郭 珂，傘 冶，朱 奕

（哈爾濱工業(yè)大學 黑龍江 哈爾濱 150001）

電子設(shè)備廣泛應(yīng)用于航天航空、通信、測量、自動控制、醫(yī)療器械等各個領(lǐng)域，其運行環(huán)境多種多樣，如高溫、高電磁干擾、高濕度、高輻射和振動等，有時甚至會經(jīng)歷兩個極端的變化過程（例如，從超高溫到超低溫）。越是惡劣的運行環(huán)境，就越是要求更高的可靠性，如核電設(shè)備的控制系統(tǒng)、衛(wèi)星的姿態(tài)控制系統(tǒng)等對于可靠性有著近乎苛刻的要求。這就要求我們不斷研究新的方法和技術(shù)，進一步提高電子設(shè)備的可靠性，在發(fā)生故障后能夠及時地檢測、隔離、診斷故障。通過對電路進行監(jiān)測、診斷并預(yù)測其發(fā)展趨勢，可確保我們采取不同的應(yīng)對措施對其進行有效的保養(yǎng)或維修，使其始終處于安全、經(jīng)濟、穩(wěn)定的運行狀態(tài)。

電子設(shè)備中的電路系統(tǒng)分為模擬電路和數(shù)字電路兩個部分，客觀世界信號的本質(zhì)決定了模擬電路在電子設(shè)備中的不可替代性，因此即使在數(shù)字電路充分發(fā)展的今天，模擬電路仍然廣泛應(yīng)用于科研、生產(chǎn)、生活的各領(lǐng)域。理論分析和長期的實際使用經(jīng)驗均表明，模擬電路比數(shù)字電路更容易出現(xiàn)故障，因此模擬電路的可靠性決定了整個電子系統(tǒng)的可靠性。

1 模擬電路故障產(chǎn)生原因及分類

模擬電路故障可以定義為任何偏離元件標稱值，并且使得整個電路發(fā)生異常的現(xiàn)象。模擬電路產(chǎn)生故障的原因通常來自設(shè)計、制造和使用這3個階段。有些故障是由于元器件在設(shè)計過程中沒有考慮到特殊的工作環(huán)境造成的，如高溫、高輻射環(huán)境；有些故障是由于制造工藝缺陷造成的，如氧化厚度不足、封裝缺陷；有些故障是由于元器件使用時間過長造成的，如元器件老化、磨損等。

電路故障有多種不同的分類形式，通常是按照元件參數(shù)值偏離其標稱值的程度劃分為軟故障（Soft Faults）和硬故障（Hard Faults）兩類。軟故障是指元件的參數(shù)隨著時間或者環(huán)境條件的影響而偏離至不能允許的程度，從而導致了系統(tǒng)性能的異?；驉夯?。元件軟故障通常不會導致電路網(wǎng)絡(luò)拓撲結(jié)構(gòu)的改變，大多不會對電路功能造成重要影響。硬故障又稱災(zāi)難性故障，是指元件的參數(shù)突然發(fā)生很大的變化（如元件的短路、開路等），從而導致系統(tǒng)嚴重失效，甚至完全癱瘓。硬故障是一種結(jié)構(gòu)性的破壞，它破壞了電路的拓撲結(jié)構(gòu)，使電路功能失效。硬故障從本質(zhì)上可以看作是軟故障的某種特例，即元件參數(shù)變化的兩種極端情況：極大值（開路）和極小值（短路）。圖1為模擬電路故障所導致的系統(tǒng)性能參數(shù)的變化示意圖，不同應(yīng)用場合其性能參數(shù)變化是不同的。

圖1 性能參數(shù)變化曲線Fig.1 Curve of system performance caused by component parameter changing

區(qū)分元件參數(shù)值偏離其容差范圍所引起的故障類型原則是：實際元件參數(shù)值是否大于其標稱值的10倍或者小于其標稱值的0.1倍。電路元件值的變化引起故障類型的變化示意圖如圖2所示。從圖中可以看到，當元件參數(shù)在之內(nèi)時，認為是軟故障，在此之外則認為發(fā)生了硬故障，其中為元件的標稱值，為元件的容差范圍。

