專利名稱：基于異類信息融合的模擬電路故障診斷方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種模擬電路診斷方法，特別涉及一種基于異類信息融合的模擬電路故障診斷方法。

背景技術(shù)：
模擬電路故障診斷研究經(jīng)過四十多年的發(fā)展，已取得了很大的進步，但隨著電路復(fù)雜程度的不斷提高和集成度的不斷加強，實際測試中很難找到足夠數(shù)目的可及節(jié)點，特別是大規(guī)模復(fù)雜電路中可測節(jié)點更少，實際電路的拓撲結(jié)構(gòu)很不理想，電路的拓撲結(jié)構(gòu)與可測點等制約了電路診斷方法的適用性，電路元件的廣泛非線性與具容差及其故障現(xiàn)象的多樣性等使得現(xiàn)有診斷方法難以解決實際電路的診斷問題。
信息融合技術(shù)的應(yīng)用為解決模擬電路故障診斷中的諸多難題提供了可能，但這項研究還處于起步階段，要獲得突破性的進展最終形成成熟的應(yīng)用技術(shù)，還可能需要更具創(chuàng)新性的研究或大量細致的完善工作。證據(jù)融合理論的一個基本策略就是將證據(jù)集合劃分成多個不相關(guān)的部分，并利用他們分別對辨識框架進行判斷，然后用D-S規(guī)則把其進行融合起來。簡單的說就是通過各組來自不同信息源或者傳感器獲得的對同一目標事件的判斷，經(jīng)過證據(jù)融合決策出最接近真相，且最合理的判斷結(jié)果。雖然這一理論獲得了廣泛的應(yīng)用，特別是在模式識別，目標識別等方面發(fā)揮了重要的作用，但應(yīng)用其進行故障診斷依然存在著諸多問題1.由于此方法魯棒性較低，往往單個證據(jù)體值的微小變化將引起組合結(jié)果產(chǎn)生急劇變化；2.對于沖突證據(jù)值的融合往往與直覺和事實相違背，明顯不合情理；3.當一條證據(jù)與多條證據(jù)完全不一致時，組合后出現(xiàn)一票否決。特別對于大規(guī)模電路系統(tǒng)的診斷，由于傳感器，電路本身復(fù)雜程度和其他因素的影響，獲取理想準確的證據(jù)體本身就不太現(xiàn)實。


發(fā)明內(nèi)容
為了解決現(xiàn)有模擬電路故障診斷存在的上述技術(shù)問題，本發(fā)明提供一種準確度高的基于異類信息融合的模擬電路故障診斷方法。
本發(fā)明解決上述技術(shù)問題的技術(shù)方法包括以下步驟 一種基于異類信息融合的模擬電路故障診斷方法，包括以下步驟 1)利用溫度傳感器測量待診斷電路元件的溫度變化值； 2)求取各個元件工作溫度變化值的最優(yōu)門閥值； 3)利用獲得的最優(yōu)門閥值過濾元件溫度變化值，當某元件工作溫度變化值大于最優(yōu)門閥值時則將其歸入故障域Φ中，否則濾除此溫度變化值信息。
4)將故障域Φ的溫度變化值輸入到溫度隸屬度模型中，利用隸屬度函數(shù)計算獲得各元件工作溫度變化值的故障隸屬度值，將其作為溫度證據(jù)值； 5)對待診斷電路施加激勵信號，測量可測點電壓； 6)將可測點電壓輸入BP神經(jīng)網(wǎng)絡(luò)進行初級診斷，獲得可測點電壓的證據(jù)值，并將其作為電壓證據(jù)值； 7)利用異類信息融合系統(tǒng)對上述溫度證據(jù)值與電壓證據(jù)值進行融合，確定故障元件。
上述的基于異類信息融合的模擬電路故障診斷方法，所述步驟2)包括以下步驟 1)根據(jù)傳感器獲取的元件溫度變化值信息利用迭代公式計算門閥值； 2)利用獲得的門閥值分割和處理各元件工作溫度變化值，通過分割處理后獲得的溫度變化值信息計算最佳離散度并計算元素個數(shù)，當滿足所規(guī)定的元素個數(shù)原則和最佳離散度時終止計算； 3)若不滿足要求則進行下一步迭代計算，重復(fù)上述步驟1)和2)，直到獲得滿足條件的最佳門閥值為止，從而獲得最優(yōu)門閥值。
