（电工理论与新技术专业论文）基于网络撕裂和神经网络故障诊断方法研究.pdf

硕士学位论文 a b s t r a c t f o rs e v e r a ld e c a d e s ，f a u l td i a g n o s i so fa n a l o gc i r c u i t s ，t h ef o r e f r o n to fm o d e m c i r c u i tt h e o r y , h a sas e r i e so fd i a g n o s i st h e o r ya n dm e t h o d s h o w e v e r , c o m p l i c a t e d t h e o r ya n dp o o rp r a c t i c a b i l i t yo ft h e s em e t h o d sm a k et h e s em e t h o d s a p p l i c a t i o n f o r e g r o u n df a rf r o me x p e c t a t i o no fp e o p l e b a s e d o nt h en e t w o r kd e c o m p o s i t i o n a p p r o a c ht h ef a u l td i a g n o s i sa p p r o a c ha ts u b n e t w o r kl e v e ld e c o m p o s e st h el a r g es c a l e c i r c u i ti n t os e v e r a ls u h n e t w o r k sa n dt h e nd i a g n o s e st h es u b n e t w o r k sr e s p e c t i v e l y s oi t c a ns i m p l i f yt h ec o m p u t a t i o n i ti sf a s ta n de f f e c t i v e a l o n gw i t hd e v e l o p m e n to f e l e c t r o n i ct e c h n o l o g y , e s p e c i a l l yv l s ia n dm i x e ds i g n a lc i r c u i t s ，w h e r et h e r ea r e p h y s i c a lo rf u n c t i o n a lb l o c k sa n ds u b n e t w o r k s w h i c ha r ei n d i s c e r p t i b l ei nt h en e t w o r k ， i ts h o w si t sp r a c t i c a lv a l u e t h i sp a p e rp r e s e n t saa p p r o a c ho fm o d u l el e v e lf a u l td i a g n o s i sf o rl a r g e s c a l e t o l e r a n c ea n a l o gc i r c u i tb a s e do nt h en e u r a ln e t w o r ka n dt h ec r o s s o v e rt e a r i n g t e c h n o l o g ya c c o r d i n gt oc o n v e n t i o n a lc i r c u i td e c o m p o s i t i o nt e c h n o l o g yi nl a r g e s c a l e c i r c u i t s t h r o u g ht h es i m u l a t i o no fl a r g e - s c a l ec i r c u i ts i m u l a t i o np r o v e dt h a tu s et h e c r o s s o v e rt e a r i n gt e c h n o l o g yc o u l dd e t a i l e dn e t w o r ks t r u c t u r e ，s i m p l i f yt h ed i a g n o s t i c p r o c e s s ，a n dt h en e u r a ln e t w o r kc a np a r a l l e ld e a lw i t ht h ed i a g n o s i si n f o r m a t i o n ，a n d t h el o g i co p e r a t i o nc a nj u d g et h ei n f o r m a t