圖2 元件值變化引起的故障類型變化圖Fig.2 Fault type variation caused by component parameter changing

如果按照電路中同時發(fā)生故障元件的個數(shù)來劃分，還可以分為單故障（Single Fault）和多故障（Multiple Faults）兩種情況。通常單故障發(fā)生的概率在80%左右，發(fā)生多故障的概率較低。從故障在電路中隨時間的表現(xiàn)形式來看，可分為持久故障（短路、開路等）和間歇故障（接觸不良等）。

2 模擬電路故障診斷特點

同數(shù)字電路的故障診斷方法相比，模擬電路故障診斷的發(fā)展速度相對較慢，至今仍然沒有一個被廣泛認可的測試診斷理論和方法。模擬電路的故障診斷之所以比數(shù)字電路的故障診斷要困難是由如下幾個特點決定的：

1）模擬電路的輸入、輸出信號在時域和電壓幅度上具有連續(xù)性，以及元件參數(shù)的連續(xù)性使得故障診斷模型比較復雜，難以簡單量化。

2）實際模擬電路中的元件參數(shù)都具有很大的離散性，即具有容差。容差的存在導致了故障的模糊性，因而有時無法唯一確定故障位置，使得診斷結(jié)果的準確性難以保證，這是故障診斷的最大困難之一。

3）模擬電路中廣泛存在非線性和反饋回路。模擬電路中往往含有非線性元件，而且即使在線性電路中也存在眾多的非線性問題，這使得診斷的復雜性和信息處理量急劇增加。

4）模擬電路中可測電壓節(jié)點有限，導致供診斷用的故障信息量不充分，造成故障定位的不唯一性和模糊性，或者根本不可診斷。

5）模擬電路對環(huán)境變化較敏感，其輸出響應(yīng)不僅易受制造工藝所引起的元件參數(shù)偏差的影響，而且易受熱噪聲、電磁干擾等外界環(huán)境因素的影響。

鑒于上述原因，我們不可能將相對成熟的數(shù)字電路故障診斷方法直接移植到模擬電路系統(tǒng)中區(qū)解決問題，必須根據(jù)模擬電路自身的特點去探索新的行之有效的診斷理論和方法。

3 模擬電路現(xiàn)代故障診斷方法

模擬電路故障診斷濫觴于上個世紀60年代美國的軍事工業(yè)系統(tǒng)。1985年Bandler和Salama對模擬電路故障診斷理論進行了系統(tǒng)闡述，并且根據(jù)對電路的仿真是在測試前還是在測試后通?？蓪⒃\斷方法分為兩大類：即測前仿真診斷（Simulation Before Test Approach，SBT）和測后仿真診斷（Simulation After Test Approach， SAT），同時他們還提及了逼近法和人工智能方法等[1]。

傳統(tǒng)的模擬電路故障診斷方法以故障字典法、參數(shù)識別法、故障驗證法、逼近法等為代表。由于電路規(guī)模和復雜性的不斷增長，傳統(tǒng)診斷方法愈來愈不能滿足實際電路診斷的需求，如診斷所需計算量太大，由于元件容差問題造成診斷結(jié)果模糊等。隨著專家系統(tǒng)、模糊理論、神經(jīng)網(wǎng)絡(luò)、機器學習、模式識別、小波分析等技術(shù)的深入研究和應(yīng)用，它們?yōu)榻鉀Q模擬電路故障診斷中所存在的各種難題提供了有益思路和有效工具，因此基于人工智能和現(xiàn)代信息信號處理的診斷方法已經(jīng)成為當前模擬電路故障診斷領(lǐng)域的主流方法。

