基于随机正弦信号测试和hmm的模拟电路故障诊断方法
【技术领域】
[0001] 本发明涉及一种模拟电路故障诊断方法，尤其是一种基于随机正弦信号测试和基 于时间序列分析的隐马尔科夫模型的模拟电路故障诊断方法。
【背景技术】
[0002] 随着电子设备朝着智能化和柔性化发展，其复杂性和功能性越来越强大。在复杂 电子设备设计和测试中，可靠性研宄占极其重要的地位。电子设备已经渗入到当今社会的 各个领域，其中模拟电路是电子设备中不可或缺的重要部分。但由于模拟电路故障状态复 杂、故障征兆模糊、测试节点有限、故障元件值具有容差性、电路呈非线性效应等问题，模拟 电路故障诊断工作非常困难。
[0003] 根据仿真在测试过程中的顺序可分为：测前仿真和测后仿真。根据方法论可划分 为：故障字典法、故障验证法、参数识别法、人工智能诊断法、?目息融合法和专家系统法等。 其中，故障字典法和人工智能法属于测前仿真法，信息融合法和专家系统法属于混合方法， 其它方法属于测后仿真法。近几年，故障验证法、参数识别法和专家系统法相关的研宄成果 较少，而信息融合法通常结合人工智能法构成诊断系统，故障字典法、信息融合法和人工智 能法是目前的研宄热点。
[0004] 现有的模拟电路故障诊断方法均基于确定性信号测试，即待测电路的测试信号可 以用明确的函数关系表示。对于这类测试方法，具有以下两个方面的不足。第一，确定性信 号包含一个或多个参数。为了得到具体的测试信号，需要确定测试信号的参数，最终采用的 测试信号具有不确定性，而测试信号会影响电路的输出响应，直接影响诊断结果。第二，确 定性信号含有的频率分量有限。在模拟电路故障测试和诊断中，测试信号包含的频率分量 越多，电路输出响应包含的信息量越丰富，这将大大提高故障特征的可诊性。
【发明内容】
[0005] 本发明的目的是为了克服传统的基于确定性信号测试中存在的未知参量和频率 分量有限的缺点，降低模糊故障组的重叠性，提高故障样本的可诊性，提出一种基于随机正 弦信号测试和HMM(隐马尔科夫模型）的模拟电路故障诊断方法。
[0006] 相比现有技术而言，采用如下技术方案：
[0007] Α.采用随机正弦信号X(t) = (X1U), x2(t), · · ·，xn(t)}激励待测模拟电路，xn(t) 的幅值、相位和频率满足高斯分布；
[0008] B.采集待测模拟电路的输出数据样本Y(t) = {71(〇,72(〇，...，711(〇}，提取输 出数据样本的时域特征和谱特征构成特征分量，每类特征分量都是时间序列；其中时域特 征分量为数学期望m Y(t)、方差、相关系数RY( τ )，谱特征分量为功率谱SY(?);
[0009] Cl.将四类特征分量作为四类时间序列输入四个ΗΜΜ，构造四个隐马尔科夫诊断 模型，四个隐马尔科夫诊断模型对测试数据都进行诊断，每一个测试数据都得到四个诊断 结果：
[0010] ClOL将步骤B中得到输出样本的数学期望mY(t)作为输入时间序列，训练HMM诊 断模型一，得到诊断结果一；
[0011] C102.将步骤B中得到输出样本的方差<τ:?(〇作为输入时间序列，训练HMM诊断模 型二，得到诊断结果二；
[0012] C103.将步骤B中得到输出样本的相关系数RY( τ )作为输入时间序列，训练HMM 诊断模型三，得到诊断结果三；
[0013] C104.将步骤B中得到输出样本的功率谱Sy(O)作为输入时间序列，训练HMM诊 断模型四，得到诊断结果四；
[0014] C2.采用ECOC纠错输出编码方法对四个诊断结果进行融合，实现故障的最终判 断：由步骤Cl中得到的四个诊断结果构造一个稀疏矩阵，并根据ECOC理论进行编码，得到 码字向量；根据D-S证据理论对码字向量进行解码，得到由四个隐马尔科夫诊断模型融合 的诊断结果。
[0015] 所述步骤A中随机正弦信号X (t)按以下方法获得：
[0016] AL随机正弦信号X(t)满足X(t) = A(t) cos[ Ω⑴t+Φ⑴]，其中，A(t)、Ω⑴ 和Φ (t)分别为满足高斯分布的幅度随机变量、相位随机变量和频率随机变量；
[0017] A2.产生η组随机正弦信号的样本，记为X(t) = U1 (t), x2(t), · · ·，xn(t)}，分别 将每个样本信号Xn(t)激励待测模拟电路。
[0018] 所述步骤B中所述数学期望叫(〇、方差、相关系数心（τ )、功率谱Sy(O)是 基于随机信号分析理论，采用数理统计方法获得：
【主权项】
