《基于行为级模型的电路故障诊断方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。
电子科技大学UNIVERSITYOFELECTRONICSCIENCEANDTECHNOLOGYOFCHINA硕士学位论文MASTERTHESIS论文题目基于行为级模型的电路故障诊断方法研究学科专业通信与信息系统学号201521010610作者姓名李琦指导教师何春副研究员 分类号密级注1UDC学位论文基于行为级模型的电路故障诊断方法研究（题名和副题名）李琦（作者姓名）指导教师何春副研究员电子科技大学成都（姓名、职称、单位名称）申请学位级别硕士学科专业通信与信息系统提交论文日期2018.4.30论文答辩日期2018.5.21学位授予单位和日期电子科技大学2018年6月答辩委员会主席评阅人注1：注明《国际十进分类法UDC》的类号。 ResearchOnCircuitFaultDiagnosisMethodBasedOnBehaviorModalAMasterThesisSubmittedtoUniversityofElectronicScienceandTechnologyofChinaDiscipline:CommunicationandInformationSystemsAuthor:QiLiSupervisor:AssociateResearcherChunHeSchool:SchoolofInformation&CommunicationEngineering 摘要摘要随着电子设备的普及以及其规模和复杂性的提升，尤其是在航空、航天、军事国防等应用领域，电子设备的可靠性、安全性显得尤为重要。电路故障诊断作为一种提高电子设备安全性和可靠性的重要手段，既可以用于发现电路故障与否，也可以实现故障电路中故障的定位。因此，对电路进行故障诊断具有重要意义。针对不同规模的电路，故障诊断的难度存在差异，对于小规模电路来说，采用传统故障诊断方法即可得到较好的诊断效果；对于大规模的数模混合电路，其所含故障模式众多，电路故障状态复杂，电路诊断难度较大，因而需要采用一种新的诊断方法。大数据时代的到来为系统级电路的故障诊断提供了一种新的思路，本文将机器学习、行为级模型和电路故障诊断有机结合，提出了基于行为级模型的电路故障诊断方法，其主要内容是：通过电路仿真、数据预处理、标准归一化、降维以及故障合并等手段获取故障诊断模型和行为级模型的数据源。其中，利用主成分分析法实现数据的降维，解决样本中特征亢余的问题；利用二分K均值聚类实现相似故障模式的聚合，解决故障重叠的问题，从而减小各模型的复杂度。电路故障诊断中的诊断模型包括故障检测模型和故障分类模型。针对电路同时发生故障数目的不同，提出电路单故障诊断方法和多故障诊断方法。电路单故障诊断方法包括基于分类模型的单步故障诊断方法和基于异常检测模型的两步故障诊断方法。在基于分类模型的单步故障诊断方法中，通过BP神经网络或支持向量机建立故障分类模型，用于简单电路的单故障排查；在基于异常检测模型的两步故障诊断方法中，先利用异常检测算法构造故障检测器，再利用分类算法(BP神经网络)构造故障分类器，分别用于系统级电路单故障的两级定位；在电路多故障诊断方法中，利用异常检测算法构建故障的目标类筛选器，用于系统级电路多故障源的逐层筛选。辅以实例证明：三种方法均取得了较好的故障诊断效果，与传统方法相比，故障覆盖率和检测率有明显提升。为提高系统级电路故障诊断的效率和精度，将行为级模型引入电路故障诊断中，包括行为仿真模型和故障行为模型。通过行为仿真模型缩短仿真时间，提高诊断效率；通过故障行为模型提升电路故障诊断的精确程度。关键词：电路故障诊断，机器学习，行为级模型I ABSTRACTABSTRACTWiththepopularizationofelectronicdevicesandtheenhancementoftheirscaleandcomplexity,especiallyinthefieldsofaviation,spaceflightandmilitarydefense,thereliabilityandsecurityofelectronicdevicesseemparticularlyimportant.Asanimportantmeanstoimprovethesecurityandreliabilityofelectronicequipment,circuitfaultdiagnosiscannotonlyfindoutwhetherthecircuitisfaulty,butalsorealizefailurelocationinthefaultycircuit.Therefore,thecircuitfaultdiagnosisisofgreatsignificance.Forthedifferentscaleofcircuit,therearedifferencesinthedifficultyoffaultdiagnosis.Forsmall-scalecircuits,thetraditionalfaultdiagnosismethodcangetbetterdiagnosticresults;Forlarge-scaledigital-analoghybridcircuitswheretherearenumerousfaultmodesandcircuitfailurestatusiscomplicated,thereforethecircuitdiagnosisdifficultyislargerandthecircuitneedstoadoptanewdiagnosismethod.Theadventofthebigdataeraprovidesanewtrainofthoughtforthefaultdiagnosisofthesystem-levelcircuit.Combiningmachinelearning,behaviormodelandcircuitfaultdiagnosis,thispaperputsforwardthecircuitfaultdiagnosismethodbasedonbehaviormodel.Themaincontextis:Thedatasourceoffaultdiagnosismodalandbehaviormodelisobtainedbycircuitsimulation,datapreprocessing,standardnormalization,dimensionreductionandfaultmergenceandothermeans.Amongthem,theprincipalcomponentanalysisisusedtoreducethedimensionalityofthedatatosolvetheproblemoffeature-redundancyinthesamples;ThedichotomousK-meansclusteringisusedtoclusterthesimilarfaultmodestosolvetheproblemoffault-overlap,thusreducingthecomplexityofthemodel.Thefaultdiagnosismodelincircuitfaultdiagnosisincludesfaultdetectionmodelandfaultclassificationmodel.Inviewofthedifferentnumberoffaultsinthecircuitatthesametime,asingle-faultdiagnosismethodandamulti-faultdiagnosismethodareproposed.Thesingle-faultdiagnosismethodincludesasingle-stepfaultdiagnosismethodbasedonclassificationmodelandatwo-stepfaultdiagnosismethodbasedonanomalydetectionmodel.Inthesingle-stepfaultdiagnosismethodbasedonclassificationmodel,thefaultclassificationmodelisestablishedbyBPneuralnetworkorSupportVectorMachinetotroubleshootthesinglefaultofsimplecicuit;Inthetwo-stepfaultdiagnosismethodbasedonanomalydetectionmodel,thefaultdetectormodelisconstructedbyII ABSTRACTanomalydetectionalgorithm,andthefaultclassificationmodelisestablishedbyclassificationalgorithm(BPneuralnetwork),andthenthemodelsareusedrespectivelyattwolevelsofthesinglefaultlocationinthesystemlevelcircuit;Inthemulti-faultdiagnosismethod,theanomalydetectionalgorithmisusedtoconstructthetargetclassfiltersoffaulttofiltratemulti-faultsourcestepbystepinsystemlevelcircuit.Provedbyexamplesandcomparedwiththetraditionalmethods,thosethreemethodsachievebettereffectonfaultdiagnosisandhaveinprovedsignificantlyfaultcoveragerateandfaultdetectioncoveragerate.Inordertoimprovetheefficiencyandaccuracyofsystem-levelcircuitfaultdiagnosis,behaviormodelisintroducedintocircuitfaultdiagnosis,includingbehaviorsimulationmodelandfailurebehaviormodel.Thebehaviorsimulationmodelcanshortenthesimulationtimeandimprovethediagnosticefficiency;Thefailurebehaviormodelcanimprovetheaccuracyofcircuitfaultdiagnosis.Keywords:Circuitfaultdiagnosis，machinelearning，behavioralmodeIII 目录目录第一章绪论....................................................................................................................11.1本文的研究背景及意义...........................................................................................11.2电路故障诊断方法的发展与分类...........................................................................21.2.1电路故障诊断方法的的发展历程.................................................................21.2.2电路故障诊断方法的分类.............................................................................31.3论文的结构安排.......................................................................................................4第二章相关理论基础....................................................................................................52.1机器学习基础理论...................................................................................................52.2.1主成分分析法.................................................................................................52.2.2二分K均值聚类............................................................................................72.2.3分类算法.........................................................................................................92.2电路故障诊断基础理论.........................................................................................162.3行为级模型基础理论.............................................................................................172.3.1行为级建模方法介绍...................................................................................182.3.2行为级模型的评价指标...............................................................................182.4基于行为级模型的电路故障诊断方法介绍.........................................................192.5本章小结..................................................................................................................20第三章电路故障诊断方法研究..................................................................................213.1模型数据源的获取.................................................................................................213.1.1基于蒙特卡罗分析的电路仿真...................................................................223.1.2数据预处理...................................................................................................233.1.3标准归一化和基于PCA的降维.................................................................243.1.4基于二分K均值聚类的故障合并..............................................................253.1.5模型数据源获取的实例...............................................................................263.2电路的单故障诊断.................................................................................................323.2.1基于分类模型的单步故障诊断...................................................................333.2.2基于异常检测模型的两步故障诊断...........................................................363.2.3小结...............................................................................................................433.3系统级电路的多故障诊断.....................................................................................443.3.1基于聚类-重建法的异常检测模型..............................................................44IV 目录3.3.2电路多故障诊断理论基础...........................................................................473.3.3电路多故障诊断实例...................................................................................503.3.4小结...............................................................................................................523.4本章小结.................................................................................................................52第四章系统级电路的行为级模型..............................................................................534.1电路行为仿真模型.................................................................................................534.1.1行为仿真模型理论基础...............................................................................544.1.2行为仿真模型实例.......................................................................................574.2电路故障行为模型.................................................................................................594.2.1故障分类行为模型.......................................................................................594.2.2发生度行为模型...........................................................................................604.3本章小结.................................................................................................................64第五章基于行为级模型的电路故障诊断实现与分析..............................................655.1基于行为仿真模型的电路仿真.............................................................................655.1.1相关软件联仿介绍.......................................................................................655.1.2基于行为仿真模型的电路仿真实例...........................................................685.2基于故障行为模型的电路故障再诊断.................................................................705.3本章小结.................................................................................................................71第六章总结与展望......................................................................................................72致谢............................................................................................................................74参考文献........................................................................................................................75个人简历、攻读硕士学位期间取得的成果................................................................791.