上述的基于異類信息融合的模擬電路故障診斷方法中，所述步驟7)包括以下步驟 a、計算溫度證據(jù)值與電壓證據(jù)值的證據(jù)沖突向量，將證據(jù)沖突向量歸一化并求熵值，再求倒數(shù)獲得關(guān)聯(lián)權(quán)重系數(shù)； b將溫度證據(jù)值、電壓證據(jù)值分別與理想故障輸出向量進行比較，計算兩者的似真相似度； c、根據(jù)各組似真相似度利用遺傳算法尋找滿足相似度最大的各組先驗權(quán)重系數(shù)； d、根據(jù)先驗權(quán)重系數(shù)和關(guān)聯(lián)權(quán)重系數(shù)計算出統(tǒng)一權(quán)重分配系數(shù)； e、利用統(tǒng)一權(quán)重分配系數(shù)重新調(diào)整各證據(jù)值，再進行D-S融合，定位故障元件。
本發(fā)明的技術(shù)效果在于1)隨著電路復(fù)雜程度和集成度的不斷提高，實際測試中很難找到足夠數(shù)目的可及節(jié)點，特別是大規(guī)模復(fù)雜電路中可測節(jié)點更少，且實際電路的拓撲結(jié)構(gòu)很不理想，要提取充足的可測點電壓信息很困難，而目前的測溫傳感器有相當高的精度，且測量此種參數(shù)乃非接觸式的在線測量方式，不受電路拓撲結(jié)構(gòu)和可測節(jié)點的限制，解決了故障信息獲取不完備、不準確從而造成故障定位不準確甚至錯誤的問題；提高了故障診斷的準確度；2)本發(fā)明能夠有效地提取故障元件的溫度變化值信息，提出了一種有效的溫度信息提取方法；3)本發(fā)明結(jié)合模擬電路的溫度和電量故障信息，利用異類信息融合方法，提出了切實可行的融合算法，解決了信息沖突時融合診斷出現(xiàn)的錯判問題，提供了一種準確度高的模擬電路故障診斷方法。
下面結(jié)合附圖對本發(fā)明作進一步的說明。



圖1為本發(fā)明的流程圖。
圖2為本發(fā)明中證據(jù)融合和計算權(quán)重系數(shù)流程圖。
圖3為本發(fā)明中求解先驗權(quán)重系數(shù)方法的流程圖。
圖4為本發(fā)明中利用遺傳算法計算先驗權(quán)重系數(shù)。
圖5為本發(fā)明中的實施圖電路圖。

具體實施例方式 參見圖1，圖1為本發(fā)明的流程圖。本發(fā)明方法具體提取兩類信息，即可測點電壓信息和元件溫度變化值信息。溫度故障變化值信息獲取的總思路根據(jù)現(xiàn)有電路多個工作溫度發(fā)生變化的元件，得到其工作溫度變化值Δt，將元件溫度變化值Δt與一設(shè)定的溫度門閥值ε比較，元件工作溫度變化值大于最優(yōu)門閥值時則歸入故障域Φ中，將故障域Φ的溫度變化值輸入到溫度隸屬度模型中，利用隸屬度函數(shù)計算獲得各元件工作溫度變化值的故障隸屬度值，將其作為溫度證據(jù)值。
為了提取有效的溫度故障信息，獲得溫度證據(jù)值，需設(shè)置門閥值以便有效的過濾溫度故障變化值信息。從理論上來說，雖然集合中溫度故障變化值信息越多，故障元件將越容易涵蓋在其中，但也會造成故障定位更困難、融合效果不理想等情況，因此設(shè)置合理的門閥值使得能最大程度的過濾多余元件溫度變化值信息，得到精簡后元件溫度變化值信息集合，并使其故障元件的溫度變化值信息包含其中就很有意義。
門閥值ε的計算步驟如下 設(shè)故障元件溫度變化值信息集合為Θ，且0＜Δt1＜Δt2＜…＜Δtn，經(jīng)門閥值分割過濾后得到集合為Φ，則有 其中ε＜Δt1＜Δt2＜…＜Δtm，card(Φ)∈[1，3]，card(Φ)表示集合Φ中元素的個數(shù)，n為原來的溫度變化值信息個數(shù)，m為經(jīng)過門閥值迭代篩選后的溫度變化值個數(shù)，由上式可知m個數(shù)應(yīng)不大于3個。下面利用迭代公式求門閥值ε，設(shè)card(Θ)＝n，card(Φ)＝m，迭代公式如下 . . . . . . 其中，ε1表示第一次迭代后的門閥數(shù)值，如果ε1不滿足判決條件①與②，則繼續(xù)迭代，k為迭代的次數(shù)，當在第k步滿足條件①與②時，則終止迭代，那么此時的εh就為最佳門閥值。判決條件由兩部分組成 ①.當獲得的ε能使得在集合Φ中元素個數(shù)不大于3，且集合Φ中任意溫度變化值都不小于門閥值時，終止迭代。