i o no ft h em u l t i - f a u l t t h ei l l u s t r a t i v e s i m u l a t i o ns h o w st h a ti tc a ni n c r e a s et h ed i a g n o s i ss p e e da n dd e c r e a s et h ew o r k l o a d b e f o r et e s t t h i sp a p e rm a i n l yr e s e a r c h e sa n nb a s e dm e t h o d sf o rf a u l td i a g n o s i so fa n a l o g c i r c u i t sw i t ht o l e r a n c e s ，a n a l y s et h et h e o r yi nf a u l td i a g n o s i so fa n a l o gc i r c u i t sw i t h n e u r a ln e t w o r k ，p r e s e n t ss o m ei m p r o v e da n nb a s e dm e t h o d sw h i c hc a l ld e c r e a s e d i a g n o s i st i m ea n de n h a n c ed i a g n o s i se f f i c i e n c yf o ra n a l o gc i r c u i t sw i t ht o l e r a n c e s m a i n l yt ot h ed i s s e m i n a t i o no fe r r o rb a c kp r o p o g a t i o nn e u r a ln e t w o r k ( b p ) t h e p a p e rm a i n l yd i dt h ed i s s e m i n a t i o no fe r r o rn e u r a ln e t w o r k ( b p ) r e s e a r c ha n dg a v e r e c o m m e n d a t i o n so nw a y st oi m p r o v eb pa l g o r i t h m b yu s i n gb e t t e rd i a g n o s t i c t e c h n i q u e sw i t ht h en e u r a ln e t w o r k sl e g e n d ，m e m o r ya n dr e a s o n i n gf u n c t i o n sa n d t o l e r a n tn a t u r e ，r o b u s t n e s sa n dg o o dn o n l i n e a r ，i tc a nb e t t e rr e a l i z e dt h ef a u l t d i a g n o s i s t h i sp a p e ru s e dt h et h e o r i e so ff a u l td i a g n o s i si nt h ew o r k ，i n t r o d u c e dt h ea n a l o g c i r c u i tf a u l tm a c h i n ec o m p o s i t i o na n dd e s i g np r i n c i p l e s b e c a u s eo fm a n yt y p e so f c i r c u i td e v i c e s ，i n t e g r a t e dl o w - l e v e la n dc o m p l e xf e a t u r e sf a u l tm o d e ，t h e r ei sn o tm o r e 董三璧兰塑型耋堡丝璺兰箜塞堡皇氅苎璧兰堑窑鎏至薹 m a t u r ef a u l td i a g n o s t i cp r o d u c t s w i t ht h ef a u l td i a g n o s i st e c h n o l o g yd e v e l o p m e n t ， d e s i g no fa f a u l td i a g n o s i sm a c h i n ew i t ht h ec h a r a c t e r so fo p e n i n g ，m o d u l a ra n d g e n e r i c i sa l s ot h ef o c u so ff u t u r er e s e a r c h k e yw o r d s ：f a u l td i a g n o s i s ；a n a l o gc i r c u i t ；n e t w o r kd e c o m p o s i t i o n ；n e u r a ln e t w o r k - 插图索引 图2 1 差动放大电路1 4 图3 1 网络n 撕裂图1 9 图3 2 子网络n 1 1 9 图3 3 子网络n 2 1 图3 4 有公共节点的k 个子网络2 2 图3 5 网络n 的t g 图2 5 图3 6 第一次撕裂t 1 2 5 图3 7 第二次撅裂t 2 2 5 图3 8 网络n 逐级撕裂图p g 。