个人简历.....................................................................................................................792.参加的科研项目.........................................................................................................793.获得奖励.....................................................................................................................794.研究成果.....................................................................................................................79V 图目录图目录图1-1电路故障诊断方法概况图..............................................................................................3图2-1机器学习相关算法概况图..............................................................................................5图2-2PCA流程图......................................................................................................................6图2-3二分K均值聚类流程图.................................................................................................8图2-43层BP神经网络示意图.................................................................................................9图2-5线性可分SVM示意图..................................................................................................12图2-6离群点示意图................................................................................................................14图2-7基于SAT的电路故障诊断分析整体流程图...............................................................16图2-8基于行为级模型的电路故障诊断方法分析流程........................................................19图2-9基于行为级模型的电路故障诊断决策树.....................................................................20图3-1电路故障诊断方法通用流程图....................................................................................21图3-2模型数据源的获取流程图............................................................................................22图3-3元器件故障模式概况图................................................................................................23图3-4数据预处理流程图........................................................................................................23图3-5故障重叠示意图............................................................................................................25图3-6合并法示意图................................................................................................................26图3-7拆分法示意图................................................................................................................26图3-8某时钟电路示意图........................................................................................................27图3-9实例电路仿真中输出节点S9的波形图1...................................................................28图3-10实例电路仿真中输出节点S9的波形图2.................................................................31图3-11实例中节点S9的二分K均值聚类ElbowMethod示意图......................................31图3-12基于分类模型的电路单步故障诊断流程图..............................................................33图3-13基于密度法的参数估计法流程图..............................................................................38图3-14基于异常检测模型的两步故障诊断流程图..............................................................40图3-15实例电路模块划分示意图..........................................................................................41图3-16基于聚类的重建法流程图..........................................................................................45图3-17多故障诊断模型的建立流程图..................................................................................48图3-18多故障诊断模型的诊断流程图..................................................................................49图3-19实例中多故障诊断方法的ADM_Multiple示意图...................................................51图4-1径向基函数网络示意图................................................................................................55VI 图目录图4-2BPNN-BSM/RBFN-BSM流程图...................................................................................56图4-3实例中子电路CompareMocule2的输入与输出信号示意图......................................57图4-4实例中子电路CompareModule2的模型BPNN-BSM和RBFN-BSM预测输出图.58图5-1Cadance信号源的Simulink实现流程图......................................................................66图5-2Simulink与Candance联仿流程图................................................................................67图5-3Simulinlk与Matlab联仿流程图...................................................................................68图5-4实例中电路正常状态下节点S3、S7和信号源A_10.23MHZ的波形图.................69图5-5实例中子电路CompareModule2正常状态下模型RBFN-BSM的Simulink仿真系统实现示意图........................................................................................................................69图5-6实例中子电路CompareModule2正常状态下模型RBFN-BSM的Simulink仿真系统各节点波形图.....................................................................................................................70VII 表目录表目录表3-1信号的特征向量及数学意义........................................................................................24表3-2实例电路中所含元器件类型、数目表........................................................................27表3-3实例电路中所含元器件的故障模式表........................................................................27表3-4实例中节点S9的有容差特征数据集..........................................................................28表3-5实例中节点S9的ZeroMeanNormalization处理均值和标准差...............................29表3-6实例中节点S9的有容差标准特征数据集..................................................................29表3-7实例中节点S9的PCA处理的新坐标各维度成分所占比例.....................................30表3-8实例中节点S9的有容差最佳特征数据集..................................................................30表3-9实例中节点S9的二分K均值聚类ElbowMethod数据表........................................32表3-10实例中节点S9的有容差类数据集............................................................................32表3-11实例中基于分类模型的单步故障诊断方法的数据集划分概况表...........................35表3-12实例中基于BPNN的单步故障诊断模型参数和训练参数表..................................35表3-13实例中基于SVM的单步故障诊断模型参数表........................................................35表3-14实例中基于BPNN/SVM的单步故障诊断方法的性能测试结果............................35表3-15实例中各子电路包含的元器件和测试节点表..........................................................41表3-16实例中各子电路的有容差类数据集概况表..............................................................41表3-17实例中基于异常检测模型的两步故障诊断方法的异常检测模型组数据集划分概况表........................................................................................................................................42表3-18实例中基于异常检测模型的两步故障诊断方法的异常检测模型组参数表...........42表3-19实例中基于异常检测模型的两步故障诊断方法的异常检测模型组在TestSet上的性能测试结果.....................................................................................................................42表3-20实例中基于异常检测模型的两步故障诊断方法的BP神经网络模型组的性能测试结果....................................................................................................................................43表3-21实例中基于异常检测模型的两步故障诊断方法的性能测试结果...........................43表3-22实例中多故障诊断方法的ADM_Fault和ADM_Multiple数据集划分概况表......50表3-23实例中多故障诊断方法的ADM_Fault模型参数表.................................................50表3-24实例中多故障诊断方法的ADM_Fault和ADM_Multiple在TestSet上的性能测试结果....................................................................................................................................51表3-25实例中多故障诊断方法的性能测试结果..................................................................52表4-1实例中子电路CompareModule2的BPNN-BSM和RBFN-BSM模型参数表.........58VIII 表目录表4-2实例中子电路CompareModule2的模型BPNN-BSM和RBFN-BSM预测输出误差............................................................................................................................................59表4-3实例中子电路CompareModule2的SVM-FCBM模型参数表..................................60表4-4实例中子电路CompareModule2的模型BPNN-FCBM和SVM-FCBM性能测试结果........................................................................................................................................60表4-5实例中各故障模式的发生度表....................................................................................62表4-6实例中各故障模式的条件概率表................................................................................63表4-7实例中各子电路的故障元器件查找表........................................................................63表5-1实例中子电路CompareModule2正常状态下模型RBFN-BSM的Simulink仿真系统各节点信号误差.................................................................................................................70IX 缩略词表缩略词表PCAProncipalComponenetAnalysis主成分分析法SSESumofSquareError误差平方和ANNArtificialNeuralNetworks人工神经网络BPNNBPNeuralNetworkBP神经网络BPErrorBackPropagation误差反向传播SVMSupportVectorMachine支持向量机FCRFaultCoverageRate故障覆盖率FDCRFaultDetectionCoverageRate故障检测率EAGExpectedAmbiguityGroup模糊组MCMonteCarlo蒙特卡罗TrainSetTrainSampleSet训练样本集CVSetCrossValidationSampleSet交叉验证样本集TestSetTestingSampleSet测试样本集ADMAnomalyDetectionModel异常检测模型BSMBehaviorSimulationModel行为仿真模型RBFNRadialBasisFunctionNetwork径向基函数网络RBFRadialBasisFunction径向基函数BPNN-BSMBehaviorSimulationModelBasedOnBPNeuralNetwork基于BP神经网络的行为仿真模型RBFN-BSMBehaviorSimulationModelBasedOnRadialBasisFunctionNetwork基于径向基函数网络的行为仿真模型BPNN-FCBMFaultClassificationBehaviorModelBasedOnBPNeuralNetwork基于BP神经网络的故障分类行为模型SVM-FCBMFaultClassificationBehaviorModelBasedOnSVM基于SVM的故障分类行为模型FBMFailureBehaviorModel故障行为模型FCBMFaultClassificationBehaviorModel故障分类行为模型BMODBehaviorModelOfOccurrenceDegree发生度行为模型X 第一章绪论第一章绪论1.1本文的研究背景及意义近年来，电子系统紧随社会发展，几乎涵盖了各个方面，小到手机、mp3，大至航空、航天、军事国防等等。