模拟电路故障诊断

模拟电路故障诊断

摘要

模拟电路故障技术近年来得到了迅速的发展、取得了许多可喜的成果。该文探讨了这一领域中一些重要的热门研究问题，主要包括：基于专家系、神经网络、模糊理论、小波变换等理论发展起来的模拟电路故障诊断的新理论和新方法；重点介绍了作者总结的上述各种方法的基本原理、优缺点及其发展现状；对其他一些智能方法也进行了简要介绍；最后指出了模拟电路故障诊断技术的发展趋势：

关键词：模拟电路；故障诊断；专家系统；神经网络；模糊理论；小波变换

Abstract

In recent years the fault diagnosis technique of analog Circuit is developed rapidly,and has led to many new results.In this paper,firstly,some important issues in this area,including expert system,neural network,fuzzy theory,wavelet transform and their application in fault diagnosis of analog circuit,are elaborated.The emphasis is focused on summarization work by the author,such as main principle,respective advantage and disadvantage and presented development of above new thories and methods.secondly,some other intelligent methods and their applications are also described.Finally,the development trend of the fault diagnosis technology of analogy of analog Circuit is also presented.

KEYWORDS:Analog circuit；Fault diagnosis;Eepert system;Neural network;Fuzzy theory;Wavelet analysis

目录

一：引言 (1)

二：模拟电路故障诊断方法的分类 (1)

三：现代模拟电路故障诊断理论和方法 (2)

2.1 专家系统故障诊断方法 (2)

2.2 神经网络故障诊断方法 (2)

2.3 模拟故障诊断方法 (3)

2.4 小波变换故障诊断方法 (4)

2.5 多传感器信息融合故障诊断方法 (5)

2.6 基于Agent技术的故障诊断方法 (6)

2.7 基于其他理论的故障诊断方法 (6)

四：结论 (8)

结束语 (9)

参考文献 (10)

0 引言

近年来，随着对模拟电路故障诊断技术研究的进一步深入，人们注意到模拟电路故障诊断有其自身的困难，进展比较缓慢，其主要困难有：

（1）模拟电路的故障具有多样性，且其输入激励与输出响应以及网络中各元件参数等都是连续量，其故障模型比较复杂，且难以作简单的量化；

（2）由于非线性、元件参数容差、噪声等多种因素的存在，引起电路工作特性的偏移，电路的输入输出关系复杂，使许多诊断方法失去准确性和稳定性;

（3）模拟电路中广泛存在着非线性问题，随着电路规模的线性增大，计算则以指数形式增加；大量反馈回路的存在，也增加了计算和测试的复杂性；

（4）现代电子电路通常是多层的或被封装的，可测电压的可用节点数非常的有限，导致可用作故障诊断的信息量不够充分，造成故障定位的不确定性和模糊性。

所以，以往对模拟电路故障诊断的研究主要停留在中小规模线性无容差或小容

差的情况，有些方法也已成功应用于工程实际。但，如何有效解决模拟电路的

容差和非线性问题；又如何解决故障诊断的模糊性和不确定性的问题等等，是

今后迫切需要解决的困难。

由于上述问题很难用传统的数学方法描述，人工智能技术则因其善于模人处理问题的过程，容易顾及人的经验并具有一定的学习能力等特点，在这一领域得到了广泛应用。

本文的主要内容是以非线性系统为例，介绍人工智能技术的基本概念，重点分析基于上述理论的单一、综合智能方法在模拟电路故障中的应用特点以及存在的主要问题，以促进该研究领域的进一步发展。

1模拟电路故障诊断方法的分类

模拟电路的故障诊断方法以人工智能新理论的出现为界线，可分为两类：一是经典常规的模拟电路故障诊断的方法，二是现代模拟电路故障诊断的方法。

经典常规的模拟电路故障诊断方法主要包括；故障字典法、元件参数辨识法和故障验证法，这三种方法已成功应用于线性系统的工程实际，但却未达到预期的效果，如不能解决非线性系统的故障诊断、不能有效诊断多故障和软故障等等。并且，在实际诊断过程中，由于元器件参数件的容差以及电路中广泛存在的非线性问题，会直接影响到诊断技术的诊断效果，特别是会导致故障误报和诊断方法灵敏度理论降低甚至失灵。