3.1 基于專家系統(tǒng)的故障診斷方法

專家系統(tǒng)（Expert System，ES）是一種基于知識的計算機程序系統(tǒng)，其內(nèi)部含有大量的某個領(lǐng)域?qū)＜宜降闹R與經(jīng)驗，能夠利用人類專家的知識和解決問題的方法來處理該領(lǐng)域問題。它根據(jù)專家提供的知識和經(jīng)驗，采用人工智能中的知識表示和知識推理技術(shù)來模擬人類專家的決策過程，以便解決那些需要領(lǐng)域?qū)＜也拍軌蛱幚淼膹碗s問題。故障診斷專家系統(tǒng)結(jié)構(gòu)框圖如圖3所示，它通常包括人機接口、知識庫、綜合數(shù)據(jù)庫、推理機和解釋器等幾個部分。

圖3 故障診斷專家系統(tǒng)結(jié)構(gòu)框圖Fig.3 Structure diagram of expert system for fault diagnosis

知識庫用于存放故障診斷規(guī)則，反映各種故障的因果關(guān)系；知識獲取機構(gòu)可以使人類專家通過人機接口直接建立和修改故障診斷規(guī)則或修改、補充、完善整個故障診斷系統(tǒng)；推理機實施對整個問題的求解推理過程的控制，它根據(jù)綜合數(shù)據(jù)庫中的當前信息，將知識庫中的規(guī)則拿來匹配，然后利用適當?shù)目刂扑惴ㄍ茢喑鼋Y(jié)論；綜合數(shù)據(jù)庫中存放人為提取的一些過程特征數(shù)據(jù)或某些故障現(xiàn)象的描述以及診斷過程記錄等信息；解釋程序是在用戶需要時對整個故障診斷過程做出合理的解釋。知識庫和推理機是專家系統(tǒng)的核心，傳統(tǒng)專家系統(tǒng)中，專家經(jīng)驗知識（對被診斷系統(tǒng)所觀察到的癥狀與可能故障之間的關(guān)系）通常以確定性的IF-THEN規(guī)則表示。

目前較為實用的專家系統(tǒng)有：基于規(guī)則的專家系統(tǒng)、基于案例的專家系統(tǒng)、基于框架的專家系統(tǒng)、基于模糊邏輯的專家系統(tǒng)、基于模型的專家系統(tǒng)等?；趯＜蚁到y(tǒng)的故障診斷方法能夠利用專家豐富的領(lǐng)域知識、經(jīng)驗，無需對系統(tǒng)進行數(shù)學建模并且診斷結(jié)果易于理解，因此在很多領(lǐng)域得到了廣泛應(yīng)用。但是專家系統(tǒng)也存在著一些固有的不足之處：1）知識獲取和表達比較困難，這成為專家系統(tǒng)的“瓶頸”問題；2）缺乏自我學習和記憶的能力，診斷的效率和準確性方面無法保證。這是因為專家系統(tǒng)無法記憶以前處理過的故障，所以當再一次出現(xiàn)同樣的故障時其不得不浪費大量的時間進行重復的勞動，導致診斷效率降低。專家系統(tǒng)沒有記憶功能，無法記憶本身的錯誤，因此注定今后會犯同樣的錯誤。

專家系統(tǒng)診斷的準確程度依賴于知識庫中領(lǐng)域?qū)＜医?jīng)驗的豐富程度和知識水平的高低，因此當遇到一些邊緣性的問題就會出現(xiàn)“窄臺階效應(yīng)”。3）推理能力弱，具有脆弱性。專家系統(tǒng)的本質(zhì)特征是基于規(guī)則的推理思維，因此當規(guī)則較多時，系統(tǒng)推理速度慢、效率低，容易出現(xiàn)“匹配沖突”、“組合爆炸”以及“無窮遞歸”等問題。

