《电子电路故障诊断》由会员分享，可在线阅读，更多相关《电子电路故障诊断（82页珍藏版）》请在金锄头文库上搜索。
1、电子电路故障诊断技术 故障诊断技术的概况及发展前景 随着科学技术的快速发展，特别是数字技 术及各种超大规模集成电路的广泛应用， 电子装备尤其是军用电子装备结构越来越 复杂，功能越来越完善，自动化程度也越 来越高。虽然电子系统的性能得到提高， 但是对测试和维修保障也产生了测试流程 复杂、测试时间长、维修保障困难、维修 费用高等诸多问题，这些问题严重影响了 电子设备的完好性和寿命周期。 现代故障诊断技术是近年来随着电子计算 机技术、现代测试技术和人工智能技术的 迅速发展而发展起来的一种新技术，是指 应用现代化仪器设备和计算机系统等高新 技术设备，通过测试来检查和识别设备及 零部件的实时技术状态，对
2、其进行科学的 诊断。应用故障诊断技术对设备进行测试 和诊断，可以及时发现设备的故障和预防 恶性事故的发生，从而避免出现重大损失 。 电子电路是由具有特定功能的电子元件组 成的，其中每个元件都有自己特定的作用 。如果某个元件损坏，电路的功能必将发 生变化。我们将电路系统丧失规定功能的 现象称为电路故障。 电路功能的变化必然伴随电路参数的变化 ，根据电路参数变化来辨别电路故障的过 程，称为电子线路故障诊断。 电子电路故障诊断技术，就是根据对电子 电路的可及节点或端口直接测量的信息， 推断该系统所处的状态，确定故障元件的 部位和预测故障的发生，判别电子产品的 质量以便给出维修提示的方法。 电子电路分
3、为模拟电路和数字电路两种。 因此，电子电路的故障诊断技术也应从模 拟电路故障诊断和数字电路故障诊断两方 面进行。 故障诊断学科由故障诊断理论和故障诊断 技术两部分组成。在本书第一章简要介绍 了故障诊断理论，如统计诊断理论的贝叶 斯法、最大似然法、时间序列法、灰色系 统法；模拟诊断法，智能诊断理论的专家 系统故障诊断、神经网络故障诊断理论、 信息融合故障诊断、基于Asent故障诊断以 及故障树诊断理论，本章主要讨论故障诊 断技术方面的问题。 一、电子电路通用故障诊断方法 故障诊断过程，实际上就是从故障现象出 发，通过反复测试，作出分析判断，逐步 找出故障的过程，电子电路的故障包括： 故障检测；故
4、障定位；故障识别； 状态监测等几个方面。 1故障症状分析 (1)确定故障症状。首先必须知道设备在正 常情况下是如何工作的，应如何正确操作 和控制设备，从而确定故障的特征。(2)故障症状的识别。故障症状的识别 是分析电子设备工作正常与否的一种技术 。故障症状是设备特性的改变或偏离，由 于与所期望的特性不一致，则可确认这是 一种故障症状。 (3)设备故障与性能下降。设备故障表示整 个设备或设备中某些功能块不能工作。设 备能工作但达不到正常性能，这称为设备 性能下降。(4)故障症状的评价。故障症状评价是 对故障准确描述的过程。 2确定故障范围 大多数电子设备都可以分为若干单元，每 一单元都有确定的功
5、能。确定故障范围就 意味着确定故障实际上出现在哪个功能块 。确定故障范围时，可以按以下步骤进行 ： (1)外观检查； (2)电源状态和静止状态； (3)故障电路分割； (4)部件交换。 3查找故障电路 通过逻辑判断和合理测试，不断缩小故障范围。 般应追寻三个主要信息：信号路径、信号特 征和沿信号路径各电路的调节和控制装置。电路 的合理测试方法可选择从后向前法(直到发现正确 的信号，后一级就是故障电路)，信号的注人法、 断开环路法、比较法等等。在电子设备中，集成电路被广泛使用，电路 故障只能确定到组件和模块，没必要进一步检测 ，只需整片、整块电路一起更换。 4确定故障位置 这是电子电路故障诊断的
