模擬電路故障診斷技術研究

摘要:研究了模擬電路故障診斷方法。主要討論了測前模擬法、測后模擬法、近似技術、專家系統的模擬電路故障診斷方法和神經網絡、模糊理論、小波變換的模擬電路故障診斷新方法及原理。

關鍵詞:模擬電路;故障診斷;方法

中圖分類號:TP305文獻標識碼:A文章編號:1009-3044(2009)36-10546-03

Study on Analog Fault Diagnosis

CHEN Ling-ling， ZHANG Qiu-mi， WANG Xi-dong， LU Chao

(Department of Physics， Shanxi University of Technology， Hanzhong 723000， China)

Abstract: Study of modern and contemporary analog circuit fault diagnosis method. Mainly discussed SBT， SAT， similar to modern technology， analog circuit fault diagnosis method and Expert Systems， Neural Networks， Fuzzy Theory， wavelet transform modern analog circuit fault diagnosis methods and principles.

Key words: analog circuit; fault diagnosis; methods

隨著電子科學技術的迅速發展，電子器件的集成度越來越大，電子設備越來越復雜，在電子產品制造、使用和維修中，傳統的人工診斷技術已無法滿足其需求，故提出了借助計算機實現故障診斷。隨著故障診斷理論的發展，確立了其在網絡理論中應用的地位，成為繼網絡分析、網絡綜合之后的網絡理論的第三分支。現代電子電路通常是多層次的或被封裝的，可測電壓的可用節點數有限，導致可用作故障診斷的信息量不夠充分，造成故障定位的不確定性和模糊性。如何有效解決模擬電路的容差和非線性問題，如何解決故障診斷的模糊性和不確定性問題是研究工作迫切需要解決的困難。由于上述問題很難用傳統的數學方法描述，人工智能技術則因其善于模擬人類處理問題的過程，容易顧及人的經驗并具有一定的學習能力等特點，在這一領域得到了廣泛應用。

1 模擬電路故障診斷方法

1962年R.S.Berkowitz[1]首先提出模擬電路故障診斷理論。1979年IEEE會刊將模擬電路故障診斷主要的方法歸納為三大類:估值法、分類法和拓撲法。1979年以后，故障診斷進入深入的發展階段，根據對被測電路的模擬在測試之前或測試之后分為[2]:測前模擬法—SBT(Simulation Before Test)和測后模擬法——SAT(Simulation After Test)。除此之外，還有近似法和專家系統法。

1.1 測前模擬法SBT

測前模擬法的主要方法是故障字典法FD(Fault Dictionary)[3]，其理論基礎是模式識別原理，基本步驟是在電路測試之前，用計算機模擬電路在正常和各種故障下的狀態，并記錄其對應的信號或特征，從而建立故障字典;在實際電路診斷時，根據測量所得的信號或特征，在故障字典中查到與此信號或特征對應的故障，從而確定電路故障。故障字典法[4]是最具有實用價值的故障診斷方法，因為幾乎所有的計算量都集中在測前，測后只需要查字典定位故障，所以能做到定時診斷。由于故障狀態有限，所以主要用于單、硬故障的診斷。故障字典法按建立字典所依據的特性有直流法、頻域法和時域法。直流故障字典法是利用電路的直流響應作為故障特征，建立故障字典的方法。本文介紹一種較常用的直流故障字典法:用分段線性描述所有非線性器件，引入故障開關模擬電路的硬故障，運用混合方程表格法建立電路的通用端口約束方程，通過開關的不同組合可反映電路的各種故障狀態;電路通過端口約束方程與二極管變量的約束條件構成一個互補問題，可用互補主元法求解;為克服容差對故障診斷的影響，引入模糊集進行故障隔離。直流故障字典法一般僅適用于單、硬故障的診斷。

頻域法是以電路的頻域響應作為故障特征，建立故障字典的方法。其優點是理論分析較成熟，硬件要求較簡單，主要是正弦信號發生器、電壓表和頻譜分析儀。頻域法主要有:Bode圖法、雙線性變換法和稀疏矩陣法等。Bode圖法的原理是:按電路的對數幅頻特性來劃分特征空間，以不同頻率下的增益偏差作為特征向量建立故障字典;測試后，根據實際增益偏差查字典確定故障。雙線性變換法的原理是:以電路的傳輸軌跡作為故障特征建立故障字典;測試后，根據實際測量在復平面上找出對應點，測量點明顯地靠近某一軌跡，由此軌跡可以決定系統測量特性對應的元件參量偏差，從而確定故障。此方法適用于線性電路的單故障，包括硬、軟故障，但不適用于故障導致零響應的情況。稀疏矩陣法的原理是:以電路的傳輸特性(振幅或相位)的偏差作為故障特征建立故障字典;測試后，根據實際傳輸特性的偏差查字典確定故障?？紤]到元件的容差和測量誤差，規定一門限，當特性偏差在門限值之內時認為電路正常。

