基于等值網絡模型的電子設備故障智能分析診斷技術

莫海城

(廣西安全工程職業技術學院,廣西 南寧 530015)

電子設備在人們日常生活和生產經營的各個領域應用廣泛,電路集成規模程度日益提高。功能越多的電子系統的結構越復雜,影響電子系統正常運行的因素增多,電子設備功能失效或電路出現故障的概率也越大[1-2]。

文獻[3] 采用混雜模型來模擬電力電路的運行,通過分析電路信號,實現對所有電子元件運行狀態的全面檢測。然而,這種方法在電力電路建模方面存在挑戰,且在針對特定電路時通用性較低。文獻[4]基于可靠性評估技術ADT,對電力電路的狀態進行評估。此方法根據預測的樣本退化程度,對電子設備的運行情況進行判斷。但是,受實驗樣本少及難以確認的特征影響,這在評估復雜電子設備時帶來了困難。文獻[5]在模塊化多級轉換器到實驗設備的基礎上,分析了半導體開關故障后系統參數變化的性質,提出了基于自適應濾波器預測的故障診斷方法。自適應濾波器方法可以預測子項目中電容器的電壓,并根據電容器是否超過閾值來確定其故障。由于這種方法教學性質比較強,無法讓學者完全掌握。文獻[6]通過DC-DC功率模塊電路的仿真分析研究了測試信號的類型和應用模式,確定了不同內部設備對不同測試信號的反應。通過分析輸出電壓的形狀,可以根據衰減振動的數量來決定反饋電路中的光通信的誤差狀態。

1 電子電路故障診斷方法

1.1 電子電路故障診斷系統設計

故障診斷系統采用LabVIEW軟件設計開發,通過預設參數,將模擬信號轉換為數字信號,采用接口傳輸的方法將數據傳輸至上位機[7-8]。電子電路故障診斷系統架構如圖1所示。

圖1 電子電路故障診斷系統架構

從圖1可以看出,首先進行預處理,篩選故障信息,獲取測試信號類型和應用模式,并確定每個內部設備對不同測試信號的響應。通過分析輸出電壓的形狀,可以根據阻尼器的振蕩次數來確定反饋電路中光學通信的故障狀態[9]。該系統進行消毒、標準化等。將模擬退火算法與粒子群最小二乘向量機相結合,系統地評估故障。該系統基于遺傳算法變異的思想,在退火SA算法中引入了簡單的變異算子,并提出了動態自適應SAPSO算法,以克服傳統粒子群算法對局部優化的依賴[10]。

處理后的故障數據被分為訓練、測試樣本。分類器通過訓練樣本學習,再將測試的樣本輸入到分類器,得出故障模式和元件位置。系統采用Oracle數據庫作為后臺,實現信息和線索的共享。系統客戶端接收用戶請求,通過調整模型在Servlet界面呈現故障信息。

1.2 電子電路故障信號采集模塊設計

故障診斷設備采用STM32做主控制芯片,與上位機通過引腳PA11和PA12通信。故障信號采集模塊需要同時采集待診斷電路的輸入和輸出信號。因此,選擇具有8路通道采集的模數轉換芯片,獲取眾多的采樣信號,以便采集故障電路的輸出信號。

采集模塊電路使用AD7606芯片進行采集數據,模塊采用5 V單電源供電,該芯片具有多個通道,能夠同時采集多路模擬信號,并將其轉換為數字信號。AD7606的內部結構集成了采樣保持電路、ADC核心以及串行接口等功能,可以實現高速、精確的模擬信號轉換[11]。

本研究選用28～12 V DC-DC變換電路作為二次電源,對電路中可能出現的硬故障和軟故障進行了診斷研究,電路結構如圖2所示。

圖2 變換電路原理圖

從圖2可知,輸入28 V直流電壓,RL是15 Ω。控制電路是以UC3843A芯片作為核心。本文采用型號為LM317、輸出電壓為1.2～37 V 的電源電壓調節器進行調節電源,其計算公式為:

(1)