②.由ε分割得到的集合Φ應(yīng)滿足下式即最大溫度變化值與最小溫度變化值的差與集合Φ中元素個數(shù)之比要小于L，其中L取30-50。
當通過利用最優(yōu)門閥值分割過濾而得到溫度故障變化值信息集Φ后，將其中的每個元素輸入到下公式，獲得隸屬度。確定隸屬度函數(shù)模型為 其中，x0為電路工作正常時被測元件的正常參數(shù)值；eij為待診斷元件參數(shù)的正常變化范圍；tij為待診斷元件參數(shù)的極限偏差；Fij為傳感器j測定被測對象屬于i模式的故障隸屬度；xj為j類傳感器測試的電路元件工作溫度變化值且xj∈Φ，；且λγ＝max(Δt1，Δt2，…，Δtm)。
通過上述步驟，我們獲得了關(guān)于元件工作溫度變化值的故障隸屬度值，即溫度證據(jù)值。然后我們采用常用方法即通過采用多頻率交流信號激勵下測得的可測節(jié)點電壓信號獲得電路的可測點電壓信息故障，再將其輸入到BP算神經(jīng)網(wǎng)絡(luò)，獲取可測點電壓信息故障證據(jù)值。其中BP神經(jīng)網(wǎng)絡(luò)輸入層的個數(shù)就是電路可測點電壓信息的個數(shù)，輸出層為模擬電路元件的個數(shù)，隱含層個數(shù)的確定通常依據(jù)經(jīng)驗公式，即ni＝sqrt(n0+n1)+a公式，式中ni為隱含節(jié)點數(shù)；n0為輸入節(jié)點數(shù)；n1為輸出節(jié)點數(shù)；a為1~10之間得常數(shù)。
通過上述步驟我們獲得了元件工作溫度變化值的故障隸屬度值即溫度證據(jù)值和可測點電壓信息故障證據(jù)值，我們將其輸入到異類信息融合系統(tǒng)中進行決策融合以獲得最終故障定位。其具體流程圖見附圖2。進行信息融合，首先需要計算先驗權(quán)重系數(shù)和關(guān)聯(lián)權(quán)重系數(shù)，其具體步驟如下 首先，我們簡要介紹先驗權(quán)重系數(shù)與關(guān)聯(lián)權(quán)重系數(shù)的定義與實際含義。根據(jù)先驗知識對來自不同信息源的證據(jù)給出一個支持度As，這樣不同的證據(jù)有不同的支持度。所有證據(jù)的支持度可以構(gòu)成一個支持度向量，那么這個支持度向量的構(gòu)成為 R′f＝(A1，A2，…，Ak)As∈(0，1)(5) 式中，R′f為絕對先驗權(quán)重，對絕對先驗權(quán)重作歸一化，有 可以得到一個新的向量 Rf＝(r1，r2，…，rk)(7) 式中，rl為相對先驗權(quán)重的單子值，且rl∈(0，1).如此獲得的相對先驗權(quán)重在此稱為先驗權(quán)重系數(shù).根據(jù)“少數(shù)服從多數(shù)原則”引入關(guān)聯(lián)權(quán)重系數(shù)，在證據(jù)合成過程中，引起嚴重沖突或完全沖突的某個或少數(shù)證據(jù)的影響作用較小，所以其權(quán)重系數(shù)就小。本文假設(shè)x個不同的證源在同時提供證據(jù)，其證據(jù)集為E＝{E1，E2，…，Ex}，則需要確定的關(guān)聯(lián)權(quán)重分配系數(shù)為 Wf＝(w1，w2，…，wx)(8) 式中滿足wo∈
且關(guān)聯(lián)權(quán)重系數(shù)反映證據(jù)源提供的證據(jù)在合成過程中按照彼此沖突程度而分配的重要程度以及它們對合成結(jié)果的影響程度。
1關(guān)聯(lián)權(quán)重系數(shù)的求解方法 根據(jù)上述，我們獲得了溫度證據(jù)值和可測點電壓信息故障證據(jù)值，我們要把此兩類證據(jù)值集合進行融合，因此先求解關(guān)于溫度證據(jù)值和可測點電壓信息故障證據(jù)值的關(guān)聯(lián)權(quán)重系數(shù)，首先計算溫度證據(jù)值Ed與可測點電壓信息故障證據(jù)值Ee(e＝1，2，…，d-1，d+1，…，x)之間的沖突程度