特别是数模混合电路复杂程度和规模的不断增加，导致其在各应用领域的可靠性受到了越来越多的关注。电路作为电子系统的组成构件，一旦发生故障，将会导致整个系统的运行偏离正常轨迹。根据文献[1]的统计数据可以看到，电子系统的维护费用远远大于其设计和生产费用，当军事国防、航空航天等领域所用到的大型电子设备中发生故障且不能及时进行故障检测和修复时，必然会导致国家巨大的经济损失和人员伤亡。因此，电路故障诊断分析[2]是电子系统可靠性的必然要求。文献[3]中摩尔定律指出：“集成电路系统上可容纳的晶体管数目，约每隔18个月便会增加一倍，其性能也将提升一倍”。因此，对电路进行故障分析的需求越来越大，电路故障诊断自20世纪70年代开始就受到了众多研究者的关注，并开始了大量的研究。传统的电路故障诊断方法[4-7]过度依赖于相关技术专家、人员的从业经验以及对电路系统的理解，这不仅对相关人员的专业知识素养要求高，而且诊断效率较为低下、准确率也不高，重点是还无法实现电路故障诊断的自动化，更谈不上实时故障诊断和预测。同时，随着大规模数模混合电路应用的越来越广泛，其所含元器件众多，电路的故障状态复杂，在通过电路仿真进行电路故障诊断分析时，容易出现电子系统仿真时间爆炸的问题，以及在进行故障诊断时，易出现定位结果精度较低的问题。因此，需要众多研究者来寻找某种方法以便更准确、及时地对电路进行分析、诊断和预测。随着大数据时代的到来和计算机科学的发展，机器学习和数据挖掘与电路故障诊断的结合为复杂电路进行故障诊断分析提供了新的研究解决方案。机器学习作为人工智能的基础，可以使电路故障诊断不再那么依赖相关技术人员，进而使电路故障诊断逐渐可以半自动甚至于全自动实现。此外，随着行为级建模技术的发展，把行为级模型与电路故障诊断有机结合，可以有效地解决系统级数模混合电路仿真中时间爆炸的问题，把时间控制在一个可以接受的合理范围内，同时尽可能提升故障诊断的定位精度程度，为诊断大规模电路提供了新思路。因此，本文将机器学习和行为级模型理论有机地融合到电路故障诊断中，以此来提高诊断效率和准确率。首先使用EDA工具对电路进行仿真，并对仿真数据进行相关处理，作为建立故障诊断模型和行为级模型的数据源，并采用相应方法建立1 电子科技大学硕士学位论文各模型。基于此，当实际电路发生故障后，将实际数据输入到故障诊断模型中以便实现故障定位，并把行为级模型应用到电路仿真以及故障的精确定位阶段，以达到故障诊断的快速实现和定位精准的要求。1.2电路故障诊断方法的发展与分类1.2.1电路故障诊断方法的的发展历程根据电路类型的不同，本节把电路故障诊断方法的发展历程按如下三种进行说明。1）数字电路故障诊断的发展历程Eldred[8]1959年发表了数字电路故障分析方面的单级（组合）电路的诊断报告，作为数字电路故障诊断的开端；之后，更多算法开始涌现例如：FAN[9]、D[10]算法以及布尔差分法[11]，其中，布尔差分法使得中等规模的组合电路可以完成相应的故障分析诊断；针对超大规模组合电路，Archambeau在文献[12]中提出了伪穷举法，不过该法计算量较大，针对具体需要又提出了相应的改进以此来解决计算量大的问题，例如H算法[13]等；随着探索的进行，关于数字电路故障分析已逐渐发展成熟。2）模拟电路故障诊断的发展历程从二十世纪六十年代到目前为止，模拟电路故障分析这一领域有很多国内外学者、研究人员对其进行了研究并取得了较大的进步。在六十年代，模拟电路诊断可解性的概念被Berkowitz首次在论文[14]中提出，这标志着模拟电路故障分析研究的开始；在七十年代，很多学者尝试将人工智能、模糊理论以及统计学等知识应用到模拟电路系统的故障诊断领域，取得了不错的成果[15,16]；八十年代，在文献[17]中Bandler和Salama对此领域进行了相当详细的阐述；九十年代后，由于人工智能的快速兴起，将人工智能、模糊理论等技术与模拟电路的故障分析相结合成为了热点方向，包括：Satyanarayana和Subramanyam等人的基于规则的诊断方法[18]、Starzyk等人的故障字典法[19]、El-Gamal等人的BP网络和聚类技术来实现故障分析[20]、Catelani等人的基于RBFnetwork的软故障诊断方法[21]，以及Maeharan[22]、Aminian[23]、Contu[24]等人将神经网络和小波分析相结合提出的新方法；最近一段时间，国内电子科技大学[25,26]、湖南大学[27,28]、上海交通大学[29]等高校对该领域进行了大量的研究并取得了较好的成果，唐人亨[30]、杨士元[31]等都出版了相关的书籍。3）混合电路故障诊断的发展历程对数模混合电路故障诊断的研究较为有限，主要有：IDDQ测试方法[32]、故障2 第一章绪论字典法[33,34]，还有逻辑分解法[35]、DES[36]、神经网络[37]等方法。由于其电路更为复杂，后期还要做大量的工作以寻找更好的分析方法。1.2.2电路故障诊断方法的分类根据电路仿真顺序的不同，电路故障诊断方法可分为两类：测前仿真法（SimulationBeforeTest，SBT）和测后仿真法（SimulationAfterTest，SAT）[38]，如图1-1所示。电路故障诊断方法测前仿真法测后仿真法（SBT）（SAT）故统参故障计数障逼字学识验近典方别证法法法法法传智统能方方法法图1-1电路故障诊断方法概况图测前仿真法是指电路仿真阶段处于实际电路测试之前，其中，电路仿真模拟了实际电路的预期测试响应。在研究者接收到实际数据后，将其与仿真结果进行比较，以确定电路故障。SBT中的方法分为两种类型：故障字典法和统计学方法。1）故障字典法故障字典即查找表，由特定电路的正常和各故障模式[39,40]及其特征表现组成。故障字典法可分为传统方法和智能方法。其中，传统方法包括基于算法的、基于公式的、基于模型的等；智能方法包括基于机器学习的等。2）统计学方法统计学方法也称为概率法。在该方法中，进行大量的连续的电路仿真以静态地表征网络，综合建立统计数据库，通过使用该数据库，检测到电路的每个部件故障的概率。测后仿真法是指电路仿真阶段处于实际电路测试之后，其目的是将故障诊断问题抽象为非线性方程，并基于实际数据计算非线性方程中的变量和分量参数。故3 电子科技大学硕士学位论文障元件的识别通过确定电路中参数值落在容差之外的元件来实现。SAT可分为三种类型：参数识别法、故障验证法和逼近法。其中，参数识别法是基于现有独立变量足以确定整个电路参数值的假设前提进行的；故障验证技术假定只有几个元件可能出现故障，认为其余元件的参数值处于其设计容差内，即无故障；逼近法在于确定几乎肯定的故障元件。1.3论文的结构安排本文研究了基于行为级模型的电路故障诊断方法，从电路仿真到故障诊断模型和行为级模型的建立最终到实现更准确更有效的故障定位。本文的章节内容如下：第一章，介绍了电路故障诊断方法的研究背景和意义以及发展历程和分类。第二章，介绍了机器学习、电路故障诊断以及行为级模型的相关理论。其中，首先介绍了在电路故障诊断中运用到的机器学习算法；然后介绍了电路故障诊断的分析过程以及相关评价指标；接着介绍了行为级建模的方法和评价标准；最后介绍了基于行为级模型的电路故障诊断方法的整体流程。第三章，介绍了电路故障诊断的几种方法。其中，先描述了建立故障诊断模型和行为级模型所需数据源的获取过程，包括：电路仿真、数据预处理、标准归一化、降维、故障合并等处理过程，每种处理后得到的数据源用于不同模型的建立；接着提出了几种电路故障诊断方法，包括：基于分类模型的电路单步故障诊断、基于异常检测模型的两步故障诊断以及电路的多故障诊断等方法，各方法之间存在一定的差异，每种方法都有一定的适用场景。第四章，介绍了几种电路行为级模型。首先，描述了行为仿真模型，并通过两种不同的方法BP神经网络和RBF网络进行了实现；然后，介绍了故障行为模型，包括故障分类行为模型和发生度行为模型。第五章，对本文提出的基于行为级模型的电路故障诊断方法的整个流程进行了分析并通过软件之间的联仿进行了实现。第六章，对本文的主要研究内容进行了总结和展望。4 第二章相关理论基础第二章相关理论基础本文需要使用机器学习中的降维、聚类和分类等算法处理各故障电路的仿真数据，以挖掘故障模式与特征表现间的内在关系，建立故障诊断模型用于故障定位；同时利用行为级模型克服系统级电路仿真中时间爆炸和故障诊断中定位精度较低等问题。因此，本章将对机器学习中的某些算法、故障诊断相关知识以及行为级建模理论进行了介绍。2.1机器学习基础理论随着大数据时代的到来，机器学习（MachineLearning，ML）与电路故障诊断的联系越来越密切，两者的结合有效地提高了电路故障诊断的自动化水平、效率和精准程度，具有广阔的应用前景。根据本文在故障诊断中用到的机器学习算法，本节主要介绍机器学习方法中的降维、聚类和分类方法，如图2-1所示。机器学习相关算法数据处理算法分类算法降维算法聚类算法支神持...经向网主最量络基基基机成优于于于分...特原密...层分征型度次析选的的的法择图2-1机器学习相关算法概况图其中，降维算法主要介绍主成分分析法，聚类算法介绍二分K均值聚类，分类算法介绍神经网络、支持向量机以及异常检测等算法。2.2.1主成分分析法主成分分析法[41]（ProncipalComponenetAnalysis，PCA）可以用于实现数据降维（DimensionalityReduction）。假设数据集为A，为A中方差最大方向的单位向量，即A的主成分，则A的方差最大，即5 电子科技大学硕士学位论文TTTmax(var())Amax((AAAA)())max()(2-1)Tst..1定义如下Lagrange函数：TTTL(,)AA(1)(2-2)根据Lagrange优化方法，求导可得：((,))L0()AT22AA0(2-3)TAAT则也是协方差矩阵AA的特征向量，特征值的大小表征在所有正交特征向量中的重要程度。因此，可以通过奇异值分解，获得数据集的主成分向量以及主成分所占的比例。运用PCA分析数据集A的流程如图2-2所示。开始数据集A对A进行奇异值分解特征向量矩阵和特征值向量令k=0给定的βk=k+1结束图2-2PCA流程图6 第二章相关理论基础STEP1：对含有m个样本的n维数据集A进行奇异值分解，获得分解后的特征向mn量矩阵UL及相应的特征值向量L，其中nnn1211nn2>>L，与相对应；12niiSTEP2：给定PCA后的有效信息覆盖率，并选取前kk()n个特征向量作为转换矩阵T[...]，前k个特征向量对应的特征值需满足式2-4，同时保证k值nk*1k2尽可能较小：++...12k(2-4)++......12kn一般地，为了提高信息的完善程度，有效信息覆盖率取为99%；STEP3：数据集A通过矩阵T进行映射，获得PCA后的数据集B，即，BAT(2-5)mkmnnk从而实现降维，PCA后的数据集B为包含m个样本的k维数据集。2.2.2二分K均值聚类聚类分析就是将“相似”的数据聚在一起，将“不相似”的样本尽可能分开。聚类分析有很多种方法，例如：基于层次、密度的聚类等。每类聚类方法都有各自的适用场景，因此，在选择聚类分析方法时需要根据实际情况来进行选择。本文选用的二分K均值聚类算法[42,43]一种密度聚类方法，其流程如图2-3所示。STEP1：初始化类表，将所有样本集作为类表中的一个类。STEP2：从类表中选取一个待分裂的母类。具体选择有如下两种方法：1）选择类表中样本数最多的类；2）选择类表中具有最大误差平方和的类；本文选择最大误差平方和作为选择母类的标准。误差平方和（SumofSquareError，SSE）的计算公式如下所示：N2SSEicijAtt()(2-6)jAtt1,CjiNAttjj1c(2-7)iN其中：SSE表示类表中第i个类的误差平方和，C表示第i个类的样本集合，c为iii第i个类的中心，N为样本集合C的大小，Att为样本集合C中第j个样本数据。ijiSTEP3：按照K均值聚类的思想将母类分裂为两个子类，为避免因质心选择的随7 电子科技大学硕士学位论文机性而导致分裂的效果不好，重复执行该步骤M次并保存结果。STEP4：更新类表。删除类表中的母类，并选择M次分裂结果中具有最小总误差平方和的两个子类添加到类表中，这里的总误差平方和为分裂后的两个子类对应SSE的和。STEP5：重复步骤STEP2~STEP4，直到达到预期效果，如类表中包含K个类或者类表中所有类的最大SSE值小于事先设定的阈值。开始数据集初始化类表选择母类应用K均值聚类思想二分母类二分试验次数否保存二分结果是否大于M是保存二分结果从试验结果中选择最优子类更新类表类表的类数目否是否等于K或者满足设定条件是结束图2-3二分K均值聚类流程图在二分K均值聚类中，只要类表中所有类的最大SSE值大于事先选定的阈值并且类数目小于事先选定的K值，那么就把最大SSE对应的类进行分解，类数目自动增加，循环往复，直到类数目达到K值或者类表中所有类的最大SSE值小于阈值。实际二分K均值聚类时，当类数目（小于K值）大于某个值K后，随着类数0目增加，类表中类的最大SSE值的减小并不显著，其变化趋势如同我们的肘关节一样逐渐变缓。此时可选择肘部凹点对应的类数目作为理想的聚类结果数，这就是肘部策略[42]（ElbowMethod）。本文二分K均值聚类后的类数目K由肘部策略确定。8 第二章相关理论基础2.2.3分类算法根据在电路故障诊断中用到的分类算法，本节主要介绍神经网络、支持向量机和异常检测算法。2.2.3.1神经网络人工神经网络（ArtificialNeuralNetworks，ANN）是一种行为级学习算法。目前已有上百种神经网络，但从应用角度来说，BP神经网络[44]（BPNeuralNetwork，BPNN）是其中的代表。BP神经网络中，同层神经元之间互不相连，只存在邻层神经元间的连接。图2-4中是一个3层的BP神经网络，包括：输入层、隐含层和输出层。假设训练样本集{(,)},xyxRdd12,yR,i1,2,...,l，其中x为第i个d维的输入数据，y为对iiiii1i应的d维的输出数据，l为训练样本的数目；w、w和b、b分别表示输入层与隐21212含层、隐含层与输出层的连接权向量和阈值向量，F1、F2表示隐含层和输出层的激活函数，其中：w1、w2、b1、b2为待定参数，F1、F2选用Sigmod函数。输出层隐含层输入层图2-43层BP神经网络示意图BP神经网络[41,42,45,46]是基于BP（ErrorBackPropagation，BP）算法获得的多层前馈网络。BP算法包括正向传播和反向传播两部分。基于图2-4，3层BP神经网络第i次训练时正向传播过程如下：1）输入层神经元的输出为：1Ox(2-8)ii2）隐含层的输出为：9 电子科技大学硕士学位论文21OFOw()bii111(2-9)()Fxwb111i3）输出层的输出为：32OFOw()bii222(2-10)((((FFx)))wbwb211122i反向传播过程如下：1）选用误差平方和作为误差函数，具体如式2-11所示。32EOy()ii(2-11)i2）以确定待定参数w1、w2、b1、b2为目标，求解误差平方和函数的导数，以负梯度方向对参数进行调整，即：Eww11()w1Eww22()w2(2-12)Ebb11()b1Ebb22()b2其中：为梯度下降法中给定的学习率。该过程是采用梯度下降算法，反复迭代样本训练BP神经网络，调整连接权值和阈值使误差函数收敛到极小值。在BP神经网络的各种应用中，其具有明显的特点和优势，具体如下：1）分布式的信息存储方式2）大规模并行处理3）自学习和自适应性4）较强的鲁棒性和容错性不可避免地，BP神经网络存在四个重大缺陷：1）利用梯度下降算法训练BP神经网络过程中易陷入局部极小值2）学习过程收敛速度缓慢3）BP神经网络的结构难以确定4）BP神经网络的泛化性不一定能满足实际需求因此人们加深对BP神经网络的理论研究和改进，主要进展如下：10 第二章相关理论基础1）网络初始权值的选取一般地，BP神经网络的初始化权值和阈值为[0,1]内的一组随机数，通过迭代获得最终的稳定结果，该方法易导致BP神经网络的局部极小值，并非最优结果。文献[44,46,47,48]提出了采用群智能方法、遗传算法、免疫算法对初始权值和阈值进行优化，并取得了较好的效果。2）改进优化算法理论上，BP神经网络采用梯度下降法来调整权值和阈值，该过程收敛速度缓慢且易陷入局部极小值。国内外专家利用应用数学上的凸优化理论来改进梯度下降算法，主要有共扼梯度法、Newton法、L-M法等。2.2.3.2支持向量机支持向量机[41,42,49,50]（SupportVectorMachine，SVM）作为一种新型的机器学习方法，以结构风险最小化为原则，具有出色的小样本学习能力。d设两分类训练样本集{(,)},xyxRy,{1,1},il1,2,...,，其中x为第i个diiiii维输入数据，y为对应的输出数据，l为训练样本的数目。根据样本特征，SVM可i分为三种：线性可分SVM、线性不可分SVM以及非线性SVM。1）线性可分SVM对于线性可分的数据样本可通过在d维空间中求线性函数fx()wxb（最ii优分类超平面）将两类数据分开，具体如式2-13所示。wxb0(2-13)其中：wx表示向量的内积运算，w为连接权向量，b为阈值。则该分类超平面需要满足如式2-14所示的分类条件。wxb1for=1yiiywx(b)10(2-14)iiwxb1for=-1yii该分类超平面H具体如图2-5所示，其中，H、H为平行于H且距离各类样122本最近的超平面，同时H与H关于H对称，则分类间隔为。因此，H不但12||||w2能将两类正确分开，而且要使最大，H可通过求解式2-15获取。||||w11 电子科技大学硕士学位论文图2-5线性可分SVM示意图112min()Jww||ww||()22(2-15)stywx..()10bii为了求解上述约束最优化问题，定义如下的Lagrange函数：l12Lwb(,,)||w||i((ywxiib)1)(2-16)2i1其中：0为Lagrange系数。i、w和b的最优解为*、**利用Lagrange优化法，可求得iiw和b，其中，*****ssl()为的个数；只有yw()10xb且0对应的xi(1,2,...,)s为支iiiii持向量。则该线性判别函数如式2-17所示。s***fx()sgn(yxxb())iii(2-17)i1对于未知类别的输入样本x，由式2-17计算生成其类别。2）线性不可分SVM由于线性不可分的数据样本不满足式2-13，引入松驰向量0，将约束条件i松弛为：ywx(b)1,0,i1,2,...,l(2-18)iiii则式2-15中的目标函数变为：ll112Jw()||w||C(ii)(ww)C()(2-19)22ii1112 第二章相关理论基础其中：常数C0表示错分样本的惩罚因子，C值越大惩罚越重。线性不可分SVM转化为在式2-18的约束下最小化目标函数2-19，采用Lagrange优化方法，式2-18和2-19转变为式2-20。ll12Lwb(,,,)wywx||||((b)1)iiiiii(2-20)2ii11其中：0，0为Lagrange系数。ii****同样，利用Lagrange优化法求出、、w、b的最优解、、w、b。iiii**当0C且0时，对应的x为支持向量。把参数解代入式2-17得到判别函iii数。3）非线性SVM当数据为非线性样本时，非线性SVM可以通过非线性映射n:RHxx()将输入数据映射到高维线性特征空间中，并在该空间中构造线性最优分类超平面，该超平面只用到了内积运算，因此可利用核函数K(.,.)（核函数K(.,.)满足Mercer条件，即Kxx(,)()xx()）完成该映射。最终只需用Kxx(,)代替线性SVMijijij中最优分类面式2-17的内积形式，即可得到如式2-21所示的分类判别函数。s***fx()sgn(yKxx(,)b)iii(2-21)i1常用的核函数有如下三种形式，在一定程度上，核函数决定了高维特征空间的结构。（1）高斯RBF核函数：2Kxx(,)exp(xx||)(2-22)ijij（2）多项式核函数：dKxx(,)((xx))(2-23)ijij（3）Sigmoid核函数：Kxx(,)tanh((xx)b)(2-24)ijij同样的，建立SVM分类器过程中，需要合理地初始化相关的参数才能得到较为理想的分类准确率。