曹玉蘋， 鄧曉剛， 田學民， 劉潤華， 任旭虎， 張冬至

(中國石油大學(華東) 信息與控制工程學院， 山東 青島 266580)

電路故障診斷技術具有重要的實用價值。在電路生產(chǎn)階段，需要識別不合格電路產(chǎn)品；在電路應用階段，需要識別電路中失效的元器件。文獻[1]針對鐵路列車運行控制與地車通信的核心設備——ZPW-2000A軌道電路，設計了一套基于模糊推理方法的電子設備故障診斷實驗平臺。模糊推理方法需要根據(jù)經(jīng)驗和知識設計模糊規(guī)則；而數(shù)據(jù)驅動方法只利用歷史故障數(shù)據(jù)進行學習，應用更簡便。

隨著數(shù)字化水平的提高，大量過程和設備運行數(shù)據(jù)被采集和存儲。數(shù)據(jù)驅動的故障診斷技術基于過程和設備的歷史監(jiān)控數(shù)據(jù)識別當前故障的類型，是國內(nèi)外先進控制領域的研究熱點[2-6]。數(shù)據(jù)驅動的故障診斷問題可以看作分類問題，人工神經(jīng)網(wǎng)絡[7-8]、支持向量機[9-10]和隨機森林[11-12]等常用分類方法都可以用來識別故障類型，文獻[13-15]介紹了這方面的應用。

筆者結合國家和山東省自然科學基金項目設計了數(shù)據(jù)驅動的模擬電路故障診斷實驗平臺。該實驗平臺將數(shù)據(jù)驅動的故障診斷技術應用到模擬電路的故障調(diào)試中，實現(xiàn)了故障類型的自動識別。該實驗平臺涉及電路故障模擬和數(shù)據(jù)驅動的故障診斷技術，為自動化、測控技術與儀器、電氣工程及其自動化和電子信息工程等專業(yè)的學生認識電路故障、深入學習和理解人工神經(jīng)網(wǎng)絡、支持向量機和隨機森林等分類算法提供了條件。

1 模擬電路的典型故障

在現(xiàn)行的高校課程中，無論是非電專業(yè)的“電工電子學”，還是電類專業(yè)的“電路分析”和“模擬電子技術”，教學內(nèi)容都沒有關于電路故障的系統(tǒng)介紹，學生也缺乏對電路故障的系統(tǒng)認識。然而在實驗課程的電路搭建環(huán)節(jié)和課程設計的電路焊接環(huán)節(jié)，經(jīng)常出現(xiàn)電路不能正常工作的情況，學生往往需要耗費較長時間排除電路故障。尤其是在課程設計過程中，由于電路規(guī)模大、元器件較多，學生往往會依賴教師排除故障。因此，有必要建立電路故障診斷實驗平臺，一方面可以加深學生對電路故障的認識，另一方面可以減少排除故障的時間。

模擬電路故障源于設計、制造和使用3個階段，學生接觸到的主要是在使用階段元器件引起的故障?？蓪⒛M電路中元器件引起的故障分為硬故障和軟故障。硬故障是指元器件的參數(shù)發(fā)生極端變化，如短路、開路、失效等，硬故障將導致電路結構發(fā)生變化，電路系統(tǒng)失效。軟故障是因元器件老化或受到環(huán)境的影響，致使性能參數(shù)改變，當這種改變超出容許范圍時發(fā)生電路軟故障。當電路發(fā)生軟故障時，元器件并未完全失效，但是電參數(shù)產(chǎn)生較大偏差，因而系統(tǒng)性能惡化。根據(jù)電路發(fā)生的故障數(shù)，可將模擬電路故障分為單一故障和復合故障。復合故障是2個或2個以上元器件同時發(fā)生故障，因而診斷工作比較困難。

