力的退化或故障,可能导致功能异常。拟采用仿真方式,构建巴伦滤波器中关键器件:L1、L2、L3、L4、L5、L6、L7、L8、L9、L10、L11、L12、C1、C2、C3、C4、C5、C6、C7、C8、C9、C10,在退化时对其功能的影响关系。并通过搭建实物电路,采用可变电阻,或外部负载的方式,模拟其参数漂移与退化,实现电路输出信号异常的诊断与预测方法的模型构建与应用。
为检验仿真模型的有效性,对其进行滤波测试。绘制搭建的巴伦滤波器仿真模型的波特图如图5所示,可以看出构建的巴伦滤波器仿真模型可以实现目标频段的带通滤波。
步骤12:时间应力关联故障模式及健康表征分析
(121)时间应力与射频电路关联故障模式分析
正常工作状态下,电路的输出如图6所示,可以看出正常工作状态下,电路工作效果良好。
通过调节器件L10的泄漏量大小模拟巴伦滤波器的退化过程,在异常工作状态下,电路的输出如图7所示,可以看出电感老化导致巴伦滤波器无法完成正常滤波功能。
根据调研结果和仿真测试,巴伦滤波器的电感组件在时间应力的作用下会发生老化,进而影响整个巴伦滤波器的性能和可靠性。因此确定电感老化为时间应力关联故障模式,针对巴伦滤波器模型中的电感老化进行仿真模拟。
(122)巴伦滤波器健康表征分析
进一步的,对巴伦滤波器的健康表征参数展开分析,包括相关性分析、冗余性分析、互补性分析、条件冗余性分析、条件相关分析,最终选取巴伦滤波器的输出电压作为健康表征参数。
步骤13:故障注入仿真与激励测试
(131)连续故障注入仿真与主动激励测试
在仿真过程中发现通过不断调节器件L10的泄漏量大小,巴伦滤波器的滤波功能会受到影响,这表明调节器件L10的泄漏量大小可以模拟巴伦滤波器的退化过程。因此,可以通过连续调整L10的泄漏量大小,完成对射频电路中巴伦滤波器的连续故障注入与主动激励测试。
(132)考虑测量误差的连续故障注入仿真与主动激励测试
在实际测量中,由于仪器存在的误差不可消除,为模拟实际测量误差的影响,在测得仿真数据的基础之上,人为添加高斯噪声模拟测量误差。每次在测得的原始仿真数据上添加均值为0,方差为1的高斯分布,并将该过程重复十次视作十次测量结果。
在添加高斯噪声的基础上,由于巴伦滤波器退化数据样本规模较大,需要提取其时域特征以达到降维的目的。
步骤14:健康表征参数特征提取
针对仿真结果进行健康表征参数的特征提取,包括以下九种特征:峰峰值、均值、方差、标准差、均方根、峭度、最大值、最小值、绝对值的平均值。将九种故障注入仿真条件下的数据分别进行特征提取,步长为20000,与数据长度相同,因此一种仿真条件对应了一组特征,其结果如图8所示:
根据特征提取的结果可以看出,随着仿真条件中的泄露量不断增大,峰峰值、标准差、方差、均方根、最小值、最大值等特征具有较为明显的趋势。而方差、均方根、标准差等具有等价关系,因此选取其中,最大值、最小值、方差、峰峰值四种特征作为后续滤波器健康状态评估的表征参数。
针对电感L1,将处理后的仿真数据提取的峰峰值特征,如图9所示。
针对电感L1,将处理后的仿真数据提取的方差特征,如图10所示。
针对电感L1,将处理后的仿真数据提取的最大值特征,如图11所示。
针对电感L1,将处理后的仿真数据提取的最小值特征,如图12所示。
下面针对构建的巴伦滤波器模型中的电感器件L10,基于PCA与高斯混合模型展开健康评估,以[0,1]的健康度数值反映其健康状态。
步骤15:基于PCA与高斯混合模型的健康评估
由于提取的特征种类较多,为进行后续评估,需要进一步进行降维处理,这里采用PCA技术。利用主成分分析法对电感L10的特征数据进行降维处理,设置降维后的维度为二维,得到每个维度的贡献率为9.99985280e-01和1.23028241e-05,第一个维度的贡献率高达99.99%,因此直接将其降维一维。
在完成降维的基础上,对电感L10开展基于高斯混合模型的健康评估。高斯混合模型的参数设置如下,n_components(混合高斯模型的个数)设置为1,covariance_type(协方差类型)设置为full,tol(EM迭代停止阈值)设置为1e-3,reg_covar(协方差对角非负正则化)设置为1e-6,max_iter(最大迭代次数)设置为100,n_init(初始化次数)设置为1。完成参数设置后,基于PCA与高斯混合模型开展健康评估,流程如下:
151、首先对仿真数据提取出的特征展开PCA降维处理,然后划分数据,由于仿真的数据是按照电感或电容的衰退得到的,因此可以将前三行数据视为正常数据,基于正常数据得到其高斯混合模型拟合对应的均值。
152、随后使用一个大小为3的滑动窗口,从仿真数据开始滑动,由每个窗口中的衰退数据得到该窗口对应的高斯混合模型拟合对应的均值。
153、最后度量正常数据得到的均值与衰退数据得到的均值之间的欧式距离,将结果归一化后得到电感或电容衰退全过程的健康度。
将结果绘制分布如图13所示,可以看出基于PCA与高斯混合模型对巴伦滤波器开展健康评估能较好地反映其衰退过程。