3.2 基于模糊邏輯的診斷方法

故障診斷是通過研究故障與征兆之間的關(guān)系來判斷系統(tǒng)狀態(tài)，由于語言表達、信息不完全等帶來的模糊屬性常常出現(xiàn)在對故障征兆的描述中，故障與征兆之間的關(guān)系很難用精確的數(shù)學模型來表示，導致某些故障狀態(tài)也是模糊的。模糊邏輯提供了表達和處理模糊邏輯概念的機制，模糊邏輯的引入可以克服由于復雜系統(tǒng)本身的不確定性和噪聲等帶來的影響，因此在進行復雜系統(tǒng)故障診斷時顯示出一定的優(yōu)越性。模糊故障診斷方法是利用模糊數(shù)學中的隸屬度函數(shù)和模糊關(guān)系矩陣來解決故障與征兆之間的不確定關(guān)系。其實質(zhì)是引入了隸屬度函數(shù)的概念，把傳統(tǒng)的0和1的二值邏輯轉(zhuǎn)移到[0，1]區(qū)間上的連續(xù)值邏輯上來[2]。

Bilski等人[3]提出了一種基于模糊邏輯的決策樹模擬系統(tǒng)自動故障診斷方法，該方法能夠在存在噪聲的情況下檢測和定位多種故障。文中給出了該方法的一般體系結(jié)構(gòu)，并且介紹了降噪、特征提取和故障檢測的處理過程。隨后作者通過3種物理特性不同的系統(tǒng)對該方法進行了測試和驗證，結(jié)果證明了該方法的優(yōu)越性。Catelani等人[4]提出了一個基于頻域故障字典的模糊自動診斷系統(tǒng)，并通過兩個模擬電路單軟故障的例子分析了所提方法的性能。Pous等人[5]提出了一個以故障字典信息作為隸屬函數(shù)輸入變量，而隸屬度函數(shù)形狀由元件參數(shù)值分布決定的模糊診斷系統(tǒng)，該方法同故障字典相比性能有了極大提高。

模糊變量表示可讀性強，模糊邏輯推理嚴謹，類似于人類的思維過程，易于理解。但對于復雜電路系統(tǒng)進行故障診斷時存在隸屬原則的選擇、隸屬度函數(shù)的確定和模糊關(guān)系矩陣的構(gòu)造等技術(shù)難點。隸屬度函數(shù)的確定不但需要豐富的經(jīng)驗知識而且需要花費較長的時間，模糊關(guān)系矩陣R的構(gòu)造需要以大量現(xiàn)場實際運行數(shù)據(jù)為基礎(chǔ)，其精度的高低主要取決于觀測數(shù)據(jù)的準確性及豐富程度。

3.3 基于神經(jīng)網(wǎng)絡(luò)的故障診斷方法

神經(jīng)網(wǎng)絡(luò)具有高度的并行處理、聯(lián)想記憶、自組織、自學習以及強非線性映射能力，因此在故障診斷方面具有很大的潛在優(yōu)勢和應(yīng)用前景。具體的應(yīng)用方式主要有：1）利用神經(jīng)網(wǎng)絡(luò)產(chǎn)生殘差。這主要是利用了神經(jīng)網(wǎng)絡(luò)的系統(tǒng)辨識能力，通過辨識模型產(chǎn)生殘差序列，從而進行下一步的故障檢測和診斷。2）利用神經(jīng)網(wǎng)絡(luò)的模式識別能力。對于難以建立精確數(shù)學模型的復雜系統(tǒng)，神經(jīng)網(wǎng)絡(luò)不需要系統(tǒng)的數(shù)學模型，只需要訓練數(shù)據(jù)就能夠?qū)崿F(xiàn)從測量空間到故障空間的映射，從而識別出系統(tǒng)正常模式和故障模式或者不同故障模式之間的區(qū)別。

Spain等人[6]等人將神經(jīng)網(wǎng)絡(luò)應(yīng)用到小規(guī)模模擬電路的軟故障診斷中，以白噪聲作為測試信號源，故障模式為偏離元件正常值50%，通過神經(jīng)網(wǎng)絡(luò)來進行故障分類和故障字典自動查詢，結(jié)果不僅診斷正確率高，而且由于神經(jīng)網(wǎng)絡(luò)的魯棒性，能夠識別出未經(jīng)學習的軟故障模式。Aminian[7]研究了一種基于多層前向神經(jīng)網(wǎng)絡(luò)的實際電路故障診斷方法。實驗結(jié)果表明了采用該方法具有較好的故障診斷魯棒性和高達95%的故障診斷正確率。Catelani等人[8]將RBF網(wǎng)絡(luò)用于線性電路和非線性電路軟故障診斷中，實驗結(jié)果表明訓練好的網(wǎng)絡(luò)不僅對于子系統(tǒng)或者元器件級的故障具有較好的診斷能力，即使面對沒有包含在故障字典中的新故障也能夠成功診斷。隨后他們又將模糊診斷方法和RBF網(wǎng)絡(luò)診斷方法用于模擬電路的軟故障診斷[9]，結(jié)果表明在存在噪聲和非故障元件容差的情況下二者的錯分率都很低。