随着越来越多的人工智能新理论的出现，人们逐渐意识到将神经网络等智能理论新理论用于模拟电路故障诊断领域，将对模拟电路故障诊断理论和技术的发展有着重要的影响。由此产生的现代模拟电路故障诊断技术，从某种意义上讲，形成了这一领域新的研究方向。它部分解决了故障诊断的模糊性和不确定性等经典常规方法不能解决的

各类问题，适用于解决非线性系统的故障。

2现代模拟电路故障诊断理论和方法

目前，常见的人工智能技术主要包括专家系统、神经网络、模糊理论、小波变换等。

人工智能技术由于其善于模拟人类处理问题的过程，容易顾及人的经验以及具有一定的学习能力等特点在模拟电路故障诊断领域得到了广泛的应用。由此开发出的综合自动故障诊断系统，对于难以建立数学模型的电路的故障，可实现故障的快速、准确定位，使检修人员对问题的认识更具全面性、有效性和针对性。

2.1专家系统故障诊断方法

专家系统是人工智能应用研究最活跃和最广泛的课题之一，它是一个智能计算程序系统，其内部具有大量专家水平的某个领域知识与经验，应用人工智能技术，根据某个领域一个或多个人类专家提供的知识和经验进行推理和判断，模拟人类专家的决策过程，以解决那些需要专家决定的复杂问题。按其所求解问题的性质，可把它分为几种类型，其中的诊断专家系统的任务就是根据观察到的数据来推断出故障原因。专家系统在模拟电路故障诊断中的典型应用是基于产生式规则的系统，其基本工作原理是：首先把专家知识及其诊断经验用规则表示出来，形成故障诊断专家系统知识库，进而根据报警信息对知识库进行推理，诊断出故障元件。基于产生式规则的故障诊断专家系统得以广泛应用主要是由故障诊断和基于产生式规则的专家系统的特点所决定的。模拟电路故障与征兆之间的关系易于用直观的、模块化的规则表示出来；基于产生式规则的专家系统允许增加、删除或修改一些规则，以确保诊断系统的实时性和有效性；能够在一定程度上解决不确定性问题；能够给出符合人类语言习惯的结论并具有相应的解释能力等。文献（8）提出了一种知识获取的多层流式的功能模型，可自动获取变电站的拓扑结构和保护配置等方面的知识，用于产生变电站停电后的恢复方案，原理上有创新。

瑞然专家系统能够有效的模拟故障诊断专家完成故障诊断过程，但在实际应用中仍存在一定缺陷，其主要问题是知识获取的瓶颈问题、知识难以维护，知识推理的“组合爆炸”和“无穷递归”问题以及不能有效解决故障诊断中许多不确定因素，这些为题大大影响了故障诊断的准确性。

另外，专家系统在自适应能力、学习能力及实时性方面也都存在不同程度的局限，鉴于上述困难，将其与本身具有信息处理特点的神经网络相结合，便可有效解决上述各个问题。

2.2神经网络故障诊断方法

人工神经网络（ANN）是模拟人脑组织结构和人类认知过程的信息处理系统，自1943 年首次提出以来，已迅速发展成为与专家系统并列的人工智能技术的另一个重要

分支。它以其诸多优点，如并行分布处理、自适应、联想记忆等，在智能故障诊断中受到越来越多广泛的重视，而且显示出巨大的潜力，并为智能故障诊断的研究开辟了一条新途径。

ANN技术特别适合处理那些故障诊断中无法用显性公式表示的、具有复杂非线性关系的情况，能够出色解决那些传统模式识别方法难以圆满解决的由于非线性、反馈回路和容差引起的问题；它以分布的方式存储信息，利用网络的拓扑结构和权值分布实现非线性的映射，利用全局并行处理实行从输入空间到输出空间的非线性信息变换，有效解决了复杂系统故障诊断中存在的故障知识获取的“瓶颈”、知识推理的“组合爆炸”等问题。但如何选择一种合适的网络结构和规模，以保证算法的收敛性、快速性、实时性以及学习样本的完整性和代表性，将是进一步深入研究的问题。