2 7 图3 9 逐级撕裂p g 图2 8 图3 1 0 单故障电路图2 9 图3 1 1 单故障撕裂图一2 9 图3 1 2 高阶有源带通滤波器3 0 图3 1 3 待诊断网络的分层撕裂图3 1 图4 1 分层神经网络故障字典模型3 9 图4 2 故障诊断过程原理图4 1 图4 3b p 网络4 2 图4 4r b f 网络模型4 7 图4 5 带通滤波器5 0 图4 6t a n - s i g m o i d 函数5 0 图4 7 一个电阻电路5 2 图4 8 训练过程曲线5 3 图5 1 硬件基本框图5 6 图5 2 主控板结构框图5 6 图5 3 软件结构模型5 7 注：本文所用图片，资料来源均在正文各图图题中注明。 基于网络撕裂和神经网络的模拟电路故障诊断方法研究 附表索引 表2 1 故障状态与各可测点电压对应表1 5 表2 2 模糊域的中心值及范围1 5 表2 3 模糊集的分割1 6 表3 1 撕裂子电路模块2 9 表3 2 神经网络诊断结果3 0 表3 3 元件参数型号表( 其中画“”表示故障元件参数值) 3 1 表4 1 网络1 对训练样本的分类结果5 1 表4 2 网络1 对测试样本的分类结果5 1 表4 3 网络2 对训练样本分类结果5 1 表4 4 网络2 对测试样本分类结果5 1 表4 5 各种故障状态5 2 表4 6 部分诊断结果5 4 表4 7r b f 网络部分诊断结果5 4 湖南大学 学位论文原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的 研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或 集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体，均 已在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。 作者签名： 阿、t 霰 日期：2 l 一纡f 月，多日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保 留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借 阅。本人授权湖南大学可以将本学位论文的全部或部分内容编入有关数据库进行 检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。 本学位论文属于 1 、保密口，在年解密后适用本授权书。 2 、不保密团。 ( 请在以上相应方框内打“”) 作者签名： 导师签名： 日期：瑚产r 月，多日 日期：砂寺0 年f 月f 苫日 1 1 研究背景与意义 第1 章绪论 客观世界信号的本质决定了模拟电路无处不在和不可替代性。目前，模拟器 件广泛存在于通信、多媒体、信息技术、混合信号电路和芯片系统 ( s y s t e m - o n a c h i p ，s o c ) 。模拟电路测试和故障诊断无法回避，开展相关的 理论和方法研究尤为重要。 模拟电路故障诊断自2 0 世纪6 0 年代以来，一直是研究的热门课题。故障诊 断理论的研究是从网络元件参数可解性开始的。1 9 6 0 年r s b e r k o w i t z 首先提出 了关于模拟电路诊断的可解性概念，以此拉开了模拟电路故障诊断理论研究的序 幕。从2 0 世纪7 0 年代起，世界各国的学者发表了许多有关模拟电路故障诊断方 面的论文，提出了各种不同的原理和方法，并在1 9 7 9 年达到了一个高峰，奠定了模 拟电路故障诊断的理论基础。 与数字电路相比，模拟电路测试和诊断原理与方法研究的进展缓慢，主要是 由于以下原因”1 。： ( 1 ) 时间和电压的连续特性使得模拟电路比数字电路更易受缺陷的影响。区 分故障情况和无故障情况需要多种测试方法： ( 2 ) 模拟电路中的元件参数具有很大的离散性，即具有容差，是实施正确诊 断的最大困难； ( 3 ) 模拟电路中广泛存在非线性问题和反馈回路，增加了故障诊断难度： ( 4 ) 模拟电路中输入和输出间的关系复杂并且难于模型化。在数字电路测试 中得到成功应用的故障模型并不适用于模拟电路测试。