SVM本质上一种两类分类器，需要对其进行推广以适用用于多分类问题，普遍采用的方法为一对余法（One-Against-Rest，1VSR）和一对一法（One-Against-One，13 电子科技大学硕士学位论文1VS1）。1）1VSR在k分类问题中，采用1VSR需要构造k个两分类SVM。在第i个两分类SVM中，第i类数据作为分类器的一类，其余各类数据作为另一类。最终，选择k个分类器中最大输出值所对应的类别为目标输入数据所属的类别。2）1VS1kk(1)在k分类问题中，采用1VS1需要构造个两分类SVM。在构造第i类和2第j类的两分类SVM时，只需利用第i类和第j类数据加以训练。最终，基于投票选择票数最多的类别最为目标输入的类别。2.2.3.3异常检测异常检测[42,51,52]（Anomalydetection）的目标是发现异常对象。通常，异常对象被称为离群点，因为在数据的散布图中，它们远离大部分数据点，同时异常对象的特征值明显偏离期望的或常见的特征值。如图2-6中红色三角形为异常对象。图2-6离群点示意图异常检测是一个两分类问题，本质上属于一种分类算法。异常检测通过对单一目标类数据样本的训练学习，获得目标对象的数学模型，该模型应覆盖了包含整个训练集的目标类。当另外的被检测样本到来后，输入模型，若符合该数学模型，则属于目标类；否则属于除目标类以外的其它类别。因此，异常检测可以解决数据的非均衡问题。按照建模的原理不同，可以将建立异常检测模型的方法包括密度估计法、重建法和支持边界法。14 第二章相关理论基础1）密度估计法密度估计法指利用单类数据样本建立目标类的密度模型，并设定密度阈值，用于未知样本的检测，当待测样本的密度大于阈值时，该样本属于目标类，否则属于非目标类。一般地，可利用参数法和非参数法获取密度模型。参数法事先通过先验知识确定训练样本服从某一概率分布，如高斯分布，然后确定模型参数；非参数法一般指最近邻法，利用样本间的距离度量局部密度。2）重建法重建法是指利用单类数据样本建立目标类的检测模型，用于未知样本与目标类检测模型的误差估算，当未知样本的误差小于预先设定的阈值时，该样本属于目标类，否则属于非目标类。一般地，利用聚类建立检测模型，通过训练样本的聚类可知目标类服从某种聚类结果，则当未知样本到来时，利用未知样本与各类中心的距离作为误差进行异常检测。3）支持边界法支持边界法是指通过对单类数据样本的学习把目标类映射到一个封闭的区域里，建立目标类的数学边界，当未知样本到来时，将未知样本进行映射，若落在该封闭区域内，则属于目标类，否则属于非目标类。异常检测算法仅需单类训练样本，因此选择如下指标作为其评价标准，包括：错误异常（FalseNegative，FN）、错误正常（FalsePositive，FP）、正确正常（TruePositive，TP）和正确异常（TrueNegative，TN），具体如下：实际数据的类别检测结果检测类型11TP10FN01FP00TN那么定义准确率（Precision，P）、召回率（Recall，R）如下：TPPTPFPTPRTPFNP和R越大代表检测效果越好。在实际应用过程中，同时兼顾P和R是很难把握的，因此，定义综合性参数FScore、FScore，如下：11）FScore1PRF2(2-25)1PR15 电子科技大学硕士学位论文2）FScore2(1)PRF(2-26)2PR2其中：为一给定参数，由相关技术人员根据需求自行确定，越大说明FScore2中R所占比重越高；反之，P所占比重越高。当1时，FScore即为FScore。1FScore和FScore的值越大越说明异常检测模型的检测效果越好。12.2电路故障诊断基础理论电路故障[43]的定义：“若电路在正常运行中，由于某种原因，造成电路非正常运行或直接停止运行，则这种情况称为电路故障”。当电路发生故障后，则需要进行电路故障诊断[39,40,53]，主要研究内容包括故障的检测、分析、定位和排除四个方面。故障检测用于检测电路是否发生故障；故障分析是指利用检测到的数据分析当前故障对整个电子系统的影响程度；故障定位是在故障检测的基础上确定具体的故障源；故障排除是在故障定位的基础上排除故障。基于SAT的电路故障诊断分析流程如图2-7所示，具体地，首先通过电路仿真等技术手段获取相应先验知识以建立故障诊断模型，其中，故障诊断模型包括故障检测模型和故障分类模型；然后将实际电路的采集数据进行处理并输入到故障检测模型中以确定电路是否故障，若无故障继续监测，若存在故障，对故障进行分析、定位和排除；当确定存在故障后，处理采集数据，根据处理后的数据对电路的故障程度进行分析评估；同时把处理后的数据输入故障分类模型以确定故障源；最后根据故障定位结果排除故障。可以看出：故障检测和故障定位是电路故障诊断的基础，因此建立故障检测模型和分类模型是故障诊断的重中之重。故障检测故障检测模型被故障分析检故障信息是否发生是故障特征测采集及处理故障提取及处理电路否故障定位故障分类故障排除故障源确定模型图2-7基于SAT的电路故障诊断分析整体流程图根据文献[4]，在电路故障诊断中，主要考虑故障诊断方法的故障覆盖率、故障检测率及模糊组等参数指标。16 第二章相关理论基础1）故障覆盖率根据MIL-STD-2165《电子系统及设备的可测性大纲》，故障覆盖率（FaultCoverageRate，FCR）是对测试完整性和有效性的度量，其计算公式为：dFCR100%(2-27)其中：Kdii1式中：是指被检测到的第i个故障模式的发生度，是指系统的故障率，而K是i被检测到的故障模式数量，则表示能够检测到的所有故障模式的发生度总和。d一般用故障模式的数目代替故障模式的发生度，如下：NdFCR100%(2-28)N式中：N是能够检测到的故障模式数目，N为整个系统中所包含的故障模式总数。d2）故障检测率GJB2547-1995《装备测试性大纲》定义的故障检测率（FaultDetectionCoverageRate，FDCR）是指正确检测到的故障模式数SD与故障模式总数M之比，公式如2-29所示。SDFDCR100%(2-29)M3）模糊组根据GJB2547-1995《装备测试性大纲》，模糊组（ExpectedAmbiguityGroup，EAG）为一组可能故障的可更换单元，且各单元的故障表现相同。因此，EAG体现了故障诊断的精确程度。2.3行为级模型基础理论建模（Modeling）是人为的忽略次要因素，突出主要因素，对系统建立一定的数学、物理描述。行为级建模（BehaviorModeling）是在行为层面上描述一个系统要实现的功能，即系统做什么，忽略这个系统如何实现这些功能。因此，行为级模型（BehaviorModel）关注于系统的行为和功能，忽略其实现途径。在电路行为级建模中，忽略电路的内部构造和工作机理，将待行为级抽象的电路看作一个“黑盒子”，只需对电路的输入-输出行为进行建模。因此，电路的行为17 电子科技大学硕士学位论文级模型是对电路行为的一种抽象。同时行为级模型应符合以下几个原则[54]：1）相似性2）切题性3）吻合性4）可辨识性5）简单性6）综合精度2.3.1行为级建模方法介绍电路行为级建模是根据电路的输入-输出行为特性构造模型，主要方法[55]如下：1）构造法构造法是在了解电路内部构造和工作机理的基础上，利用等效简单电路模拟原电路的行为和功能。简化物理模型法和符号分析法是两种典型的构造法。2）模型降价法模型降阶法是通过简单电路模块间的组合来模拟原电路的行为和功能，以达到电路降阶的目的。3）数值逼近法数值逼近法是利用原电路的输入和输出数据，通过数学拟合，以一定的数学表达来模拟原电路的行为功能。相比于构造法和模型降阶法，该方法在自动化建模、适用性方面具有较大优势。2.3.2行为级模型的评价指标为迎合建模的“综合精度”原则，设计误差函数来评价行为级模型[56]，主要有如下几种误差函数：1）相对误差：N||xxii%i1Err(2-30)N||xii12）平均相对误差N2()xxii%i1Err(2-31)N2()xii118 第二章相关理论基础3）均方误差N12Err()xiix%(2-32)Ni1在式2-32、2-33、2-34中，x为系统实际的输出值，x%为行为级模型的输出值，iiN为输出值的个数。2.4基于行为级模型的电路故障诊断方法介绍本文将机器学习、行为级模型融入到电路故障诊断中，提出了基于行为级模型的电路故障诊断方法，其分析过程如图2-8所示。电路行为电路仿真数据预处理标准归一化仿真模型获取数据源数据源故障合并降维否是故障与否诊断结束单多单/多故障单故障诊多故障诊断模型断模型诊断结束是是否满足否精度要求电路故障诊断结束行为模型诊断结束图2-8基于行为级模型的电路故障诊断方法分析流程首先通过基于电路行为仿真模型的电路仿真、数据预处理、标准归一化、降维以及故障合并等处理获取电路故障诊断的数据源；然后在数据源的基础上判断电路是否故障，当电路故障时进行下一步，否则故障诊断结束；最后针对故障电路，判断其发生的是单故障还是多故障；当电路发生单故障时，利用单故障诊断方法进行故障排查；当电路发生多故障时，利用多故障诊断方法进行故障排查，并判断多故障诊断结果是否满足诊断精度要求，若满足则诊断结束，否则利用电路故障行为19 电子科技大学硕士学位论文模型进行故障的再定位。其中，电路的单故障诊断方法和多故障诊断方法在第三章介绍，电路的行为仿真模型和故障行为模型在第四章介绍。可将图2-8所示的电路故障诊断流程抽象为如图2-9所示的决策树，其中，“+1”表示电路正常，“-1”表示电路故障且确定故障原因。正常故障+1单故障多故障-1-1图2-9基于行为级模型的电路故障诊断决策树2.5本章小结本章首先对机器学习中的相关算法、电路故障诊断相关知识、行为级建模的相关理论以及基于行为级模型的电路故障诊断方法的整体流程进行了介绍，并说明了电路故障诊断和行为级模型的评价指标，为下文电路故障诊断实例和行为级建模实例提供了指标参考。20 第三章电路故障诊断方法研究第三章电路故障诊断方法研究故障检测和故障定位是电路故障诊断分析的基础和核心，本章主要集中在电路的故障检测和故障定位两阶段。首先介绍建立故障诊断模型（包括故障检测模型和分类模型）和行为级模型所需数据源的获取流程，然后介绍各种电路故障诊断方法，依据电路发生单故障和多故障两种不同的情况分别介绍电路单故障诊断和多故障诊断，同时在单故障诊断中，根据电路规模的不同，把电路单故障诊断方法分为单步诊断和两步诊断两种方法。这些方法的诊断流程可概括为图3-1的形式。实际电路的故障数据电路故障诊断建立故障检测否获取数据源故障检测是否故障继续监测模型是建立故障分类结果输出故障定位模型（故障源）图3-1电路故障诊断方法通用流程图首先利用故障检测模型对电路进行实时监测，检测电路是否发生故障；当电路发生故障时，需要利用故障分类模型对实测故障数据进行分类，进而实现故障定位。3.1模型数据源的获取本节主要介绍建立故障诊断模型和行为级模型所需数据源的获取过程，数据源是建立各模型的基础，因此其完善程度在一定基础上决定了故障诊断的准确率和效率，数据源的具体获取流程如图3-2所示。21 电子科技大学硕士学位论文电路正常仿真数据预处理基于CSDF标准基于PCA的数据提取参数化二分K均值聚类的仿真文件归一化降维故障合并电路时间-幅值标准特征最佳特征特征数据集类数据集单故障仿真序列数据集数据集图3-2模型数据源的获取流程图STEP1：通过对电路进行基于蒙特卡罗分析的仿真，获得原始数据（CSDF）文件；STEP2：通过对CSDF文件进行数据提取和参数化等数据预处理操作，得到特征数据集；STEP3：对特征数据集进行标准归一化处理，获得标准特征数据集；STEP4：利用PCA对标准特征数据集进行降维处理，获得最佳特征数据集；STEP5：利用二分K均值聚类对最佳特征数据集进行故障合并，获得类数据集。主要过程包括：1）电路仿真；2）数据预处理；3）标准归一化；4）基于PCA的降维；5）基于二分K均值聚类的故障合并。3.1.1基于蒙特卡罗分析的电路仿真电路仿真[39,40,43]包括：电路正常仿真和单故障仿真。正常仿真首先是通过EDA工具绘制电路原理图，然后进行模拟仿真来完成，本文选用的EDA工具为Candance下的OrCADCapture和PSpiceA/D。单故障仿真是基于正常仿真，通过遍历电路中所有的单故障状态完成的。由于电路所涉及的故障模式较多，因此采用一定的格式对单故障电路进行命名，格式为：序号-电路名-元器件类型-器件标号-器件单故障类型[39,40,43]。例如，“0001-SCHEMATIC1-C-C_C12-O_NULL”表示电路SCHEMATIC1中第一个（0001）故障模式为电容C12的开路故障。在每种电路状态（正常状态或者各单故障状态）下，通过仿真获得保存有仿真数据的CSDF文件。不同的元器件有不同的故障模式。本文仅涉及电容、电阻以及某些数字器件，其故障模式如图3-3所示，故障模式的具体实现参考文献[40]。22 第三章电路故障诊断方法研究开路(O_NULL)模拟器件短路电阻、电容(S_NULL)参数漂移(F-UP/F_DOWN)故障建模固高(H_管脚编号)固低(L_管脚编号)数字器件反向(I_管脚编号)开路(OZ_管脚编号)图3-3元器件故障模式概况图在电路故障诊断中，对每种电路状态进行多次仿真，获得较大的数据集足以便建立故障诊断模型和行为级模型。本文采用PSpiceA/D中的蒙特卡罗（MonteCarlo，MC）分析，获得同一电路状态下的多次仿真结果。MC分析是一种使元器件参数在给定容差内波动的电路仿真方式，可以获得容差元器件的多次仿真结果，以便后续电路分析。本质上MC分析模拟了实际元器件所允许的容差范围，使电路的仿真结果在某个范围内波动。3.1.2数据预处理无论是电路正常仿真还是单故障仿真，仿真结果都是以CSDF文件进行存储的。本节所介绍的数据预处理[39,40,43]就是对电路仿真所得到的CSDF文件进行数据提取、参数化的过程，具体流程如图3-4所示。根据信号CSDF时间-幅值特征数据提取的类型仿真文件数据集数据集进行参数化图3-4数据预处理流程图STEP1：根据文献[40]中对CSDF文件的格式分析，进行数据提取，得到每个CSDF文件对应的时间-幅值数据集，即每个电路状态对应的数据集。STEP2：对时间-幅值数据集进行参数化处理，得到代表各波形的特征向量，并组成特征数据集，其中模拟和数字信号的特征向量有所不同，具体如表3-1所示，各特征值的计算可参考文献[40]。23 电子科技大学硕士学位论文表3-1信号的特征向量及数学意义信号类型特征名称数学意义数字信号与正常波形目标波形与正常波形之差在整个时间域上的积分的距离与固低基准目标波形与固低波形之差在整个时间域上的积分的距离与固高基准目标波形与固高波形之差在整个时间域上的积分的距离下降沿个数目标波形在整个时间域上的下降沿个数上升沿个数目标波形在整个时间域上的上升沿个数不定态比例目标波形在整个时间域上不定态所占时间比例高阻态比例目标波形在整个时间域上高阻态所占时间比例错误比例目标波形在整个时间域上与正常波形不一致的时间所占比例模拟信号与正常波形目标波形与正常波形之差在整个时间域上的积分的距离与0V基准目标波形与“0V”基准之差在整个时间域上的积分的距离与5V基准目标波形与“5V”基准之差在整个时间域上的积分的距离最大值目标波形在整个时间域上的最大幅值最小值目标波形在整个时间域上的最小幅值均值目标波形在整个时间域上幅值的均值误差均值目标波形与正常波形之差在整个时间域上的均值误差方差目标波形与正常波形之差在整个时间域上的方差3.1.3标准归一化和基于PCA的降维表3-1涉及特征的量纲有所不同，包括距离、个数、错误比例等，会造成某些特征在数值上特别小，某些特别大，影响后续降维的效果，同时通过故障诊断模型实现故障定位是以“相似性”为基础，对于不同的特征来说，其量纲不同，会在一定程度上影响故障定位的效果。基于此，在进行降维处理之前需要对量纲不同的数据——特征数据集进行标准归一化处理[43]，得到标准特征数据集，使各特征处于相近的波动范围内，以解决数据量纲之间的可比性问题。有如下两种常用的归一化方法：1）FeatureScaling标准化FeatureScaling是一种将原数据映射到[0,1]范围内的线性转换，转换公式如式3-1所示。XXminX(3-1)normXXmaxmin其中：Xnorm为样本X经归一化后的样本数据，Xmax为原样本数据的最大值，Xmin24 第三章电路故障诊断方法研究为原样本数据的最小值。2）ZeroMeanNormalization标准化ZeroMeanNormalization将原数据的均值处理为0，转换公式如式3-2所示：XX(3-2)norm其中：、为原样本数据的均值和标准差。本文选用ZeroMeanNormalization作为标准归一化的处理手段。在标准特征数据集中，每种故障模式对应的标准特征向量长度为8维。通过对特征向量中各特征数学意义和波形的分析，发现某些特征之间存在明显的冗余。例如，在数字信号的特征向量中，若仿真时间没有随意地截断数字信号，“上升沿个数”和“下降沿个数”应该是相等的；在模拟信号的特征向量中，“与0V基准的距离”和“与5V基准的距离”的特征值之和为1。另外，不同的特征在电路故障诊断中的重要程度不同。因此若直接在标准特征数据集的基础上进行聚类建立故障诊断模型，可能会因为特征之间的强相关性、冗余以及各特征所占比例不同等问题，造成故障诊断性能不佳，甚至低下。基于此，本文利用PCA对标准特征数据集进行降维，以解决数据冗余问题，避免维灾难，提高数据对有效信息的覆盖率，得到最佳特征数据集。3.1.4基于二分K均值聚类的故障合并在电路故障诊断中，由于测试节点的不完善性以及特征向量的冗余性，往往会造成某些故障在表现上出现重叠的现象，这种现象为故障重叠[53]，具体如图3-5所示。特别是在大规模电路中，其故障较多，出现故障重叠的概率较大。(a)无特征重叠(b)存在特征重叠图3-5故障重叠示意图图3-5（a）中，故障A、B的特征状态互相分离；图3-5（b）中，故障A、B的特征状态存在部分重叠区域CAB。因此，需要通过一定的处理手段，使处理后的故障在特征状态上互不相交，减少因故障重叠造成的误诊，提高电路故障诊断的正确率。具体处理方法有如下两种：1）合并法如图3-6所示，通过合并法把存在故障重叠的多个故障合并为一个故障类：25 电子科技大学硕士学位论文ABAB。图3-6合并法示意图2）拆分法如图3-7所示，通过拆分法把交叠的部分作为一个单独的故障CAB，而原始的故障缩减为去除C后剩余的部分，AAC，BBC。图3-7拆分法示意图本文的电路故障诊断中，在特征状态上存在互相交叠的是故障模式，为电路故障的最小表现形式（最小的级别单位），因此，利用拆分法消除故障重叠是不可行的，所以采用合并法。可采用二分K均值聚类对最佳特征数据集中的故障样本进行合并，消除故障重叠现象，得到类数据集，其中类数据集包括各故障模式的编号和相应的最佳特征数据向量及其所属类故障的编号。3.1.5模型数据源获取的实例以截取于某大型系统的时钟产生电路作为待诊断电路，该电路中一个正弦高频信号（10.23MHZ）经过滤波电路进行整流，再经过LM161转换为数字信号，同时10.23MHZ正弦高频信号经过AM26LS32作为该数字信号的备份信号，最后经过一个16分频电路产生其它子系统所需的时钟信号，具体如图3-8所示。26 第三章电路故障诊断方法研究图3-8某时钟电路示意图该电路所含器件如表3-2所示。电路状态包含一个正常态和56个故障态，即56个故障模式，表3-3描述了该电路部分器件的部分故障模式。表3-2实例电路中所含元器件类型、数目表名称数目电阻（R）8电容（C）2数字器件AM26LS321LM161154AC1611表3-3实例电路中所含元器件的故障模式表故障模式物理意义0002-SCHEMATIC1-C-C_C12-S_NULL电容C12短路0003-SCHEMATIC1-C-C_C12-F_UP电容C12参数上漂20%0005-SCHEMATIC1-R-R_R12-O_NULL电阻R12开路0008-SCHEMATIC1-R-R_R12-F_DOWN电阻R12参数下漂20%0025-SCHEMATIC1-54AC161-X_D3-OZ_11D3的11管脚输出为高阻态0027-SCHEMATIC1-54AC161-X_D3-H_11D3的11管脚输出为固高0029-SCHEMATIC1-54AC161-X_D3-L_11D3的11管脚输出为固低0031-SCHEMATIC1-54AC161-X_D3-I_11D3的11管脚输出反向……STEP1：在OrCADCapture中绘制如图3-8所示的电路原理图，并利用PSpiceA/D27 电子科技大学硕士学位论文进行基于MC分析的电路正常仿真和单故障仿真，并把仿真数据保存为CSDF文件，以此为基础建立各有容差的数据集，其中，将电阻和电容的容差设为5%，对正常电路做1000次MC分析，每种故障模式做50次MC分析。电路正常仿真的第一次MC分析中输出节点S9的波形如图3-9（a）所示；一共存在56个故障模式，因此需进行56次单故障仿真，例如：故障“0001-SCHEMATIC1-C-C_C12-O_NULL”的第一次MC分析仿真中S9上的波形如图3-9（b）所示，输出结果为固低状态。(a)电路正常仿真的第一次MC分析(b)故障“0001-SCHEMATIC1-C-C_C12-O_NULL”仿真的第一次MC分析图3-9实例电路仿真中输出节点S9的波形图1表3-4实例中节点S9的有容差特征数据集28 第三章电路故障诊断方法研究STEP2：输出节点S9上的信号属于数字信号，对每种电路状态的CSDF文件进行数据预处理，转换为一个8维的特征向量，节点S9对应的基于MC分析的有容差特征数据集如表3-4所示，每一次MC分析经处理后的数据为一个样本。