应用ANN技术解决故障诊断问题的主要步骤包括：根据诊断问题组织学习样本、根据问题和样本构造神经网络、选择合适的学习算法和参数。常用故障诊断的ANN有BP网、Hopfield网、SOM网和ART网络等。采用BP网络可有效解决非线性问题；采用Hopfield网络可用来诊断正常元器件容差条件下的多故障问题，并采用其优化算法可实现全局最优问题；采用SOM网络解决模拟电路故障诊断容差问题的方法，可以对单和多软、硬故障进行有效识别，迅速定位，加上本身良好的泛化特性，可有效客服容差因素对故障定位的影响。

鉴于ANN诸多的优点及专家系统固有的缺点，将两者相结合是今后故障诊断研究的热点，两者具有极强的互补性。神经网络专家系统的高层逻辑模型不同，它是一种底层数值模型，信息处理是通过大量的简单处理元件之间的相互作用二进行的，它将逻辑推理与数值运算相结合，利用ANN的学习、联想记忆、分布式并行信息处理功能，解决诊断系统中的不确定知识表示、获取和并行推理等问题，通过对经验样本的学习，将专家知识以权值和阀值的形式存储在网络中，并利用网络的信息保持性来完成不精确推理，较好地模拟了专家凭经验、直觉二不复杂的计算推理过程。

ANN法虽然有利于客服专家系统的知识获取瓶颈、知识库维护困难等问题，但它不适于处理启发性知识。而且由于ANN技术本身不够完备，其学习速度慢，训练时间长以及解释功能我弱，从而影响了它的实用化。同时，如何设计适用于大规模模拟电路的神经网络故障诊断系统仍是一个有待进一步研究的问题。

2.3模糊故障诊断方法

对于复杂电路，特别是模拟电路的故障诊断，由于元器件的容差、非线性及电路噪声的影响，故障与征兆之间的关系用传统的电路理论难以求得精确解，出现了模糊现象。模糊故障诊断方法，就是依据专家经验在故障征兆空间与故障原因空间之间建立模糊关系矩阵，再将各条模糊理论规则产生的模糊关系矩阵进行组合，根据一

定的判定阀值来识别故障元件。随着模糊理论的发展，模糊理论的一些优点逐步被重视，如模糊理论可适应不确定性问题；其模糊知识库使用语言变量来表述专家的经验，更接近人的表达方案，并根据这些方案的模糊度的高低进行优先程度排序等。

然而，在模糊集理论中，由于隶属度的获取，复杂系统的模糊模型的建立、辨识，语言规则的获取、遗忘、修改等理论和方法还不够完善，使该理论的应用受到了限制。从目前情况看，将模糊集理论与专家系统、ANN等相结合可有效解决这些困难。将模糊理论应用于专家系统的故障诊断结构中，充分考虑两者的互补性，有效弥补了传统的专家系统解决知识不确定性问题不足。该法应用于吉林丰满水电数字防真系统的故障诊断中，经分析表明，与传统的诊断方法相比，减少了错判和漏判的几率，增加了对判几率。文献应用多目标模糊决策方法进行故障测距与故障类型辩识，并做了现场测试。实践证明，该方法简单易行，具有较强的通用性。

将基于模糊理论的模糊逻辑系统与ANN相结合，充分吸收了两者各自的优点，既能处理专家知识和经验，又能通过自学习增强系统的判断能力。在故障诊断领域，模糊神经网络技术也代表了一个新的方向。目前的研究主要集中在：研究模糊逻辑系统和ANN的对应关系，将模糊逻辑系统的调整和更新转化为对应的ANN学习问题以及利用模糊逻辑系统对ANN进行初始化；模糊神经网络的快速学习算法；利用模糊理论加快ANN的学习速度并应用ANN构造高性能的模糊逻辑系统。

