[發明專利]基于輸出響應矩陣特性分析的模擬電路故障診斷和定位法

在審

• 申請號: 202110531222.6
• 申請日: 2021-05-16
• 公開（公告）號: CN113156303A
• 公開（公告）日: 2021-07-23
• 發明（設計）人: 談恩民;阮濟民;李瑩
• 申請（專利權）人: 桂林電子科技大學
• 主分類號: G01R31/316
• 分類號: G01R31/316
• 代理公司: 桂林市華杰專利商標事務所有限責任公司 45112
• 代理人: 覃永峰

本發明公開了一種基于輸出響應矩陣特性分析的模擬電路故障診斷和定位法，本發明通過使用矩陣的特性譜半徑和最大奇異值來對模擬電路進行故障診斷，這種方法不需要深入討論電路的內部特性，只需要測量電路的輸出響應就可以進行故障診斷；通過比較無故障輸出響應矩陣與故障輸出響應矩陣之間的差異，可以診斷故障；通過計算矩陣譜半徑和擾動矩陣最大奇異值，可以識別故障，且效果顯著，模擬電路故障診斷的故障診斷率高達100％，相對于人工智能只能算法的模擬電路故障診斷而言，本發明完全不需要大量的樣本集，可以節約模擬電路故障診斷的時間，為模擬電路故障診斷提供了一種新的方法；能快速有效地處理模擬電路故障診斷的定位問題。

技術領域

本發明涉及模擬電路故障診斷領域，尤其涉及模擬電路故障特征提取和特征分類，具體涉及基于輸出響應矩陣特性分析的模擬電路故障診斷和定位法。

背景技術

一般情況下，電路電容電阻發生變化的稱為軟故障，電路中器件直接損壞或者無法使用稱為硬故障，軟故障的診斷要比硬故障的診斷困難。由于故障定位和故障參數識別仍然具有挑戰性，成熟的模擬電路故障診斷技術尚未形成。到目前為止，在大部分測試中，模擬部分的混合信號電路容易出現問題，所以對模擬電路故障診斷的研究是非常重要的。支持向量機(Support Vector Machine，簡稱SVM)是一種具有靈活學習策略的小樣本學習方法，但它需要更多的計算機內存和時間。學者們不斷對模擬電路故障診斷進行深入研究，同時模擬電路故障診斷的故障模式也在不斷變化。由早期的模擬電路硬故障到現在的模擬電路軟故障診斷；由模擬電路單故障到多故障診斷。隨著時間的推進，在此領域有著不斷創新，模擬電路故障診斷的理論也在不斷的發展著，大量的方法不斷的被引入到模擬電路故障診斷中，從早期傳統的故障診斷方法，到現在的極限學習機(Extreme LearningMachine，簡稱ELM)法等各種不同的人工智能法。故障字典方法建立字典模型，通過映射關系診斷故障，然而，復雜的大規模電路建立故障字典是非常麻煩的。靈敏度分析是一種有效的故障診斷技術，它改進了故障診斷中最合適測試點的選擇，并從信號中識別出最合適的輸入頻率，但該方法在處理公差特性方面存在一定缺陷。小波分析和SVM法也存在需要大量的訓練樣本和需要較長的診斷時間等局限，該方法通過非線性映射將原始數據嵌入到高維特征空間，然后進行線性分析和處理，為基于知識的數據分析帶來新的方法和模式。傳統方法無法解決故障特征數據維數高、在故障樣本交疊嚴重時多分類性能較差的問題，神經網絡方法可以在需要大量訓練樣本的情況下實現快速故障檢測。局域均值分解(Local MeanDecomposition，簡稱LMD)近似熵算法也是一種很好的模擬電路特征提取方法，K近鄰(k-Nearest Neighbour，簡稱KNN)是一種精度較高的惰性算法，但需要選擇合適的參數K，且診斷時間較長。小波變換和CFA-LSSVM是一種提升小波變換和混沌螢火蟲算法(CFA)，并且優化LSSVM參數的模擬電路故障診斷方法。LMD近似熵算法和FCM聚類算法以及一些云模型算法等都在不斷的完善。

發明內容

本發明的目的是針對現有技術的不足而提供一種基于輸出響應矩陣特性分析的模擬電路故障診斷和定位法，這種方法不需要深入討論電路的內部特性，只需要測量電路的輸出響應就可以進行故障診斷；通過比較無故障輸出響應矩陣與故障輸出響應矩陣之間的差異，可以診斷故障；通過計算矩陣譜半徑和擾動矩陣最大奇異值，可以識別故障；故障定位和故障參數識別可以通過最小二乘二次曲線擬合法來完成，與人工智能算法不同的是，它完全不需要訓練樣本，可以應用于測試節點較少的更復雜電路中，這種電路支路較多，但節點較少且支路較為復雜，而人工智能算法無法采集大量訓練樣本，體現出本方法的優勢性。

本發明的目的是通過下述的技術方案來實現的：

一種基于輸出響應矩陣特性分析的模擬電路故障診斷法，包括如下步驟：

1)輸入正弦交流電，使被測電路正常工作，測量輸出信號Y(t)，將連續時間輸出Y(t)按Ts采樣間隔采樣到Y(n)，Y(t)為連續時間輸出，n表示信號數，Y(n)為采樣信號，Ts為采樣周期；