STEP3：对特征数据集进行ZeroMeanNormalization标准归一化处理，其中处理过程的均值和标准差如表3-5所示，获得如表3-6所示的有容差标准特征数据集。表3-5实例中节点S9的ZeroMeanNormalization处理均值和标准差特征与正常波与固低基与固高基不定态高阻态上升沿下降沿错误名称形的距离准的距离准的距离比例比例个数个数比例均值0.11760.14720.85280.08930.01794.41074.46430.0818标准差0.25890.24330.24330.28770.13362.96512.96620.2542表3-6实例中节点S9的有容差标准特征数据集STEP4：在标准特征数据集中，故障模式对应的“与固低基准的距离”值和“与固高基准的距离”值在数值上相同，符号上相反，数据集存在明显的冗余。利用PCA进行降维，取有效信息覆盖率99%，处理过程中，新坐标系各维度成分所占比例如表3-7所示，为满足式2-4，取新坐标系前4个轴对应的特征向量组成如式3-3所示的转换矩阵T，获得有容差最佳特征数据集如表3-8所示。29 电子科技大学硕士学位论文表3-7实例中节点S9的PCA处理的新坐标各维度成分所占比例维度12345678比例0.53500.24340.14960.07050.00147.1492E-74.2413E-88.7054E-330.46860.1242-0.1365-0.09740.45400.1976-0.18120.0105-0.4540-0.19760.1812-0.01050.2528-0.3583-0.47430.6045(3-3)T0.17920.07330.71600.6499-0.26730.5567-0.20420.2681-0.24220.5857-0.21270.21760.37730.34590.3019-0.2884表3-8实例中节点S9的有容差最佳特征数据集STEP5：在最佳特征数据集中，故障模式“0001-SCHEMATIC1-C-C_C12-O_NULL”和“0002-SCHEMATIC1-C-C_C12-S_NULL”的最佳特征值相似乃至相同，两者的第一次MC分析故障波形如图3-10所示。30 第三章电路故障诊断方法研究(a)故障“0001-SCHEMATIC1-C-C_C12-O_NULL”仿真的第一次MC分析(b)故障“0002-SCHEMATIC1-C-C_C12-S_NULL”仿真的第一次MC分析图3-10实例电路仿真中输出节点S9的波形图2两故障模式在S9上的输出波形均表现为固低。因此，利用二分K均值聚类进行故障合并以消除故障重叠。电路共涉及56个故障模式，理想情况下，聚类结果的类故障数目最多为56个，绘制如图3-11所示的ElbowMethod图。图3-11实例中节点S9的二分K均值聚类ElbowMethod示意图图3-11中，在ElbowMethod图像中，理想类数目从2遍历至56，不考虑聚类结果数为1的情况，最佳的聚类结果数为7，具体数据如表3-9所示。表3-10描述了聚类结果数为7时的有容差类数据集，其中只罗列出了每种故障模式第一次MC分析的最佳特征数据。31 电子科技大学硕士学位论文表3-9实例中节点S9的二分K均值聚类ElbowMethod数据表表3-10实例中节点S9的有容差类数据集STEP6：以同样的步骤获得图3-8中节点S1、S2、…、S8的各有容差数据集。3.2电路的单故障诊断据文献[57]统计：“在实际应用中，电子设备发生单故障的概率是故障总数的70%～80%”。因此，绝大多数电路可直接利用单故障诊断方法进行故障的定位和排除。本节在电路发生单故障的前提下，进行故障诊断，根据电路规模的不同，把电路单故障诊断方法分为简单电路的单步故障诊断和系统级电路的两步故障诊断两种。32 第三章电路故障诊断方法研究3.2.1基于分类模型的单步故障诊断基于分类模型的电路单步故障诊断适用于小规模的简单电路，这种电路包含故障模式较少、故障情况较为单一，可直接利用故障分类模型进行故障诊断。该方法的核心是建立故障分类模型，模型结构较为简单，流程如图3-12所示。实际电路的故障数据获取故障通过分类算法结果输出分类模型建立故障定位诊断结束（故障源）的数据源故障分类模型图3-12基于分类模型的电路单步故障诊断流程图首先根据3.1节中的有容差的类数据集建立故障分类模型，然后当实际电路发生故障时，把电路的故障信息输入到该模型中，模型输出实际故障所属类别，该类别指示到某一类故障，最后根据类数据集中该类故障所包含的故障模式，确定实际电路可能的故障源，所以最终的定位结果为类故障，即故障模式集合，同样的根据故障模式所属元器件，也可以定位至元器件集合。根据所用分类算法的不同，包括基于BPNN的单步故障诊断和基于SVM的单步故障诊断，具体在3.2.1.1和3.2.1.2小节进行介绍。3.2.1.1基于BPNN的单步故障诊断基于BPNN的单步故障诊断方法的关键在于建立基于BPNN的单故障分类模型。测前，由于存在某些故障模式对电路系统的影响相似，因此，基于BPNN的单故障分类器把3.1节中的类数据集作为训练数据，其中最佳特征数据为网络的输入数据，类故障编号为网络的输出数据，与此同时确定网络结构；再利用梯度下降法将BP神经网络训练好，用于实际诊断。测后，在相同的激励下，获取实际故障电路的最佳特征数据向量，并将它作为样本输入给训练好的BP神经网络，根据输出结果，确定实际的类故障编号，并根据类数据集确定相应的故障源。文献[44]指出“根据Kolmogorov定理，具有一个隐含层（隐含层节点足够多）的三层神经网络能在闭集上以任意精度逼近任意非线性连续函数”。因此，在基于BPNN的单步故障诊断中选用如图2-4所示的三层网络结构。显然，在基于BPNN的单故障分类模型结构的确定过程中，输入层与输入数据有关，输出层与输出数据有关。BP神经网络输入为各故障模式的最佳特征数据，输出为各故障模式所属的类故障编号。假设训练BP神经网络的数据为33 电子科技大学硕士学位论文{[12...],AAIndex}，其中[12...]AA表示最佳特征数据，作为BP网络的输入数据，所以网络输入层的节点数为最佳特征数据的长度；Index表示基于二元向量（one-hot编码）的类故障编号，作为BP网络的输出数据，所以输出层的节点数为类故障的数目；隐含层节点数可根据公式3-4确定。nnna(3-4)io式中：n为隐层节点数，ni为输入节点数，no为输出节点数，a为[1,10]内一常数，本文a取10。3.2.1.2基于SVM的单步故障诊断基于SVM的电路单步故障诊断实际上是利用多分类的SVM进行故障分类，属于非线性映射问题，其关键在于建立基于多分类非线性SVM的单故障分类模型。首先根据任务的复杂程度确定SVM的模型结构，包括采用哪种多分类组合方式、核函数类型等；然后获取SVM的训练数据，与基于BPNN的单步故障诊断相同，取3.1节中的类数据集作为训练数据，且输入和输出数据的格式同BP网络一致；其次利用训练数据训练所需的基于多分类非线性SVM的单故障分类模型；最终在相同激励的作用下，获取实际电路的最佳特征数据值，并将它们作为样本输入给多分类SVM模型，获得输出结果，根据类数据集，确定实际故障源。3.2.1.3分类模型数据集的划分机器学习中，在建立分类模型时，例如BP神经网络、SVM等，为了方便模型的建立与测试，同时避免数据的重复使用，将整个样本数据集合进行划分，得到训练样本集（TrainSampleSet，TrainSet）、交叉验证样本集（CrossValidationSampleSet，CVSet）、测试样本集（TestingSampleSet，TestSet）。训练样本集用于分类模型的构建；交叉验证样本集辅助分类模型的构建或用于模型的测试；测试样本集用于检验分类模型。一般的，将数据集划分为TrainSet、CVSet以及TestSet的比例为3：1：1。本文利用TrainSet和CVSet建立各分类模型，包括BP神经网络、SVM以及异常检测模型，并用TrainSet、CVSet进行模型性能的自测试，用TestSet进行模型的泛化性测试。3.2.1.4基于分类模型的单步故障诊断实例以3.1.5节中的时钟电路为例，测试基于BPNN/SVM的单步故障诊断方法。按照3.2.1.3小节所述对节点S9的有容差类数据集进行数据集的划分，划分比例为34 第三章电路故障诊断方法研究3：1：1。表3-11描述了数据集的划分情况，例如，TrainSet包含了有容差类数据集中各故障模式对应的30个样本。表3-11实例中基于分类模型的单步故障诊断方法的数据集划分概况表数据集包含的各电路TrainSetCVSetTestSet状态的样本数正常电路的样本数0各故障电路的样本次数301010然后按照3.2.1.1和3.2.1.2小节中的步骤，利用数据TrainSet分别建立基于BPNN/SVM的单故障分类模型，该模型需要完成7分类，经过参数调整，最终确定各模型的参数分别如表3-12和表3-13所示。表3-12实例中基于BPNN的单步故障诊断模型参数和训练参数表模型参数模型参数值训练参数训练参数值网络层数3学习方法L-M梯度下降法输入层节点数4学习速率0.05输出层节点数7训练目标-最小误差0.01隐含层节点数13第一层传输函数对数S型转移函数第二层传输函数线性函数表3-13实例中基于SVM的单步故障诊断模型参数表多分类组合方式模型参数模型参数值1VS1多分类SVM二分类支持向量机个数21核函数类型高斯核函数1VSR多分类SVM二分类支持向量机个数7核函数类型高斯核函数利用样本集TrainSet、CVSet和TestSet对基于BPNN/SVM的单步故障诊断方法进行性能测试，结果见表3-14。表3-14实例中基于BPNN/SVM的单步故障诊断方法的性能测试结果电路故障诊断方法样本数据集性能指标FCRFDCREAG基于BPNN的TrainSet100.00%98.54%类故障单步故障诊断CVSet100.00%97.88%TestSet100.00%98.69%基于SVM的1VS1TrainSet100.00%99.04%类故障单步故障诊断CVSet100.00%98.47%TestSet100.00%98.61%1VSRTrainSET100.00%98.51%类故障CVSET100.00%98.75%TestSET100.00%97.93%35 电子科技大学硕士学位论文其中，两种单步故障诊断方法在各样本集上对故障的覆盖程度较完善；两者的故障检测性以及方法的泛化性较好；两者最终的定位结果均为类故障，即故障模式的集合，定位精度较高。3.2.2基于异常检测模型的两步故障诊断基于分类模型的电路单步故障诊断仅适用于诊断较为简单的电路，当遇到规模庞大的系统级电路时，其诊断效率和准确率必然下降，因此本节提出了基于异常检测模型的两步故障诊断方法。系统级电路所含故障模式众多，电路故障状态复杂，因而诊断难度较大。与单步故障诊断不同，基于异常检测模型的两步故障诊断方法首先进行一级定位，定位至故障子电路；然后在一级定位结果的基础上进行二级定位，确定故障源。其故障诊断信息包括两方面：子电路是否故障和不同的故障模式能否相互隔离[58]。3.2.2.1电路模块划分大规模的系统级电路包含元器件众多，涉及的故障模式也较多，直接进行电路故障分析，计算量大、分析时间长，且容易造成故障定位不准等问题。所以针对大规模电路，首先进行电路模块划分，确定各子电路中所包含的测试节点、元器件以及故障模式。电路模块划分主要有两种方法，如下：1）电路模块按功能划分电路模块按功能划分顾名思义，在了解电路功能的基础上，将大规模电路划分成为几个小的功能单元。2）撕裂法撕裂法[59,60]是指对电路直接进行撕裂，分为若干个小电路模块，无需对电路的功能有所了解。在电路故障诊断中，电路模块划分应遵循以下原则：1）只有可及节点才能划分，包括公共节点。2）划分后的各个子电路之间没有拓扑关系和参数之间的耦合。3）划分时，尽量使子电路的规模为最小，即可及节点可以再继续划分时，应继续划分。4）划分时，尽量保持各子电路结构的相对完整性。本文划分电路模块时采用电路模块按功能划分的方法。3.2.2.2基于参数-密度估计法的异常检测模型基于单类学习的异常检测模型（AnomalyDetectionModel，ADM）在两步电路36 第三章电路故障诊断方法研究故障诊断中充当故障检测器的角色，用来发现目标子电路的故障态与正常态是否有所不同，即是否存在故障。在故障检测器中，子电路的正常状态（目标类）称为Object，子电路的故障状态（非目标类）称为Object，选择FScore作为评价指标。011选用基于参数法的密度估计法建立该模型，先根据数据样本确定数据的正态分布模型N(,)，再根据样本的实际类别和正态分布模型对样本的预测类别，确定最佳概率阈值Best。具体流程如图3-13所示。STEP1：确定待分析对象的目标类Object0和非目标类Object1。STEP2：取Object0的M1个样本和Object1的M2个样本组成数据样本集12n（MM12），各样本为n维向量Xxxiiii[,x,...,]，假设各样本特征之间是不相ml关的，即xi与xi之间的相关值为0(1lmn)。STEP3：将数据样本集划分为TrainSet、CVSet和TestSet，其中：TrainSet中的样本只覆盖Object0，CVSet和TestSet包含的样本需要同时覆盖Object0和Object1。STEP4：确定异常检测模型对应的正态分布模型。基于TrainSet，获取多元正态分布参数，由于样本各特征之间的不相关性，则：L1jjixLi1L221jjij(),1xjn(3-5)Li12其中：L为TrainSet的大小；j为均值向量[,12,...,]n的第j维取值；j为222协方差矩阵diag(,,...,12)n的第j个对角线元素。则多元正态分布N(,)可表示为式3-6的形式。PX()PX(;,)111(3-6)(()())expXXn2(2)|2|37 电子科技大学硕士学位论文开始确定分析对象的取CVSet中一个样本目标类和非目标类样本输入到模型N(,)获取目标类样本M1个、获取输出概率值P非目标类样本M2个，构建数据样本集否是否遍历CVSet中所有样本数据样本集划分，获取TrainSet、CVSet、TestSet是获取所有样本对应概率值P的基于TrainSet确定正态分布模型最大值和最小值正态分布模型的参数N(,)Pmax、Pmin初始化基于CVSet确定BestF0概率阈值BestPminPminStepR基于TestSet测试异常检测模型根据P,样本属于非目标类结束P,样本属于目标类确定预测类别根据CVSet中样本实际类别计算FScore1是否BestFFScore1BestFFScore1BestStepStep是Pmax否概率阈值Best图3-13基于密度法的参数估计法流程图38 第三章电路故障诊断方法研究STEP5：确定异常检测模型的概率阈值。基于CVSet，确定阈值，使得满足式3-7。样本属于非目标类,P(3-7)样本属于目标类,P的确定过程具体如下：（1）基于CVSet，通过正态分布N(,)求各样本的概率值P。（2）获取概率值P中的最小值Pmin和最大值Pmax。PPmin()min(3-8)PPmax()max（3）初始化。令BestF为0，存储FScore1的最佳得分；令Best为Pmin，存储最佳阈值；令当前概率阈值为Pmin；令阈值增长步长为Step，根据要求取值为正实数（R）。（4）根据式3-9比较CVSet中所有样本的概率值P和当前阈值的大小关系，获取样本的在当前概率阈值下的预测类别。P,样本属于非目标类(3-9)P,样本属于目标类（5）根据CVSet中所有样本的预测类别与实际类别计算当前概率阈值对应的FScore1。（6）如果BestFFScore1，则BestFFScore1Best(3-10)Step否则，Step(3-11)（7）若此时Pmax，则继续步骤（4）～（7）；否则进行下一步。（8）异常检测模型的最佳概率阈值为Best。STEP6：利用TestSet测试该异常检测模型（包括N(,)和Best），获取该模型在TestSet上的FScore1。3.2.2.3基于异常检测模型的两步故障诊断理论基础在基于异常检测模型的两步故障诊断中，异常检测算法与电路模块划分相结合39 电子科技大学硕士学位论文进行一级定位，排除正常子电路，把故障源定位至某个或者某几个子电路，缩小故障搜索范围，节省大规模电路故障定位的时间和工作量。最后在一级定位结果的基础上，利用故障子电路的故障分类模型进行二级定位，并根据相应的类数据集确定具体故障模式，实现故障诊断。基于异常检测模型的两步故障诊断的核心是建立各子电路的故障检测模型和故障分类模型，该诊断方法的具体流程见图3-14。系统级电路模块划分电路子电路1子电路2...子电路n故障诊断模型数据源的电路仿真获取故归建立降障数据预处理一故障检测模型组维合化并实际故障建立获取特征数据一级定位电路故障分类模型组获取最佳特征输出二级定位诊断结束数据故障原因图3-14基于异常检测模型的两步故障诊断流程图STEP1：对系统级电路进行模块划分，划分为几个子电路，并确定各子电路的测试节点，本节取子电路的输出节点为测试节点。STEP2：通过电路仿真获得各子电路测试节点的CSDF数据文件，并按照3.1小节获取建立各子电路故障诊断模型的数据源。STEP3：建立子电路的异常检测模型组。异常检测模型作为故障检测器，发现故障子电路，并且由于同节点同特征的数据近似地呈高斯分布，因此基于各子电路特征数据集中的“与正常波形的距离”特征数据，采用基于参数法的密度估计法建立各子电路的异常检测模型。STEP4：利用各子电路的类数据集建立相应的故障分类模型，本节选用BP神经网络作为各子电路的故障分类器。STEP5：在相同激励的作用下，获取实际电路各子电路的特征数据向量和最佳特征数据向量；将特征数据向量中“与正常波形的距离”的特征值作为样本输入给故障检测模型组，确定故障子电路；将最佳特征数据向量输入给目标子电路的BP神经网络模型，获得类故障标号，并根据该子电路的类数据集确定最终的故障源。3.2.2.4基于异常检测模型的两步故障诊断实例以3.1.5节中的时钟电路为例，对该电路进行基于异常检测模型的两步故障诊40 第三章电路故障诊断方法研究断方法测试，具体过程如下：STEP1：采用电路模块按功能划分的方法对电路进行模块化，分成四个小功能模块：滤波器模块（FilterModule）、比较器模块1（CompareModule1）、比较器模块2（CompareModule2）和16进制计数器（Counter16Module），模块划分结果见图3-15。各子电路包含的元器件以及测试节点见表3-15。图3-15实例电路模块划分示意图表3-15实例中各子电路包含的元器件和测试节点表子电路名称元器件测试节点FilterModuleC11、C12、R9、R10、R11S3CompareModule1R15、AM26LS32_D1S5CompareModule2R12、R13、R14、R16、LM161_D2S7Counter16Module54AC161_D3S9STEP2：选择3.1.5节中节点S3、S5、S7、S9的有容差特征数据集和类数据集作为建立各子电路故障诊断模型的数据源。其中，各有容差类数据集的维度和类故障数目如表3-16所示。表3-16实例中各子电路的有容差类数据集概况表子电路名称最佳特征数据向量维度类故障数目FilterModule37CompareModule138CompareModule2310Counter16Module4741 电子科技大学硕士学位论文STEP3：建立子电路的异常检测模型组。（1）对各子电路有容差特征数据集的“与正常波形的距离”特征进行数据集的划分，用以建立各子电路的异常检测模型ADM_FilterModule、ADM_CompareModule1、ADM_CompareModule2以及ADM_Counter16Module。其中，各子电路异常检测模型的数据集划分情况相同，具体见表3-17。例如，各异常检测模型的CVSet包含了有容差特征数据集中正常状态100个样本和各故障模式1个样本的“与正常波形的距离”特征数据。表3-17实例中基于异常检测模型的两步故障诊断方法的异常检测模型组数据集划分概况表数据集包含的各子电路TrainSetCVSetTestSet状态的样本数正常电路的样本数800100100各故障电路的样本数011（2）按照3.2.2.2小节中基于参数法的密度估计法的流程，利用各子电路异常检测模型的数据样本集TrainSet和CVSet建立故障检测模型组，该模型组的参数如表3-18所示。通过TestSet对各子电路的故障检测模型进行测试，结果如表3-19所示。