但两者发展到现在，时间相对较短，自身体系还有不完善的地方，在解决诊断问题方面还存在很多问题，如：模糊度如何准确的定量化，ANN学习算法的实用化，ANN的一些非线性特性，特别是收敛到最优解的速度仍然不够理想。在此研究方向上，还需要更多的突破。

由于一般的模糊系统采用了专家系统类似的结构，所以它也具有专家系统的一些固有的缺陷：（1）模糊系统在推理时也要搜索知识库内一定的规则集才能得出诊断结论，所以当系统比较大时，诊断速度也比较慢；（2）模糊系统也不具备学习能力。总之，模糊理论与其他人工智能技术结合构成的诊断系统虽然可以增强处理不确定性能力，在一定程度上提高诊断的准确度，但是它不能完全消除专家系统所固有的缺点。

2.4小波变换故障诊断方法

小波变换的基本原理：通过小波母函数在尺度上的伸缩和时域上的平移来分析信号，适当选择母函数，可以使扩张函数具有较好的局部性，因此，它是一种时-频分析方法。在时-频域具有良好的局部化性质并具有多分辨分析的特性，非常适合非平稳信号的奇异性分析，如利用连续小波变换可以检测信号的奇异性，区分信号突变和噪声；利用离散小波变换可以检测随机信号频率结构的突变。

文献给出了两种基于小波变换的故障诊断方法，也即小波变换故障诊断机理包

括的两个方面：利用观测器信号的奇异性进行故障诊断以及利用观测器信号频率结构的变化进行故障诊断。小波变换不需要系统的数学模型，故障检测灵敏准确，运算量也不大，对噪声的抑制能力强，对输入信号要求低，但在大尺度下由于滤波器的时域宽度较大，检测时会产生时间延迟，且不同小波基的选取对诊断结果也有影响。在模拟电路故障诊断中，小波变换被有效地用来提取故障特征信息（小波预处理器），之后，再将这些故障特征信息送入故障分类处理器进行故障诊断。

近年来，将小波变换与模糊集合论、ANN理论相结合，提出的模糊小波和小波网络的故障诊断方法，具有广阔的应用前景。小波与ANN的结合，是一个十分活跃的研究领域。采用嵌套式结合方式，把小波变换的运算融入到ANN中去，形成小波网络。小波网络是一种连续的非线性映射，由于其把ANN的自学习特性和小波的局部特性结合起来，具有自适应分辨性和良好的容错性，因此又为故障诊断开辟了一条新路。

目前存在多种小波网络：正交小波网络、区间小波网络模型等，具有逼近能力强、网络学习收敛速度快、参数的选取有理论指导、有效地避免了局部最小值问题等优点。但小波网络直接对信号辩识后，怎样构造出能表征故障类型的特征向量是本方法的难点。现在，在模拟电路故障诊断领域，小波神经网络还是一个崭新的、很有前途的应用研究方向。

2.5 多传感器信息融合故障诊断方法

在故障诊断领域，由于设备本身的复杂性和运行环境的不问稳定性，单传感器反应的设备信息具有不确定性，如推理时的不确定性的存在，导致故障诊断准确率的降低，甚至出现漏检和误诊现象。

多传感器信息融合技术为解决复杂系统故障诊断的不确定性问题提供了一条崭新的途径，这是由信息融合独特的多维信息处理方式决定的。特别适合解决模拟电路故障诊断中常规的网络撕裂法面临电路前后元器件相互影响以至不能测准元器件的故障以及由于容差、非线性及元件参数相互影响而出现的诊断不确定性问题。将信息融合技术引入电路故障搜索寻中，通过测试电路工作时电子元件的温度和关键点电压两方面的信息，并尝试多种信息融合方法，从而准确搜寻出故障元件。其主要信息融合故障诊断方法有：Bayes概率推理法、模糊信息融合法、D - S（Dempster - Safer）证据推理及神经网络信息融合法等。

