[發明專利]一種基于深度學習的模擬電路故障診斷方法

在審

• 申請號: 202010827662.1
• 申請日: 2020-08-17
• 公開（公告）號: CN112101116A
• 公開（公告）日: 2020-12-18
• 發明（設計）人: 陳錫禹;曹凱;楊麗娜;陳微;陶艷玲;丁揚;張文謙;高建
• 申請（專利權）人: 北京無線電計量測試研究所
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08;G01R31/316
• 代理公司: 北京正理專利代理有限公司 11257
• 代理人: 付生輝

本發明的一個實施例公開一種基于深度學習的模擬電路故障診斷方法，該方法包括：S10、搭建深度學習故障診斷模型中的深度學習網絡；S20、采集模擬電路的輸出時域脈沖響應信號，包括訓練集和測試集；S30、對所述訓練集和測試集分別作歸一化處理，獲得所述訓練集和測試集的歸一化脈沖響應信號；S40、將所述訓練集的歸一化脈沖響應信號作為輸入，將采集所述訓練集時設置的故障標簽作為輸出，訓練所述深度學習故障診斷模型，得到所述模擬電路的故障診斷模型；S50、將所述測試集的歸一化脈沖響應信號作為所述模擬電路的故障診斷模型的輸入，得到所述測試集的診斷狀態。

技術領域

本發明涉及故障診斷技術領域，更具體地，涉及一種基于深度學習的模擬電路故障診斷方法。

背景技術

目前，隨著電子技術的發展，電子設備趨于集成化以及復雜化發展。而據統計在電子設備中發生的故障有80％是由模擬電路故障所引起的。在故障發生后，對于故障類型的判斷以及故障的快速定位就顯得極為重要。由于模擬電路的非線性因素以及模擬電路元件容差的存在，導致對模擬電路的故障模型難以建立。因此，在元件容差的條件下，如何對模擬電路的故障元件進行定位顯得尤為重要。

對于常用的模擬電路故障診斷為基于數學模型的故障診斷方法、基于數據驅動的故障診斷方法。基于數學模型的故障診斷方法其優點在于模型可靠性較高，但對于不同元件容差難以建立較好的故障數學模型。基于數據驅動的故障診斷方法在于通過大量的數據建立可訓練、可調節的模型。隨著計算機技術、機器學習、人工智能的飛速發展，使得深度學習在數據驅動的故障診斷領域有著較好的表現。而目前深度學習有三種：深度學習故障診斷模型、卷積神經網絡、循環神經網絡。循環神經網絡中變體長短時記憶網絡(LSTM)對于處理時間序列信號有著天然的優勢且運行速度相對與其他深度學習的網絡較為快速。

發明內容

本發明的一個目的在于提供一種基于深度學習的模擬電路故障診斷方法。

為達到上述目的，本發明采用下述技術方案：

一種基于深度學習的模擬電路故障診斷方法，該方法包括：

S10、搭建深度學習故障診斷模型中的深度學習網絡；

S20、采集模擬電路的輸出時域脈沖響應信號，包括訓練集和測試集；

S30、對所述訓練集和測試集分別作歸一化處理，獲得所述訓練集和測試集的歸一化脈沖響應信號；

S40、將所述訓練集的歸一化脈沖響應信號作為輸入，將采集所述訓練集時設置的故障標簽作為輸出，訓練所述深度學習故障診斷模型，得到所述模擬電路的故障診斷模型；

S50、將所述測試集的歸一化脈沖響應信號作為所述模擬電路的故障診斷模型的輸入，得到所述測試集的診斷狀態。

在一個具體實施例中，所述S10還包括：

利用MATLAB搭建深度學習故障診斷模型中的深度學習網絡，所述深度學習網絡的結構從上到下連接，依次包括輸入層、LSTM網絡、第一全連接層、第二全連接層、第三全連接層、softmax分類層和輸出層。

在一個具體實施例中，所述S20還包括：

利用PSPICE軟件對模擬電路進行仿真，將所述模擬電路的輸出端作為測試點，獲得脈沖響應信號，將所述脈沖響應信號作為所述模擬電路的輸入激勵信號，獲得所述模擬電路的輸出時域脈沖響應信號，采集訓練集的輸出時域脈沖響應信號作為故障標簽下的故障信號，采集測試集的輸出時域脈沖響應信號作為測試信號，

其中，所述模擬電路的任一元件被置于故障狀態，其余元件被置于正常容差狀態。

在一個具體實施例中，所述S30還包括：對采集的所述訓練集和所述測試集的輸出時域脈沖響應信號作歸一化處理的方式為：