基于多特征参数融合的模拟电路故障诊断方法--中国期刊网

字体：大中小

首页> 原创作品> 正文

基于多特征参数融合的模拟电路故障诊断方法

发表时间：2020/8/4 来源：《电力设备》2020年第8期作者：张瑜

[导读] 摘要：测前工作量大和故障定位过程复杂等问题，使传统的大规模模拟电路故障诊断方法研究不再适应当前的社会发展需求，因此构建高效全面的新型故障诊断方法就变得尤为重要。

        （圣邦微电子（北京）股份有限公司黑龙江省哈尔滨市 150000）
        摘要：测前工作量大和故障定位过程复杂等问题，使传统的大规模模拟电路故障诊断方法研究不再适应当前的社会发展需求，因此构建高效全面的新型故障诊断方法就变得尤为重要。文章对基于多特征参数融合的模拟电路故障诊断方法进行了研究分析，以供参考。
        关键词：多特征参数融合；模拟电路；故障诊断
        1前言
        随着技术的不断进步，数模混合电路在系统中集成度不断增大，所以对电路进行测试和故障诊断比以前显得更为重要。据估计，产品生产成本的1/3是用于电路的测试，而大部分的测试是由于测试模拟部分的混合信号电路，所以对模拟电路故障诊断的研究是非常有意义的。
        2撕裂法的分类与具体阐述
        2.1成组撕裂法的具体阐述
        将所选大规模电路根据准则完成分组并进行撕裂拆分是成组撕裂法的核心思想。应用者可以通过将成组分裂法分析得出的故障信息输入到故障分类器中，来得出精准的诊断结果。而不同的数据分组方式也会相应的影响诊断结果的生成，成组撕裂法。
        2.2成组撕裂发的撕裂准则
        子网络的故障信息被故障特征参量全面包含使子网络进行故障定位的先决条件，因此在测试过程中需要逐步对每个子网络进行全面且系统的测试。需要注意的是在实际操作过程中，并非所有节点都是可及的，即便大规模模拟电路中的节点均满足可及条件，故障诊断的过程也会非常复杂和烦琐，故障信息维数的升高也加大了操作难度，电路故障诊断更难实现。因此成组撕裂法的实施是建立在子网络故障信息完整的基础上的，在有限可及节点的前提下，最大限度的降低特征参数的维数，确保成组撕裂法顺利进行。同时在成组撕裂法实施过程中也应遵循以下准则：根据子网络的性质不同进行分类，将其划分于不同分组之中，获取更多故障信息的同时将撕裂次数降至最低，而隔离次数作为隔离情况的衡量标准是需要被具体记录和分析的。通过对记录的数据进行系统分析可以得出隔离次数和分裂次数是相对应存在的，在数量和分组不变的前提下隔离次数与分裂次数也不受影响。
        2.3网路撕裂法的具体阐述
        在非线性大规模电路的诊断过程中，网络撕裂法是较为常用的一种方式，通过切断怀疑元器件的相互联系来检测电压和电流信号是否运转正常，这种依据分析故障范围的判断方法因其实用性而受到了广泛的关注，但是诊断过程中工作量巨大和撕裂速度较慢等缺点也限制了其应用和发展。因此在诊断过程中为了减少工作量，并有效的解决容差电路故障诊断等实际问题，可根据置换定理将完整的电路网络分为若干子网络，不仅可以较少所怀疑的电路元器件参数互相影响的问题，还可降低工作量提升工作效率。通过精准细密的检查和筛选可有效缩小故障发生区域，直至查到故障点为止。通过电压之间的相互激励和灵敏度进行综合分析，运用电压之间的相互比较来锁定发生故障的子网络。这种技术上的创新有效提升了诊断速度，实际操作中更容易被实现。
        2.4交叉撕裂法的具体分析
        2.4.1交叉撕裂法应用原理
        在大规模模拟电路诊断过程中，可根据电路结构和功能的不同进行具体划分，划分后的若干子网络具有联系性和相对独立性。一般的电路故障只是集中于一个或两个元件发生问题，也就意味着发生故障的子网络也是一个或者两个，这是应用交叉分类法进行故障判断就十分方便。
        2.4.2交叉撕裂法应用准则
        为了确保交叉分裂法在实际故障诊断中更容易被操作，运用时应注意以下准则。准则1：在整体电路网络划分出的子网络应用交叉撕裂法时，在撕裂工过程中确保撕裂子网络集包含且只包含相邻两个子网络中的一个子网络。