雖然基于神經(jīng)網(wǎng)絡(luò)的故障診斷方法有很多優(yōu)點，但基于其固有的內(nèi)在機理，神經(jīng)網(wǎng)絡(luò)也不可避免的存在一下不足之處：1）只利用了一些明確的故障實例樣本數(shù)據(jù)，未能充分利用特定領(lǐng)域中專家的故障診斷經(jīng)驗知識。2）學習樣本獲取存在一定困難。神經(jīng)網(wǎng)絡(luò)故障診斷是建立在大量的故障樣本數(shù)據(jù)基礎(chǔ)之上的，診斷性能受到所選樣本的數(shù)量及其分布情況的限制。3）知識表達不直觀，診斷行為具有“黑箱”性，診斷推理過程難以解釋。4）對于復雜系統(tǒng)進行故障診斷時，由于需要處理的數(shù)據(jù)種類繁多，會導致網(wǎng)絡(luò)規(guī)模過大和學習時間過長等問題，從而降低了神經(jīng)網(wǎng)絡(luò)的實用性。

3.4 基于核的模擬電路故障診斷方法

核方法是當前機器學習領(lǐng)域最活躍的研究方向之一，它以統(tǒng)計學習理論和核技術(shù)為基礎(chǔ)。核函數(shù)k（x，z）是計算兩個數(shù)據(jù)點在非線性變換 φ（·）下的映像的內(nèi)積，即 k（x，z）=＜φ（x），φ（z），這里的 φ：X→φ（X）為核函數(shù) k（x，z）導出的特征變換，X 為輸入空間，φ（X）為特征空間。 k（x，z）定義為某個Hilbert空間的內(nèi)積，它首先應(yīng)該是對稱的，其次還要滿足Mercer條件。

核方法能夠?qū)崿F(xiàn)從數(shù)據(jù)空間到特征空間的非線性變換，采用不同的核函數(shù)可以滿足不同的非線性變換要求。核方法的計算量與特征空間的維數(shù)無關(guān)，核函數(shù)的引入代替了特征空間的內(nèi)積計算，從而導出一個與樣本數(shù)有關(guān)，與樣本維數(shù)無關(guān)的優(yōu)化問題，避免了維數(shù)災(zāi)難，使核算法具有更大的假設(shè)空間，提高了模式分類或者回歸的能力。圖4給出了核方法的實現(xiàn)過程涉及的幾個階段。數(shù)據(jù)通過核函數(shù)映射到特征空間構(gòu)造出核矩陣，經(jīng)過學習算法的處理后得到用于分類的模式函數(shù)。

圖4 核方法流程圖Fig.4 Flowchart of kernel method

核方法通?？梢苑譃橛斜O(jiān)督的核方法和無監(jiān)督的核方法兩大類。在常用的有監(jiān)督的核方法中，支持向量機（Support Vector Machine）是最典型并且是研究和應(yīng)用最多的一種。常用的無監(jiān)督核方法有核主成分分析（Kernel Principal Component Analysis， KPCA）、核聚類（Kernel Clustering， KC）、核獨立主成分分析 （Kernel Independent Component Analysis，KICA）等。