6、最后一步。其方 法是借助测试仪器对已确定的故障电路进 一步检查，识别和确定有故障的元器件。 1故障症状分析 2确定故障范围 3查找故障电路 4确定故障位置模拟电路故障诊断中的特征提取方法 基于统计理论的特征提取 基于小波分析的特征提取 基于故障信息量的特征提取 基于核函数的特征提取 其它理论的特征提取方法模拟电路故障诊断中的特征提取方法 故障特征提取是模拟电路故障诊断的关键 ，而模拟电路由于故障模型复杂、元件参 数的容差、非线性、噪声以及大规模集成 化等现象使电路故障信息表现为多特征、 高噪声、非线性的数据集，且受到特征信 号观测手段、征兆提取方法、状态识别技 术、诊断知识完备程度以及诊断经济
7、性的 制约，使模拟电路的故障诊断技术滞后于 数字电路故障诊断技术而面临巨大的挑战 。 模拟电路故障诊断本质上等价于模式识别 问题，因此研究如何把电路状态的原始特 征从高维特征空间压缩到低维特征空间， 并提取有效故障特征以提高故障诊断率就 成了一个重要的课题。 我们将简要介绍部分模拟电路故障诊断中 使用的特征提取方法的 原理步骤及其优缺 点，为进一步的研究打下基础。 基于统计理论的特征提取 传统的基于统计理论的特征提取方法是考 虑测点数据的一阶矩和二阶矩，根据这些 测点数据的重要统计特征来降低特征空间 维数达到有效特征提取的目的，其中包括 基于可分离性准则、K-L变换、主元分析等 特征提取方法。
8、 主元分析是基于数据样本方差协方差（ 相关系数）矩阵的数据特征分析方法，它 从特征有效性的角度，通过线性变换，在 数据空间中找一组向量尽可能的解释数据 的方差，将数据从原来的高维空间映射到 一个低维向量空间，降维后保留数据的主 要信息，且主分量间彼此独立，从而使数 据更易于处理。 在模拟电路故障诊断中，采用主元分析实现数据 压缩和特征提取的过程是：首先将原始特征数据 标准化，消除原变量的量纲不同和数值差异太大 带来的影响；然后建立数据的相关矩阵，并计算 矩阵的特征值及特征向量，并对所得的特征值进 行排序；最后根据特征值的方差贡献率选取主元 ，通常要求累计方差贡献率达到80到90%即可 。经过主
9、元分析将特征向量降维后，减少了诊断 神经网络的输入，提高了网络训练速度，降低了 神经网络的计算复杂度。 基于主元分析的模拟电路故障诊断系统 基于统计理论的特征提取在应用中常常因 为概率密度函数的分布问题使最优变换矩 阵的计算陷入困境，而高分辨特征提取所 需的映射常常是非线性的，因此基于统计 理论的线性变换方法在使用时受到了限制 。进一步的研究方向是其方法的非线性延 伸，如非线性主元变换以及和其它特征提 取方法的融合使用。 基于小波分析的特征提取 在电路信号的特征提取中，常采用频谱分 析的方法。但是基于统计分析的傅立叶分 析仅对不随时间变化的平稳信号十分有效 ，对于模拟电路响应信号中通常含有非平
10、 稳或时变信息却不能有效地提取故障特征 。 另外，模拟电路中含有大量噪声，若直接 将高频成分当作噪声成份舍弃会造成有效 成分的损失，若单纯对电路的输出进行分 析，会导致故障模糊集较多，分辨率不高 。而小波分析所具有的时频局部化特性、 良好的去噪能力，无需系统模型结构的优 势使之成为分析和处理此类信号的有效工 具，也是目前在模拟电路故障诊断领域使 用最多的一种特征提取方法，对模拟电路 中的软、硬故障均适用。 小波分析的基本原理是通过小波母函数在 尺度上的伸缩和时域上的频移来分析信号 ，适当选择母函数可使扩张函数具有良好 的局部性，非常适合对非平稳信号进行奇 异值分析，以区分信号的突变与噪声。 目
11、前在模拟电路故障诊断文献中用到了小 波变换、小波包变换以及多小波变换等来 对电路故障信息进行特征提取，对模拟电 路瞬态信号的提取、消除电路噪声和模拟 电路特有的元件参数容差具有良好的效果 。 小波分析技术实现时与神经网络有两种结合方式 ：一是松散型结合，二是紧致型结合。松散型结 构是数据预处理采用的最常见的方式，目前紧致 型结构的小波神经网络也已成功用于模拟电路的 去噪和特征提取。由于紧致型小波神经网络是用 非线性小波基代替非线性的sigmoid函数，通过仿 射变换建立小波变换与神经网络的连接，具有更 强的逼近能力和收敛速度，不管是用于特征提取 还是故障诊断都具有明显的优势。紧致型小波神 经网