時域法是利用電路的時域響應作為故障特征而建立故障字典的方法，主要方法有偽噪聲信號法和測試信號設計法等。偽噪聲信號法是以偽噪聲信號獲得的電路沖擊響應的變化作為故障特征，建立故障字典的方法。測試信號設計法是將電路不同狀態下測試信號的階躍幅度和電路對輔助信號響應中跨零位置的變化作為故障特征，進行編碼，從而建立故障字典的方法。

1.2 測后模擬法SAT

測后模擬法的主要方法有參數識別技術和故障證實技術，其特點是在電路測試后，根據測量信息對電路模擬，從而進行故障診斷。

參數識別技術的原理是利用網絡響應與元件參數之間的解析關系，通過響應的測量值識別或求解網絡元件的參數值，根據該值是否在容差范圍之內來判定元件是否故障。按診斷方程是否線性，參數識別技術可分為線性技術和非線性技術。線性技術有伴隨電路法等;非線性技術有轉移導納法、元件連接分割法、節點法等。

1) 伴隨電路法是利用特勒根定理和伴隨網絡概念建立故障診斷方程的方法。

2) 轉移導納法是直接通過解網絡轉移導納參數非線性方程組來決定網絡元件值，如果元件參數值超過容差范圍，就判定為故障元件。

3) 元件連接分割法是把系統中的元件或組件從系統中分割出來，用元件與系統的連接關系，來描述系統特性與元件之間的關系。由元件特性和連接特性組成的CCM(Component Connection Model)方程，根據CCM方程建立故障方程。

4) 節點法是從電路節點電壓方程出發，通過傳輸函數或表格法建立故障診斷方程的方法。

故障證實技術是通過檢驗網絡元件某一子集是否出現故障來識別故障的，從而使測試點數大大下降，其方法有K故障診斷、故障定界技術、網絡分裂法等。

1) K故障診斷是通過檢驗某些線性方程的相容性來進行故障定位的，定位中引入補償電源代替元件參量的變化。它有K節點故障診斷和K支路故障診斷兩種。

2) 故障定界技術是假定最大的故障數，并將網絡元件分為兩個子集S1、S2且假定S1中元件正常，利用S1中元件特性與網絡特性測量值求出S2中元件值進行故障識別的。

3) 網絡分裂法是通過可及節點的撕裂，將網絡分裂為若干個子網絡，運用測試條件(STC、MTC)和邏輯分析將故障定位到子網絡，然后利用內部自測條件(ISTC)將故障定位到更小的區域。

1.3 近似技術

近似技術研究在測量數有限的情況下，根據一定的判別準則，識別出最可能的故障元件，其中包括概率統計法和優化法。

1) 概率統計法中常用的為逆概率法，其工作原理是:在測試之前，根據維修經驗對大量數據進行統計分析確定元件發生故障的先驗概率，測試之后，算出后驗概率，根據Bayes判別準則，后驗概率最大者即是最可能出故障的元件。此法的原理與故障字典發相似，是屬于測前模擬的。

2) 優化法用于軟故障診斷，其思路是采用適當的目標函數估計出最可能出現故障的原件。此法是屬于測后模擬的。

1.4 專家系統故障診斷方法

專家系統[5]是一個智能計算機程序系統，其大多基于產生式規則，即首先將專家知識及診斷經驗用規則表示出來，形成故障診斷知識庫，然后根據測試數據利用專家提供的知識和經驗進行推理診斷出故障元件。專家系統包括[6]測前模擬診斷中的故障特性的收集和處理過程，以及測后模擬的故障推理收索等過程。

專家系統特點:具有豐富的經驗和高水平的技術及專家水平的專門知識;能夠有效地模擬故障診斷專家并完成故障診斷的過程，但在實際應用中仍存在一定缺陷，其主要缺陷為[7]:知識獲取“瓶頸”問題;易出現“匹配沖突”、“組合爆炸”和“無窮遞歸”;知識“窄臺階”;知識維護困難;實時性差。這大大影響了故障診斷的準確性。鑒于上述困難，提出將其與具有信息處理特點神經網絡和適合人類認識特征模糊理論相結合。

2 模擬電路故障診斷新方法

字典法一般只用于單故障診斷，參數辨識法和故障驗證法在診斷時在線計算量大，難以實現實時診斷。而在科學技術高速發展的現代化生產中，傳統的故障診斷方法已不能適應技術發展的需求，這就要求科技人員和理論工作者要進一步探索新的理論和方法，主要包括神經網絡，模糊理論，小波變換等。

2.1 神經網絡故障診斷方法

人工神經網絡[8](Artificial Neural Network，ANN)是模擬人腦組織結構和人類認知過程的信息處理系統。神經網絡作為一種自適應的模式識別技術，并不需要預先給出有關模式的經驗知識和判別函數，它通過自身的學習機制自動形成所要求的決策區域。網絡的特性由其拓撲結構、神經元特性、學習和訓練規則所決定。它可以充分利用狀態信息，對來自于不同狀態的信息逐一進行訓練而獲得某種映射關系。而且網絡可以連續學習，如果環境發生改變，這種映射關系還可以自適應地進行調整。