模拟电路测试至今尚缺乏 有效与通用的故障模型； ( 6 ) 实际的模拟电路中可测电压的节点数很有限，导致可用于故障诊断能信 息量不充分，造成故障定位的不确定性和模糊性； ( 6 ) 测试设备和输入激励信号的精度对测试结果的影响至关重要； ( 7 ) 模拟电路对环境变化极其敏感，其输出响应不仅易受由制造工艺偏差所 引起的元件参数变化的影响，而且易受噪声和热效应等外界环境因素的影响； ( 8 ) 由于需要采用不同的方法来测试电路的多种性能参数，因此模拟功能测 试比较昂贵和费时。此外，测试过程中所需的额外硬件开销较大。 从科学发展的大环境来看，诊断技术的产生也是多学科交叉发展的必然。4 0 基于网络撕裂和神经网络模拟电路故障诊断方法研究 年代以来，人类的生产方式日益向大工业方向发展。在这种宏观的社会大背景下， 系统论、混沌学纷纷诞生，尤其是控制理论出现了重大突破，产生了一系列的现 代控制方法。生产系统的庞大化和复杂化同时也暴瑶出一些问题，即如何防止设 备运行中故障的发生，这就要有一门相应的诊断技术。同一时期，电子技术，尤 其是计算机技术的发展，为故障诊断技术提供了必要的技术基础；6 0 年代，快速 付立叶变换的出现，使诊断技术的发展产生了飞跃；近年来，传感器技术，信号 处理技术( 如各种滤波技术、谱分析技术) ，人工智能技术( 如专家系统、神经网 络、信息融合等) 的发展，使得故障诊断技术得到了更进一步的发展。 随着现代电子技术的迅速发展，电子电路集成化程度和制版工艺的日益提 高，网络结构日趋功能化和模块化，元件的密集度也在不断地增加。对于这种复 杂的网络系统，各种元件级故障诊断的理论和方法已经难以胜任工程上故障诊断 的需要，而且在现代化的自动控制系统中，对电路的可靠性运行也提出了更高的 要求，网络中任何一个元部件或子网络一旦发生故障都有可能造成局部网络偏离 正常的工作状态。据美国的资料显示”1 ，即使系统中8 0 的电路板是数字电路， 但8 0 5 以上的故障都来自模拟电路。在集成电路领域的混合信号电路中，虽然模 拟部分仅占5 的芯片面积，但其测试成本却占总测试成本的9 5 9 6 。模拟电路测试 一直是困扰着集成电路工业中的一个“瓶颈”问题。而在工业部门，尤其是军工 和航天工业部门，对这些设备的维修和保养所投入的经费已超过了原先购置这些 设备的投资。对这种复杂设备的维修提出了十分迫切的要求，需要组建自动测试 系统( a t e ) ，增加故障诊断和故障预报的设备，以减轻维修人员的压力，降低维 修和保养的费用。因此，为实现模拟电路测试和诊断的智能化，使我国i c 设计 水平和能力跟上飞速发展的国际微电子发展步伐，开展大规模模拟电路故障诊断 方法研究是一个非常有意义的研究课题。 1 2 模拟电路故障诊断方法的国内外研究现状及进展 故障诊断技术主要包含三方面的内容：故障检测、故障隔离、故障辨识。所 谓故障检测是判断系统中是否发生了故障及检测出故障发生的时刻；故障隔离就 是在检测出故障后确定故障的位置和类型；故障辨识是指在分离出故障后确定故 障的大小和时变特性。本质上，故障诊断技术是一个模式分类与识别问题。即把 系统的运行状态分为正常和异常两类，判别异常的信号样本究竟又属于哪种故 障，这又属于一个模式识别的问题。近几十年来，故障诊断技术得到了深入广泛 的研究，提出了众多可行的方法。文章将给出了较为详细的评述。针对研究大规 模模拟电路模块级故障诊断方法所涉及的领域，这里从故障诊断现状、方法分类、 人工智能与神经网络等方面来分析“1 】。 1 2 1 故障诊断技术的现状及方法分类 模拟电路故障诊断是近代电路理论的一个前沿领域，6 0 年代在军事上首先开 始研究，是4 0 年代发展起来的一门新学科，发展至今己成为网络理论中公认的 第三分支。但由于模拟电路自身的特殊性使得模拟电路故障诊断具有较大的难 度。7 0 年代以来，虽然有不少的理论工作者都投入到该领域的研究，发表有关论 文千篇以上，但主要解决的是线性网络在无容差或小容差情况下的诊断理论与方 法。近年来在非线性问题上也取得了一些长足进展，但不具实用性，还没有一个 完善、成熟的系统或软件可付诸广泛使用，模拟电路故障诊断理论和方法有待进 一步发展。 从故障诊断技术的各分支技术来看，美国占有领先地位。美国的许多权威机 构，如美国的机械工程师学会( a s m e ) ，美国宇航局( n a s a ) 等都参与了这一领域的 研究，投入了大量的资金。不少高校和企业也都设立了故障诊断技术研究中心。 开发了许多实用的诊断系统，如1 9 6 7 年美国研制的飞机数据系统“a i d s ”。1 9 7 7 年美国使用的“t r e n o s ”飞机发动机状态监测诊断系统及近些年美军装备到部队 的a n t p q - 3 6 3 7 雷达机内测试和故障诊断系统等，其中大多数不仅具有完善的 监测功能，而且具有较强的诊断功能。在宇航、军事、工业等方面有广泛的应用。 我国故障诊断技术的发展始于7 0 年代末，虽然起步较晚，但近年来发展较 快，在某些理论研究方面己和国外不相上下。近十年来，故障诊断技术得到了极 大的发展，具有现代标志的理论和方法如：信号处理、模式识别、最优化方法、 决策论、主元分析、遗传算法、自适应理论、小波变换与分析、神经网络和模糊 系统等已经成为故障诊断的理论基础“”。 