式中:IAdj為電源電壓調節器調節端的電流;R1、R2為調節電阻[12]。電路中的檢測點為Vdmos、Vs、VL2、Vout、Vfb、Vcom、Vref、Vcs、Vpwm和Vrct等[13]。

1.3 基于BP神經網絡模型的電子電路故障診斷

BP神經網絡屬于多層前饋神經網絡,其工作過程可分為學習期和工作期2個階段。通過3層神經網絡的學習、訓練,以將數據模型按照任意精度與設置的理論值進行逼近,以提高電子電路故障診斷能力。

學習期間的主要特征是信號的直接傳播和錯誤的反向傳播。在信號傳入之前的傳播過程中,輸入信號從輸入層開始,由層次結構中的神經元層處理到輸出層[14]。假如輸出層無法獲得所需的輸出,則轉換錯誤將重新分發。根據目標功能最小化原理,調整重量和連接閾值,使BP神經網絡的實際輸出持續接近預期輸出。當神經網絡內的壓力固定時,確定BP神經網絡模型并開始工作周期。在操作過程中,輸入信號只有正傳播,層輸出的等待時間未知。計算每個模型的輸入信號,以獲得輸出層的實際輸出。經典的BP三級神經網絡具有很高的自我實現能力,可以接近任何非線性功能。其拓撲圖如圖3所示,其中X1,X2,…,Xm是BP神經網絡的輸入量;Y1,…,Yn是BP神經網絡的輸出量;ωij、ωjk為層間神經元的連接權值。

圖3 三層BP神經網絡結構

由圖3可知,當輸入層節數m和隱含層節數n取不同值時,所對的BP神經網絡模型也不同。

由于噪聲干擾和測量誤差會對從斷層鏈中提取的信息的反應不完整,包括許多不確定性,使得診斷電路故障變得困難。在測試斷裂電路時,需要配置一系列電流測量設備。同時,反饋電路必須關閉,因此響應電流很少用于故障評估。通常情況下,故障判定會使用觸發電壓[15]。電子電路元件的軟硬故障分類如圖4所示。

圖4 電子電路元件的軟硬故障分類

其中Pn表示標稱值,軟故障的定義范圍為[0.1Pn,(1-c)P)∪((1+c)Pn,10Pn],硬故障的范圍為[0,0.1Pn)∪(10Pn,∞]。本研究采用BP神經網絡模型用于分析所采集的電子電路原始數據集,以增強不同故障特征數據的識別能力。BP神經網絡模型提取診斷流程如圖5所示。

圖5 BP神經網絡模型提取診斷流程

根據BP神經網絡模型的工作原理,對其進行定量分析:

(1)網絡的初始化。通過系統輸入量的維度及輸出量的維數作為輸入層節點數和輸出層節點數,隱含層的節點數l并沒有統一的選取規則[14],最佳隱含層節點數計算公式:

l

(2)

(3)

l=log2n

(4)

式(2)～式(4)中,m和n分別為輸入層和輸出層的節點數;l為隱含層節點數;a為常數。神經元多采用Log-sigmoid函數作為活化函數,其表達式為:

(5)

(2)隱含層輸出計算。由輸入量Xi(i=1,2,…,m),輸入層與隱含層的連接權值ωij以及隱含層第j(j=1,2,…l)個節點閾值aj,可計算出隱含層第j個節點的輸出Hj[14]。

(6)

式中:m、i分別表示輸入層、隱含層節點數,f1()表示隱含層神經元的活化函數。

(3)輸出層的輸出計算。依據隱含層第j個節點輸出Hj,連接權值ωjk和輸出層第k個節點閾值bk,可計算出輸出層第k個節點的輸出Yk:

(7)

式中:l、j分別表示隱含層、輸出層節點數,f2()表示輸出層神經元的活化函數。

(4)誤差的計算。Yk、Ok表示輸出層第k(k=1,2,…n)個節點的實際、期望輸出,由此可計算網絡的診斷誤差:

ek=Ok-Yk

(8)

目標函數最小化表達式為:

(9)

(5)權值的更新。ek是輸出層第k(k=1,2,…n)個節點的網絡誤差,可通過它調整各層之間的連接權值ωij與ωjk。

i=1,2…m;j=1,2…l

(10)