表3-18实例中基于异常检测模型的两步故障诊断方法的异常检测模型组参数表子电路异常检测模型名称正态分布模型N(,)最佳概率阈值BestADM_FilterModuleN(0.0026,1.7670E-04)29.9516ADM_CompareModule1N(06.9965E-04,1.4827E-05)103.3973ADM_CompareModule2N(0.0015,3.6506E-05)65.8957ADM_Counter16ModuleN(0.0590,6.6102E-28)1.5507E+10表3-19实例中基于异常检测模型的两步故障诊断方法的异常检测模型组在TestSet上的性能测试结果子电路异常检测模型名称FNFPFScore1ADM_FilterModule0.250.23210.8257ADM_CompareModule100.19640.9231ADM_CompareModule200.19640.9126ADM_Counter16Module00.16070.9126表3-19中，只有ADM_FilterModule对正常样本的误判率（FN）较高，其余子电路的异常检测模型较为有效，此外各子电路对故障样本的误判率（FP）均保持在0.15～0.25之间，表示存在某些故障样本最终并不导致某些子电路的故障。考虑到综合因子FScore，子电路故障检测模型组的检测效果较好。1STEP4：建立子电路的BP神经网络模型组。42 第三章电路故障诊断方法研究（1）划分各子电路的有容差类数据集以建立各子电路的BP神经网络模型BPM_FilterModule、BPM_CompareModule1、BPM_CompareModule2和BPM_Counter16Module，划分比例为3：1：1。（2）根据3.2.1.1小节中BP神经网络的建立流程，建立子电路的BP神经网络模型组，用于子电路的故障分类。分别利用TrainSet、CVSet以及TestSet对各子电路的故障分类模型进行测试，结果如表3-20所示。表3-20实例中基于异常检测模型的两步故障诊断方法的BP神经网络模型组的性能测试结果子电路BP神经网络模型数据集性能指标名称FCRFDCREAGBPM_FilterModuleTrainSet100.00%96.13%类故障CVSet100.00%95.89%类故障TestSet100.00%95.71%类故障BPM_CompareModule1TrainSet100.00%99.86%类故障CVSet100.00%99.15%类故障TestSet100.00%99.99%类故障BPM_CompareModule2TrainSet100.00%98.57%类故障CVSet100.00%98.57%类故障TestSet100.00%98.04%类故障BPM_Counter16ModuleTrainSet100.00%98.21%类故障CVSet100.00%98.21%类故障TestSet100.00%98.21%类故障STEP5：将异常检测模型组和BP神经网络模型组的TestSet样本集进行合并作为系统的测试样本，对搭建的两步故障诊断系统进行整体测试，结果见表3-21，该两步故障诊断系统在诊断单故障方面具有较好的诊断效果。表3-21实例中基于异常检测模型的两步故障诊断方法的性能测试结果电路故障诊断方法FCRFDCREAG基于异常检测模型的两步故障诊断100.00%94.29%类故障3.2.3小结针对于电路单故障诊断，3.2.1节中介绍了基于分类模型的单步故障诊断方法，其中，分类模型包括BP神经网络和SVM。该方法对于简单电路的故障诊断效果较好，这是本身分类算法的优越性造成的，但是这种方法也具有局限性，扩展性不强，不能普遍地用于系统级电路。因此，在3.2.2节中提出了基于异常检测模型的两步故障诊断方法，在电路模块划分的基础上，通过故障检测模型、故障分类模型层层缩减故障范围，最终定位到故障源。由于条件限制，单步故障诊断方法与两步故障诊断方法的测试实例为同一电43 电子科技大学硕士学位论文路，致使两步诊断系统的诊断效果不是很突出，但是从理论上分析可知，两步故障诊断方法可以扩展至系统级电路，且适用于系统级电路的单故障诊断。与文献[43]相比，在故障诊断方法的测试环节中，更贴近于实际环境，并且对于诊断相同的电路，本节涉及的方法在定位准确率方面有较大提升。3.3系统级电路的多故障诊断电路故障诊断中，虽然多故障发生的概率较低，仅为20%～30%，但其组合类型有无穷多种，仍是电路故障源中不可忽视的一部分。因此，电路的多故障诊断势在必行。在电路多故障诊断过程中，由于多故障组合无法穷举，面临着几乎无法获取所有多故障样本且获取样本代价极高的问题。因此，由繁入简，基于单类样本学习构造多个两分类器——异常检测模型，通过各异常检测模型的层层筛选确定最终的故障源。3.3.1基于聚类-重建法的异常检测模型在多故障诊断中，异常检测模型作为两分类器，用于故障的筛选，从所有电路状态中筛选出故障状态，再从故障状态中筛选出单故障状态和多故障状态等等。建立这些筛选器分别采用了基于参数法的密度估计法和基于聚类的重建法，其中基于参数法的密度估计法已在3.2.2.2节中介绍，本节主要介绍基于聚类的重建法。假设异常检测模型中的目标类称为Object0，非目标类称为Object1，选择FScore作为异常检测模型的评价指标。基于聚类的重建法中，需要根据数据样本1确定数据的类分布和类分布中心ClusterCenter，再根据样本的实际类别和基于类分布中心计算得到的预测类别，进而确定最佳距离阈值Best。具体流程如图3-16所示。STEP1：确定待分析对象的目标类Object0和非目标类Object1。STEP2：取Object0的M1个样本和Object1的M2个样本组成数据样本集12n（MM12），各样本为n维向量Xxxiiii[,x,...,]。STEP3：将数据样本集划分为TrainSet、CVSet和TestSet，其中：TrainSet中的样本只覆盖Object0，CVSet和TestSet包含样本需要同时覆盖Object0和Object1。44 第三章电路故障诊断方法研究开始确定分析对象的取CVSet中一个样本目标类和非目标类根据样本计算到各类分布中获取目标类样本M1个、心的距离非目标类样本M2个，构建数据样本集否是否遍历CVSet中所有样本数据样本集划分，获取TrainSet、CVSet、TestSet是获取类距离DistOfCluster基于TrainSet确定类分布中心类分布和类分布中心ClusterCenter获取所有样本对应类距离的最大值和最小值基于CVSet确定D、D距离阈值maxmin初始化BestF0基于TestSet测试异常检测模型BestDminDminStepR结束根据DistOfCluster,样本属于非目标类DistOfCluster,样本属于目标类确定预测类别根据CVSet中样本实际类别计算FScore1是否BestFFScore1BestFFScore1BestStepStep是Dmax否距离阈值Best图3-16基于聚类的重建法流程图45 电子科技大学硕士学位论文STEP4：确定异常检测模型的类分布及类分布中心。对样本集TrainSet进行二分K均值聚类，获取最终的聚类结果，即为类分布ClusterClusterCluster[,,...,]12Clusterm，其中：Clusterjjm(0)为第j个类，m为类数目；对类分布进行处理，获取各类的类分布中心ClusterCenter[ClusterCenterClusterCenter12,,...,ClusterCenterm]，第i个类的类分布中心计算公式如式3-12所示。1ClusterCenterijX(3-12)LXClusterji其中：L为第i个类Clusteri中包含的样本个数，ClusterCenteri为一个n维向量。STEP5：基于CVSet，确定异常检测模型的距离阈值，使得满足：当样本属于目标类时，其与各类中心距离的最小值小于，否则，反之。确定的过程具体如下：（1）按照式3-13计算CVSet中各样本到各类分布中心的距离。nmm2DistijxiClusterCenterj()(3-13)m1其中：Distij表示第i个样本到第j个类分布中心的距离。则CVSet中第i个样本到各类分布中心的距离向量为DistiDistDistiiim[,,...,]12Dist。（2）取样本的距离向量Dist中最小距离作为样本到所属类的距离，即类距离，计算式如下：DistOfClusterDistmin()(3-14)ii基于此，获取CVSet中所有样本的类距离DistOfClusterDistOfClusterDistOfCluster[,,...,]DistOfCluster，其中：k为样本集12kCVSet的大小。（3）获取距离DistOfCluster中的最小值Dmin和最大值Dmax，如式3-15所示。DDClustermin()min(3-15)DDClustermax()max（4）初始化。令BestF为0，存储FScore1的最佳得分；令Best为Dmin，存储最佳距离阈值；令当前阈值为Dmin；令阈值增长步长为Step，根据要求取值为正实数（R）。（5）根据式3-16，通过比较CVSet中所有样本的类距离值DistOfCluster和当前距离阈值的大小关系，获取样本的在当前距离阈值下的预测类别（预测类别不是指聚类结果中的各个类，而是指Object0、Object1）。46 第三章电路故障诊断方法研究DistOfCluster,样本属于非目标类(3-16)DistOfCluster,样本属于目标类（6）根据CVSet中所有样本的预测类别与实际类别计算在当前距离阈值下的FScore1。（7）如果BestFFScore1，则BestFFScore1Best(3-17)Step否则，Step(3-18)（8）若此时Dmax，则继续步骤（5）～（8）；否则进行下一步。（9）异常检测模型的距离阈值为Best。STEP6：利用TestSet测试该异常检测模型（包括ClusterCenter和Best），获取该模型在TestSet上的FScore1。3.3.2电路多故障诊断理论基础多故障电路往往表现有如下两个特点：1）某些多故障组合电路的特征表现与某些单故障电路的特征表现相近，甚至相同，因此无法利用传统的分类模型加以区分；2）某些多故障组合电路与其所包含的单故障对应的电路在特征表现上相差巨大，无法通过针对这些单故障建立的分类模型进行多故障定位。针对多故障组合电路的以上特点，本文中的多故障诊断方法采取以下解决措施：1）由于电子设备发生单故障的概率是故障总数的70%～80%[57]，远高于多故障的发生概率，所以在故障诊断时，优先考虑单故障的情况，即当电路的故障表现既符合单故障又符合多故障时，首先认为电路的故障状态为单故障；2）由于某些多故障的特征表现与其所包含的单故障的特征表现没有直接联系，因此采用基于单类学习的异常检测模型实现多故障诊断。在电路单故障诊断中，单故障状态是可以穷举的，因此可以利用机器学习中的分类算法建立故障分类模型来实现故障定位。但是多故障组合无法穷举，所以多故障电路的诊断不可能像单故障诊断那样利用标准的分类算法实现。综合电路的所有状态，可分为三种：正常状态、单故障状态和多故障状态，除多故障状态以外，47 电子科技大学硕士学位论文其它状态都是可以穷举的。因此在电路多故障诊断中，可以利用基于单类学习的异常检测算法，分别建立以正常态和单故障态为目标类的异常检测模型，利用排除法，确定多故障源。电路多故障诊断是一种以异常检测模型为核心的诊断方法，可以分为建立诊断模型和诊断模型的应用两部分，建立多故障诊断模型的流程如图3-17所示。开始获取故障诊断模型的数据源电路模块划分建立检测电路是否故障建立检测电路是否为多建立单故障分类模型建立各子电路的的异常检测模型故障的异常检测模型BPM_SingleFaultADM_FaultADM_MultipleFault异常检测模型组ADM_Subcircuit结束图3-17多故障诊断模型的建立流程图STEP1：按照3.1小节所述步骤进行处理，获取建立故障诊断模型的数据源，需要注意的是在电路仿真时，除了正常电路仿真、单故障仿真，另外增加了电路多故障仿真，多故障仿真的后续数据处理与其它仿真是相同的。STEP2：以电路输出节点有容差特征数据集的“与正常波形的距离”特征数据为基础，采用基于参数法的密度估计法建立检测电路是否故障的故障检测模型ADM_Fault。在ADM_Fault中，以正常电路的样本为Object0，故障电路的样本（包括全部的单故障和部分的多故障的情况）为Object1。STEP3：以电路输出节点有容差特征数据集的“与正常波形的距离”特征数据为基础，采用基于聚类的重建法建立检测故障电路是否为多故障的异常检测模型ADM_MultipleFault。在ADM_MultipleFault中，以全部单故障电路的样本为Object0，以部分多故障电路的样本为Object1。STEP4：以电路输出节点的有容差类数据集为基础，采用BP神经网络算法建立单故障分类模型BPM_SingleFault，作为电路发生单故障时的故障定位器。STEP5：将电路进行模块划分，并以各子电路输出节点有容差特征数据集的“与正常波形的距离”特征数据为基础，采用基于参数法的密度估计法建立子电路的异常检测模型组ADM_Subcircuit，其中，ADM_Subcircuit的数目为子电路的个数。在48 第三章电路故障诊断方法研究ADM_Subcircuit中，以各子电路的正常样本为Object0，以各子电路的单故障样本为Object1。利用多故障诊断模型（包括ADM_Fault、ADM_MultipleFault、BPM_SingleFault和ADM_Subcircuit）进行实际电路故障诊断的流程见图3-18。开始实际故障电路的故障特征利用ADM_Fault检测电路否电路是否是存在故障利用ADM_MultipleFault检测电路单故障多故障单故障or多故障利用利用BPM_SingelFaultADM_Subcircuit组对电路进行检测各子电路故障定位确定故障源确定故障子电路结束图3-18多故障诊断模型的诊断流程图STEP1：获取实际电路的故障特征，其数据处理过程与多故障诊断模型建立时是一致的。STEP2：将电路输出节点特征数据集中的“与正常波形的距离”特征值输入到故障检测模型ADM_Fault中，判断电路是否发生故障，若没有发生故障，则故障诊断结束；否则，进行下一步。STEP3：将电路输出节点特征数据集中的“与正常波形的距离”特征值输入到多故障检测模型ADM_MultipleFault中，判断电路发生的是单故障还是多故障。若发生单故障，则进行STEP4；若发生多故障，则进行STEP5。STEP4：电路发生单故障时，将电路输出节点类数据集中的最佳特征向量输入到单故障分类模型BPM_SingleFault中，获得输出结果，并根据相应的类数据集确定故障源，故障诊断结束。49 电子科技大学硕士学位论文STEP5：电路发生多故障时，将各子电路输出节点特征数据集的“与正常波形的距离”特征值输入到子电路的故障检测模型组ADM_Subcircuit中，取各ADM_Subcircuit指示故障的子电路作为故障源，故障诊断结束。3.3.3电路多故障诊断实例以3.1.5节中的时钟电路为例，说明该多故障诊断方法，具体过程如下：STEP1：对该时钟电路进行电路模块划分，其划分结果与3.2.2.4小节一致，如图3-15，各子电路包含的元器件以及测试节点如表3-15所示。STEP2：选择3.1.5节中节点S3、S5、S7、S9的各有容差特征数据集和类数据集作为建立多故障诊断模型的数据源。需要注意的是在电路仿真时增设多故障组合“0017-SCHEMATIC1-R-R_R13-O_NULL”+“0032-SCHEMATIC1-54AC161-X_D3-I_15”的仿真，MC分析次数以及后续数据处理与单故障的一致。STEP3：建立故障检测器ADM_Fault和多故障检测器ADM_MultipleFault。（1）对节点S9有容差特征数据集的“与正常波形的距离”特征进行数据集的划分，具体如表3-22所示。例如，模型ADM_Fault的CVSet包含了有容差特征数据集中正常状态100个样本和各故障模式（单故障和多故障）1个样本的“与正常波形的距离”特征数据。表3-22实例中多故障诊断方法的ADM_Fault和ADM_Multiple数据集划分概况表异常检测模型名称数据集包含的各电路TrainSetCVSetTestSet状态的样本数ADM_Fault正常电路的样本数800100100各单故障电路的样本数011各多故障电路的样本数011ADM_MultipleFault正常电路的样本数各单故障电路的样本数11010各多故障电路的样本数0105（2）按照3.2.2.2小节中基于参数法的密度估计法的流程，利用样本集TrainSet和CVSet建立ADM_Fault，该模型参数如表3-23所示。表3-23实例中多故障诊断方法的ADM_Fault模型参数表异常检测模型名称正态分布模型N(,)最佳概率阈值BestADM_FaultN(0.0590,6.6102E-28)1.5507E+10（3）按照3.3.2小节中基于聚类的重建法的流程，利用样本集TrainSet和CVSet建立ADM_MultipleFault，如图3-19所示。50 第三章电路故障诊断方法研究ADM_MultipleFault类中心类分界线测试样本000.10.20.30.40.50.60.70.80.91与正常波形的距离(a)(c)(b)图3-19实例中多故障诊断方法的ADM_Multiple示意图其中：图3-19（a）为ADM_MultipleFault的整体示意图；图3-19（b）为图3-19（a）中某个类分布中心的放大；图3-19（c）为图3-19（a）中某些无类分布中心的测试样本的局部放大，可以直观的看出，这些测试样本不属于各单故障类，为多故障。（4）分别利用ADM_Fault和ADM_MultipleFault的TestSet进行测试，结果见表3-24。表3-24实例中多故障诊断方法的ADM_Fault和ADM_Multiple在TestSet上的性能测试结果异常检测器名称FNFPFScore1ADM_Fault0.250.15790.9143ADM_MultipleFault001根据表3-24中的综合参数FScore，ADM_Fault在检测电路是否发生故障方1面具有较高的准确性；ADM_MultipleFault对于检测电路发生单故障还是多故障的效果较为理想。STEP4：采用3.2.1.4小节基于BPNN的单步故障诊断方法中建立的故障分类模型作为单故障分类器BPM_SingleFault。STEP5：采用3.2.2.4小节基于异常检测模型的两步故障诊断方法中建立的ADM_FilterModule、ADM_CompareModule1、ADM_CompareModule2、ADM_Counter16Module检测各子电路的故障情况。STEP6：将各模型的TestSet样本集进行合并作为最终的测试样本，对搭建的多故障诊断系统进行测试，结果如表3-25所示。51 电子科技大学硕士学位论文表3-25实例中多故障诊断方法的性能测试结果测试系统FCRFDCREAG多故障诊断100.00%93.15%类故障或子电路由表3-25可知，该多故障诊断系统的故障定位准确率比较可观，既可诊断电路发生多故障的情况，又可对单故障进行诊断。电路发生多故障时，该方法的诊断结果为子电路，定位结果偏向于模块级；发生单故障时结果为类故障，定位精准。3.3.4小结本节提出了一种解决系统级电路多故障诊断的办法。由于条件限制，多故障诊断方法的测试实例与单故障诊断相同，但从理论分析可知该方法可扩展至系统级电路。与文献[61]相比，大幅度减少了计算量，适用于系统级电路的多故障诊断，并具有自动化诊断的能力。当电路发生单故障时，该方法的最终定位结果为类故障，定位精准；电路发生多故障时，最终定位结果为子电路，定位精度较低。因此，在电路发生多故障的情况下，需要在诊断结果的基础上进一步定位，提高定位精度。本文在下一章提出电路的故障行为模型，可以在多故障诊断结果的基础上，利用故障行为模型实现故障的进一步定位。3.4本章小结本章首先介绍了建立各模型所需数据源的获取过程，包括：电路仿真、数据预处理、标准归一化、降维、故障合并等，每种处理后得到的数据源用于不同模型的建立。接着介绍了几种电路故障诊断方法，各方法之间存在一定的差异，各方法都有一定的适用场景。当电路系统发生故障时，可以根据不同的场景或情况来选择不同的方法进行故障定位。52 第四章系统级电路的行为级模型第四章系统级电路的行为级模型随着电子系统的复杂化和系统化，其规模也越来越大，电路故障诊断面临着两个重要挑战：1）电子系统仿真存在时间爆炸问题，故障诊断的时间较长、效率低下；2）系统级电路的故障诊断结果精度较低，特别是在发生多故障的情况下，定位结果为子电路，精度不高。本章提出了系统级电路的行为级模型。一方面，通过建立行为仿真模型用于电路仿真，使电路在高一层次仿真时能作为一个“黑盒子”被调用，克服复杂电子系统仿真时间爆炸的问题，将仿真时间维持在一个可以接受的合理水平，提高故障诊断的效率；另一方面，通过建立电路的故障行为模型用于故障诊断，使电路作为高一层次故障诊断的结果时，对应的故障行为模型能继续充当故障的再定位器，实现故障源的进一步细化，提高定位的精确程度。行为级模型主要分成如下两大类：1）电路行为仿真模型（BehaviorSimulationModel，BSM），包括电路正常状态和各种故障状态下的行为级模型，模拟电路输出和输入之间的行为关系，用于电路仿真。2）电路故障行为模型（FailureBehaviorModel，FBM），模拟电路的故障行为，用于电路故障的再定位，该模型又可分为两种：（1）电路的故障分类行为模型（FaultClassificationBehaviorModel，FCBM），该模型是基于前人对电路故障的分析结果建立的，模拟了电路故障原因与故障状态之间的关系，可以通过电路的故障状态寻求故障原因；（2）电路的发生度行为模型（BehaviorModelOfOccurrenceDegree，BMOD），该模型是基于电路中各元器件故障的发生概率建立的概率模型，可通过条件概率值的大小依次排查故障原因。