现在对模拟电路故障诊断方法的分类常依据电路的仿真是在实际测试的先 或后，分为测前模拟诊断和测后模拟诊断。测前模拟诊断的典型方法是故障字典 法，它是目前模拟电路故障诊断中最具实用价值的方法，既适用于线性电路故障 诊断，也适用于非线性电路故障诊断。但此方法一般只作单个硬故障( 指严重的、 突出的、极端的故障) 的诊断，而无法解决软故障( 指一些已偏离正常工作状态、 尚未严重失效的故障) 、多故障的问题。测后模拟诊断的典型方法主要有元件参 数辨识法和故障验证法。此外，常见的方法还有逼近法和人工智能( 专家系统) 两 种方法，它们介于测前模拟诊断和测后模拟诊断之间。 1 2 2 模拟电路故障诊断的新进展 现有的故障诊断理论和方法还欠完善，尤其在实际应用中都存在这样或那样 的问题。如故障字典法一般不用于诊断软故障或多故障，或具有容差电路的故障： 参数识别法和l 范数法都因在线计算量大，难以实现实时诊断；人工智能方法因 其是基于冯诺依曼( v o n n e u m a n n ) 计算机的，在诊断速度方面同样难以满足实时故 障诊断的需要，而现代化生产，尤其是军事工业部门，却往往要求故障诊断实时完 成。此外，微电子技术的迅速发展，尤其是超大规模模拟电路的发展，对模拟电路 的测试和诊断提出了急迫的要求。这些都要求科技人员和理论工作者进一步探索 新的理论和方法，研制新的测试设备，以适应技术发展的需求。 ( 1 ) 基于神经网络的故障诊断 人工神经网络在构成原理和功能特点等方面更加接近人脑，与传统的故障诊 断分析方法相比，不需要建立对象的精确数学模型，因而在故障诊断中得到了越 来越广泛的重视。从理论上说。故障诊断就是对电路的状态进行模式识别。用神 经网络实现故障的模式识剐时。能够从输入的数据中自动提取故障特征，并存储 于网络之中。神经网络在处理模式识别问题时，由于具有联想记忆、大规模并行 处理、实时计算和便于硬件实现等特点，显示了突出的优势。特别是复杂系统， 由于基于解析模型的故障诊断方法面临着难以建立系统模型的实际困难，基于知 识的故障诊断方法成了重要的、也是实际可行的方法，为电路故障诊断开辟一条 新的途径。 目前，国外神经网络诊断方法有：常规神经网络方法、小波变换预处理方法、 电源电流测试、模糊技术、及基于神经网络的大规模模拟电路故障诊断。大规模 模拟集成电路的故障诊断方法包括：撕裂法、层级法和符号法。而利用神经网络 开展的工作却十分有限。仅s o m a y a j u l a 利用层级法分析电路，提取每一层a c 响 应电压波形有效点作为k o h o n e n 神经网络输入，实现了对滤波器电路的故障诊断。 但不足亦很明显：分层时，要求每一层都有测试点；电路规模复杂时，导致k o h o n e n 神经网络结构复杂。模拟电路的溯试和故障诊断在国内同样是一个受到密切关注 的研究方向。近年来发表了一系列关于应用神经网络的模拟故障诊断的学术论 文。 故障诊断问题是一个从故障所体现的特征来识别故障源的问题，目前在模式 识别、优化计算、机器人控制等方面的应用取得了初步的成果。在近几年，人工 神经网络的出现提供了一个很吸引人的线性和非线性模拟电路的故障检测方法。 在机械、控制系统、化工等领域，已经尝试用神经网络实现故障诊断。神经网络 方法将使故障诊断理论和方法更趋完善和广泛适用性。特别是神经网络具有的容 错能力，预计使神经网络诊断容差电路硬故障和软故障可能成为有效的方法，有 可能为电路故障诊断开辟一条新的途径。 ( 2 ) 基于小波分析的故障诊断 小波分析是在现代调和分析的基础上发展起来的一门新兴学科，其基础理论 知识涉及到泛函分析、傅里叶分析、信号与系统、数字信号处理等方面，同时具 有理论深刻和应用广泛双重意义。在应用领域，特别是在信号处理、图象处理、 语音识别、模式识别、数据压缩、故障诊断、量子物理等众多领域中被认为是近 年来在工具和方法上的重大突破。 由于小波变换具有很好的时频局域化特性，可对信号在时频面上进行分解， 小波变换已广泛应用于函数逼近，信号分类，系统辩识等领域。作为在模拟电路故 障诊断中应用，小波变换被有效地用来提取故障特征信息( 小波预处理器) 。小波 与神经网络的结合，是一个十分活跃的研究领域。采用嵌套式结合方式，把小波 交换的运算融人到a n n 中去，形成小波网络。把a n n 的自学习特性和小波的局部 特性结合起来，具有自适应分辨性和良好的容错性，因此又为故障诊断开辟了一 条新路。而且大量的理论分析和模拟实例也表明：小波神经网络具有逼近能力强、 网络学习收敛速度快、参数的选取有理论指导、有效地避免了局部最小值问题等 优点。因此在模拟电路故障诊断领域，小波神经网络是一个崭新而又有前途的应 用研究方向，又为故障诊断开辟了一条新路。 ( 3 ) 基于遗传算法的故障诊断 遗传算法( g e n e t i ca l g o r i t h m ，g a ) 是一种进化论的数学模型，是在思想 方法上标新立异的优化方法，近年来发展的十分迅速，在一些研究工作和工程技 术中以其独特的解决问题的能力而获得了广泛的应用。 