模擬電路故障診斷概述及相關(guān)技術(shù)

楊蘇娟

（南京郵電大學(xué)，江蘇 南京 210023）

1 模擬電路故障診斷概述

隨著電子技術(shù)的飛速發(fā)展，模擬元件的檢測與診斷越來越受到人們的重視。但隨著電路的復(fù)雜性越來越高，要維護和保障這些設(shè)備也變得越來越難，對技術(shù)的要求也越來越高。研發(fā)新的模擬電路故障診斷方法來實現(xiàn)故障的自動診斷已經(jīng)成為必要。

1.1 故障類型的分類

模擬電路中的故障主要分為硬故障和軟故障。硬故障也被稱為災(zāi)難性故障，會導(dǎo)致電路災(zāi)難性地毀壞，由于參數(shù)變化而導(dǎo)致的硬故障經(jīng)常在BJT和MOSFET電路中產(chǎn)生；軟故障也稱為參數(shù)故障，在不超過約束值的情況下，其元件值發(fā)生改變，使其偏離了標稱值，造成了軟故障。

1.2 模擬電路故障診斷方法的分類

在傳統(tǒng)的方法中，主要從模型、公式、信號分析、靈敏度分析等來對模擬電路進行診斷，這些方法是最基本且運用較為廣泛的方法。

基于模型的方法：在基于模型的方法中，通過對系統(tǒng)的輸入和輸出進行處理，生成剩余信號。決策者根據(jù)剩余信號提取信息，作為故障電路的特征向量。

基于公式的方法：在基于公式的方法中，比較了正常電路和故障電路參數(shù)范圍的變化，如果變化超過了閾值，則在電路中進行公式變換，以減少電路中其他因素的影響。

基于信號分析方法：在基于信號分析的方法中，用信號代替輸入輸出模型進行故障診斷。從測量信號中提取特征，并根據(jù)癥狀和先驗知識進行分析，對電路進行診斷決策。

2 常見的模擬電路故障特征提取方法

特征提取在模擬電路故障診斷中有著舉足輕重的地位，模擬電路的故障信號大多是非線性的并且具有很大的噪聲。通常使用算法提取與故障特征相關(guān)性較高的信息，將原來的特征向量映射到高維空間中，在高維空間中選擇最能代表電路故障特點的信息，消除無用信息。

2.1 基于主成分分析的特征提取方法

主成分分析是一種有效的提取多維數(shù)據(jù)特征的方法。它的主要特點是將幾個相關(guān)變量簡化成更少的不相關(guān)并且獨立的主成分，并通過線性組合盡可能多地保留原始信息。在模擬電路故障診斷中，通常可以得到許多故障特征，主成分分析采用降維算法減少這些特征的維數(shù)，并使用線性相關(guān)原理對原始信號的特征數(shù)據(jù)進行轉(zhuǎn)換，從而達到簡化特征且使各特征之間相互獨立的目的，以減小后面故障分類的工作量，提高故障識別的精確度和效率。

2.2 基于希爾伯特黃變換的提取方法

希爾伯特黃變換是由經(jīng)驗?zāi)B(tài)分解方法與希爾伯特變換結(jié)合形成的一個潛在的強大的分析工具。基于傅里葉變換的希爾伯特黃變換信號處理方法被認為是線性分析和平穩(wěn)譜分析的一個重大突破。通常應(yīng)用EMD分析將時間序列分解為一組本征模態(tài)函數(shù)，然后利用希爾伯特變換和瞬時頻率法獲得信號的時頻希爾伯特譜。

2.3 基于獨立分析的特征提取方法

獨立成分分析可以將信號與噪聲分離，即使兩者在頻率上有重疊。獨立成分分析基于以下原則，假設(shè)原始的（或源）信號是線性混合的，而且這些混合信號是可用的，獨立成分分析可以發(fā)現(xiàn)混合信號的線性組合，這些線性組合信號可以恢復(fù)原始的源信號，也可重新進行縮放，這是用非線性變換信號的熵最大化原理來實現(xiàn)的。

3 常見的模擬電路故障模式識別方法

故障模式識別指的是把前面通過特征提取得到的特征向量，通過分類器將各個故障類型識別出來，當然，這其中要做的就是訓(xùn)練得到各個故障分類器的系數(shù)。故障分類器是最直觀的展現(xiàn)整個故障診斷方法的一步。

3.1 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是可以根據(jù)輸出值和目標值的比較來調(diào)整網(wǎng)絡(luò)的，直到輸出值與目標值匹配。之前的一些研究已經(jīng)探討了利用人工神經(jīng)網(wǎng)絡(luò)來識別人類的音調(diào)模式。它采用隱藏的知識表達，通過先驗知識，設(shè)計神經(jīng)網(wǎng)絡(luò)的權(quán)重和各網(wǎng)絡(luò)層之間的關(guān)系，使其實現(xiàn)經(jīng)驗與知識的聯(lián)系，從而應(yīng)用于方案設(shè)計的評價。人工神經(jīng)網(wǎng)絡(luò)提供了一種近似各種目標函數(shù)的有效方法，比如真實值、離散值和向量值。

3.2 支持向量機

支持向量機是一種機器學(xué)習(xí)算法。支持向量機分類原理是在可能的空間中發(fā)現(xiàn)一個特定的超平面，將超平面到數(shù)據(jù)點的距離最大化，這等價于求解二次方程優(yōu)化問題。同時，支持向量機體現(xiàn)了結(jié)構(gòu)風(fēng)險最小化原則，它已被證明優(yōu)于傳統(tǒng)采用經(jīng)驗風(fēng)險最小化原則的神經(jīng)網(wǎng)絡(luò)分類。因此，支持向量機的解決方案很有可能是全局最優(yōu)的，而神經(jīng)網(wǎng)絡(luò)模型則傾向于陷入局部最優(yōu)解。

3.3 決策樹

決策樹是一個遞歸結(jié)構(gòu)，用于表示順序分類過程，保證每個測試值都將被分配給某個類。決策樹算法被廣泛應(yīng)用于數(shù)據(jù)挖掘和線索發(fā)現(xiàn)中。此算法有能力在一個可預(yù)測的響應(yīng)時間內(nèi)處理大量的數(shù)據(jù)。樣本數(shù)據(jù)被隨機分為兩組大小相等的數(shù)據(jù)集，即訓(xùn)練集和測試集，然后用目標變量分析訓(xùn)練集的數(shù)據(jù)來構(gòu)建分類模型，再將它們轉(zhuǎn)換成預(yù)先確定的數(shù)據(jù)類。比較訓(xùn)練集和測試集，如果精度相似，則構(gòu)建的模型是成功的；否則，需要重新生成訓(xùn)練集和測試集以重復(fù)實驗。

4 結(jié)束語

本文主要是關(guān)于模擬電路故障診斷的概述以及一些常用的關(guān)于模擬電路故障診斷的技術(shù)。介紹了模擬電路故障診斷中存在的難點、故障的分類以及故障的來源，并分析了模擬故障診斷中的兩個重要步驟，即故障特征提取和故障模式識別，介紹了常用的特征提取方法以故障模式識別使用的分類器，比如主成分分析、決策樹等。以上相關(guān)內(nèi)容的研究與探索，為模擬電路故障診斷明確了研究方向，對本文后續(xù)內(nèi)容的研究具有重要的意義。