[發明專利]一種射頻低噪放電路故障診斷方法、系統、介質及應用

有效

• 申請號: 202011395989.2
• 申請日: 2020-12-03
• 公開（公告）號: CN112731098B
• 公開（公告）日: 2022-04-29
• 發明（設計）人: 孫璐;李洋;杜晗;梁佩佩;權星
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G01R31/28
• 分類號: G01R31/28
• 代理公司: 西安長和專利代理有限公司 61227
• 代理人: 何畏

1.一種射頻低噪放電路故障診斷方法，其特征在于，所述射頻低噪放電路故障診斷方法包括以下步驟：

選取低噪聲放大電路作為研究對象，在ADS中仿真了低噪聲放大電路，電路原理圖；

設計故障數據提取方案，對R1,R2,R3進行故障注入，改變環境溫度加速電路退化，進行故障數據提取；在注入故障過程中改變其中一個元器件的數值保持其他兩個元器件參數值不變或者微變；以GMM-HMM作為故障診斷方法，輸入模型的狀態數、初始概率分布、初始狀態轉移矩陣、迭代誤差、迭代最大步數和觀測矢量序列；

由K-means算法對訓練樣本數據按照模型狀態數進行樣本分割，獲取高斯混合密度參數，得到CHMM的初始模型；

通過Baum-Welch算法進行模型訓練，獲得第i步迭代的重估模型；

由Viterbi算法計算第i步重估模型下的輸出概率，計算重估模型輸出概率的增長誤差，不滿足誤差條件且迭代步數小于最大迭代步數，以第i步重估模型作為第i+1步初始條件繼續模型訓練；滿足誤差條件收斂或者超過最大迭代步數，把第i步重估的模型作為故障模型的訓練結果；

對每個故障類型都建立起故障診斷模型，把所有的測試數據依次帶入每個故障模型；對于每個故障的故障模型以Viterbi算法獲取所有測試數據輸出概率，取所有測試數據似然概率最大對應測試數據診斷為該故障模型對應的故障類型；

所述射頻低噪放電路故障診斷方法對HMM模型中的第j個狀態，產生觀測矢量O的概率密度函數寫為：

其中，M表示第j狀態高斯元的個數、c_jl表示第j狀態高斯元的個數、N表示標準正態分布、μ_jl表示第j個狀態第l個高斯元的均值矢量、U第j狀態第l個高斯元的協方差矩陣；概率密度函數的重估公式如下，γ_t(j,l)表示t時刻狀態j的第l個高斯元的輸出概率：

2.如權利要求1所述的射頻低噪放電路故障診斷方法，其特征在于，所述射頻低噪放電路故障診斷方法包括：對電路故障參數的提取以及預處理；參數模型的建立及故障預測。

3.如權利要求2所述的射頻低噪放電路故障診斷方法，其特征在于，所述射頻低噪放電路故障診斷方法的故障參數提取通過改變電子電路的環境溫度加速其老化過程，完成電子電路故障特征參數提取工作。

4.如權利要求2所述的射頻低噪放電路故障診斷方法，其特征在于，所述射頻低噪放電路故障診斷方法故障模型訓練以及識別，根據所提取的故障參數，進行元件級故障模型的訓練；通過對電路中元器件注入故障提取故障參數，再分別訓練與之相應的HMM故障模型；通過GMM算法對發射概率進行擬合，可以獲取發射概率矩陣B，再結合Baum-Welch算法進行模型訓練，完整的CHMM模型訓練步驟如下：

1)首先輸入模型的狀態數、初始概率分布π、初始狀態轉移矩陣A、迭代誤差ε、迭代最大步數L和觀測矢量序列O；

2)由K-means算法以及高斯混合模型獲取初始模型參數，獲得CHMM的初始模型λ₀；

3)用Baum-Welch算法可以由λ_i-1得出第i個CHMM模型以及λ_i；

4)由Viterbi算法計算觀測樣本序列在重估模型下的輸出概率計算第i步重估模型輸出概率與第i-1步重估模型輸出概率誤差，不滿足誤差條件ε且i＝L，i+1返回到3)；滿足誤差條件收斂或者超過最大迭代步數L，把重估的模型作為最終的結果模型λ。

5.一種計算機設備，其特征在于，所述計算機設備包括存儲器和處理器，所述存儲器存儲有計算機程序，所述計算機程序被所述處理器執行時，使得所述處理器執行權利要求1所述射頻低噪放電路故障診斷方法的步驟。

6.一種計算機可讀存儲介質，存儲有計算機程序，所述計算機程序被處理器執行時，使得所述處理器執行權利要求1所述射頻低噪放電路故障診斷方法的步驟。