遗传算法是一种根据生物学中所谓自然选择和遗传机理的随机搜索优化算 法。其主要特点是群体搜索策略和群体中个体之间的信息交换，搜索不依赖于传 统方法中的梯度信息。它尤其适用于处理传统搜索方法难以解决的复杂和非线性 问题。遗传算法的通用编码技术和简单有效的遗传操作为其广泛、成功的应用奠 定了基础。8 0 年代中期以来，这种方法的研究开始在美国、欧洲等国家进入高潮， 将其用于解决许多领域的难题。目前遗传算法已被广泛应用于许多实际问题，如 函数优化、自动控制、图象识别、机器学习、人工神经网络、优化调度等。 神经网络和遗传算法是目前常用的两种优化技术，也是当前研究的一个热 点。特别是近几年来，针对遗传算法的研究工作很多，人们认识到遗传算法的主 要缺点是它易出现未成熟收敛：相应的改进方法也很多，但这些方法都没有考虑 到使改进的算法具有学习能力和鲁棒性，而这正是神经网络的优势所在，因而将 两者结合是自然想法。 总之，故障诊断技术经过了相当长的发展历程，以技术手段和应用工具为参 照，可将故障诊断技术的发展历程大致划分为三个阶段，即人工诊断阶段、现代 诊断阶段和智能诊断阶段。基于建模处理和信号处理的诊断方法常称为传统诊断 方法，而基于知识处理的诊断方法称为智能故障诊断方法。目前，随着人工智能 技术的发展，特别是知识工程、专家系统、人工神经网络和遗传算法在诊断领域 里的进一步应用，基于建模处理和信号处理的诊断方法正逐步让位于基于知识处 基于网络撕裂和神经网络模拟电路故障诊断方法研究 理的诊断方法，诊断技术进入了以知识处理为核心，信号处理、建模处理与知识 处理相融合的智能诊断技术阶段。在这一阶段，领域专家的知识将得到充分的重 视，诊断问题的研究将致力于模拟专家的推理过程、控制和运用各种诊断知识的 能力。在知识层次上实现辩证逻辑与数理逻辑的集成、符号处理与数值处理的统 一、推理过程与算法过程的统一、知识库与数据库的交互等是智能诊断系统发展 的必然趋势。 1 3 本文的主要工作 网络撕裂法对大规模模拟电路的故障诊断来说，具有实际的应用价值，基于 网络撕裂法的子网络级故障诊断方法因其能够快速而有效地发挥它的诊断效果， 而越来越受到人们的重视。本文在这方面作了深入的研究，主要内容及章节分布 为： 第一章：概述研究大规模模拟电路故障诊断技术的背景和意义，从模拟电路 故障诊断技术现状及进展提出了本文的主要工作。 第二章：介绍模拟电路故障诊断的基本概念和方法，分析模拟电路故障诊断 的难点和发展趋势，简述模拟电路故障诊断技术，其中着重介绍故障字典法。 第三章：针对于大规模模拟网络故障诊断问题，给出了几种大规模网络撕裂 的算法。其基本思路是先把大规模网络撕裂成几个子网络进行模块级的诊断，然 后再把有故障的子网络单独抽出来用前述的这些方法进行进一步地深入到元件 级的诊断。实例证明该方法的优点及可行性。 第四章：介绍神经网络应用于故障诊断的方法。主要研究了b p 算法针对在 模拟电路中大量存在的硬故障和软故障，提出了在直流测试下应用改进型b p 网 络和径向基神经网络( r b f ) 来对模拟电路进行故障诊断的新方法，并比较了这 些方法与传统方法的区别，指出了它们的优点。同时通过将这两种网络的诊断结 果进行对比，得出了它们各自的应用范围。 第五章：将故障诊断理论应用于实际电路的故障诊断测试，介绍了故障诊断 仪的设计原理及结构。 最后，本文给出了模拟电路故障诊断的有关结论，展望了这些新方法用于模 拟电路故障诊断的前景。 第2 章模拟电路故障诊断及其方法的研究 故障诊断学是继网络分析和网络综合之后的网络理论的第三分支，其主要任 务是在己知网络的拓扑结构，根据输入的激励信号以及系统在该激励下的响应情 况，求解故障元件的物理位置或者故障参数。它涉及到的理论和技术面较宽，它 以信息论、控制论和系统论等为理论基础，以现代测试仪器和计算机为技术手段， 结合各种诊断对象的特殊规律而逐步形成的一门新兴学科。 2 1 模拟电路故障诊断概述 2 1 1 模拟电路故障诊断基本思想 任何系统的故障诊断，其基本思想是统一的，即设被测对象全部可能出现的 状态( 包括正常状态和各种故障状态) 组成状态空间集y ，在各个状态下，被测系 统的所有可铡的特征值( 包括结点电压值，时频域的响应等参量) 组成特征空间集 x ，当系统处于某一状态y 时，总有确定且唯一的特征向量x 与之对应，即存在 映射，使得： ，：x 呻y 反之，一定的特征也对应确定的状态，即存在映射，使得： ，：y - - 9 x 用数学语言概括为，找出函数y = 仁) ，使其满足x 到y 的一一映射。 因为系统的状态并不是严格可以用数学语言描述的，特别是故障状态的描述 总带有很大的模糊性，因此它所对应的特征值也在一定范围内变动，在这种情况 下，故障诊断就成为按特征向量对被测系统的各个状态进行辨识的过程，主要包 括三个主要步骤，即信号测取、征兆提取和状态识别，故障诊断的本质问题实际 上是模式识别和模式分类的问题。