可構(gòu)成沖突向量 其中 且d＝1，2，...，x (10) 沖突向量可以描述的溫度證據(jù)值Ed與可測點電壓信息故障證據(jù)值Ee之間的沖突的大小關(guān)系，對(10)進行歸一化得 對每一個

計算其熵值 對(12)取倒數(shù) 則溫度證據(jù)值與可測點電壓信息故障證據(jù)值的關(guān)聯(lián)權(quán)重系數(shù)為 2先驗權(quán)重系數(shù)的求解方法 通常情況下，由于電路系統(tǒng)的復(fù)雜性，對于某些故障可測點電壓信息反映較為靈敏，有些則溫度信息反映得更加敏感，因此對于不同故障，各個傳感器獲取的信息往往不同，其給出結(jié)果的精度和可信度也存在差異，因此在傳感器測試數(shù)據(jù)之前即獲得一條證據(jù)前，可以由歷史數(shù)據(jù)，專家知識等手段給出一個權(quán)重，這個權(quán)重就稱為先驗權(quán)重。附圖3給出了求取溫度證據(jù)值和可測點電壓信息故障證據(jù)值的先驗權(quán)重系數(shù)的流程圖。
同樣的，由于上述已經(jīng)獲得了溫度證據(jù)值和可測點電壓信息故障證據(jù)值，我們將上述兩類證據(jù)值放入同一證據(jù)體Ei中，其中Ei1，Ei2，…，Eix為對于i類故障上獲得的證據(jù)，Ei為關(guān)于i類故障的理想證據(jù)概率，并令D-S融合算法算子為

，

為以D-S融合方式融合。我們求取溫度證據(jù)值和可測點電壓信息故障證據(jù)值先驗權(quán)重系數(shù)，則應(yīng)存在對于i類故障關(guān)于溫度證據(jù)值和可測點電壓信息故障證據(jù)值的先驗權(quán)重系數(shù)Rif＝(ri1，ri2，…，rik)，使得 MaxF＝Sup(Ei，E*i)(15) Sup為證據(jù)體之間的相似度，引入Jousselme提出的距離函數(shù)得到，設(shè)δ為一包含N個兩兩的命題的完備的辨識框架，P(δ)是δ所有子集生成的集合，HP(δ)為證據(jù)焦元向量空間，其基為P(δ)中的元素{A1，A2，…，Ar}.若V∈HP(δ)，表示為 V＝[α1，α2，…，αr] (18) 式中，αi∈R，i＝1，2，…，r.若一個基本信任分配在HP(δ)中可以表示一個向量M，M以M(Ai)為坐標系， M＝[M(A1)，M(A2)，…，M(Ar)] (19) 式中，M(Ai)≥0，i＝1，2，…，r，設(shè)Mi和Mj是辨識框架δ上的2個BPA，可得Mi和Mj之間距離 式中，D為一個2n×2n矩陣， |Ai∩Aj|為集合中元素的個數(shù).dij具體計算方法是 其中，||M||2＝<M，M>，<Mi，Mj>為兩個向量的內(nèi)積， 設(shè)系統(tǒng)收集的證據(jù)數(shù)目為q，利用式(23)得到證據(jù)體Mi和Mj之間的兩兩證據(jù)距離，將其表示為一個距離矩陣 定義證據(jù)體Mi和Mj之間的相似性測度 Sij＝1-dij i，j＝1，2，…，q (25) 其結(jié)果用一個相似性矩陣表示 當兩個證據(jù)體之間的距離越小，它們的相似性程度也就越大.由證據(jù)集E即Ei＝(Ei1，Ei2，…，Eix)，其中Ei1，Ei2，…，Eix為對于i類故障從1到x個不同信源上獲得的證據(jù)，那么定義似真相似度為 式(18)-(27)均為對式(15)的具體算法解釋。
顯然，一定存在這樣的先驗權(quán)重因子使得必定存在滿足式子(15)獲得最大值，也就是說使得最終證據(jù)組合得到的證據(jù)體和理想結(jié)果證據(jù)體存在很大的相似度，也只有通過求得似真相似度最大值才能夠判斷各個信源對于不同故障上反應(yīng)出的“靈敏度”程度。
