基于盲信号分离算法的电路故障诊断方法

摘要

一种基于盲信号分离算法的电路故障诊断方法，该方法利用不同种类元件在相应电压激励下，呈现不同特征电流响应的特点，对电路按照元件种类进行分类和可测试性设计；电路测试时，将各种元件按照预先设计的一定组合方式连接，采集各种元件输出的混合叠加信号，然后利用盲信号分离技术对该混合叠加信号进行分离估计还原出原始信号，通过与各元件正常响应信号的统计相关性分析，辨识出是否有元件发生故障以及故障类型。该方法只需对混合信号进行检测分析，使故障诊断的测试过程得到简化，且不受电路类型的局限。

说明书

技术领域

本发明涉及一种电路故障诊断方法，特别是一种用盲信号算法进行电路故障诊断的方法。

背景技术

由于电路逐渐向着集成化、模块化、数模电路混合化发展，由这些电路构成的仪器或装置在改善和提高自身性能的同时，也造成电路元件增多和接线的复杂化。利用硬件如万用表、示波器等人工逐点测试线路的主要参数，再根据经验分析判断故障的传统故障检测方法显现出效率低下、成本增加、准确度不够等问题。因此复杂数模混合电路故障检测方法的研究成为一个得到广泛关注的课题。

在电路故障诊断领域，当前应用较多的有故障字典法和FTA（fault trees analysis）故障树法，这类方法需要事先根据经验和逻辑分析建立可供查询的故障字典或故障树图，前期工作量大，且不具备可移植性。近年来，学者们研究尝试了一些新方法，提出基于DES（discrete event system）理论的混合电路测试方法，由于算法的理论原理复杂且对不同类型的电路需要采用不同的功能测试和诊断程序，该方法仍处于理论研究和小规模电路测试阶段；提出基于人工神经网络的方法，该方法需要大量的公共训练集进行训练建模，导致效率较低而且准确性不高；另外，还有一类非接触式检测法，如电路红外成像法和磁场映像术法，将电路在标准电源输入下电路的电磁信号或温度信号成像后进行故障前后的对比以判断电路故障的位置，此类方法需要专门的成像设备，成本较高且无法精确判定故障类型，当前实际的应用较少。

发明内容

本发明的目的就是提供一种基于盲信号分离算法的电路故障诊断方法，它可以通过简单的盲分离算法对故障电路进行准确判断。

本发明的目的是通过这样的技术方案实现的，其步骤为：

1）对所需诊断的故障电路进行分析，设计成i个测试性组合电路连接方式；

2）对测试性组合电路加载测试电压                                                ，采集混合叠加信号，并通过公式记算出，为第i个测试性组合电路正常时在测试电压下的的输出信号；

3）将与预设阀值进行比较，小于预设阀值则没有故障，大于预设阀值则第i组测试性组合电路出现故障，转入步骤4）；

4）将的波形与数据库中所存有波形进行比对，与数据库所存波形匹配，则该波形所对应的电子元件出现问题，反之转入步骤5）；

5）对混合观测信号进行盲分离，分离成矩阵，计算分离结果与之间的相关系数，为测试性组合电路正常时的分离矩阵，找出不匹配的第j个分离矩阵；

6）将步骤5）中所述不相匹配的与数据库所存的故障信号进行比较，确定故障电路元件种类和故障类型。

进一步，步骤1）中所设计的每个测试性组合电路最少包含有一个以上的电子元件，测试性组合电路输出信号之间的相关性系数小于0.3。

进一步，测试性组合电路信号之间的相关性系数R通过以下公式计算：

F=

L=

LF=

R=

式中x、y是随机变量，x={x1,x2,…,xn  }，y= {y1 , y2,…,yn}，和是两者的均值。

进一步，测试性组合电路的个数与要检测的电路元件种类数保持一致。

进一步，步骤5）中所述的盲分离算法步骤如下

a，把混合观测信号零均值化，即每个混合观测向量均减去自身的均值，再进行白化去相关性处理，白化同时去除冗余信息；

b，预处理完成后，随机给分离矩阵设定初值；

c，将白化后的数据带入FastlCA算法进行迭代运算，直到收敛为止，得到分离矩阵；

d，根据公式Y_i =Z，计算分离信号。

由于采用了上述技术方案，本发明具有如下的优点：

利用该种方式的故障诊断对电路元件的类型没有限制，且各元件在检测时相互之间是独立的，这样可排除故障对其他元件的干扰提高故障诊断的准确性。该方法只需对混合信号进行检测分析，使故障诊断的测试过程得到简化，大大提高了效率，降低了成本。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。