模糊信息融合法基本原理：首先利用探针测出各待诊断元件关键点的电压信号，利用热像仪测试出电路板待诊断元件的工作温度信号，对于每一传感器，可用一组隶属度值表示被测元器件属于故障的可能性。应用模糊集合论对两组隶属度值进行融合处理，得到两传感器融合后各待诊断元件属于故障的隶属度值，再根据一定的判定准则进行故障元件的判定。这种方法计算简单，应用方便，结论明确直观，消除了哟于单

传感器提供新鲜量少而产生的误诊断现象。但构造隶属函数是人为设计的，在选择不当，必将影响诊断准确性。

神经网络新鲜融合法的基本原理：将神经网络引入信息融合之中，并将其与模糊集相结合，构成一模糊神经网络分类器，使模糊的概念结合于神经网络的各层中，利用所测电压，温度隶属度值作为神经网络的输入，而输出为两传感器融合后各待诊断元器件属于故障的隶属度值，再根据一定的判定规则进行鼓掌元器件的判定。此法由于充分利用了大量测试数据，同时利用了训练样本中的先验知识，而使得故障识别的效果优于前者，不过训练样本获取常存在一定的困难，一旦无法获取训练样本，此种诊断方法将无法使用。

2.6 基于Agent技术的故障诊断方法

Agent可定义为具有感知能力，问题求解能力和与外界通讯能力的实体，通过预定义的协议与外部Agent进行通讯，并通过一种松耦合的分布式途径进行分布式智能求解。多Agent系统（MAS）是指由多个自主构件组成的所以类型的系统，是一个松散耦合的问题求解器网络，其目标是为了解决那些超出每个问题求解器的单独能力或知识的问题。

将信息融合技术、神经网络、小波变换、模糊数学及粗糙集理论相结合，构造的分布式远程多Agent故障诊断系统，利用Agent的自主性、反应性等“智能”特性来提高诊断系统的环境适应性；利用信息融合的多维信息处理方式，提高故障诊断准确率，增强系统诊断的有效性、环境适应性和只能性；而且可应用于各种网络环境，充分利用已有的诊断资源，实现远程诊断。其中关键问题是诊断任务的分解与控制，以及诊断Agent之间的合作与协调问题。分布式任务分解必须根据诊断对象的结构、故障特点进行分解；出于对系统性能的考虑，必须选择耗费资源最少、诊断效果最好的诊断Agent，这就是诊断Agent间的协调问题，其关键在于量化诊断Agent所耗费的系统资源和衡量诊断结果的好坏程度。

故障诊断的Agent技术，可以克服传统人工智能诊断系统不能解决的实时性等条件的限制，增强诊断系统对动态环境的适应性和对不完全信息的处理能力，实现网络环境下的分布式计算和问题求解，实现故障诊断中的并发信息监测、推理及搜索。

2.7 基于其他理论的故障诊断方法

粗糙集理论是一种处理不完整性和不确定性问题的新型数学工具，在模式识别等方面得到了成功的应用。它与传统的模糊集理论处理不精确数据和不确定性的方法不同，他无需提供问题所需处理的数据集合之外的任何先验信息，因此对问题的不确定的描述和处理是比较客观的。文献已尝试将粗糙集理论应用于故障诊断研究领域，为在不完备征兆信息下的故障诊断提供了新思路。

分形理论在模式识别中也有初步的应用，在故障诊断领域中的应用研究只是刚刚

开始。设年备故障诊断中用来反映设备运行状态的特征信号在一定尺度范围内部具有分形的特性，可通过计算分维数来进行诊断。文献将分形理论用于电力设备局部放电模式识别中，可大大减少特征提取数量，与小波变换、神经网络结合，可提高模式识别的有效性和可靠性。

遗传算法是一种新发展起来的全局优化算法，已成为人们用来解决高度复杂问题的一个新思路和新方法。文献将遗传算法应用于专家系统的故障诊断系统，防真结果表明，可以加快推理速度，提高专家系统在缺乏先验知识和样本数据很少的情况下的实用性。