基于以上步骤,最终完成了射频电路中巴伦滤波器的健康状态评估,得到了射频电路中巴伦滤波器的健康度曲线,为后续的维修保障提供了技术支持。
综上所述,本发明在真实的案例条件下,能够充分基于射频电路的工作原理和内部构造实际情况,对射频电路及其内部关键部件进行模型构建,为后续加入时间应力关联故障和主动激励测试提供了基础条件。通过健康表征分析,选取能够表征射频电路健康状态的关键参数,利用仿真模型注入故障后主动激励测试获取的参数数据进行多种特征的提取,通过趋势性分析筛选出能够表征射频电路时间应力关联故障的特征参数。最终,将以上高维度的特征进行PCA主成分分析,并基于高斯混合模型构建了巴伦滤波器的健康度,进而完成了射频电路的健康状态评估。
根据本发明实施例提供的方案,具有以下有益效果:
采用了仿真建模,故障注入的方式,解决了时间应力下故障样本不足,数据不充分的问题。同时考虑了测量误差,使用人为添加误差后的激励测试数据进行健康状态评估,提高了健康评估的精确性;采用了PCA主成分分析与高斯混合模型相结合的方式,对多维度特征参数进行降维处理后再基于高斯混合模型开展健康状态评估,提高了健康评估的效率和准确度。
尽管上文对本发明进行了详细说明,但是本发明不限于此,本技术领域技术人员可以根据本发明的原理进行各种修改。因此,凡按照本发明原理所作的修改,都应当理解为落入本发明的保护范围。
Claims (10)
1.一种射频电路的健康评估方法,其特征在于,包括:
构建射频电路中巴伦滤波器仿真模型,并通过对所述巴伦滤波器仿真模型分别进行时间应力关联故障模式分析和健康表征分析,得到巴伦滤波器的时间应力关联故障模式和健康表征参数;
根据所述巴伦滤波器的时间应力关联故障模式,确定所述巴伦滤波器中的故障关键器件,并通过对所述故障关键器件进行连续故障注入仿真与主动激励测试处理,得到所述故障关键器件在不同故障程度下的健康表征参数仿真数据;
通过对所述故障关键器件的健康表征参数仿真数据进行健康表征参数的特征提取,得到所述故障关键器件的健康表征特征参数仿真数据;
利用所述故障关键器件的健康表征特征参数仿真数据进行射频电路的健康评估处理,得到射频电路的健康评估结果。
2.根据权利要求1所述的方法,其特征在于,所述构建射频电路中巴伦滤波器仿真模型包括:
根据射频电路中巴伦滤波器的器件种类和器件间的连接关系,构建射频电路中巴伦滤波器仿真模型。
3.根据权利要求1或2所述的方法,其特征在于,通过对所述巴伦滤波器仿真模型进行时间应力关联故障模式分析,选取对巴伦滤波器输入输出和滤波器性能有影响的故障模式,并将所述对巴伦滤波器输入输出和滤波器性能有影响的故障模式作为巴伦滤波器的时间应力关联故障模式。
4.根据权利要求3所述的方法,其特征在于,所述健康表征分析包括相关性分析、冗余性分析、互补性分析、条件冗余性分析以及条件相关分析。
5.根据权利要求4所述的方法,其特征在于,在得到所述故障关键器件在不同故障程度下的健康表征参数仿真数据之后,还包括:
在所述故障关键器件的每个健康表征参数仿真数据上添加用于模拟测量误差的高斯噪声,得到添加有高斯噪声的健康表征参数仿真数据。
6.根据权利要求5所述的方法,其特征在于,所述用于模拟测量误差的高斯噪声包括:
确定高斯分布的均值和方差,并根据实际测量每个健康表征参数仿真数据的误差,设置高斯分布系数;
利用所述高斯分布系数,得到用于模拟测量误差的高斯噪声。
7.根据权利要求6所述的方法,其特征在于,所述通过对所述故障关键器件的健康表征参数仿真数据进行健康表征参数的特征提取,得到所述故障关键器件的健康表征特征参数仿真数据包括:
通过对所述故障关键器件的健康表征参数仿真数据进行健康表征参数的特征提取,选取随巴伦滤波器健康状态变化而具有相应变化趋势的一个或多个健康表征特征参数仿真数据,并将所述一个或多个健康表征特征参数仿真数据作为所述故障关键器件的健康表征特征参数仿真数据。
8.根据权利要求7所述的方法,其特征在于,所述利用所述故障关键器件的健康表征特征参数仿真数据进行射频电路的健康评估处理,得到射频电路的健康评估结果包括:
利用所述故障关键器件的健康表征特征参数仿真数据对所述故障关键器件的健康评估处理,所述故障关键器件的健康评估结果;
将所述故障关键器件的健康评估结果作为射频电路的健康评估结果。
9.根据权利要求8所述的方法,其特征在于,所述利用所述故障关键器件的健康表征特征参数仿真数据对所述故障关键器件的健康评估处理,所述故障关键器件的健康评估结果包括:
通过对所述故障关键器件的健康表征特征参数仿真数据进行主成分分析PCA降维处理,得到PCA降维处理后的健康表征特征参数仿真数据;
利用高斯混合模型和所述PCA降维处理后的健康表征特征参数仿真数据对所述故障关键器件进行健康评估处理,得到所述故障关键器件的健康评估结果。
10.一种射频电路的健康评估装置,其特征在于,包括:
分析模块,用于构建射频电路中巴伦滤波器仿真模型,并通过对所述巴伦滤波器仿真模型分别进行时间应力关联故障模式分析和健康表征分析,得到巴伦滤波器的时间应力关联故障模式和健康表征参数;
