[發明專利]一種基于序貫測試的模擬電路故障測試方法

有效

• 申請號: 201910439946.0
• 申請日: 2019-05-24
• 公開（公告）號: CN110109005B
• 公開（公告）日: 2021-03-30
• 發明（設計）人: 劉震;梅文娟;杜立;楊成林;周秀云
• 申請（專利權）人: 電子科技大學
• 主分類號: G01R31/3163
• 分類號: G01R31/3163
• 代理公司: 成都行之專利代理事務所(普通合伙) 51220
• 代理人: 溫利平

1.一種基于序貫測試的模擬電路故障測試方法，其特征在于，包括以下步驟：

(1)、采集不同轉折頻率的電壓值

采集模擬電路在故障狀態下和健康狀態下N組樣本在不同轉折頻率的電壓特征值，記為X＝{x₁,x₂,...,x_N}，其中，電壓特征值x_i＝{x_i,1,x_i,2,...,x_i,k,...,x_i,T}，x_i,k為采集的第i個樣本在第k個轉折頻率下的電壓特征值，T為轉折頻率個數；

構建各個樣本的期望輸出向量Y＝{y₁,y₂,...,y_i,...,y_N}，其中y_i＝{y_i,1,y_i,2,y_i,3,...y_i,j,...,y_i,M}，M為故障狀態總數，y_i,j為第i組電壓特征值構成的輸入下模擬電路第j種故障的標記值，若y_i,j＝1，則第i組電壓特征值構成下會產生第j種故障，否則y_i,j＝0；

(2)、初始化故障樹模型

構建故障樹根節點代表的故障集S＝{s₁,s₂,...s_N}，并設置故障識別模型中已選測點信息集合T'為空集，待選測點信息集合T”＝{t₁,t₂,...,t_T}，設置該待選測點的證據矢量集合m'為空集；

(3)、生成待選極限學習機故障識別模型

(3.1)、利用待選測點信息t_k構造對應的極限學習機模型其中，為隱藏層權值矢量，為隱藏層的偏置，為輸出層權值；

(3.2)、隨機生成隱藏層的權值矢量其中，H為隱藏層神經元的總個數，為第p個神經元的權值；隨機生成隱藏層的偏置矢量

(3.3)、計算隱藏層神經元的輸出值

其中，X”'為T”與共同構成的輸入矢量，是待選測點t_k在第k個轉折頻率下的電壓特征值；

(3.4)、生成極限學習機的輸出層權值

(3.5)、計算由極限學習機產生的證據矢量；

(4)、計算生成的極限學習機證據矢量的條件熵數值

(5)、選取條件熵最小值對應的待選測點作為該節點下增加的輸入測點t_opt；

利用t_opt對應的隱藏層權值和偏置矢量以及輸出層權值矢量構建該節點下的故障診斷模型將添加至m'中，將t_opt添加至T'中；

(6)、計算故障集的概率指派函數BPA_s＝{BPA_S,1,BPA_S,2,BPA_S,3,....BPA_S,i,...BPA_S,N}，其中，BPA_s,i為第i個樣本的概率指派函數，計算如下：

其中，t_L表示第L個轉折頻率對應的測試點，x_i,L表示第i個樣本在第L個轉折頻率點下的電壓特征值，x_i,k是第i個樣本在第k個轉折頻率點下的電壓特征值；

(7)、根據概率指派函數通過相似性傳播算法將S分割成多個子故障集

(7.1)、計算兩樣本概率指派函數之間的相似度：

(7.2)、通過相似性算法生成各個樣本的標本量；

(7.2.1)、初始化吸引度參數r＝{r_i,k|s_i,s_k∈S}為零矩陣，其中，r_i,k為樣本k適合樣本i的聚類中心的累計吸引度；初始化歸屬度函數a＝{a_i,k|s_i,s_k∈S}為零矩陣，其中，a_i,k為樣本k適合樣本i的聚類中心的累計歸屬度；

(7.2.2)、更新吸引度函數和歸屬度函數如下：

r_i,k＝simi_i,k-max(a_i,k'+simi_i,k')

(7.2.3)、生成各個樣本的標本點e＝{e₁,e₂,...,e_i,...,e_N}，其中，e_i為第i個樣本的標本點；

(7.2.4)、判斷各個樣本的標本點e的值是否不再變化，如果不變化，則進入步驟(7.3)，否則返回(7.2.2)；

(7.3)、根據各個樣本的標本點e分割出子故障集S'＝{S₁₁,S₁₂,...,S_1k,...,S_1K}，其中，S_1k為第k個故障子集，滿足：

S_1k＝{s_i|e_i∈S_1k}

(8)、產生子故障集的故障診斷模型

判斷子故障集S_1,j中對應樣本的概率指派函數數值間的最小歐式距離是否大于設定值ε，若大于，則將子故障集S_1,j作為故障樹的一個子節點，并生成該節點的故障診斷模型，否則生成新的故障樹節點S_1,j，返回步驟(3)，直至全部子故障集處理完成；

(9)、根據產生的故障樹模型對模擬電路進行故障診斷

(9.1)、采集模擬電路在不同轉折頻率的電壓特征值，記為x'＝{x'₁,x'₂,...,x'_T}，初始化證據矩陣m'為空集，設置輸入矢量為空集；

(9.2)、將故障診斷模型中的選擇的輸入矢量t_opt加入并計算隱藏層輸出

計算極限學習機的輸出證據矢量m”并添加至m'中；

(9.3)、計算概率指派函數BPA：

(9.4)、根據相似性算法找到模擬電路所在故障狀態的自故障集S'，并將S'作為新的根節點，若S'為葉子節點，則將BPA最大值對應的故障狀態作為診斷結果，否則返回步驟(9.2)。