它主要由三大部分组成，第一部分为故障物理、 化学过程的研究，如元器件的失效模式等；第二部分为故障信息学的研究，包括 故障信号的采集、处理与分析的过程：第三部为诊断逻辑与故障推理的研究，主 要是通过逻辑方法、模型方法、推理方法及人工智能等方法，根据可观测的系统 故障信息特征来确定下一步的检测部位，最终定位故障源。 2 1 2 模拟电路故障诊断特点 在电子电路的发展进程中，模拟电路比数字电路出现的早，但是数字电路的 在电子电路的发展进程中，模拟电路比数字电路出现的早，但是数字电路的 基于网络撕裂和神经两络模拟电路故障诊断方法研咒 发展速度却比模拟电路要高的多，其主要困难我们在前章提到过。7 0 年代以来， 有不少的理论工作者投入到模拟电路的测试与故障诊断研究中，发表过数千篇论 文，主要解决的是线性网络在无容差或小容差情况下的诊断理论和方法。虽然取 得了不少进展，有些方面也有较成熟的理论和方法，但仍有许多不足，特别是对 复杂的大规模非线性系统故障诊断方法的研究更有待深入地探索 在技术方面，现有的不同等级和各种类型的故障诊断装置能在不同程度上对 被测对象进行故障诊断，但与实际的需求相比，还有相当大的距离。其主要的不 足有2r 1 1 1 ： 1 故障分辨率不高 现代的大多数故障诊断系统虽然能以很快的速度对被测对象自动地进行故 障诊断，但是由于设备越来越复杂，加上电路的非线性问题，而检测点和施加测 试信号是受到限制的，因此影响了可控制性和可测性。同时造成故障诊断的模糊 性和不确定性。另外在模拟电路中，元器件的故障参数是一个连续量，测量响应 的数据引入误差是不可避免的。最困难的是个元器件都有一定的容差，因此用字 典法即使做硬故障的诊断，其效果也不如数字电路的字典诊断法。一般地说，字 典法只能解决单故障诊断，在实际应用时几乎不可能实现对多敌障的诊断。 2 信息来源不充分 这里有两方面的情况：一是现有的诊断系统通常只搜集被测对象当前状态信 息，而对其过去的状态和己做过的维护工作的信息、故障诊断系统本身的状态信 息未加考虑；二是对被诊断电路其测试的信号大多是电信号如电压、电流等，而 对其他性质的信号较少测试，如温度、图象、电磁场信号等。因此有时根据诊断 结果提出的维护措施不够准确有效。 3 实用效果差 对模拟电路故障定位来说，常采用网络撕裂法，也称电路切割法( 是对怀疑 元器件割断其前后联系，通电测试其关键点电压、电流等信号，判断是否有故障) 。 这种方法不仅测试麻烦，工作量大，而且由于无法猜准哪个元器件有故障，必须 切割很多元器件才能诊断出真正的故障元器件。更麻烦的是在不少情况下是不允 许进行这种破坏性诊断的，特别是一些重要仪器电路的故障搜寻，就无法使用这 种切割诊断法。 4 无推理机制，扩展性差 现有的故障诊断系统大多没有自我完善的能力，缺少推理学习机制，可扩展 性、适应性较差。一旦出现新的故障类型或工作条件改变时，原有的故障字典就 难以诊断。 由于模拟电路故障诊断存在的特点和困难，数字系统中所广泛使用的测试方 法和手段无法移植到模拟系统中来，必须根据模拟电路自身的特点探索有效的诊 断理论和方法。迄今为止，大规模电路、非线性电路和容差电路的故障诊断的研 究都有待进一步发展和完善。 2 2 模拟电路故障诊断方法 2 2 1 三大类故障诊断方法 在故障诊断领域，现有的故障诊断方法可概括为三大类“”3 ： ( 1 ) 基于信号处理的方法，通常是利用信号模型，如相关函数、频谱、自回 归滑动平均、小波变换等，直接分析可测信号，提取诸如方差、幅值、频率等特 征值，从而检测出故障。 ( 2 ) 基于解析模型的方法，它是在明了诊断对象数学模型的基础上，按一定的 数学方法对被测信息进行处理诊断，它可分为状态估计法、等价空间法和参数估 计法。目前此种方法得到了深入的研究，但在实际情况中，常常难以获得对象的 精确数学模型，这就大大限制了基于解析模型诊断方法的使用范围和效果。 ( 3 ) 基于知识的诊断方法，由于人工智能及计算机技术的飞速发展，为故障诊 断技术提供了新的理论基础，随之提出了基于知识的故障诊断方法，此方法由于 不需要对象的精确数学模型，而且具有某些“智能”特性，因此是一种很有生命 力的方法。基于知识的故障诊断方法主要可以分为：专家系统故障诊断方法；模 糊故障诊断方法；神经网络故障诊断方法和数据融合故障诊断方法等。 2 2 2 模拟电路故障诊断分类 模拟电路的故障诊断除了具备故障诊断系统的一些共性外，它的特点与难点 就是由于模拟电路板实现功能的多样性，以及即使同一块电路板由于工作环境或 其它外因的作用，都将导致研制通用型实用智能故障诊断系统不太现实。所以业 界达成的共识就是要想提高诊断效率，所研制系统的通用性能就越差，系统的应 用领域就越小。 模拟电路的故障诊断方法从上世纪6 0 年代就开始研究，至今为止，世界各 地已发表了数百篇有关模拟电路故障诊断原理和方法的学术论文。在这些论文 里，根据不同的原理，提出了许多各有特色的故障诊断方法，下面对这些方法从 不同的角度加以分类。 ( 1 ) 按目的可分为：故障检测法、故障定位法和故障识别法。 ( 2 ) 按模拟形式可分为：故障模拟法和元件模拟法。 ( 3 ) 按模拟在测试过程的阶段可分为：测前模拟法和测后模拟法。 