期刊文章分类查询,尽在期刊图书馆

准则2：任意挑选出的两个二拟子网络，在撕裂过程中包含且只包含其中一个二拟子网络，两者不会同时出现。在实际操作过程中满足这两项准则的话，可以确保诊断工作顺利进行。通过不断的交叉撕裂可以诊断该子网络是否运转正常，若对二拟子网络分析时判断结果为无故障，则可继续进行重组和挑选，当故障整理参数出现“1”时则说明已经获取了故障定位，完成相应记录并进行解决即可。
        3神经网络分类器和BP网络改进算法的具体应用
        3.1神经网络分类器的具体分析
        鉴于神经网络分类器具有非线性映射的特征，使其在信息的存储、分类和并行处理过程中的应用变得十分广泛，其特有的自组织和自学习能力也使其可以作为故障特征参量分类器，在大规模模拟电路故障诊断中被频繁应用。神经网络分类器因其良好的映射特性和学习算法是目前被应用频率最高的分类器，但是任何科技的实施都具有相对的局限性和制约性，训练收敛速度低就是限制其实现网络全局优化的限制因素，这些缺点在诊断故障特征维数高的大规模模拟电路时就显得尤为明显。因此在实际使用过程中，可以采用小波神经网络故障分类器来改善这一缺点。小波神经网络的工作原理是通过小波分析技术来构成相对完整且健全的神经网络模型，通过非线性小波函数替代网络中的可及节点是该项技术可被应用的急死思想，通过向系统中输入相应的阙值来完成伸缩因子和平移因子的相互替换，并通过函数自身具有的线性叠加功能来完成信号的表述。相较于传统的BP网络，小波函数具有多重分辨率的优点，可迅速确定子网络中隐藏的节点数目并准确的解决问题，通过将时频局部性质和自学习能力的完美融合来获取容错能力，以此来完成大规模模拟电路故障的诊断并对故障信息进行具体且全面的分析。
        3.2BP网络改进算法的具体应用
        BP网络算法因其具有的良好的泛化能力和全局逼近的优点，在大规模模拟电路故障诊断中经常被应用。但是在诊断有容差的电路故障时学习收敛慢、选择隐节点个数不明确等缺点就逐步的显露了出来，这些缺点影响了BP网络算法的实际应用。为了提升其实际应用力，可通过调整局部自适应学习速率和增加运动量来提升其应用范围。
        3.2.1增加运动量的方法
        在传统的BP网络算法增加运动量以后，在修正其权值方面考虑范围更加全面，误差在梯度上的作用和曲面变化的趋势都会影响判断结果。在优化之前大规模模拟电路故障的诊断可能陷入局部极小值之中无法完成诊断，优化之后微小的变化特征可以被适当的忽略掉，通过借助权值调节公式来分析出权值的相应变化，并通过反向传播法来确实新生权值数值。由此可见增加BP网络算法的运动量可使其从局部极小值之中跳脱出来，收敛性得到有效提升，迭代收敛速度也得到了有效改善。
        3.2.2提升自适应学习速率的优点
        局部学习率自适应调整使提升学习率改进算法的常用手段，但是其也具有调整值无法最优的缺点，相应的影响了网络收敛的速率。因此通过调节学习速率来完成局部学习率的自适应调整可以有效地改进这一缺点，并通过降低误差函数来检查权值修正值是否准确。由此可见，如果学习速率过大将无法保证网络稳定学习的功能，学习速率过小则降低诊断效率，因此可不断调整学习速率直到学习过程稳定。
        4结束语
        本文将撕裂法和神经网络分类器和BP网络改进算法相互融合，得出其在大规模模拟电路故障诊断中应用的可行性。当遇到联合特征参数较大的电路规模时，工作量和故障诊断过程都会相应增加，传统的诊断方法已经难以适应，并且准确率和分析效率都会降低。通过对整体电路网络进行细化分层，可降低联合特征参数提升诊断效率，提高工作效率的同时准确率也得到了有效提升，技术的优化和加强有助于我国大规模模拟电路故障诊断的高速发展。
        参考文献
        ［１］裴杰才，李志华，丁伟聪．基于混合核函数ＰＳＯ－ＳＶＭ的模拟电路故障诊断［Ｊ］．计算机与现代化，２０１７，２３（１）：４１－４５．
        ［２］袁莉芬，宁暑光，何怡刚，等．基于改进ＳＡＥ－ＳＯＦＴＭＡＸ的模拟电路故障诊断方法［Ｊ］．电子测量与仪器学报，２０１８，１５（７）：１０２－１０５．