現(xiàn)代模擬電路智能故障診斷方法研究與發(fā)展
加入技術交流群
2 模擬電路故障診斷特點
同數(shù)字電路的故障診斷方法相比，模擬電路故障診斷的發(fā)展速度相對較慢，至今仍然沒有一個被廣泛認可的測試診斷理論和方法。模擬電路的故障診斷之所以比數(shù)字電路的故障診斷要困難是由如下幾個特點決定的：
1)模擬電路的輸入、輸出信號在時域和電壓幅度上具有連續(xù)性，以及元件參數(shù)的連續(xù)性使得故障診斷模型比較復雜，難以簡單量化。
2)實際模擬電路中的元件參數(shù)都具有很大的離散性，即具有容差。容差的存在導致了故障的模糊性，因而有時無法唯一確定故障位置，使得診斷結果的準確性難以保證，這是故障診斷的最大困難之一。
3)模擬電路中廣泛存在非線性和反饋回路。模擬電路中往往含有非線性元件，而且即使在線性電路中也存在眾多的非線性問題，這使得診斷的復雜性和信息處理量急劇增加。
4)模擬電路中可測電壓節(jié)點有限，導致供診斷用的故障信息量不充分，造成故障定位的不唯一性和模糊性，或者根本不可診斷。
5)模擬電路對環(huán)境變化較敏感，其輸出響應不僅易受制造工藝所引起的元件參數(shù)偏差的影響，而且易受熱噪聲、電磁干擾等外界環(huán)境因素的影響。
鑒于上述原因，我們不可能將相對成熟的數(shù)字電路故障診斷方法直接移植到模擬電路系統(tǒng)中區(qū)解決問題，必須根據(jù)模擬電路自身的特點去探索新的行之有效的診斷理論和方法。
3 模擬電路現(xiàn)代故障診斷方法
模擬電路故障診斷濫觴于上個世紀60年代美國的軍事工業(yè)系統(tǒng)。1985年Bandler和Salama對模擬電路故障診斷理論進行了系統(tǒng)闡述，并且根據(jù)對電路的仿真是在測試前還是在測試后通常可將診斷方法分為兩大類：即測前仿真診斷(Simulation Before Test Approach，SBT)和測后仿真診斷(Simulation After Test Approach，SAT)，同時他們還提及了逼近法和人工智能方法等。
傳統(tǒng)的模擬電路故障診斷方法以故障字典法、參數(shù)識別法、故障驗證法、逼近法等為代表。由于電路規(guī)模和復雜性的不斷增長，傳統(tǒng)診斷方法愈來愈不能滿足實際電路診斷的需求，如診斷所需計算量太大，由于元件容差問題造成診斷結果模糊等。隨著專家系統(tǒng)、模糊理論、神經(jīng)網(wǎng)絡、機器學習、模式識別、小波分析等技術的深入研究和應用，它們?yōu)榻鉀Q模擬電路故障診斷中所存在的各種難題提供了有益思路和有效工具，因此基于人工智能和現(xiàn)代信息信號處理的診斷方法已經(jīng)成為當前模擬電路故障診斷領域的主流方法。
3．1 基于專家系統(tǒng)的故障診斷方法
專家系統(tǒng)(Expert System，ES)是一種基于知識的計算機程序系統(tǒng)，其內(nèi)部含有大量的某個領域專家水平的知識與經(jīng)驗，能夠利用人類專家的知識和解決問題的方法來處理該領域問題。它根據(jù)專家提供的知識和經(jīng)驗，采用人工智能中的知識表示和知識推理技術來模擬人類專家的決策過程，以便解決那些需要領域專家才能夠處理的復雜問題。故障診斷專家系統(tǒng)結構框圖如圖3所示，它通常包括人機接口、知識庫、綜合數(shù)據(jù)庫、推理機和解釋器等幾個部分。本文引用地址：http://www.ex-cimer.com/article/186871.htm
