基于多特征的模拟电路故障预测

摘 要电子技术快速发展时代的到来,使电子设备在高科技领域和航空航天等军工项目中的应用更加广泛.在电子设备广泛应用的同时,基于多特征的模拟电路故障预测分析就尤为重要了.本文对基于多特征模拟电路故障预测技术研究意义和研究现状以及基于故障信息贡献率的特征提取方法进行阐述.

关 键 词多特征；模拟电路；现状；研究意义；特征提取

中图分类号：TP202文献标识码：A文章编号：1671-7597（2013）11-0000-00

所谓的电子设备都是由基本的模拟电路和数字电路组成,电路复杂度和其成本都极高,因此当电路发生故障时,我们必须对电路进行维修减少费用的消耗,故必须对模拟电路进行有效的故障预测,以减小维修成本.

1基于多特征模拟电路故障预测技术研究意义

目前,故障预测在国内外已然成为了一个热门研究领域,美国NASA研究机构一直致力于研究飞行器的故障预测技术,2004年在中国召开了国际研讨会主要针对大型复杂系统故障诊断,因此故障预测将作为今后一个重点的研究方向.在对电子电路的故障进行测试过程中,根据电路类型的不同,可以将故障预测分为两种：一是数字电路的故障预测、二是模拟电路的故障预测.虽然数字电路比模拟电路出现的较晚,但是数字IC制造相对模拟电路比较简单,集成度和很容易提高,其可靠因素也极高,数字电路故障测试研究的速度发展很快.相比之下,从60年代模拟电路的测试与预测课题便便开始研究,整个发展路程一直处于缓慢发展阶段.且在数模混合构成的电子设备中,模拟电路比数字电路出现故障的频率更高,据调查表明模拟电路的故障发生率在总故障发生率中的80%.由此不难看出对模拟电路进行故障预测研究具有十分重要的意义.

2模拟电路故障预测研究现状

在电子系统故障预测是健康管理技术中起着决定性的作用.目前,在故障诊断领域我们已不是只徘徊研究电子系统的状态,在设备发生问题时,无论是事后维修还是定期维修都将付出高额的维修费,因此这种方式已不再适用.我们应该采取事先对设备的健康问题进行检测,根据设备不同状态“视情维修”.近年来我国内外都对设备预测方法进行了深入的研究,取得的成果也非常的可观.相对国内来讲国外在预测方面的起步相对较早,2003年学者利用小波神经网络对旋转轴承进行早期故障的监测,使其在出现严重故障前进行报警,从而减小了损失.

3模拟电路故障预测技术的发展态势和不足

就目前情况来看,国内外对时间序列、灰色理论、神经网络等预测方法都作了深入研究,电子系统结构日趋的复杂化,以往的提取单一故障特征量进行故障预测已经不能完整的反映电路是否处于健康状态,目前国内外在预测方法上还是大多采用单一的特征量进行单独的预测,但是相关特征量间的信息却不能够加以使用.为了更好的控制该问题的发生大部分学者开始研究多维预测模型.由于电路系统具有一定的复杂性,通常提取的故障特征就不指是单一的那么简单,彼此之间都存有一定的关联.

目前在进行故障预测研究中,大多只是停留在对特征量数值的预测上,但我们进行故障预测的目的是对设备进行“视情维修”,为是否进行进一步的故障诊断和定位提供依据,然而只是对其进行数值预测并不能直观的反应出电路的健康状态,故在模拟电路故障预测研究中,我们不但要利用预测模型预测出故障特征量的数值,我们还需要进一步研究一种方法将这些预测的数值转换为可以直观表示电路健康状态的量,从而去衡量电路未来一段时间的状态.

4基于故障信息贡献率的特征提取方法

对模拟电路进行故障预测,其实质是利用预测模型对特征量进行预测,再通过预测的特征量的值来预测未来一段时间电路的健康状态,故故障特征量的提取显得格外重要.对故障特征量的选取就是从已有的故障特征量选择包含最大故障信息的特征量,去除一些提供的信息量少甚至无用的特征量,从而构造成一个维数较少而包含故障信息较多的特征空间.

当系统发生故障时,特征量参数必定较系统正常态时发生一定的偏移,所以只要存在故障,故障信息就能通过特征参数的变化表现出来,而特征量偏移的程度可以反应特征量对此时出现的故障类型的敏感度或识别能力,故可以通过特征量的敏感度去衡量提供的故障信息量的多少.

4.1基于故障信息量的特征提取

基于故障信息量的特征提取方法将信息量作为衡量提取特征量有效性的标准,其中基于互信息熵的特征提取是其中最常用的方法之一.互信息熵由后验熵和系统熵共同决定,然而系统熵是一定的,故通过后验熵的大小便可判断故障特征量互信息的大小,其特征提取的原理就是在给定的初选特征向量集中寻找其中具有最大互信息熵的一个集合.在特征量删除过程中,由于信息量的损失,后验熵会有所增加,故通过后验熵增加的大小便可判断特征量的信息的大小,提取提供互信息熵量最大的特征集.

4.2基于主成分分析的特征提取

基于主成分分析的特征提取方法是从统计理论的角度出发,在初选的特征空间中,通过线性组合,寻找一组特征向量能尽可能的解释整个数据的方差,达到对原始特征量进行降维的作用,其特征提取方法主要由以下步骤组成.

1）为消除特征量间量纲的不同以及数值间的差异过大造成的影响,对原始特征数据进行标准化；

2）建立相关系数矩阵,计算其特征值和.

3）根据得到的特征量计算其方差贡献率,选取提供的方差贡献率大的特征量,通常使提取的特征向量方差贡献率和达到便可.

4.3多特征提取

在模拟电路故障预测和状态监测中,故障特征量的提取是模拟电路健康状态正确评估的关键.针对测试参数较多且在不同故障类型下特征量的敏感度不同,本文提出了基于故障信息贡献率的特征提取方法,首先选取初选特征量,算出在此种未知状态下各个特征量的故障信息贡献率,选取提供故障信息最大的特征量作为故障特征向量,并结合欧式距离对模拟电路进行了故障识别,验证了多特征提取方法的有效性.

5结束语

目前在国内外关于模拟电路故障诊断的研究方法非常丰富,相反关于模拟电路故障预测的相关报道却很少见,并且利用预测方法预测出来的只是特征量的数值,其并不能直观地和模拟电路的健康状态相联系,我们需要将预测出的数据转换为可以直观反映电路健康状态的量,为是否需要维修和进一步故障定位提供依据.本文详细对基于多特征模拟电路故障预测技术研究意义和研究现状以及基于故障信息贡献率的特征提取方法进行阐述.通过以上的分析和探讨更加肯定了基于多特征的模拟电路故障预测研究的重要性.