12、络结构如图所示。 紧致型小波神经网络结构图 小波分析技术中的多分辨率分析每次只对 信号的低频部分进行分解，高频部分却保 持不动导致了高频部分的分辨率很低。而 小波包变换却提供了一种更加精细的分析 方法，即可同时在低频和高频部分进行分 解，以自适应地确定信号在不同频段的分 辨率，使分解序列在整个时频域内都有较 高的时频分辨率和相同带宽，更有效地进 行特征提取。 而多小波(Multiwavelet)变换可以同时拥有 对称性、正交性、短支撑性、高阶消失矩 等重要性质，弥补了单小波的不足，也开 始成为特征提取研究的热点。其与单小波 的多分辨分析不同之处在于它的一个多分 辨分析是由多个尺度函数所生成的，
13、而其 构造方法一般可以利用多小波的正交性、 对称性、短支撑性和逼近阶次来构造相应 的多尺度函数和多小波函数。 小波分析在特征提取中的优势，主要是利用小波 基可以用较少非零小波系数去逼近一类实际函数 的能力，选择小波基应该是以最大量的产生接近 于零的小波系数为优。小波基的这种能力主要依 赖其数学特性正交性、消失矩、正则性、对 称性以及支集长度等来决定。在进行特征提取时 选择不同的母小波，效果会有很大差异，而对于 电路的特征分析中选择何种小波函数，目前还没 有完善的理论指导，多根据经验或实验来确定， 因此小波母函数、小波系数、小波网络结构及学 习算法的优选问题都是亟待解决的问题。 基于故障信息量的
14、特征提取 基于故障信息量的特征提取方法是从不同思路考 虑的一种新方法。模拟电路运行过程中若出现故 障，则电路的特征参数会偏离正常状态，特征向 量也会发生变化。因此，只要故障源存在，这种 故障信息就会通过特征参数表现出来。若以信息 量作为出现故障的量度便可以对电路的状态进行 诊断。按照信息理论的观点，特征提取的目标是 通过一个特殊的信道即所采用的特征提取方 法，使信道的信息最大化，信道损失最小，其原 理如图所示。 信息传输模型与特征提取模型的比较 基于互信息熵的特征提取就是其中的方法之一， 其理论依据是当某特征获得最大互信息熵时，该 特征就可获得最大识别熵增量和最小误识别概率 ，从而具有最优特性
15、。因此特征提取便是在电路 的初始特征集合中寻找一个具有最大互信息熵或 最小特征条件熵的集合。而最大互信息熵是由系 统熵和后验熵决定的，系统熵是一定的，因此后 验熵越小，则互信息越大，分类效果就越好，于 是有效的特征提取转化为在初始特征集给定后， 寻找一个具有最大互信息熵或最小后验熵的集合 。 在特征优化过程中，随着特征的删除，会 产生信息的损失，使得后验熵趋于增加。 后验熵增值大小反应了删除特征向量引起 的信息损失的情况。按后验熵由小到大排 列，就可以获得对应的特征删除序列。 我们中将电路中的测点拓展为任何能够携 带电路故障信息的特征量，对电路进行交 流小信号分析后对从可及节点处测得的电 压的
16、相频、幅频特性进行采样，再利用这 些采样点的诊断信息量来完成有效测点（ 也即特征）的选取，为后续的诊断提供了 诊断信息量大且能保证故障识别精度的有 效故障特征集。 基于故障信息量的故障特征提取方法中， 只要蕴含着不确定性状态的信息能在电路 系统中传递且到达输出端口，就可以通过 检测到的输出信号获取电路中的不确定状 态，提取系统的异常征兆，为故障诊断提 供有效的特征数据。这种方法不仅可用于 线性电路，对非线性电路也适用。 目前基于故障信息量的特征提取方法中包 括信息熵、互信息、负熵等多个测度，且 多数需要获取各类故障的后验概率分布函 数和测点测量值的密度函数，而获得这些 参数困难重重，多采用估计方法来近似， 因此概率密度函数的估计方法不同，搜索 算法不同都会对最后生成的故障特征集是 否为最佳故障特征集造成影响，这些都是 目前特征提取工作中需要进一步探索的问 题。