SVM理論植根于VC維和結(jié)構(gòu)風險最小化的基礎(chǔ)之上，其應(yīng)用于故障診斷的最大優(yōu)勢在于它適合于小樣本決策。SVM出現(xiàn)不久就引起了國內(nèi)外眾多從事故障診斷領(lǐng)域研究人員的廣泛重視，紛紛開展這方面的研究工作。Jiang等人將一種改進的支持向量機分類器用于實際模擬電路的故障診斷中，結(jié)果表明該方法較BP網(wǎng)絡(luò)及常規(guī)SVM方法診斷精度有了一定提高。Wang等人通過最優(yōu)小波包變換提取電路故障特征后，采用了3種不同的二叉樹支持向量機對模擬電路故障進行診斷，其診斷精度都在90%以上。Xiao等人采用了核主成分分析方法約簡模擬電路故障特征維數(shù)以獲取最優(yōu)故障特征，實驗結(jié)果表明了方法的有效性。

4 結(jié)束語

模擬電路的可靠性在很大程度上決定了整個電路系統(tǒng)的可靠性，電子電路技術(shù)和產(chǎn)業(yè)的快速發(fā)展對模擬電路的測試與診斷提出了更高要求。由于電路規(guī)模和復雜性的不斷增長，傳統(tǒng)方法的不盡如人意之處日益凸顯，這迫使人們在不斷探尋更經(jīng)濟更有效的方法，而現(xiàn)代信息信號處理技術(shù)和機器學習理論為現(xiàn)代模擬電路故障診斷技術(shù)的發(fā)展和應(yīng)用提供了重要契機和理論支持。

文中對模擬電路故障特點及現(xiàn)代基本診斷方法進行了較為全面的綜述，尤其對現(xiàn)代模擬電路故障診斷方法進行了詳細的分析與討論。目前現(xiàn)代模擬電路故障診斷技術(shù)正處于飛速發(fā)展時期，雖然已經(jīng)取得了大量成果，但在理論和應(yīng)用方面都還存在許多有待進一步研究與解決的問題。比如對單故障診斷問題研究的較多，而對多故障診斷問題卻少有涉及；對尚處于發(fā)展初期的核診斷方法，在理論和應(yīng)用方面的研究都有待于進一步加強；單一診斷技術(shù)有時難以達到理想效果，因此在不大幅增加診斷系統(tǒng)復雜性和代價的情況下如何有效結(jié)合多種診斷方法以提高整個系統(tǒng)診斷性能也是一個很有價值的研究方向。

[1]Bandler J W，Salama A E.Fault diagnosis of analog circuits[C]//Proceedings of the IEEE 1985 National Aerospace and Electronics Conference， 73，1985:1279-1325.

[2]李士勇.模糊控制·神經(jīng)控制和智能控制論[M].2版.哈爾濱:哈爾濱工業(yè)大學出版社，1998.

[3]Bilski P，Wojciechowski J M.Automated diagnostics of analog system using fuzzy logic approach[J].IEEE Transactions on Instrumentation and Measurement，2007，56（6）:175-2185.

[4]Catelania M，F(xiàn)ortb A，Alippic C.A fuzzy approach for soft fault detection in analog circuits[J].Measurement，2002，32（1）:73-83.

[5]Pous C， Colomer J， Melendez J， et al. Fuzzy Identification for fault isolation application to analog circuits diagnosis[J].Artificial Intelligence Research and Development，2003，73（8）:409-420.

[6]Spain R，Upadhyaya S.Linear circuit fault diagnosis using neuromorphic analyzers[J].IEEE Transaction on Circuits and Systems-II.Analog and Digital Signal Processing，1997，44（3）:188-196.

[7]Aminian F，Aminian M.Analog fault diagnosis of actual circuits using neural networks[J].IEEE Transaction on Instrumentation and Measurement，2002，51（3）:554-550.

[8]Catelani M，F(xiàn)ort A.Fault diagnosis of electronic analog circuits using a radial basis function network classifier[J].Measurement，2000，28:147-158.

[9]Catelani M，F(xiàn)ort A.Soft fault detection and isolation in analog circuits:some results and a comparison between a fuzzy approach and radial basis function networks[J].IEEE Transactions on Instrumentation and Measurement， 2002，51（2）:196-202.