1. 基于随机正弦信号测试和HMM的模拟电路故障诊断方法，其特征在于包括以下各步 骤： A. 采用随机正弦信号X(t) = {Xl(t)，x2(t)，...，Xn(t)}激励待测模拟电路，x n(t)的 幅值、相位和频率满足高斯分布； B. 采集待测模拟电路的输出数据样本Y(t) = {71(〇,72(〇，...，711(〇}，提取输出数 据样本的时域特征和谱特征构成特征分量，每类特征分量都是时间序列；其中时域特征分 量为数学期望mY (t)、方差Cr12 (〇、相关系数Ry ( τ )，谱特征分量为功率谱Sy (ω); Cl.将四类特征分量作为四类时间序列输入四个ΗΜΜ，构造四个隐马尔科夫诊断模型， 四个隐马尔科夫诊断模型对测试数据都进行诊断，每一个测试数据都得到四个诊断结果： ClOL将步骤B中得到输出样本的数学期望mY(t)作为输入时间序列，训练HMM诊断模 型一，得到诊断结果一； C102.将步骤B中得到输出样本的方差〇〗(/)作为输入时间序列，训练HMM诊断模型二， 得到诊断结果二； C103.将步骤B中得到输出样本的相关系数RY( τ )作为输入时间序列，训练HMM诊断 模型三，得到诊断结果三； C104.将步骤B中得到输出样本的功率谱Sy(Q)作为输入时间序列，训练HMM诊断模 型四，得到诊断结果四； C2.采用ECOC纠错输出编码方法对四个诊断结果进行融合，实现故障的最终判断：由 步骤Cl中得到的四个诊断结果构造一个稀疏矩阵，并根据ECOC理论进行编码，得到码字向 量；根据D-S证据理论对码字向量进行解码，得到由四个隐马尔科夫诊断模型融合的诊断 结果。
2. 根据权利要求1所述的一种基于随机正弦信号测试和HMM的模拟电路故障诊断方 法，其特征在于步骤A中随机正弦信号X(t)按以下方法获得： Al.随机正弦信号X(t)满足X(t) = A(t) cos[ Ω⑴t+Φ⑴]，其中，A(t)、Ω⑴和 Φ (t)分别为满足高斯分布的幅度随机变量、相位随机变量和频率随机变量； A2.用仿真软件产生η组随机正弦信号的样本，记为X(t) = {Xl(t)，x2(t)，...，Xn(t)}， 分别将每个样本信号xn(t)激励待测模拟电路。
3. 根据权利要求1所述的一种基于随机正弦信号测试和HMM的模拟电路故障诊断方 法，其特征在于步骤B中所述数学期望mY(t)、方差σι2(〇、相关系数R Y( τ )、功率谱SY(?) 是基于随机信号分析理论，采用数理统计方法获得：
其中Y(t)为随机过程，fY(y, t)为Y(t)的一维概率密度函数，fVh，y2, h，t2)为Y(t) 的二位概率密度函数，Y(tl)和Y(t2)分别是在tJP 12时刻观测Y(t)得到的随机变量，τ 为心和七2时刻之间的间隔。
4.根据权利要求1~3所述的任一种基于随机正弦信号测试和HMM的模拟电路故 障诊断方法，其特征在于构造隐马尔科夫诊断模型时，隐马尔科夫诊断模型可用5元组 ΩΝ，Ω^Α，π，〇来描述，其中ΩΝ是状态的有限集合，Ω Ν取值为M，M为待测模拟电路需要 诊断的故障数；Dci表示观测值的有限集合，在4个HMM模型中Ω ^的取值分别是数学期望 mY(t)、方差〇Y2(t)、相关系数&4)、功率谱S Y(?)的时间序列；A表示状态一步转移的转 移概率矩阵，转移概率矩阵A在仿真程序中随机产生；π为初始状态分布概率，初始状态分 布概率π设为[1，〇, 〇, ..〇]，即认为在初始状态时，电路正常状态的概率是1，发生故障的 概率是〇 ;〇表示序列的观测的概率，采用向前-后向算法计算得到。
【专利摘要】本发明公开了一种基于随机正弦信号测试和HMM的模拟电路故障诊断方法，包括以下步骤：A.采用随机正弦信号激励待测模拟电路，其中随机正弦信号的幅值、相位和频率是满足高斯分布的随机变量。B.采集待测模拟电路的输出数据样本，提取数据样本的时域特征和谱特征构成特征分量。C.将每类特征分量分别输入一个随机时间序列的隐马尔科夫模型诊断系统，采用ECOC纠错输出编码方法，对多个诊断结果进行融合，实现故障的诊断。该方法将随机正弦信号作为模拟电路的测试激励，可增加输出样本的频率分量，降低模糊故障组的重叠性，结合隐马尔科夫模型的时间序列分析方法，可提高模拟电路模糊故障的诊断精度。
【IPC分类】G01R31-316
【公开号】CN104635146
【申请号】CN201510062994
【发明人】罗慧, 卢伟, 蹇兴亮, 郭海燕
【申请人】南京农业大学
【公开日】2015年5月20日
【申请日】2015年2月6日