知識庫用于存放故障診斷規(guī)則，反映各種故障的因果關系；知識獲取機構可以使人類專家通過人機接口直接建立和修改故障診斷規(guī)則或修改、補充、完善整個故障診斷系統(tǒng)；推理機實施對整個問題的求解推理過程的控制，它根據(jù)綜合數(shù)據(jù)庫中的當前信息，將知識庫中的規(guī)則拿來匹配，然后利用適當?shù)目刂扑惴ㄍ茢喑鼋Y論；綜合數(shù)據(jù)庫中存放人為提取的一些過程特征數(shù)據(jù)或某些故障現(xiàn)象的描述以及診斷過程記錄等信息；解釋程序是在用戶需要時對整個故障診斷過程做出合理的解釋。知識庫和推理機是專家系統(tǒng)的核心，傳統(tǒng)專家系統(tǒng)中，專家經(jīng)驗知識(對被診斷系統(tǒng)所觀察到的癥狀與可能故障之間的關系)通常以確定性的IF-THEN規(guī)則表示。
目前較為實用的專家系統(tǒng)有：基于規(guī)則的專家系統(tǒng)、基于案例的專家系統(tǒng)、基于框架的專家系統(tǒng)、基于模糊邏輯的專家系統(tǒng)、基于模型的專家系統(tǒng)等。基于專家系統(tǒng)的故障診斷方法能夠利用專家豐富的領域知識、經(jīng)驗，無需對系統(tǒng)進行數(shù)學建模并且診斷結果易于理解，因此在很多領域得到了廣泛應用。但是專家系統(tǒng)也存在著一些固有的不足之處：1)知識獲取和表達比較困難，這成為專家系統(tǒng)的“瓶頸”問題；
2)缺乏自我學習和記憶的能力，診斷的效率和準確性方面無法保證。這是因為專家系統(tǒng)無法記憶以前處理過的故障，所以當再一次出現(xiàn)同樣的故障時其不得不浪費大量的時間進行重復的勞動，導致診斷效率降低。專家系統(tǒng)沒有記憶功能，無法記憶本身的錯誤，因此注定今后會犯同樣的錯誤。
專家系統(tǒng)診斷的準確程度依賴于知識庫中領域專家經(jīng)驗的豐富程度和知識水平的高低，因此當遇到一些邊緣性的問題就會出現(xiàn)“窄臺階效應”。3)推理能力弱，具有脆弱性。專家系統(tǒng)的本質特征是基于規(guī)則的推理思維，因此當規(guī)則較多時，系統(tǒng)推理速度慢、效率低，容易出現(xiàn)“匹配沖突”、“組合爆炸”以及“無窮遞歸”等問題。
3．2 基于模糊邏輯的診斷方法
故障診斷是通過研究故障與征兆之聞的關系來判斷系統(tǒng)狀態(tài)，由于語言表達、信息不完全等帶來的模糊屬性常常出現(xiàn)在對故障征兆的描述中，故障與征兆之間的關系很難用精確的數(shù)學模型來表示，導致某些故障狀態(tài)也是模糊的。模糊邏輯提供了表達和處理模糊邏輯概念的機制，模糊邏輯的引入可以克服由于復雜系統(tǒng)本身的不確定性和噪聲等帶來的影響，因此在進行復雜系統(tǒng)故障診斷時顯示出一定的優(yōu)越性。模糊故障診斷方法是利用模糊數(shù)學中的隸屬度函數(shù)和模糊關系矩陣來解決故障與征兆之間的不確定關系。其實質是引入了隸屬度函數(shù)的概念，把傳統(tǒng)的0和1的二值邏輯轉移到[0，1]區(qū)間上的連續(xù)值邏輯上來。
Bilski等人提出了一種基于模糊邏輯的決策樹模擬系統(tǒng)自動故障診斷方法，該方法能夠在存在噪聲的情況下檢測和定位多種故障。文中給出了該方法的一般體系結構，并且介紹了降噪、特征提取和故障檢測的處理過程。隨后作者通過3種物理特性不同的系統(tǒng)對該方法進行了測試和驗證，結果證明了該方法的優(yōu)越性。Carelani等人提出了一個基于頻域故障字典的模糊自動診斷系統(tǒng)，并通過兩個模擬電路單軟故障的例子分析了所提方法的性能。Pous等人提出了一個以故障字典信息作為隸屬函數(shù)輸入變量，而隸屬度函數(shù)形狀由元件參數(shù)值分布決定的模糊診斷系統(tǒng)，該方法同故障字典相比性能有了極大提高。
模糊變量表示可讀性強，模糊邏輯推理嚴謹，類似于人類的思維過程，易于理解。但對于復雜電路系統(tǒng)進行故障診斷時存在隸屬原則的選擇、隸屬度函數(shù)的確定和模糊關系矩陣的構造等技術難點。隸屬度函數(shù)的確定不但需要豐富的經(jīng)驗知識而且需要花費較長的時間，模糊關系矩陣R的構造需要以大量現(xiàn)場實際運行數(shù)據(jù)為基礎，其精度的高低主要取決于觀測數(shù)據(jù)的準確性及豐富程度。
評論