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(cè)與診斷越來(lái)越受到人們的重視。但隨著電路的復(fù)雜性越來(lái)越高，要維護(hù)和保障這些設(shè)備也變得越來(lái)越難，對(duì)技術(shù)的要求也越來(lái)越高。研發(fā)新的模擬電路故障診斷方法來(lái)實(shí)現(xiàn)故障的自動(dòng)診斷已經(jīng)成為必要。

1.1 故障類(lèi)型的分類(lèi)

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(chēng)為災(zāi)難性故障，會(huì)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(chēng)為參數(shù)故障，在不超過(guò)約束值的情況下，其元件值發(fā)生改變，使其偏離了標(biāo)稱(chēng)值，造成了軟故障。

1.2 模擬電路故障診斷方法的分類(lèi)

在傳統(tǒng)的方法中，主要從模型、公式、信號(hào)分析、靈敏度分析等來(lái)對(duì)模擬電路進(jìn)行診斷，這些方法是最基本且運(yùn)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(guò)對(duì)系統(tǒng)的輸入和輸出進(jìn)行處理，生成剩余信號(hào)。決策者根據(jù)剩余信號(hào)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(guò)了閾值，則在電路中進(jìn)行公式變換，以減少電路中其他因素的影響。

基于信號(hào)分析方法：在基于信號(hào)分析的方法中，用信號(hào)代替輸入輸出模型進(jìn)行故障診斷。從測(cè)量信號(hào)中提取特征，并根據(jù)癥狀和先驗(yàn)知識(shí)進(jìn)行分析，對(duì)電路進(jìn)行診斷決策。

2 常見(jiàn)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(hào)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(lái)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(diǎn)的信息，消除無(wú)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(diǎn)是將幾個(gè)相關(guān)變量簡(jiǎn)化成更少的不相關(guān)并且獨(dú)立的主成分，并通過(guò)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?？梢缘玫皆S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(duì)原始信號(hào)的特征數(shù)據(jù)進(jìn)行轉(zhuǎn)換，從而達(dá)到簡(jiǎn)化特征且使各特征之間相互獨(dú)立的目的，以減小后面故障分類(lèi)的工作量，提高故障識(shí)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(yàn)?zāi)B(tài)分解方法與希爾伯特變換結(jié)合形成的一個(gè)潛在的強(qiáng)大的分析工具?；诟道锶~變換的希爾伯特黃變換信號(hào)處理方法被認(rèn)為是線性分析和平穩(wěn)譜分析的一個(gè)重大突破。通常應(yīng)用EMD分析將時(shí)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(shí)頻率法獲得信號(hào)的時(shí)頻希爾伯特譜。

2.3 基于獨(dú)立分析的特征提取方法

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

3 常見(jiàn)的模擬電路故障模式識(shí)別方法

故障模式識(shí)別指的是把前面通過(guò)特征提取得到的特征向量，通過(guò)分類(lèi)器將各個(gè)故障類(lèi)型識(shí)別出來(lái)，當(dāng)然，這其中要做的就是訓(xùn)練得到各個(gè)故障分類(lèi)器的系數(shù)。故障分類(lèi)器是最直觀的展現(xiàn)整個(gè)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(biāo)值的比較來(lái)調(diào)整網(wǎng)絡(luò)的，直到輸出值與目標(biāo)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(lái)識(shí)別人類(lèi)的音調(diào)模式。它采用隱藏的知識(shí)表達(dá)，通過(guò)先驗(yàn)知識(shí)，設(shè)計(jì)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(shí)現(xiàn)經(jīng)驗(yàn)與知識(shí)的聯(lián)系，從而應(yīng)用于方案設(shè)計(jì)的評(píng)價(jià)。人工神經(jīng)網(wǎng)絡(luò)提供了一種近似各種目標(biāo)函數(shù)的有效方法，比如真實(shí)值、離散值和向量值。

3.2 支持向量機(jī)

支持向量機(jī)是一種機(jī)器學(xué)習(xí)算法。支持向量機(jī)分類(lèi)原理是在可能的空間中發(fā)現(xiàn)一個(gè)特定的超平面，將超平面到數(shù)據(jù)點(diǎn)的距離最大化，這等價(jià)于求解二次方程優(yōu)化問(wèn)題。同時(shí)，支持向量機(jī)體現(xiàn)了結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，它已被證明優(yōu)于傳統(tǒng)采用經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原則的神經(jīng)網(wǎng)絡(luò)分類(lèi)。因此，支持向量機(jī)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(shù)

決策樹(shù)是一個(gè)遞歸結(jié)構(gòu)，用于表示順序分類(lèi)過(guò)程，保證每個(gè)測(cè)試值都將被分配給某個(gè)類(lèi)。決策樹(shù)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(gè)可預(yù)測(cè)的響應(yīng)時(shí)間內(nèi)處理大量的數(shù)據(jù)。樣本數(shù)據(jù)被隨機(jī)分為兩組大小相等的數(shù)據(jù)集，即訓(xùn)練集和測(cè)試集，然后用目標(biāo)變量分析訓(xùn)練集的數(shù)據(jù)來(lái)構(gòu)建分類(lèi)模型，再將它們轉(zhuǎn)換成預(yù)先確定的數(shù)據(jù)類(lèi)。比較訓(xùn)練集和測(cè)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(cè)試集以重復(fù)實(shí)驗(yàn)。

4 結(jié)束語(yǔ)

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(diǎn)、故障的分類(lèi)以及故障的來(lái)源，并分析了模擬故障診斷中的兩個(gè)重要步驟，即故障特征提取和故障模式識(shí)別，介紹了常用的特征提取方法以故障模式識(shí)別使用的分類(lèi)器，比如主成分分析、決策樹(shù)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(duì)本文后續(xù)內(nèi)容的研究具有重要的意義。