量王璺塑塑銎窑茎筌璺兰釜丝毫塑兰璧兰要主鎏2 耋 ( 4 ) 按电路性质可分为：线性电路诊断法和非线性电路故障诊断法、动态电路 故障诊断法和电阻电路故障诊断法、有源电路故障诊断法和无源电路故障诊断法 等。 ( 5 ) 按所用的数学方法可分为：确实法和概率法。 ( 6 ) 按激励信号类型可分为：工作信号法和仿真信号法、单测试信号法和多测 试信号法，以及单频信号法和多频信号法。 ( 7 ) 按所测量的响应可分为：直流法和交流法、暂态法和稳态法、电流法和电 压法。 目前，模拟电路的故障诊断方法大致可分为5 种，分别为故障字典法、参数 辨识法、故障验证法、逼近法、人工智能与神经网络法。 1 ) 故障字典法：它是模拟电路故障诊断中最具实用价值的方法，其主要计 算工作量多集中在电路测试前的仿真分析，模拟出各种故障状态，计算出电路在 相应故障下的可及节点电压；然后，把这些故障状态和可及节点电压数据做成一 部故障字典，并存贮起来；再把对实际故障电路测得的可及点电压数据和故障字 典中记录的各种故障下的可及节点电压数据进行比较，依接近程度判定故障元 件。这种方法测试后计算量最小，要求的可及点少，适用非线性电路。但对多故 障和软故障，在电路规模较大时，测试前计算量和计算机内存量都会大到不能容 忍的程度，因而通用性差。另外，还易受容差影响，误诊现象较严重根据激励 源性质和所取特征向量的差异，故障字典法又分为直流故障字典法、交流故障字 典法、频域故障字典法和时域故障字典法 2 ) 参数辨识法：根据两络已知的拓扑关系，输入激励和输出响应，估计并 识别出网络中所有的参数，或参数偏离标称值的偏差，最后依照每个参数的允许 容差范围以确定网络中的故障元件。该方法适用于诊断网络中的软故障( 指元件 的参数超出预定的容差范围，一般它们均未使设备完全失效) ，根据所识别参数 的不同分为元件值识别和元件值增量识别两大类。 由于一般网络所包含的元件数较大，标志这些元件特性的参数量较多，即网 络方程中的未知数太多，导致方程组求解困难，通常需要大型计算机来完成。此 外，所有这些工作都是在测试后进行的，所以较难实现实时诊断。该方法的优点 是故障检测率较高，对于精确映射网络结构特征的方程组，就可以精确定位元器 件参数的微小变化，即这种方法很容易知道该电路是否存在故障，但要实现精确 定位故障还需要加大计算量。该方法对测试程序开发人员的素质提出了较高的要 求，近些年来也只是停滞在理论水平上。 3 ) 故障验证法：着眼于网络的部分元件，先预猜被测网络中的故障元件在 某个元件集合中，然后再利用激励信号和在可及点取得的测量数据，根据一定的 判据去验证这个预猜是否正确，如果这个预猜是正确的，则可定位故障元件。根 硕士学位论文 据预猜故障的范围，分为k 故障诊断法，故障定界诊断，网络撕裂法。 k 故障诊断法是将被测对象的故障数( 不一定是故障元件数) 限定在k 个，即 预猜对象是一定数目的故障元件的集合；故障定界诊断的预猜对象是故障元件在 其中哪一个子集中( 网络中所有元件的集合总是只分为两个子集) ，即哪个子集中 包含所有故障元件和部分无故障元件；网络撕裂法的预猜对象是故障元件在网络 元件集的那些子集中( 网络逐层撕裂成若干子集，而这些子集在网络拓扑结构上 可按切块方式取得) 。 以上三种方法都基于一个共同的假设是若干故障的影响不可能相互抵消。因 为模拟电路中故障元件参数变化是连续的，因此若干元件故障的影响恰好相互抵 消的概率是很小的，即这种假设是可行的。总而言之，故障验证法的有效性主要 在于如何减少猜测的次数，以及减少每次猜测作验证所需要的工作量。由于网络 撕裂法将网络逐渐撕裂成若干子网络，故每次猜测的验证工作量可逐渐减少，该 方法的总的计算量相对较少。这种方法能够诊断各类故障，适用各种电路。但由 于假设无故障元件处于标称状态，因而易受容差影响。 除了以上方法外，目前还用逼近法和人工智能与神经网络方法，它们介于 测前模拟和测后模拟之间。 4 ) 逼近法：是一种近似技术。一般需要测量较少的数据，采用一定估计技 术，估计出最可能发生故障的元件。它包括测前模拟中的概率法和测后模拟中的 优化方法。这些方法中有采用最小平方准则的联合判别法和迭代法，采用加权平 均的l 2 近似法，l 。近似法和二次规划法等。虽然这些方法大多能诊断多故障，但 由于计算量大，具有局限性。 5 ) 人工智能与神经网络法：与传统的故障诊断分析方法相比，基于人工智能、 专家系统、神经网络和模糊理论等技术的诊断方法称为智能故障诊断技术。智能 故障诊断技术因其不需要建立对象的精确数学模型，因而在故障诊断中得到了越 来越广泛的重视。人工神经网络的出现，为故障诊断问题提供了一种新的解决途 径。特别是对复杂系统。由于基于解析模型的故障诊断方法面临着难以建立系统 模型的实际困难，基于知识的故障诊断方法成了重要的、也是实际可行的方法。 而神经网络的i o 非线性映射特征、信息的分布存储、并行处理和全局集体作用， 特别是其高度的自组织和自学习能力，使其成为故障诊断的一种有效方法和手 段，并已在许多实际系统中得到成功的应用。 下面具体介绍一下最经典的故障字典诊断法。 2 3 故障字典法 故障