通過上述(15)-(27)式并利用遺傳算法求取滿足(15)為最大值的系數(shù)，此系數(shù)就是關(guān)于溫度證據(jù)值和可測點電壓信息故障證據(jù)值的先驗權(quán)重系數(shù)，具體利用遺傳算法求取步驟如下 利用遺傳算法獲得先驗權(quán)重系數(shù)由于遺傳算法適應(yīng)于各類復(fù)雜優(yōu)化問題的求解，能找到全局優(yōu)化解而避免出現(xiàn)局部收斂，因此以上式(15)作為適應(yīng)度函數(shù)進行先驗權(quán)重因子的設(shè)計。其具體的流程圖見附圖4。
染色體代表解的形式，包含所有的遺傳信息。本文中采用實數(shù)編碼，染色體可表示為二維的基因鏈， X＝[L′0，C0]T (28) 根據(jù)優(yōu)化目標，構(gòu)造適應(yīng)度函數(shù)如下
設(shè)f1i為F(X)關(guān)于染色體i的函數(shù)值。在尋優(yōu)過程中應(yīng)使種群向f1i較大的方向進化且應(yīng)避免陷入F(X)的局部最優(yōu)解。據(jù)此，對第t代染色體選擇操作如下 (1)保留良種，實際訓(xùn)練中，按適應(yīng)度排序?qū)⑶癗個個體直接遺傳給下一代； (2)小生境淘汰規(guī)則，由于小生境技術(shù)在遺傳算法中避免局部收斂和早熟，維持種群多樣性的一種有效的方法。將遺傳算法中得到的Z1個個體和精英保留的N個個體合并得到新種群個數(shù)為Z1+N個，可按照下列公式求出在新種群中2個個體Xi和Xj之間的海明距離，即 (i＝1，2，…，Z1+N-1；j＝i+1，…，Z1+N) 當||Xi-Xj||＜Lh(在電路測試中取為0.025)時，比較個體Xi和個體Xj的適應(yīng)度大小，并對其中適應(yīng)度較低的個體處以懲罰函數(shù)，在下一輪進化中淘汰。
(3)以下列選擇概率進行進化 (4)為保持種群規(guī)模不變，在上述選擇操作完成后，根據(jù)已選染色體數(shù)量，復(fù)制一定數(shù)目的良種染色體，以補足種群。
為了避免算法陷入局部解，采用一種自校正參數(shù)調(diào)整的方法來克服算法的早熟收斂，即在使用遺傳算法進行參數(shù)尋優(yōu)的過程中，對PC和PM進行自調(diào)整，讓它們隨染色體適應(yīng)度值增加而變小，隨著染色體適應(yīng)值減小而變大，計算公式如下 交叉概率 變異概率 式中fmax為當前種群中染色體適應(yīng)度的最大值；favg為當前種群中染色體平均適應(yīng)度值；f′為參與交叉操作的兩個染色體的適應(yīng)度較大的一個；f為參與變異的染色體適應(yīng)度值；K1、K2、K3、K4是不大于1的正常數(shù)，可由具體問題相應(yīng)調(diào)整。
由以上分析，得到優(yōu)化算法步驟如下 (1)根據(jù)系統(tǒng)設(shè)計要求初始化常量，置t＝0； (2)在論域中產(chǎn)生規(guī)模為N的初始種群； (3)按照上述選擇機制對染色體進行選擇； (4)以概率Pc對染色體進行等位基因交叉； (5)以概率PM對染色體進行變異； (6)對種群中染色體適應(yīng)度進行評估，若種群內(nèi)所有染色體均滿足兩個約束條件，且連續(xù)三代種群的最大f1的變化量均小于一個很小的正數(shù)，則算法已收斂；若算法尚未收斂，則t＝t+1，轉(zhuǎn)到(3)。