4.1电路行为仿真模型为解决系统级电路仿真的时间爆炸问题，本节提出在电路行为层面上建立仿真模型，即行为仿真模型。电路行为仿真模型用于高层次电路的仿真，通过更简单的方法模拟逼近原电路的输出-输入关系，把仿真时间控制在合理范围内，提高仿真效率。从建模自动化和提高模型的通用性角度出发，本文选择数值逼近法进行行为级建模。其一般流程为：首先获取电路系统的输入信号x和输出信号y，并选择一53 电子科技大学硕士学位论文组基函数对{,Bi1,2,...,M}，其中：M为所采用基函数的个数；然后根据数值逼i近理论，对电路的输出信号y做逼近：MyCBxii()(4-1)i1其中：{,Ci1,2,...,M}为逼近系数；最后采用最小二乘法确定逼近系数。i随着大数据应用的普及，机器学习算法在数值回归、模拟数学函数关系等方面也有着突出的优势，与传统的数值逼近法不同，本节采用机器学习中的BP神经网络以及径向基函数网络模拟电路的输入-输出关系，建立行为仿真模型。4.1.1行为仿真模型理论基础在电路行为仿真模型的建立过程中，涉及的方法有：1）基于BPNN的行为仿真模型（BehaviorSimulationModelBasedOnBPNeuralNetwork，BPNN-BSM）；2）基于径向基函数网络的行为仿真模型（BehaviorSimulationModelBasedOnRadialBasisFunctionNetwork，RBFN-BSM）。BP神经网络的相关理论已在2.2.3.1节论述过，本节不再做过多的赘述。首先介绍径向基函数网络（RadialBasisFunctionNetwork，RBFN）的相关理论，然后介绍BP神经网络和径向基函数网络在行为仿真模型中的应用。4.1.1.1径向基函数网络理论基础径向基函数网络[56]是一种局部逼近网络。该网络由三层构成，包括：输入层、隐含层、输出层，如图4-1所示。其中：输入层有n个节点，输入数据为xxx[,,...,x]；隐含层共有l个处理节点，每个节点的处理函数为(1)il；输12ni出层有m个节点，输出数据为y[,yy12,...,ym]。此外，该网络还有如下特点：1）一般地，从输入层到隐含层相当于是把低维空间的数据样本映射到高维空间，所以隐含层节点数要比输入层的节点数多，即ln。2）输入层与隐含层之间为直接连接；隐含层与输出层之间的连接有权值。3）隐含层节点的处理函数为径向基函数（RadialBasisFunction，RBF）。径向基函数i(0)il是一种函数值由距中心点的距离决定的实值函数，即()xx(||||)。常见径向基函数有：（1）高斯函数2()x()xexp()(4-2)2254 第四章系统级电路的行为级模型（2）反常S型函数1()x(4-3)2()x1exp()2（3）拟多二次函数1()x(4-4)22()x其中：为中心点，为扩张常数，值越小，函数越具有选择性。………输入层隐含层输出层图4-1径向基函数网络示意图由图4-1可知，网络输出yyy[,y12,...,]m与输入xxx[,,...,x12]n的关系如式4-5所示。lyxijijij(||||)(4-5)j1通常把径向基函数分成正则化径向基函数和广义径向基函数。其中，正则化径向基函数中隐含层包含的节点数为输入样本的个数；广义径向基函数中隐含层包含的节点数少于输入样本的个数。4.1.1.2BPNN-BSM和RBFN-BSM理论基础在行为仿真模型方面应用BP神经网络和径向基函数网络，即方法BPNN-BSM和RBFN-BSM，可以简化电路模型的结构，提升电路仿真速率。这两种方法是在控制信号的作用下，分别利用BP神经网络和径向基函数网络模拟输入与输出信号间的关系，最终以一定的数学描述建立行为仿真模型。在电路故障诊断中，控制信55 电子科技大学硕士学位论文号为时间，电路的输入信号和输出信号根据需求的不同有两种类型，一种是电压数据，另外一种是经过预处理的特征数据。方法BPNN-BSM和RBFN-BSM的具体流程如图4-2所示。开始原始输入、输出数据采样确定行为仿真模型的输入、输出数据类型输入、输出中是是否有特征数据类型否相应数据数据整合进行数据预处理利用BP神经网络或径向基函数网络拟合数据结束图4-2BPNN-BSM/RBFN-BSM流程图STEP1：原始数据采样。确定待行为仿真建模电路的输入节点和输出节点，并获取目标电路的控制信号、输入电压信号和输出电压信号，采样结果为电压-时间信号序列。STEP2：确定行为仿真模型输入、输出信号的数据类型（电压数据或者特征数据）。若输入、输出信号全是电压数据类型，则进行STEP3；否则，进行STEP4。STEP3：数据整合。在采样得到的电压-时间信号序列中，输入与输出信号的采样时间不尽相同，因此需要通过时间域上插值使输入与输出信号在采样时间上一致，之后进行STEP5。STEP4：数据预处理。根据输入信号和输出信号选定的数据类型，按照3.1.2小节中数据预处理的步骤对相应信号进行处理，获取如表3-1的特征数据，之后进行STEP5。STEP5：在控制信号的作用下，利用BP神经网络或者径向基函数网络拟合输入与输出数据间的关系，最终以一定的数学描述表示目标电路的行为仿真模型BPNN-BSM或RBFN-BSM。56 第四章系统级电路的行为级模型4.1.2行为仿真模型实例以3.1.5节中的时钟电路为例，在电路模块划分的基础上，分别利用方法BPNN-BSM和RBFN-BSM建立子电路CompareModule2在正常状态下的行为仿真模型，假定模型的输入、输出信号均为电压信号。子电路CompareModule2如图3-15所示，输入节点为S3，输出节点为S7。在时间域（0～30ns）上，S3和S7的节点信号如图4-3（a）所示，此时信号存在初始化时间（0～20ns）；去除初始化时间，并在时间域上线性插值以完成数据整合，使信号S3、S7在时间域上统一，整合后的数据如图4-3（b）所示；在时间信号的控制下，整合后的信号S3和S7的关系如图4-3（c）、（d）所示。CompareModule2的原始输入信号数据整合后CompareModule2的输入信号6644S32S3200-2-200.511.522.531.822.22.42.62.83t-5t-5x10x10CompareModule2的原始输出信号数据整合后CompareModule2的输出信号4433S72S72110000.511.522.531.822.22.42.62.83t-5t-5x10x10(a)原始信号(b)数据整合后的信号在时间信号的控制下CompareModule2的输入信号与输出信号的关系图在时间信号的控制下CompareModule2的输入信号与输出信号的关系图443322S7S7110066434322.522.95-5-502x1002.9x10S3-21.5S3-22.85tt(c)时间信号控制下的输入、输出信号关系图(d)图（c）的局部放大图4-3实例中子电路CompareMocule2的输入与输出信号示意图分别利用方法BPNN-BSM和RBFN-BSM建立子电路CompareModule2的行为仿真模型，方法中BP神经网络和径向基函数网络的模型参数如表4-1所示。57 电子科技大学硕士学位论文表4-1实例中子电路CompareModule2的BPNN-BSM和RBFN-BSM模型参数表BPNN-BSM模型RBFN-BSM模型网络层数3径向基函数网络类型正则化径向基函数输入层节点数2网络层数3隐含层节点数200输入层节点数2输出层节点数1隐含层节点数7159第一层传输函数对数S型转移函数输出层节点数1第二层传输函数线性函数隐含层的节点处理函数高斯径向基函数学习方法L-M梯度下降法学习速率0.01训练目标最小误差0.01在时间段29ns~30ns内，分别利用子电路CompareModule2的模型BPNN-BSM和RBFN-BSM预测输出数据，并与原始输出数据做对比。其中，模型BPNN-BSM的预测输出信号与原始信号的对比如图4-4（a）、（b）所示，RBFN-BSM模型的预测输出信号与原始信号的对比如图4-4（c）、（d）所示。数据整合后CompareModule2的输出信号CompareModule2中，时间、输入信号与模型BSM-BPNN预测输出信号的关系图4324S71302.882.92.922.942.962.9832t-5S7x10CompareModule2中模型BSM-BPNN的预测输出信号4130S72643122.95-5002.9x102.882.92.922.942.962.983-22.85S3t-5tx10(a)数据整合后的输出信号与模型(b)模型BPNN-BSM的预测输出信号BPNN-BSM的预测输出信号对比图与时间、输入信号的关系图CompareModule2中，时间、输入与模型BSM-RBFN预测输出信号的关系图数据整合后CompareModule2的输出信号434S723102.882.92.922.942.962.9832S7t-5x10CompareModule2中模型BSM-RBFN的预测输出信号14306S7243122.95-502.9x1002.882.92.922.942.962.983-22.85t-5S3tx10(c)数据整合后的输出信号与模型(d)模型RBFN-BSM的预测输出信号RBFN-BSM的预测输出信号对比图与时间、输入信号的关系图图4-4实例中子电路CompareModule2的模型BPNN-BSM和RBFN-BSM预测输出图58 第四章系统级电路的行为级模型选择均方误差作为行为仿真模型的评价指标，两种方法的的误差如表4-2所示，显然，模型RBFN-BSM的误差远远低于BPNN-BSM的，具有明显的优势。因此，在5.1节中将通过子电路CompareModule2的模型RBFN-BSM实现电路仿真。表4-2实例中子电路CompareModule2的模型BPNN-BSM和RBFN-BSM预测输出误差行为仿真建模方法BPNN-BSMRBFN-BSM均方误差0.04441.2907E-254.2电路故障行为模型当电路作为高层次故障诊断的结果时，定位精度较低，例如3.3节系统级电路的多故障诊断中，当电路发生多故障时，其诊断结果为子电路，结果虽然正确但不够精准。电路的故障行为模型作为进一步定位的手段，可用于电路故障源的细化，从而实现故障的精确定位。3.3节中，在多故障诊断结果的基础，利用故障子电路的故障行为模型，精确地确定故障源，进而实现子电路中故障的排查。电路故障行为模型包括故障分类行为模型和发生度行为模型。故障分类行为模型主要是通过时下流行的机器学习分类算法建立故障分类模型，从而搭建了电路故障原因与故障状态之间的联系桥梁，可通过实际故障电路的外在特征表现实现故障定位，例如3.2.1节基于BPNN/SVM的单步故障诊断方法中建立的故障分类模型即为电路的故障分类行为模型；发生度行为模型是一种基于GJB/Z299C-2006标准中元器件各故障模式发生度建立的概率模型，该模型利用条件概率描述了“目标电路故障时，该电路中各元器件发生故障概率的相对大小”，基于此可以通过概率值大小依次排查故障原因。4.2.1故障分类行为模型利用机器学习中的分类算法建立故障分类行为模型，可用于故障的再定位，充分利用前人故障分析所得的数据，提高了数据的利用率，符合大数据时代的要求，同时有效地提高了故障定位的精确程度。涉及的故障分类行为模型包括基于BPNN的故障分类行为模型（FaultClassificationBehaviorModelBasedOnBPNeuralNetwork，BPNN-FCBM）和基于SVM的故障分类行为模型（FaultClassificationBehaviorModelBasedOnSVM，SVM-FCBM）。关于BP神经网络和SVM的相关理论知识已在2.2.3.1小节和2.2.3.2小节中介绍过了，本节主要介绍方法BPNN-FCBM和SVM-FCBM。以3.1.5节中的时钟电路为例，在电路模块划分的基础上，分别利用方法BPNN-FCBM和SVM-FCBM建立子电路CompareModule2的故障分类行为模型BPNN-59 电子科技大学硕士学位论文FCBM和SVM-FCBM。以3.1.5节中测试节点S7的有容差类数据集作为建立子电路CompareModule2故障分类行为模型的数据源，该数据集的基本情况如表3-16所示，并按照比例3：1：1划分数据集。然后根据3.2.1.1小节和3.2.1.2小节中建立BP神经网络和SVM的流程，建立模型BPNN-FCBM和SVM-FCBM，其中BPNN-FCBM模型即为3.2.2.4小节中的BPM_CompareModule2模型，模型SVM-FCBM具体参数如表4-3所示。表4-3实例中子电路CompareModule2的SVM-FCBM模型参数表多分类组合方式模型参数模型参数值1VS1二分类支持向量机个数45核函数类型高斯核函数1VSR二分类支持向量机个数10核函数类型高斯核函数最后分别利用数据集TrainSet、CVSet和TestSet验证模型BPNN-FCBM和SVM-FCBM的性能，结果如表4-4所示。表4-4实例中子电路CompareModule2的模型BPNN-FCBM和SVM-FCBM性能测试结果故障分类行为模型数据集性能指标FCRFDCREAGBPNN-FCBMTrainSet100.00%98.57%类故障CVSet100.00%98.57%TestSet100.00%98.04%SVM-FCBMTrainSet100.00%98.68%类故障（1VS1）CVSet100.00%99.15%TestSet100.00%100.00%SVM-FCBMTrainSet100.00%91.60%类故障（1VSR）CVSet100.00%91.80%TestSet100.00%91.30%由表4-4可知，模型SVM-FCBM（1VS1）在故障分类的准确程度方面有较大优势，比模型BPNN-FCBM提高了1个百分点左右，比模型SVM-FCBM（1VSR）提高了8个百分点左右。但是模型SVM-FCBM（1VS1）较为复杂，采用了45个两分类的SVM。综合考虑，仍选用模型SVM-FCBM（1VS1）作为子电路CompareModule2的故障再定位器，并在5.2小节中加以分析。4.2.2发生度行为模型根据3.3.2小节中所述，多故障电路具有“某些多故障组合电路与其所包含的单故障对应的电路在特征表现上相差巨大，无法通过针对这些单故障建立的分类模型进行多故障定位”的特点，也就是说对于部分多故障电路来说，基于单故障建立的故障分类行为模型在故障再定位方面是失效的。因此，为了能弥补这一缺陷，60 第四章系统级电路的行为级模型本节提出了具有普适性的发生度行为模型，用于多故障诊断中定位结果为子电路时故障的进一步定位。4.2.2.1发生度行为模型理论基础电路的发生度行为模型利用统计学和概率论的方法，建立电路故障概率与电路中某元器件故障之间的联系，是一种定量描述电路故障与元器件故障关系的概率模型。发生度行为模型是以GJB/Z299C-2006标准中元器件各故障模式的发生度为基础，利用条件概率定量地描述了“目标电路故障时，该电路中各元器件发生故障概率的相对大小”，最终该模型以故障元器件查找表的形式呈现。基于该概率查找表，优先排查条件概率值大的故障元器件，并依照概率值大小依次排查故障原因。电路的发生度行为模型建立过程具体如下：STEP1：依照GJB/Z299C-2006标准，查询元器件各故障模式的发生度。STEP2：根据条件概率公式4-6，计算电路故障的情况下，电路中各故障模式发生的条件概率。PFMCircuit(,)()PFMii(4-6)PFMCircuit(|)iPCircuit()()PFMjjPFMCircuit()表示电路Circuit故障，故障模式FM的发生度；PFMCircuit(,)表iii示Circuit故障且FMi发生的联合概率，由于FMi的发生必然会导致FMi对应元器件所处电路Circuit的故障，所以PFMCircuit(,)()iiPFM；PCircuit()表示Circuit的故障概率，PCircuit()()PFMj。jSTEP3：根据各故障模式所属元器件，计算电路故障情况下，电路中各元器件发生故障的条件概率，公式如4-7所示。PCompCircuit(|)(|)ijPFMCircuit(4-7)FMjiComp其中：PCompCircuit(i|)表示Circuit故障时，元器件Compi的故障概率；FMj为元器件Compi的第j个故障模式。STEP4：根据PCompCircuit(|)i，建立目标电路的故障元器件查找表，作为发生度行为模型。4.2.2.2发生度行为模型实例以3.1.5节中的时钟电路为例，在电路模块划分的基础上，建立各子电路的发生度行为模型。各子电路的模块划分如图3-15所示，各子电路所包含的元器件如61 电子科技大学硕士学位论文表3-15所示。参照标准GJB/Z299C-2006，根据表3-15查询各元器件中各故障模式的发生度，由于某些数字器件存在某些管脚并不进行信号的传输，所以该管脚上的故障模式发生与否对整个电路无影响，例如，数字器件AM26LS32中13、5、11号管脚与电路无连接，所以这些管脚涉及的故障模式并不会影响电路的状态，因此，舍弃数字器件中无电路连接管脚的故障模式，各元器件中故障模式的发生度如表4-5所示。表4-5实例中各故障模式的发生度表根据故障模式条件概率公式4-6计算在相应子电路故障的情况下电路中各故障模式的发生概率，结果如下表4-6所示。根据故障模式所属元器件，依照公式4-7计算各元器件故障的条件概率，建立如表4-7所示的各子电路的故障元器件查找表，作为发生度行为模型BMOD。62 第四章系统级电路的行为级模型表4-6实例中各故障模式的条件概率表表4-7实例中各子电路的故障元器件查找表将查找表4-7作为各子电路的故障再定位器。故障诊断中确定某子电路故障时，依据相应的故障元器件查找表，按照元器件故障的条件概率值依次排查可能故障的元器件。理论上，利用该模型BMOD依次排查元器件可以确定最终的故障源，并在5.2小节中加以分析。63 电子科技大学硕士学位论文4.3本章小结本章将行为级模型与系统级电路故障诊断结合，把故障诊断中的行为级模型分为行为仿真模型和故障行为模型，分别用于电路仿真阶段和故障再定位阶段，有效地提高了故障诊断的效率和定位结果的精确程度。对于大系统来说，采用行为仿真模型，数值计算量较大，但是可以做到“一次建模终生受益”的效果，为以后的电路仿真节省时间。在电路故障行为模型中，由于多故障电路自身的特点，故障分类行为模型对于某些多故障电路是不适用的；发生度行为模型是一种基于条件概率值顺序遍历的模型，故障再定位的效率较低。但是这些故障行为模型为以后系统级电路故障诊断的故障源细化提供了一定的参考价值和研究方向。64 第五章基于行为级模型的电路故障诊断实现与分析第五章基于行为级模型的电路故障诊断实现与分析基于行为级模型的电路故障诊断有机地把行为级模型和电路故障诊断结合在一起，本章主要对基于行为仿真模型的电路仿真和基于故障行为模型的电路故障再诊断两过程分别进行实现和分析。前者充分利用行为仿真模型的“黑盒子”效应，节省了系统级电路的仿真时间，提高了故障诊断的效率；后者有效利用了前人对电路故障分析的结果，提高系统级电路故障诊断的数据利用率和定位结果的精度。本章基于以上两个方面进行了实现和分析。5.1基于行为仿真模型的电路仿真在基于行为仿真模型的电路仿真实现过程中，采用的开发平台为Simulink，工作主要包括三部分：1）Cadance信号源文件的Simulink实现，即根据OrCADCapture中的信号源文件，在Simulink中设置相应的数据源；2）Simulink与Cadance的联仿，即通过接口SLPS，将OrCADCapture中的外围电路映射到Simulink中实现；3）Simulink与Matlab的联仿，即将在Matlab中以M语言实现的目标电路行为级模型映射到Simulink中实现。5.1.1相关软件联仿介绍基于行为仿真模型的电路仿真实现中，涉及了软件Simulink、Cadance和Matlab之间的数据交互，需要将Cadance中的外围电路和Matlab中目标电路的行为级模型集中在Simulink平台上实现数据处理。5.1.1.1Cadance信号源的Simulink实现在基于行为仿真模型的电路仿真中，OrCADCapture中的信号源需要转换为Simulink可以识别的数据文件，作为Simulink中仿真系统的数据源。该流程如图5-1所示。65 电子科技大学硕士学位论文开始OrCADCapture绘制电路原理图PSpiceA/D实现电路仿真，并保存相应信号源为CSDF文件数据提取，并保存为“.mat”文件新建Simulink工程新建FromFile模块，并进行相应设置设置Simulink仿真环境和参数仿真结束图5-1Cadance信号源的Simulink实现流程图STEP1：在OrCADCapture中搭建电路，并确定信号源的采样节点。STEP2：通过PSpiceA/D实现电路仿真，保存信号源的采样数据至CSDF文件。STEP3：通过3.1.2节中的数据提取方式读取CSDF文件，并保存为“.mat”文件。STEP4：新建Simulink工程，将FromFile模块加入到Simulink空白页，并将模块参数Filename设为相应“.mat”文件名。STEP5：搭建系统，设置Simulink仿真环境和参数，并运行仿真。