人工智能诊断方法在今后工程实践中具有广阔的应用前景。这些技术的应用将进行一步推动模拟电路故障诊断理论和方法的发展，使其更趋完善和更具广泛适用性，为实现复杂大规模电路的故障诊断提供更为为有效、更具实用价值的方法，是今后模拟电路故障诊断的发展方向。虽然上述智能方法在故障诊断领域得到了成功应用，但这些理论本身还不是很成熟，需要进一步完善，而且有些应用还只是处于探讨和实验阶段，距离工程实际还有差距，因此无论是在理论研究还是在工程应用方面都还有很多工作要做。

完成情况：经过两个月的努力，完成了现代模拟电路故障诊断方法的撰写。

所得收获：通过这次毕业设计，使我得到了一次用专业知识和专业技能去分析问题、解决问题的全面系统的锻炼。使我在模拟电路；故障诊断，以及系统运用专业知识分析方面都能向前迈了一大步，为日后成为合格的应用型人才打下良好的基础。

参考文献

1 顾德均等.航空电子装备修理理论与技术[M].北京：国防工业出版社，2001

2 高泽涵.电子电路故障诊断技术[M].西安：西安电子科技大学出版社，2000

3 朱大奇.电子设备故障诊断原理与实践[M].北京：电子工业出版社，2004,1

4 吴今培.智能故障诊断与专家系统[M].北京：科学出版社，1999

5 张雪江.机械设备故障诊断系统知识自动获取及更新的研究（博士论文）[J]，东南大学，1997,4

6 王飚航.基于专家系统和神经网络的机车电路故障诊断系统研究[J].北方交通大学学报,1996,20(4):496～501

7 蔡自兴，徐光佑.人工智能及其应用[M].北京：清华大学出版社,2000

8 AokiA R,Torres G L,Souza L E D.Knowledge’s Acpuisition for AI Planning of Restoration of Substations Using Functional Modeling.In:ISAP’99,Rio de Janeiro(Brazil)，1999：191～195

9 杨叔子.基于知识的故障诊断技术[M].北京:清华大学出版社,1993

10 虞和济,陈长征,张省.基于神经网络的职能诊断[M].北京:冶金工业出版社,2000

11 Licmg jing https://www.360docs.net/doc/5c1525349.html,ing Neural Nerworks and Fuzzy in Failure Diagnosis Expert system .ICTD’95 1995:27～30

12 Zhao Z.Y.Introduction to fuzzy theory and neural networks and Their application.Tsinhua University Press,1996:165～169.

13 Insfran A H D,Silva A.P A S,Tores G L.Falt Diagnosis Using Fuzzy Sets.ISAP’99,Rio de Janeiro(Brazil),1999:280～284

14 uid M,George V.Automated fault detection and identification using

a fuzzy –wavelet analysis technique.IEEE Proc of

Autotestcon,1995:169～175

15 Zhao Z, Gu X. Fault detection based on wabelet neural network.Proc of 14 LFAC World Congress.Beijing,1999:145～150

16 叶昊,王桂增等.小波变换在故障检测中的应用[J].自动化学报,1997,23(26):763～741

17 朱大奇.航空电子设备故障诊断新技术研究(博士论文)[J].南京航空航天大学,2002,6

18 Luo R.C,Key M.G.Multi-sensor Integration and Fusion in Intelliget systems.1EEE Transaction on systems,Man and cybemetics,1989,19(5);901～931

19何友等.多传感器信息融合及应用[M].北京:电子工业出版社,2000

20寇忠宝,张长水.基于Multi-Agent的分类器融合[J].计算机学报,2003,26(2):174～179

21徐从富.基于多Agent的信息融合技术研究(博士论文)[J].浙江大学,2000,3 22曹长修,孙颖楷等.基于粗糙集理论的内燃机故障诊断专家系统[J].重庆大学学报(自然科学版),2001,24(4):45～47

23赵中原,肖登明等.电力设备局部放电模式识别中分形理论的应用[J].高压电器,2001,37(3):18～20

24张琦,韩祯祥,文福栓.一种基于粗糙集理论的电力系统故障诊断和警报处理新方法[J]. 中国电力,1998,31(4):32～35