附图说明

本发明的附图说明如下。

图1为本发明的流程图。

图2为实施例中所需检测的电路结构图。

图3为图2设计成的测试性组合电路连接方式。

图4为测试电路正常状态下的电流响应信号及信号之间波形图。

图5为实际第四组测试电路的输出波形图。

图6为图5输出信号盲分离后的波形图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

基于盲信号分离算法的电路故障诊断方法，其步骤为：

1）对所需诊断的故障电路进行分析，设计成i个测试性组合电路连接方式；

2）对测试性组合电路加载测试电压，采集混合叠加信号，并通过公式记算出，为第i个测试性组合电路正常时在测试电压下的的输出信号；

3）将与预设阀值进行比较，小于预设阀值则没有故障，大于预设阀值则第i组测试性组合电路出现故障，转入步骤4）；

4）将的波形与数据库中所存有波形进行比对，与数据库所存波形匹配，则该波形所对应的电子元件出现问题，反之转入步骤5）；

5）对混合观测信号进行盲分离，分离成矩阵，计算分离结果与之间的相关系数，为测试性组合电路正常时的分离矩阵，找出不匹配的第j个分离矩阵；

6）将步骤5）中所述不相匹配的与数据库所存的故障信号进行比较，确定故障电路元件种类和故障类型。

如图1所示，流程图中第一个判断框比较正常状态与检测时刻混合观测信号之间差值绝对值的均值和阈值的大小判断第i组中是否有故障发生。因为元件故障后响应会发生变化，又考虑到测量误差等因素需将阈值设在适当的范围内以避免误判。

流程图中第二个判断框将符合第一个判断框的△Xi依次与数据库Mn中的信号进行相关性分析。若相关性足够大，则第i组中第j类元件发生开路或者任何使得其响应为0的故障。若相关性均很小，还需对混合观测信号X’做盲分离。

流程图中第三个判断框是将分离结果Y’中各信号依次与Y中的信号进行相关性分析。若Yi’(i=1,…,n)与任何Yi均不匹配，则可确定Yi’是对故障信号的估计。将Yi’与数据库Mf中的信号依次做相关分析，若其与某种故障信号匹配则可判断故障类型，若该分离信号与Mf中信号均不匹配，则转由人工进行故障分析，分析后将该信号和对应的故障类别存入故障信号集，以完善电路的故障数据库。

盲源分离算法设有N个未知源信号Si(t)（i=1，2，…，N），Si为列向量，t为离散时刻t=0、1、2……，构成源信号矩阵S(t)=[ S1, S2,……, SN] 。源信号通过线性混合得到M阶可观测混合信号X(t), 其中

X(t)=A×S(t)，MN        （1）

A是一个M×N维的实数矩阵。无噪声环境的BSS要解决的问题是在源信号S(t)和混合矩阵A均未知的情况下根据可观测混合信号X(t)得到源信号S(t)的估计值，其数学表达式如下： 

Y = W×X = W×A×S

W×A ≈ I           （2）                    

Y ≈ S

其中W为分离矩阵，Y为分离信号。由上式可见盲分离的关键问题是找到分离矩阵W，使分离信号Y是源信号的近似估计。

ICA建立在3个基本假设基础上，即：要求各源信号之间相互独立；源信号至多有一个服从高斯分布；混合矩阵A是列满秩的。满足基本假设后ICA算法需要建立度量分离信号独立程度的目标函数，如1995年Bell和Sejnowski提出的InfoMax算法的目标函数基于信息最大化准则，1999年Hyvarinen等人提出的FastICA算法的目标函数基于负熵最大化准则 。目标函数确定后需建立相应的优化算法对目标函数进行优化并找出分离矩阵W，使系统输出的信号尽量接近源信号S(t)。

FastICA算法是经过实践证明的一种高效实用的ICA算法。这种算法采用了批处理方式，在每一步迭代中有大量的样本数据参与运算，从而使得该算法的收敛速度和运算性能得以提升[22]。FastICA算法和其他ICA算法相比收敛速度更快，无需选择步长参数，即不需要进行学习率的选择，因此更便于应用。该算法能适应任何高斯信号，而且独立分量是被逐个估计出来的，这样可以减少迭代过程的计算量。

FastICA算法原理和流程：FastICA以负熵作为衡量信号独立性的目标函数，采用近似负熵作为度量随机变量非高斯性的判据，负熵越大其非高斯性越强。这种方法比基于峭度的目标函数具有更好的稳健性，能减少少数大幅度样本或随机脉冲对目标函数的干扰。本发明采用的FastICA算法的目标函数是一种新的基于最大熵原理的负熵近似计算法，其数学表达式如下：