基于神經網絡的診斷過程分為兩步。首先，基于一定數量的訓練樣本集(通常稱為“征兆—故障”數據集)對神經網絡進行訓練，得到期望的診斷網絡;其次，根據當前診斷輸入對系統進行診斷，診斷的過程即為利用神經網絡進行前向計算的過程。在學習和診斷之前，通常需要對診斷原始數據和訓練樣本數據進行適當的處理，包括預處理和特征選擇、提取等，目的是為診斷網絡提供合適的診斷輸入和訓練樣本。此外，盡管神經網絡和傳統的故障診斷是兩種不同的診斷方法，但兩者是緊密聯系在一起的。

2.2 模糊理論診斷方法

模糊故障診斷方法，就是在故障征兆空間與故障原因空間之間建立模糊關系矩陣，再將模糊推理規則產生的模糊關系矩陣進行組合，根據一定的判定閥值來識別出故障元件。將模糊理論的模糊邏輯系統與ANN相結合[9]，充分吸收了兩者各自的優點，既能處理專家知識和經驗，又能通過自學習增強系統的判斷能力。目前的研究主要集中在[9]:研究模糊邏輯系統和ANN的對應關系，將模糊邏輯系統的調整和更新轉化為對應的ANN學習問題以及利用模糊邏輯系統對ANN進行初始化;模糊神經網絡的快速學習算法;利用模糊理論加快ANN的學習速度并應用ANN構造高性能的模糊邏輯系統。但兩者發展到現在，時間相對較短，自身體系還不完善，在解決診斷問題方面還存在很多問題。

模糊理論與其它人工智能技術結合構成的診斷系統雖然可以增強處理不確定性能力，在一定程度上提高診斷的準確度，但是它不能完全消除專家系統所固有的缺點。

2.3 小波變換故障診斷方法

小波變換的基本原理[9]:通過小波母函數在尺度上的伸縮和時域上的平移來分析信號，適當選擇母函數，可以使擴張函數具有較好的局部性，因此，它是一種時-頻分析方法。在時-頻域具有良好的局部化性質并具有多分辨分析的特性[10]，適合非平穩信號的奇異性分析，如利用連續小波變換的極值可以檢測信號的邊沿、隨機信號的突變，還可以抑制噪聲;利用離散小波變換可以檢測隨機信號頻率結構的變化。

小波變換故障診斷機理包括兩個方面[11]:利用觀測器信號的極值、突變等進行故障診斷以及利用觀測器信號頻率結構的變化進行故障診斷。小波變換不需要系統的數學模型，故障檢測靈敏高，運算量小，抑制噪聲的能力強，對輸入信號要求低，但濾波器的時域寬度較大，檢測時會產生時間延遲，且不同小波基的選取對診斷結果也有影響。

近年來，將小波變換與模糊集合論、ANN理論相結合，提出的模糊小波和小波網絡的故障診斷方法。采用嵌套式結合方式，把小波變換的運算融入到ANN中去，形成小波網絡。小波網絡是一種連續的非線性映射，它把ANN的自學習特性和小波的局部特性結合起來，具有自適應分辨性和良好的容錯性，所以適用于模擬電路故障診斷領域。

3 結束語

綜上所述，本文圍繞模擬電路的故障診斷方法進行了有益的探索，回顧上世紀70年代以來模擬電路故障診斷的研究成果，例如測前模擬法、測后模擬法、近似法、專家系統等，并介紹了模擬電路故障診斷新的成果，例如神經網絡、模糊理論和小波變換等。

參考文獻:

[1] Berkowitz R S.Condition for Network-Element-Value Solvability[J].IRE Trans，Circuits Theory，1962，15(9):25-29.

[2] 周玉芬，高錫俊.模擬電路故障診斷[M].北京:國防工業出版社，1989.

[3] 楊士元，胡梅，王紅.模擬電路軟故障診斷的研究[J].微電子學與計算機，2008，25(1):1-8.

[4] 趙偉.基于仿真的模擬電路故障診斷技術研究[D].中國知識網，2006.

[5] 關惠玲，韓捷.設備故障診斷專家系統原理及實踐[M].北京:機械工業出版社，2000.

[6] 于淑芳.模擬電路故障診斷方法展析[J].柳州職業技術學院學報，2005，5(1):87-88.

[7] 吳金培，肖建華.智能故障診斷與專家系統[M].北京:科學出版社，1997.

[8] Abderrahman A，Cerny E，Kaminska B.Optimization based Muhifrequency Test Generation for Analogcircuits[J].Joumal of electronic testing theory andapplication，1996，9(1)，59-73.

[9] 歐陽宏志，廖湘柏，劉華.模擬電路故障診斷方法綜述[J].電子科技，2008，21(12):75-80.

[10] Zhao Z，Gu X.Fault detection based on wavelet neural network[C].Proc of 14th IFAC World Congress，Beijing，1999:145-150.

[11] 葉昊，王桂增，方崇智.小波變換在故障檢測中的應用[J].自動化學報，1997，23(6):736-741.