以圖1所示電路為例，電阻R1的標稱值為1 kΩ，容差為±5%。當電阻R1∈[0.95， 1.05]kΩ時，電阻工作正常；而當R1<0.95 kΩ時，電阻發(fā)生軟故障。極端情況下R1=0，電阻短路，即發(fā)生硬故障；當R1>1.05 kΩ時，電阻發(fā)生軟故障。極端情況下R1=∞，電阻開路，發(fā)生硬故障(見圖2)。硬故障也可以看作軟故障的特例。圖1所示電路既可能發(fā)生軟故障，也可能發(fā)生硬故障；既可能發(fā)生單一故障，也可能發(fā)生復合故障。表1列出了部分故障的具體描述。

圖1 模擬電路圖

圖2 1 kΩ電阻故障示意圖

序號參數(shù)類型故障1R14短路硬故障故障2R19+50%和R21開路復合故障故障3R4開路硬故障故障4R1-50%軟故障故障5R1+40%軟故障故障6R11+50%軟故障故障7R19開路硬故障

2 實驗平臺設計

設計的模擬電路故障診斷實驗平臺總體結構如圖3所示，其工作過程包括離線建模和在線診斷兩部分。首先利用計算機OrCAD PSpice軟件模擬電路運行狀態(tài)，產(chǎn)生歷史測量數(shù)據(jù)——正常電路測量數(shù)據(jù)和故障電路測量數(shù)據(jù)。然后，利用數(shù)據(jù)驅動的故障診斷方法和歷史測量數(shù)據(jù)建立故障診斷模型。當實際電路出現(xiàn)故障時，采集故障電路數(shù)據(jù)，輸入故障診斷模型，得到電路故障診斷結果。

圖3 模擬電路故障診斷實驗平臺結構示意圖

利用實際故障電路可以獲得測量數(shù)據(jù)，但是獲得的電路故障類型有限、樣本數(shù)量有限。通過數(shù)學建?？梢缘玫诫娐吩骷臏蚀_模型，且電路運行過程中受擾動的影響較小。因此，可以利用計算機仿真電路的正常運行狀態(tài)和多種故障運行狀態(tài)，獲得較多測量樣本。圖3中的數(shù)據(jù)驅動方法是指可以利用歷史測量數(shù)據(jù)實現(xiàn)故障診斷的方法，如人工神經(jīng)網(wǎng)絡、支持向量機和隨機森林等分類方法。離線建模是利用歷史測量數(shù)據(jù)訓練人工神經(jīng)網(wǎng)絡、支持向量機和隨機森林等。

3 數(shù)值仿真及結果分析

為了驗證模擬電路故障診斷實驗平臺的有效性，以圖1所示電路為例進行了數(shù)值仿真。

首先，利用OrCAD PSpice軟件對圖1所示電路的正常運行狀態(tài)和表1中列出的7種故障運行狀態(tài)進行30次Monte-Carlo分析，獲取電路中6個可及測試結點2、4、6、8、9、11的電位，組成觀測向量X={V2，V4，V6，V8，V9，V11}的樣本數(shù)據(jù)。將正常運行狀態(tài)作為一種故障模式，模式序號為1；表1中故障1的模式序號為2，依此類推。通過仿真獲得8種故障模式共240個樣本數(shù)據(jù)。

以旋轉森林算法為例說明數(shù)據(jù)驅動的故障診斷方法。旋轉森林是隨機森林的改進算法，算法流程如圖4所示[16]。選取20次仿真數(shù)據(jù)訓練旋轉森林，訓練數(shù)據(jù)如圖5所示。其中，第1—20個樣本對應正常運行狀態(tài)，第21—40個樣本對應故障1，剩余樣本依此類推?？梢钥闯霾糠止收夏Ｊ降臏y量數(shù)據(jù)是比較接近的。旋轉森林的參數(shù)設置如下：決策樹20棵，將觀測向量隨機分為3個子集，每個子集2個變量，主元分析時保留所有主元。在每個節(jié)點，利用Gini系數(shù)評價特征。選取剩余10次仿真數(shù)據(jù)作為測試樣本，故障診斷結果如圖6所示?？梢钥闯觯收显\斷結果與實際故障模式一致。