ωjk=ωjk+ηHjek,j=1,2…l;k=1,2…n

(11)

式中:η為學習率。

(6)閾值的更新。通過ek,可更新隱含層、輸出層的第k個節點的閾值aj,bk。

(12)

bk=bk+ek,k=1,2…n

(13)

依據上述學習過程,可將BP神經網絡的診斷過程進行歸納。

2 應用測試

在系統模塊化編程方面,本研究采用QT Creator 4.11.0開發工具。通過系統客戶端可將本研究的計算結果和電子電路故障診斷結果展示于系統交互界面。選擇硬件電路圖中的電容C1為50 V/220 μF;C2為25 V/220 μF;電感L1、L2均為3 A/470 μF。

在標準工況下,通過數據采集模塊,采集電路正常工作時測點Vdmos、Vs、VL2、Vout的電壓信號,得到輸出信號的波形,如圖6所示。

圖6 輸出測點的電壓波形

本研究將故障診斷率(Fr)、故障漏檢率(Fl)、故障虛警率(Ff)、故障誤檢率(Fm)作為故障診斷的性能評價指標。

2.1 故障診斷率

(14)

式中:N、S分別為電路的工作模式數、所有電路工作模式中正確診斷的樣本總數;Ti為第i類電路工作模式下的樣本數量。

2.2 故障漏檢率

(15)

式中:Sl為電路故障樣本被漏診為正常的樣本數量;N為模式數;Ti為第i類的樣本數量;j表示電路正常的模型。

2.3 故障虛警率

(16)

式中:Sf為正常樣本被誤判為故障的樣本數量。

2.4 故障誤檢率

(17)

式中:Sr為故障類型點位錯誤的樣本總數。

采用文獻[3]、文獻[4]系統方法和本研究系統方法對實驗電路中出現的硬故障進行診斷分析,其診斷率結果如表1所示。

表1 3種系統的硬故障診斷率Tab.1 Hard fault diagnosis rate of the three systems

由表1可知,本研究系統在對實驗電路上出現的5種硬故障的診斷率達到100%;采用文獻[3]、文獻[4]系統方法對硬故障的診斷率均低于本研究系統方法。其中采用文獻[3]系統方法的平均診斷率為92.8%;文獻[4]系統方法的平均診斷率為93.6%。而采用本文設計的電子電路故障診斷系統方法對實驗電路中的硬故障的診斷率明顯高于其他2種系統診斷方法,證明了本研究系統方法的優越性和可行性。

采用文獻[3]、文獻[4]系統方法和本研究系統方法對實驗電路中出現的軟故障進行診斷分析,其診斷率如表2所示。

表2 3種系統的軟故障診斷率Tab.2 Soft fault diagnosis rate of the three systems

由表2可知,本研究系統方法的軟故障診斷方法的平均診斷率為96.4%,其中對C1電容值減少20%～50%的軟故障診斷率能達到100%。而文獻[3]、文獻[4]的軟故障診斷方法的平均診斷率分別為87.6%和85%。由此可見,采用本文設計的電子電路故障診斷系統方法對實驗電路中的軟故障的診斷率明顯高于其他2種系統診斷方法,進一步證明了本研究系統方法的優越性和可性性。

3 結語

本研究基于BP神經網絡模型設計的電子電路故障診斷技術的創新點在于:

(1)利用多個采集通道對8路數據進行同步采集,可較快地獲取電子電路故障信息。將直流變換電路作為仿真電路,將LM317電源電壓調節器加入到控制電路中。故障診斷的特征參數是測點電壓信號的峰值和峰峰值,用以反映電路的故障類型;

(2)以DC-DC變換電路為仿真電路,通過將測試點電壓信號峰值作為故障特征參數,計算出故障診斷率、故障漏檢率、故障虛警率、故障誤檢率,從而來作為故障診斷的性能評價指標。

雖然本研究系統方法能實現對電子電路故障診斷,且對軟硬件故障診斷上有著較高的診斷率,但在故障特征信息融合上還需進一步研究。