[發明專利]基于故障傳播的模塊化BP神經網絡電路故障診斷方法

有效

• 申請號: 201710572987.8
• 申請日: 2017-07-14
• 公開（公告）號: CN107490758B
• 公開（公告）日: 2019-08-13
• 發明（設計）人: 李琦;何春;吳讓好;劉邦欣;宋磊
• 申請（專利權）人: 電子科技大學
• 主分類號: G01R31/3167
• 分類號: G01R31/3167;G06F17/50;G06N3/04
• 代理公司: 電子科技大學專利中心 51203
• 代理人: 鄒裕蓉

本發明提供了基于故障傳播的模塊化BP神經網絡電路故障診斷方法，屬于電子系統的故障診斷及定位技術領域。本發明在電路模塊劃分的基礎上，確定各子電路的測試節點，并把測試節點的特征參數數據作為故障診斷的數據源；根據基于電路仿真的數據源建立模塊化異常檢測模型，分析故障傳播，建立模塊化BP神經網絡模型；當實際電路發生故障時，利用模塊化異常檢測模型進行一級定位，確定故障子電路，再利用目標子電路的BP神經網絡模型進行二級定位，識別故障模式。本發明通過線下建立的模型進行故障定位，擴展性強，適用范圍廣；實現了線上對大規模數?；旌想娐返膶崟r故障診斷，特別是針對存在故障傳播的情況，具有極高的故障定位準確率。

技術領域

本發明屬于電子系統的故障診斷及定位技術領域，具體涉及基于故障傳播的模塊化BP神經網絡電路故障診斷方法。

背景技術

近年來，隨著數模混合電路規模和復雜性的增加，特別是在航空、航天、軍事國防等應用領域，電路可靠性受到越來越多的關注。故障診斷作為維護電路可靠性的重要手段，變為研究熱點。不少文獻中提到的電路故障診斷方法包括：故障字典、最近鄰、基于規則和SVM的故障分類模型等，僅在模擬電路中付諸實踐，且由于復雜電路的非線性映射關系錯綜復雜，導致診斷效果不佳。BP神經網絡在數學理論上已證明具有實現任何復雜非線性映射的功能，這使得本發明提供的方法在診斷實際建模困難的復雜系統的過程中，特別是大規?；旌想娐罚l揮獨特優勢。

在許多現有文獻中，BP神經網絡的應用是直接對整個電路建立BP網絡，在對大規模電路進行分析時，所建立的網絡過大，易導致訓練數據龐大、訓練時間過長、計算量大以及對故障傳播考慮欠缺等問題，從而造成故障定位準確率低。文獻《大規模電路故障診斷神經網絡方法》中，在電路模塊劃分的基礎上，直接利用所有可測節點的電壓建立各子電路的的BP神經網絡，再利用各BP神經網絡依次進行故障定位。其中，建立各子電路的BP神經網絡時利用了所有的可測節點，節點冗余度較高，直接使用節點電壓表現節點信息不能完善地表現電路故障信息，在故障定位的過程中對存在故障傳播的電路準確率較低。文獻《結合異常檢測算法的軸承故障檢測》中，提出了一種基于結合異常檢測算法的雙步故障診斷方法，異常檢測模型作為故障檢測器，只能用以檢測電路是否發生故障，而不能縮小電路的故障源范圍；SVM作為故障分類器，在確定電路發生故障的基礎上進行故障定位，該方法實際上相當于對電路實時監測的單步故障診斷方法，不適用于大規模電路的故障診斷，且沒有考慮到故障傳播的復雜情況。

發明內容

本發明所要解決的問題是：提供一種基于故障傳播的模塊化BP神經網絡電路故障診斷方法，對大規模電路進行模塊劃分，分析并“分割”子電路間的故障傳播關系，進而利用基于電路仿真建立的模塊化異常檢測模型和BP神經網絡模型進行故障定位，使定位的準確程度得到明顯提升。

本發明所提出的技術問題是這樣解決的：

基于故障傳播的模塊化BP神經網絡電路故障診斷方法，包括如下步驟：

A.電路仿真步驟：利用電路仿真軟件對正常電路以及該電路的每個元器件可能存在的故障逐一進行蒙特卡羅MC分析，得到正常電路和所有故障模式的電路仿真結果；

B.特征參數提取步驟：基于步驟A中正常電路和所有故障模式對應的電路仿真結果，提取各可測節點的特征參數，取每種故障模式第一次MC分析對應的特征參數樣本作為額定值樣本集，其余樣本為容差值樣本集；

C.電路分析步驟：根據電路功能，進行電路模塊劃分，確定各子電路的測試節點；

D.模塊化異常檢測模型建立步驟：基于容差值樣本集，建立各測試節點的異常檢測模型，并以此為基礎，結合各子電路包含的測試節點，建立各子電路的模塊化異常檢測模型；

E.故障傳播分析步驟：基于額定值樣本集，利用各子電路的模塊化異常檢測模型獲取各故障模式的故障向量，分析各故障模式在子電路間的故障傳播情況，并確定各子電路的故障來源；