圖4 旋轉森林算法示意圖

圖5 8種故障模式的訓練數(shù)據(jù)

圖6 旋轉森林診斷結果

4 結語

設計的基于數(shù)據(jù)驅動方法的模擬電路故障診斷實驗平臺能夠實現(xiàn)電路故障模擬和故障識別，實驗內(nèi)容涵蓋電路仿真和基于數(shù)據(jù)驅動方法的故障診斷。該實驗平臺不僅有助于學生深入學習電路故障知識，縮短實驗和課程設計中故障電路調(diào)試時間，而且可以進行電路故障模擬和診斷相關的開放性實驗項目，為本科生課程設計、畢業(yè)設計和研究生掌握先進故障診斷方法提供了條件。

References)

[1] 徐曉濱，李世寶，孫新亞.ZPW-2000A軌道電路故障診斷實驗平臺[J].實驗技術與管理，2016，33(5):63-68.

[2] 周東華，劉洋，何瀟.閉環(huán)系統(tǒng)故障診斷技術綜述[J].自動化學報，2013，39(11):1933-1943.

[3] 李晗，蕭德云.基于數(shù)據(jù)驅動的故障診斷方法綜述[J].控制與決策，2011，26(1):1-9.

[4] 田學民，曹玉蘋.統(tǒng)計過程控制的研究現(xiàn)狀及展望[J].中國石油大學學報(自然科學版)，2008，32(5):175-180.

[5] Ge Z， Song Z， Gao F. Review of recent research on data-based process monitoring[J].Industrial & Engineering Chemistry Research， 2013，52(10):3543-3562.

[6] 文成林，呂菲亞，包哲靜，等.基于數(shù)據(jù)驅動的微小故障診斷方法綜述[J].自動化學報，2016，42(9):1285-1299.

[7] Shao M， Zhu X J， Cao H F， et al. An Artificial Neural Network Ensemble Method for Fault Diagnosis of Proton Exchange Membrane Fuel Cell System[J].Energy， 2014，67(4):268-275.

[8] 李巍華，翁勝龍，張紹輝.一種螢火蟲神經(jīng)網(wǎng)絡及在軸承故障診斷中的應用[J].機械工程學報，2015(7):99-106.

[9] 王鮮芳，王歲花，杜昊澤，等.基于模糊粗糙集和支持向量機的化工過程故障診斷[J].控制與決策，2015(2):353-356.

[10] Yin Z， Hou J. Recent Advances on SVM Based Fault Diagnosis and Process Monitoring in Complicated Industrial Processes[J].Elsevier Science Publishers B V，2016，174(PB):643-650.

[11] 胡青，孫才新，杜林，等.核主成分分析與隨機森林相結合的變壓器故障診斷方法[J].高電壓技術，2010(7):1725-1729.

[12] Ahmad I. Data-Based Fault Diagnosis of Power Cable System: Comparative Study of k-NN， ANN， Random Forest， and CART[C]//The 18th IFAC World Congress.2011. DOI:10.3182/20110828-6-1T-1002.01761.

[13] 何怡剛，羅先覺，邱關源.模擬電路故障診斷神經(jīng)網(wǎng)絡方法[J].湖南大學學報，1996，23(5)：90-94.

[14] 張朝龍，何怡剛，袁莉芬，等.基于GMKL-SVM的模擬電路故障診斷方法[J].儀器儀表學報，2016，37(9):1989-1995.

[15] 鄢仁武，葉輕舟，周理.基于隨機森林的電力電子電路故障診斷技術[J].武漢大學學報(工學版)，2013，46(6):742-746.

[16] Rodriguez J J， Kuncheva L I， Alonso C J. Rotation Forest: A New Classifier Ensemble Method[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2006，28(10):1619-1630.