3合成步驟 由上兩節(jié)可知，關(guān)于溫度證據(jù)值和可測點電壓信息故障證據(jù)值的先驗權(quán)重因子和關(guān)聯(lián)權(quán)重系數(shù)均已求出，則該合成方法如下 步驟1將獲得的溫度證據(jù)值和可測點電壓信息故障證據(jù)值為辨識框架，求出證據(jù)源溫度證據(jù)值和可測點電壓信息故障證據(jù)值的關(guān)聯(lián)權(quán)重系數(shù)Wf＝(w1，w2，…，wx)和先驗權(quán)重系數(shù)Rif＝(ri1，ri2，…，rix)(i＝1，2，…，x). 步驟2求取關(guān)于此兩類證據(jù)值的統(tǒng)一權(quán)重分配系數(shù)如下 式中先驗權(quán)重系數(shù)、關(guān)聯(lián)權(quán)重系數(shù)和統(tǒng)一權(quán)重系數(shù)的個數(shù)均為x，ξκj表示在總數(shù)為第m類中的第j類故障且在傳感器為第κ類下的統(tǒng)一權(quán)重分配系數(shù).對于本方法，k取1.2兩類證據(jù)值。
步驟3利用上式作為調(diào)整各辨識框架內(nèi)所有命題的基本概率分配值，則調(diào)整后基本概率分配值為 式中系統(tǒng)存在k個證據(jù)源(k＝1或者2)和m類故障，則j＝1，2，…，x，j表示第j類故障。
步驟4雖然由(34)可以得到m組統(tǒng)一權(quán)重分配系數(shù)，但把此應(yīng)用到(36)時會出現(xiàn)一個問題，即由傳感器得到的m(Ai)事先并不能判斷屬于哪一組故障，因此要得到調(diào)整后的基本概率分配值必須首先確定如何選取ξκj中的k組值。但必定γ＝{ξκj|ξ11，ξ12，…，ξ1n，ξ21，…ξmn}，使得(40)中mj*(Ai)(j＝1，2，…，n)的似真相似度

最大，即 (1)計算m組基本概率分配值mj*(Ai) (2)計算這m組基本概率分配值mj*(Ai)下的m組似真相似度 sup(m*j(Ai)，Ei) (3)找出使得似真相似度最大的ξκj。
步驟5獲得調(diào)整后的基本概率分配值mj*(Ai)后，其和并不為1，為此補充下式 步驟6最后將所有命題調(diào)整后的基本分配概率帶入D-S公式。
D-S證據(jù)理論提供了一個非常有用的合成公式，能合成多個證據(jù)源的證據(jù)。公式定義如下
式中ko的大小反應(yīng)所有證據(jù)之間的總沖突程度。1-ko稱為歸一化因子，它的作用是為了避免在合成時將非零的概率賦給空集。mi(Bi)為上述得到的溫度證據(jù)值和可測點電壓信息故障證據(jù)值經(jīng)過統(tǒng)一權(quán)重系數(shù)調(diào)整后得到的證據(jù)值，m(B)為經(jīng)過D-S融合后的證據(jù)值，通過D-S證據(jù)公式進行決策，獲得故障定位。
本發(fā)明首先建立了溫度故障信息的提取規(guī)則，提出了溫度故障信息的隸屬度函數(shù)、判決條件和識別方法的數(shù)學(xué)模型，在D-S證據(jù)理論的基礎(chǔ)上分析了利用D-S證據(jù)理論融合沖突信息時出現(xiàn)的問題后，提出了基于關(guān)聯(lián)權(quán)重系數(shù)與沖突權(quán)重系數(shù)的新的融合方法，提高了電路系統(tǒng)故障診斷的準確率。
實施例 我們選取圖5所示的低通濾波器電路進行診斷。濾波器每個元件的標稱值和容差見表1，并選取在21個激勵頻率下進行取樣，為了抽取故障樣本，我們從定義間隔
和[(1+t)Xn；10Xn]之間的相同分布中獲得故障元件值，這里t代表容差范圍，Xn代表電路元件的標稱值，我們給電路的輸出添加了30db的白噪聲且其故障選取均為元件級。
當R1軟故障，其電阻小于標稱值，可得可測點電壓為下表2，表3給出了在經(jīng)實際測試后提取的溫度故障隸屬度值即第二類證據(jù)值，經(jīng)神經(jīng)網(wǎng)絡(luò)N1輸出的溫度證據(jù)值(證據(jù)值分別表示對于R1，R2，C1，C2的故障概率值即[R1，R2，C1，C2]；表4給出了基于此方法的關(guān)聯(lián)權(quán)重系數(shù)與先驗權(quán)重系數(shù)；表5給出了統(tǒng)一權(quán)重系數(shù)與融合結(jié)果。從結(jié)果可看出R1故障證據(jù)值高達0.9148，故障定位準確且比單一證據(jù)值更高。