仿真处理模块,用于根据所述巴伦滤波器的时间应力关联故障模式,确定所述巴伦滤波器中的故障关键器件,并通过对所述故障关键器件进行连续故障注入仿真与主动激励测试处理,得到所述故障关键器件在不同故障程度下的健康表征参数仿真数据;
特征提取模块,用于通过对所述故障关键器件的健康表征参数仿真数据进行健康表征参数的特征提取,得到所述故障关键器件的健康表征特征参数仿真数据;
健康评估模块,用于利用所述故障关键器件的健康表征特征参数仿真数据进行射频电路的健康评估处理,得到射频电路的健康评估结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211335963.8A CN115828727A (zh) | 2022-10-28 | 2022-10-28 | 一种射频电路的健康评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211335963.8A CN115828727A (zh) | 2022-10-28 | 2022-10-28 | 一种射频电路的健康评估方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115828727A true CN115828727A (zh) | 2023-03-21 |
Family
ID=85525744
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211335963.8A Pending CN115828727A (zh) | 2022-10-28 | 2022-10-28 | 一种射频电路的健康评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115828727A (zh) |
-
2022
- 2022-10-28 CN CN202211335963.8A patent/CN115828727A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105427300B (zh) | 一种基于低秩表示和学习字典的高光谱图像异常探测方法 | |
JP6729455B2 (ja) | 分析データ解析装置及び分析データ解析方法 | |
CN110006645B (zh) | 一种多源融合的高压断路器机械故障诊断方法 | |
CN110687072B (zh) | 一种基于光谱相似度的校正集和验证集的选择及建模方法 | |
US20060066339A1 (en) | Determining and analyzing integrated circuit yield and quality | |
CN109271319B (zh) | 一种基于面板数据分析的软件故障的预测方法 | |
CN115828140B (zh) | 邻域互信息与随机森林相融合故障检测方法、系统及应用 | |
CN104035431B (zh) | 用于非线性过程监控的核函数参数的获取方法和系统 | |
CN114692758A (zh) | 电力通信故障分析方法、装置、终端设备及介质 | |
CN107408522A (zh) | 使用高维变量选择模型确定关键参数 | |
CN116223962B (zh) | 线束电磁兼容性预测方法、装置、设备及介质 | |
CN113065702A (zh) | 基于st-seep分段法和时空arma模型的滑坡位移多线性预测方法 | |
CN111860698A (zh) | 确定学习模型的稳定性的方法和装置 | |
CN116932384A (zh) | 一种基于特征融合和特征选择的软件缺陷预测方法 | |
CN112149296A (zh) | 一种判定水文时间序列平稳性类型的方法 | |
CN117609836A (zh) | 一种综合模块的电磁敏感预测与健康管理方法 | |
CN104111887A (zh) | 基于Logistic模型的软件故障预测系统及方法 | |
CN117272138B (zh) | 一种基于参考道数据约束与深度学习的地磁数据去噪方法及系统 | |
CN109557434A (zh) | 基于复合字典稀疏表示分类的强背景噪声下局部放电信号识别方法 | |
CN117630800A (zh) | 一种电能表自动检定装置故障诊断方法及系统 | |
CN117219124A (zh) | 一种基于深度神经网络的开关柜声纹故障检测方法 | |
CN115828727A (zh) | 一种射频电路的健康评估方法及装置 | |
CN116186507A (zh) | 一种特征子集的选取方法、装置及存储介质 | |
CN115659271A (zh) | 传感器异常检测方法、模型训练方法、系统、设备及介质 | |
CN110060374B (zh) | 一种飞机燃油系统异常检测方法及装置 |
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 |