J(y)K[E{G(y)}-E{G(v)}]2          (3)

其中，K是一个正常数，E｛.｝表示变量的期望，y、v均是均值为0，方差为l的随机变量。G(.)是一个非二次函数，常采用如下所示的函数代替：

G(y)=-exp()           (4)

FastICA优化算法实质是通过寻求使J(y)取得最大值的分离矩阵W，再根据公式（2）求出对应的估计结果Y。由于现实中的源信号之间不可能总是完全相互独立的，因此在进行盲信号处理之前会对混合信号做白化处理以去除相关性，这样亦可以减少后续程序的迭代次数和提高算法稳定性。混合观测信号X(t)经过预白化处理后生成如下结果：

Z=VX                 (5)

公式中的V是白化矩阵，V=D-1/2ET ，Rx为X的相关矩阵，Rx= EDET为矩阵X的奇异值分解，其中E是由Rx的正交单位特征列向量组成，D是对角阵对角元素为Rx特征值的平方。经过公式推导可得到优化后的牛顿迭代算法：

Wi←E(ZG(WiTZ))－E(G’(WiTZ))Wi ,i=1,…,N  (6)

公式中G’(.)表示导函数，需要注意的是每次迭代完后应对Wi进行归一化处理。求出Wi后进一步利用式（7）计算分离信号Yi的值。

Yi =Z                (7)

步骤1）中所设计的每个测试性组合电路最少包含有一个以上的电子元件，测试性组合电路输出信号之间的相关性系数小于0.3。

测试性组合电路信号之间的相关性系R数通过以下公式计算：

F=

L=

LF=

R=

式中x、y是随机变量，x={x1,x2,…,xn  }，y= {y1 , y2,…,yn}，和是两者的均值。所设计的测试性组合电路为四个。

测试性组合电路的个数与要检测的电路元件种类数保持一致。

步骤5）中所述的盲分离算法步骤如下

a，把混合观测信号零均值化，即每个混合观测向量均减去自身的均值，再进行白化去相关性处理，白化同时去除冗余信息；

b，预处理完成后，随机给分离矩阵设定初值；

c，将白化后的数据带入FastlCA算法进行迭代运算，直到收敛为止，得到分离矩阵；

d，根据公式Y_i =Z，计算分离信号。

实施例：

以一种Flash A/D转换器电路为例，电路结构如图2所示，及电子元件数量及参数如下表所示：

元件电阻比较器异或门耗尽型NMOS个数8763

按前述的方法建立组合式测试线路，如图3所示，

其中组合系数A=[2,0,0,0;2,3,0,0;2,1,3,0;2,3,3,3];

元件正常状态下输出响应信号S=[COMP,R,NOR,MOS]^T;混合观测信号X=A×S。测试电路的检测点在图3中P1～P4处，Xi（i=1,…,4）是各组合的混合叠加信号。

通过对输入信号Ui进行调试后可得到各元件正常状态下电流响应信号及信号之间波形如图4所示。

计算元件正常状态的输出信号之间相关性，如下表所示

R电阻比较器异或门耗尽型NMOS电阻10.001-0.00120比较器0.0011-0.00120.0005异或门-0.0012-0.001210.0005NMOS00.00050.00051

其信号之间相关性足够小满足盲分离条件。进行故障诊断时先断开工作电源然后接通测试电源Ui,采样混合叠加信号X’, 计算，依次比较（i=1,…,4）与阈值的大小，这里阈值预设为0.05，结果只有>0.05说明在第4组中有故障发生，△X₄的输出波形如图5所示：

由图5可见△X₄的波形与任何元件正常状态的电流响应波形不匹配，因此需要对X’进行盲分离，分离结果及正常状态的分离信号Y如图6所示： 

图6中Yi(i=1,…,4)表示Flash A/D转换器正常状态下的分离信号波形，Yi’(i=1,…,4)表示故障检测时的分离信号波形。由于盲分离信号存在幅值和顺序的不确定性，因此图6中前后两组分离信号之间排序不相同。

两组分离信号之间的相关系数如下表所示

RY1’Y2’Y3’Y4’Y10.001-0.001210Y2-1-00.001-0Y3-010.00120Y4-0-0-00.9482

结合图6，Y4’与Yi（i=1,…,4）均不匹配，将其与该电路的故障信号采集数据库中的信号一一作相关分析结果显示Y4’与耗尽型NMOS管的击穿故障信号最接近，其相关系数为-0.8934。因此可判定该电路的故障为第4组中的耗尽型NMOS管发生了击穿故障。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。