表1 表2 Frequency (1) (2) (3) 低頻段 1.00E+00 1.00E+01 1.00E+01 1.50E+01 5.26E+03 1.01E+01 9.92E+00 1.49E+01 1.05E+04 1.02E+01 9.69E+00 1.45E+01 1.58E+04 1.04E+01 9.31E+00 1.40E+01 2.11E+04 1.05E+01 8.79E+00 1.32E+01 2.63E+04 1.06E+01 8.16E+00 1.22E+01 3.16E+04 1.05E+01 7.46E+00 1.12E+01 3.68E+04 1.03E+01 6.74E+00 1.01E+01 4.21E+04 1.00E+01 6.03E+00 9.05E+00 4.74E+04 9.62E+00 5.37E+00 8.05E+00 高頻段 5.26E+04 9.21E+00 4.76E+00 7.15E+00 5.79E+04 8.77E+00 4.23E+00 6.34E+00 6.32E+04 8.34E+00 3.76E+00 5.63E+00 6.84E+04 7.93E+00 3.35E+00 5.02E+00 7.37E+04 7.54E+00 2.99E+00 4.48E+00 7.89E+04 7.17E+00 2.68E+00 4.02E+00 8.42E+04 6.82E+00 2.41E+00 3.62E+00 8.95E+04 6.50E+00 2.18E+00 3.27E+00 9.47E+04 6.21E+00 1.98E+00 2.96E+00 1.00E+05 5.93E+00 1.80E+00 2.70E+00 1.05E+05 5.68E+00 1.64E+00 2.46E+00 表3
表4 表5

權(quán)利要求
1、一種基于異類信息融合的模擬電路故障診斷方法，包括以下步驟
1)利用溫度傳感器測量待診斷電路元件的溫度變化值；
2)求取各個元件工作溫度變化值的最優(yōu)門閥值；
3)利用獲得的最優(yōu)門閥值過濾元件溫度變化值，當某元件工作溫度變化值大于最優(yōu)門閥值時則將其歸入故障域Φ中，否則濾除此溫度變化值信息。
4)將故障域Φ的溫度變化值輸入到溫度隸屬度模型中，利用隸屬度函數(shù)計算獲得各元件工作溫度變化值的故障隸屬度值，將其作為溫度證據(jù)值；
5)對待診斷電路施加激勵信號，測量可測點電壓；
6)將可測點電壓輸入BP神經(jīng)網(wǎng)絡(luò)進行初級診斷，獲得可測點電壓的證據(jù)值，并將其作為電壓證據(jù)值；
7)利用異類信息融合系統(tǒng)對上述溫度證據(jù)值與電壓證據(jù)值進行融合，確定故障元件。
2、根據(jù)權(quán)利要求1所述的基于異類信息融合的模擬電路故障診斷方法，所述步驟2)包括以下步驟
1)根據(jù)傳感器獲取的元件溫度變化值信息利用迭代公式計算門閥值；
2)利用獲得的門閥值分割和處理各元件工作溫度變化值，通過分割處理后獲得的溫度變化值信息計算最佳離散度并計算元素個數(shù)，當滿足所規(guī)定的元素個數(shù)原則和最佳離散度時終止計算；
3)若不滿足要求則進行下一步迭代計算，重復(fù)上述步驟1)和2)，直到獲得滿足條件的最佳門閥值為止，從而獲得最優(yōu)門閥值。
3、根據(jù)權(quán)利要求1所述的基于異類信息融合的模擬電路故障診斷方法，所述步驟4)中的隸屬度函數(shù)為
其中，x0為電路工作正常時被測元件的正常參數(shù)值；eij為待診斷元件參數(shù)的正常變化范圍；tij為待診斷元件參數(shù)的極限偏差；Fij為傳感器j測定被測對象屬于i模式的故障隸屬度；xj為j類傳感器測試的電路元件工作溫度變化值且xj∈Φ，；且λγ＝max(Δt1，Δt2，…，Δtm)。
4、根據(jù)權(quán)利要求2所述的基于異類信息融合的模擬電路故障診斷方法，所述步驟1)中的門閥值迭代公式為
.
.
.
.
.
.
εh表示第k次迭代后的門閥數(shù)值，card(Φ)表示集合Φ中元素的個數(shù)，n為原來的溫度變化值信息個數(shù)，m為經(jīng)過門閥值迭代篩選后的溫度變化值個數(shù)，card(Θ)＝n，card(Φ)＝m≤3，Δtm為元件的溫度變化值。
5、根據(jù)權(quán)利要求4所述的基于異類信息融合的模擬電路故障診斷方法，所述迭代公式判決條件為
①.當獲得的ε能使得在集合Φ中元素個數(shù)不大于3，且集合Φ中任意溫度變化值都不小于門閥值時，終止迭代。
②.由ε分割得到的集合Φ應(yīng)滿足下式即最大溫度變化值與最小溫度變化值的差與集合Φ中元素個數(shù)之比要小于L，其中L取30-50。
6、根據(jù)權(quán)利要求1所述的基于異類信息融合的模擬電路故障診斷方法，所述步驟7)包括以下步驟
a、計算溫度證據(jù)值與電壓證據(jù)值的證據(jù)沖突向量，將證據(jù)沖突向量歸一化并求熵值，再求倒數(shù)獲得關(guān)聯(lián)權(quán)重系數(shù)；
b、將溫度證據(jù)值、電壓證據(jù)值分別與理想故障輸出向量進行比較，計算兩者的似真相似度；
c、根據(jù)各組似真相似度利用遺傳算法尋找滿足相似度最大的各組先驗權(quán)重系數(shù)；
d、根據(jù)先驗權(quán)重系數(shù)和關(guān)聯(lián)權(quán)重系數(shù)計算出統(tǒng)一權(quán)重分配系數(shù)；
e、利用統(tǒng)一權(quán)重分配系數(shù)重新調(diào)整各證據(jù)值，再進行D-S融合，定位故障元件。
7、根據(jù)權(quán)利要求6所述的基于異類信息融合的模擬電路故障診斷方法，所述步驟b中的似真相似度公式為
其中，Sij為溫度證據(jù)值Mi和可測點電壓證據(jù)值Mj之間的相似性測度，Sup為證據(jù)體之間的相似度，Ei溫度證據(jù)值和電壓證據(jù)值對于為第i類故障上的證據(jù)概率，Ei為關(guān)于第i類故障的理想證據(jù)概率，dij為溫度證據(jù)值Mi和可測點電壓證據(jù)值Mj之間的距離。
8、根據(jù)權(quán)利要求6所述的基于異類信息融合的模擬電路故障診斷方法，所述步驟c中的滿足相似度最大的各組先驗權(quán)重系數(shù)求取公式為
其中Ei溫度證據(jù)值和電壓證據(jù)值對于為第i類故障上的證據(jù)概率，Ei為關(guān)于第i類故障的理想證據(jù)概率，
為D-S融合算法算子為，
為以D-S融合方式融合，Sup為證據(jù)體之間的相似度。
9、根據(jù)權(quán)利要求6所述的基于異類信息融合的模擬電路故障診斷方法，所述步驟d中的統(tǒng)一權(quán)重系數(shù)公式為
式中先驗權(quán)重系數(shù)、關(guān)聯(lián)權(quán)重系數(shù)和統(tǒng)一權(quán)重系數(shù)的個數(shù)均為x，ξκj表示在總數(shù)為第m類中的第j類故障且在傳感器為第κ類下的統(tǒng)一權(quán)重分配系數(shù)，計算溫度證據(jù)值統(tǒng)一權(quán)重系數(shù)和可測點電壓證據(jù)值統(tǒng)一權(quán)重系數(shù)時k分別取1和2，wκ為在傳感器為第κ類下的關(guān)聯(lián)權(quán)重系數(shù)，rkj為在第j類故障且在傳感器為第κ類為先驗權(quán)重系數(shù)。
全文摘要
本發(fā)明公開了一種基于異類信息融合的模擬電路故障診斷方法，包括以下步驟測量待診斷電路元件的溫度變化值；求取各個元件工作溫度變化值的最優(yōu)門閥值；將大于最優(yōu)門閥值的元件溫度變化值歸入故障域Φ中，利用溫度隸屬度模型計算獲得各元件溫度證據(jù)值；對待診斷電路施加激勵信號，測量可測點電壓；將可測點電壓信息輸入BP神經(jīng)網(wǎng)絡(luò)進行初級診斷，獲得可測點電壓證據(jù)值；利用異類信息融合系統(tǒng)對上述溫度證據(jù)值與電壓證據(jù)值進行融合求取關(guān)聯(lián)權(quán)重系數(shù)、先驗權(quán)重系數(shù)與統(tǒng)一權(quán)重系數(shù)，再對上述兩類證據(jù)值進行調(diào)整并進行D-S融合，確定故障元件。本發(fā)明解決了模擬電路故障診斷中特征信息缺乏以及異質(zhì)信息不相容等所致的誤判問題，提高了故障診斷準確度。
文檔編號G01R31/316GK101576604SQ200910042408
公開日2009年11月11日 申請日期2009年1月4日 優(yōu)先權(quán)日2009年1月4日
發(fā)明者彭敏放, 楊易旻, 王佩麗, 吳俊麗 申請人:湖南大學(xué)