5.1.1.2Simulink与Cadance联仿在基于行为仿真模型的电路仿真中，Simulink与Cadance的联仿是指通过模块SLPS接口，在PSpiceA/D仿真过程中将OrCADCapture中外围电路模块的输入-输出关系映射到Simulink中，以便模拟该模块的实际功能。SLPS接口将PSpiceA/D和Simulink整合在一起，同时利用了PspiceA/D电路仿真的准确性和Simulink做数值分析和计算的方便性，通过SLPS接口可以实现系统级电路的精确联合仿真。该联仿过程的实现流程如图5-2所示。66 第五章基于行为级模型的电路故障诊断实现与分析开始OrCADCapture绘制电路原理图通过Cadance建立电路工程PSpiceA/D实现电路仿真新建Simulink工程新建目标电路模块的SLPS模块，并设置模块参数设置Simulink仿真环境和参数仿真结束图5-2Simulink与Candance联仿流程图STEP1：在OrCADCapture中绘制电路原理图，并在PSpiceA/D中进行电路仿真。确定待功能映射的目标电路模块。STEP2：新建Simulink工程，存储路径为PSpiceA/D仿真文件保存的位置。STEP3：将SLPS模块加入到Simulink空白页，并根据目标电路模块的输入、输出信号进行模块参数设置。模块参数包括：1）Projectfile：选择PSpiceA/D仿真文件，同时会在PSpiceCircuitfile中出现相应的电路文件；2）InputSource：选择目标电路模块的输入变量；3）Outputs：选择目标电路模块的输出变量。STEP4：设置Simulink仿真环境和参数，并运行仿真。5.1.1.3Simulink与Matlab联仿在基于行为仿真模型的电路仿真中，Simulink与Matlab的联仿是指通过模块MATLABFunction将在Matlab中以M语言实现的目标电路模块的行为级模型映射到Simulink中，作为一个数据处理单元行使原模块的功能。MATLABFunction模块提供了一个类似Matlab编程的编辑器，可以在有限制的情况下去编写M语言程序。该联仿的具体流程见图5-3。67 电子科技大学硕士学位论文开始Matlab中，以M语言实现目标电路模块的行为级模型新建Simulink工程新建目标电路模块的MATLABFunction模块，并设置模块参数设置Simulink仿真环境和参数仿真结束图5-3Simulinlk与Matlab联仿流程图STEP1：确定待行为级建模的目标电路模块，在Matlab中以M语言实现该模块的行为级模型，并加以验证。STEP2：新建Simulink工程。STEP3：将MATLABFunction模块加入到Simulink空白页，并在该模块的代码窗口内以M语言实现该模块的行为级模型，需要注意的是：1）MATLABFunction模块的函数名fcn是不可更改；2）MATLABFunction模块函数fcn的输入u和输出y分别为模型的输入、输出，可以多个，但需要多个变量。STEP4：设置Simulink仿真环境和参数，并运行仿真。5.1.2基于行为仿真模型的电路仿真实例以4.1.2节中子电路CompareModule2在正常状态下的模型RBFN-BSM为例，其中，电路模块划分如图3-15所示，子电路CompareModule2为待行为级建模的模块，该子电路的输入为S3、输出为S7，则该时钟电路中节点S3、S7以及信号源A_10.23MHZ的信号波形如图5-4所示。68 第五章基于行为级模型的电路故障诊断实现与分析5.0V0V-5.0V0s2us4us6us8us10us12us14us16us18us20us22us24us26us28us30usV(A_10.23MHZ)Time(a)信号源A_10.23MHZ8.0V4.0V0V-4.0V0s2us4us6us8us10us12us14us16us18us20us22us24us26us28us30usV(S3)Time(b)节点S34.0V2.0V0V0s2us4us6us8us10us12us14us16us18us20us22us24us26us28us30usV(S7)Time(c)节点S7图5-4实例中电路正常状态下节点S3、S7和信号源A_10.23MHZ的波形图在实现过程中，需要建立子电路CompareModule2的行为仿真模型RBFN-BSM，并映射到Simulink中；信号源A_10.23MHZ需要转为Simulink中的数据源；子电路FilterModule作为连接信号源A_10.23MHZ和子电路CompareModule2的外围电路，同样需要将该模块的功能映射到Simulink中。最终在Simulink平台中搭建的系统如图5-5所示。图5-5实例中子电路CompareModule2正常状态下模型RBFN-BSM的Simulink仿真系统实现示意图图5-5中，模块Time为仿真时间信号；模块Source为该时钟电路信号源A_10.23MHZ在Simulink中的实现；模块FileterModule为外围电路FileterModule69 电子科技大学硕士学位论文在Simulink中的实现；模块BSM_RBFN_CompareModule2为子电路CompareModule2行为仿真模型RBFN-BSM在Simulink中的实现。该仿真系统在各节点的波形输出如图5-6所示。图5-6实例中子电路CompareModule2正常状态下模型RBFN-BSM的Simulink仿真系统各节点波形图以均方误差作为该系统的评价指标，则该系统中各节点信号的误差如表5-1所示。最终系统在输出节点上的信号误差较小，在可以接受的范围内，但有待于进一步改进。造成0.0463误差的主要原因如下：1）行为仿真模型的精度不够精细；2）Simulink实现过程中对原始信号进行插值采样造成误差的放大。同时，由于该时钟电路规模较小，在缩短仿真时间方面效果不够明显。表5-1实例中子电路CompareModule2正常状态下模型RBFN-BSM的Simulink仿真系统各节点信号误差信号名称A_10.23MHZS3S7均方误差0.00440.02990.04635.2基于故障行为模型的电路故障再诊断在基于故障行为模型的电路故障再诊断中，将4.2.1节中的模型SVM-FCBM（1VS1）和4.2.2.2小节中BMOD作为子电路CompareModule2的故障再定位器，由于SVM-FCBM（1VS1）中所用SVM算法本身性能的优越性以及BMOD对故70 第五章基于行为级模型的电路故障诊断实现与分析障的遍历性，可以在一定程度上提高故障定位的精确程度。由于部分多故障电路具有“某些多故障组合电路与其所包含的单故障对应的电路在特征表现上相差巨大，无法通过针对这些单故障建立的分类模型进行多故障定位”的特点，因此，模型SVM-FCBM只对部分多故障电路具有一定的诊断参考价值。同时，该模型还有一个弊端，在进行多故障的再定位时，只能在每个子电路中最多定位一个故障源，也就是说不能对多个故障同时发生在同一子电路的情况进行故障排查。模型BMOD是依据元器件故障的条件概率值进行穷举实现故障排除的，虽然其故障检测率理论上可达100%，但是该模型的操作实现复杂度过高，工作量较大。5.3本章小结本章对本文提出的基于行为级模型的电路故障诊断的整个流程进行了实现和分析。并通过实现分析证明，基于行为仿真模型的电路仿真可以用于大规模系统电路的仿真，以提升仿真速率，进而提高故障诊断的效率；通过分析可得，基于故障行为模型的电路故障再诊断使系统级电路故障诊断的定位精度在一定程度上得到了提升。71 电子科技大学硕士学位论文第六章总结与展望本文主要研究了基于行为级模型的电路故障诊断方法。通过电路仿真、数据预处理、标准归一化、降维以及故障合并等手段获取建立故障诊断模型和行为级模型的数据源；针对于电路故障情况的不同，提出了单故障诊断和多故障诊断方法，在单故障诊断中，根据电路规模的大小，提出了基于分类模型的单步故障诊断和基于异常检测模型的两步故障诊断方法；为提高系统级电路故障诊断的效率和精度，将行为级模型引入电路故障诊断中，通过行为仿真模型缩短了仿真时间，提高了故障诊断效率，通过故障行为模型提升了故障定位结果的精确程度。本文的工作主要有以下几点：1）学习并使用了Cadance相关软件绘制电路原理图并对电路进行仿真，特别是利用有容差的元器件进行MC分析，以及学习了元器件的故障建模过程。2）学习了机器学习中常见算法，并将这些方法用于电路故障诊断中，包括降维、聚类和分类算法等。3）介绍了PCA和二分K均值聚类，并配以实例分别验证了PCA可以通过降维解决特征数据冗余的问题和二分K均值聚类可以通过故障合并解决故障重叠的问题。4）针对简单电路的单故障，提出了基于分类模型的电路单步故障诊断方法。以有容差类数据集为数据源，分别应用BP神经网络和SVM算法建立故障分类模型用于单故障的定位，并通过实际电路证明了其有效性。5）针对系统级电路的单故障，提出了基于异常检测模型的电路两步故障诊断方法。以类数据集为数据源，应用异常检测和BP神经网络算法建立故障检测器和分类器用于单故障定位，并辅以实例证明该方法在诊断系统级电路的单故障方面效果良好。6）针对系统级电路的多故障，提出了电路多故障诊断方法。以类数据集为数据源，应用异常检测算法建立多个针对不同目标类的异常检测器用于多故障定位，并配以电路证明其效果良好。7）针对系统级电路，将行为级模型用于电路故障诊断，提高故障诊断的效率和精度。其中，行为仿真模型用于电路仿真阶段，故障行为模型用于电路的故障再定位阶段，并辅以实例进行了验证、分析，效果良好。8）通过Simulink、Cadance和Matlab之间联仿的形式完成了基于行为级模型的电路故障诊断流程，并进行了相应的分析。尽管本文在很多方面进行了研究，但还是有相应的不完善和未能研究的方面，72 第六章总结与展望可概括如下：1）在数据源获取方面，可以继续完善故障特征向量以充分表征故障波形。2）考虑使用其它降维方法实现去除特征向量中的冗余，并通过最终故障诊断的效果与本文的PCA方法进行对比，确定该应用场景下的最佳降维方法。3）在电路模块划分后，可以基于一定的评价指标通过一定方法来选取更多节点作为各子电路的测试节点。4）在电路故障诊断中，考虑使用其它分类算法建立故障诊断模型。例如，利用基于非参数法的密度估计法建立异常检测模型；利用Adaboost建立故障分类模型。5）在多故障诊断中，对多故障的特征数据进一步的分析和挖掘，分析特征数据和多故障间的联系，同时考虑故障传播现象，改进现有的多故障诊断方法。6）引入更大规模的实例电路，优选系统级电路，证明本文所提故障诊断方法的有效性。7）在行为级建模中，考虑使用其它的方法建立行为级模型，主要是行为仿真模型，例如，多项式逼近法、小波配置等，并证明其有效性。73 致谢致谢转眼间，三年的研究生生活即将结束，回想起2015年踏进成电的那一刻仿佛就在昨天，研究生三年，无论是在学习上的收获还是生活上的成长，都离不开老师的谆谆教诲，离不开周边同学和朋友的帮助，更离不开父母家人的关心和支持。特此，在本论文的结束处，向他们致以最衷心的感谢。感谢我的导师何春老师，本论文从开题以来遇到了大量的问题，在何老师专业、认真、耐心的指导下逐一得到了解决，最终完成了本篇论文。此外，研究生三年中，不论生活还是科研，何老师都给予了我无数的帮助和指导。何老师在学术上的严谨态度时刻都鞭策着我；何老师对当今科研热点的准确把握，不仅在这三年中使我接触了最前沿的技术，也必将激励我一生的创新思维。至此论文完成之时，在这里，对何老师致以最诚挚的感谢。感谢本论文研究过程中一直给予帮助的吴让好师兄、解晓东师兄、姚国强师兄、宋磊、戴彬彬、李浩、刘邦欣，感谢你们在科研学习和生活上的帮助，还要感谢俞祥虎、黄圳等师弟在论文研究中的大力支持，还要感谢我的室友杨凯以及焦鹏、吕飞仁等教研室同学在研究生三年的陪伴、照顾和鼓励，总之，他们让我的生活更丰富精彩，是他们让我更加懂得如何更好的与人沟通、交流以及合作。感谢我的爸爸妈妈，感谢我的哥哥姐姐，你们的关心是我不断前进的动力，每当困惑时他们总能及时的给我指点方向，他们的鼓励是我大胆向前的勇气，他们的关心呵护使我快乐的生活、成长。最后感谢为审阅本论文而付出辛勤劳动的老师以及答辩组的各位老师，感谢他们对我论文的指导以及给出的意见和建议。74 参考文献参考文献[1]LTWang,CWWu,XWen.VLSItestprinciplesandarchitectures:designfortestability[M].AcademicPress,2006,43-60.[2]RAPease.Troubleshootinganalogcircuits[M].USA,Boston:Butterworth-Heinemann,1991,1-217.[3]唐立军.PipelineADC行为模型建模与仿真[D].成都:电子科技大学,2009,68-71.[4]胡鸿志.基于相量分析的模拟电路故障诊断方法研究[D].成都:电子科技大学,2015,49-56.[5]汪鹏,杨士元.电压增量的线性相关性及在电路测试中的应用[J].清华大学学报:自然科学版,2007,47(7):1245-1248.[6]汪鹏,杨士元.基于斜率故障模型的模拟电路软故障字典法[J].微计算机信息,2006,22(11):1-23.[7]胡梅,王红,杨士元,等.基于电压增量的非线性模拟电路软故障诊断[J].系统工程与电子技术,2008,30(2):379-383.[8]RDEldred.Testroutinesbasedonsymboliclogicalstatements[J].JournaloftheACM(JACM),1959,6(1):33-37.[9]HFFujiwara.Afanout-orientedtestpatterngenerationalgorithm[C].IEEEInternationalSymposiumonCircuitsandSystems.1985,671-674.[10]JRRoth,DNAntón,PEHartman.HistidineregulatorymutantsinSalmonellatyphimurium:I.Isolationandgeneralproperties[J].Journalofmolecularbiology,1966,22(2):305-323.[11]GuerraeSilvaL,LMSilveira,Marques-SilvaJ.Algorithmsforsolvingbooleansatisfiabilityincombinationalcircuits[C].ProceedingsoftheconferenceonDesign,automationandtestinEurope.ACM,1999,107.[12]ECArchambeau,EJMcCluskey.Faultcoverageofpseudo-exhaustivetesting[M].CenterforReliableComputing,ComputerSystemsLaboratory,DepartmentsofElectricalEngineeringandComputerScience,StanfordUniversity,1983,15-107[13]阮根鸿.异步时序电路的测试生成法——H算法[J].电子学报,1983,1:8.[14]RSBerkowitz.Conditionsfornetwork-element-valuesolvability[J].CircuitTheory,IRETransactionson,1962,9(1):24-29.[15]JLee,SDBedrosian.Faultisolationalgorithmforanalogelectronicsystemsusingthefuzzyconcept[J].CircuitsandSystems,IEEETransactionson,1979,26(7):518-522.75 参考文献[16]SFreeman.Optimumfaultisolationbystatisticalinference[J].CircuitsandSystems,IEEETransactionson,1979,26(7):505-512.[17]JWBandler,AESalama.Faultdiagnosisofanalogcircuits[J].ProceedingsoftheIEEE,1985,73(8):1279-1325.[18]TSatyanarayana,GSubramanyam,KVRRao.Implementinganexpertsystemforfaultdiagnosisofelectronicequipment[J].EngineeringApplicationsofArtificialIntelligence,1995,8(3):355–364.[19]JAStarzyk,JPang,SManetti,etal.Findingambiguitygroupsinlowtestabilityanalogcircuits[J].IEEETransactionsonCircuits&SystemsIFundamentalTheory&Applications,2000,47(8):1125-1137.[20]El-GamalMA,El-YazeedMFA.ACombinedClusteringandNeuralNetworkApproachforAnalogMultipleHardFaultClassification[J].JournalofElectronicTesting,1999,14(3):207-217.[21]MCatelani,AFort.Faultdiagnosisofelectronicanalogcircuitsusingaradialbasisfunctionnetworkclassifier[J].Measurement,2000,28(3):147-158.[22]FAminian,MAminian.FaultDiagnosisofAnalogCircuitsUsingBayesianNeuralNetworkswithWaveletTransformasPreprocessor[J].JournalofElectronicTesting,2001,17(1):29-36.[23]MAminian,FAminian.Neural-networkbasedanalog-circuitfaultdiagnosisusingwavelettransformaspreprocessor[J].IEEETransactionsonCircuits&SystemsIIAnalog&DigitalSignalProcessing,2000,47(2):151-156.[24]SContu,AFanni,MMarchesi,etal.Waveletanalysisfordiagnosticproblems[C].ElectrotechnicalConference,1996.Melecon'96.8thMediterranean.IEEE,1996,1571-1574.[25]殷时蓉.基于Volterra级数和神经网络的非线性电路故障诊断研究[D].成都:电子科技大学,2007,2-14.[26]袁海英.基于时频分析和神经网络的模拟电路故障诊断及可测性研究[D].成都:电子科技大学,2006,5-7.[27]谭阳红.基于小波和神经网络的大规模模拟电路故障诊断研究[D].长沙:湖南大学,2005,1-5.[28]何怡刚,梁戈超.模拟电路故障诊断的BP神经网络方法[J].湖南大学学报(自科版),2003,30(5):35-39.[29]林争辉,刘美仪,王海雄.模拟电路的故障激励论[J].上海:上海交通大学学报,1995(1):71-78.[30]唐人亨.模拟电子系统的自动故障诊断[M].北京:高等教育出版社,1991,105-106.[31]杨士元.模拟系统的故障诊断与可靠性设计[M].北京:清华大学出版社,1993,47-51.[32]MWLevi.CMOSismosttestable[C].Proc.Int.TestConf.1981,217-220.76 参考文献[33]陈圣俭,石志勇.可诊断容差模拟电路软故障的新故障字典法[J].电子学报,2000,28(2):127-129.[34]张伟,许爱强,陈振林.模拟电路节点电压灵敏度权序列故障字典法[J].电子测量与仪器学报,2006,20(4):46-49.[35]徐晨曦.基于解轨迹多项式分解的非线性电路故障诊断研究[D].成都:电子科技大学,2009,33-36.[36]张菲菲.基于DES理论的数模混合电路的可测试性与故障诊断研究[D].合肥:合肥工业大学,2006,21-26.[37]RRGoulette.Themeasurementofradiatedemissionsfromintegratedcircuits[C].ElectromagneticCompatibility,1992.SymposiumRecord,IEEE1992InternationalSymposiumon.IEEE,1992,340-345.[38]D.Binu,B.S.Kariyappa.Asurveyonfaultdiagnosisofanalogcircuits:Taxonomyandstateoftheart[C].InternationalJournalofElectronicsandCommunications.2017,68–83.[39]倪灿斌.基于数据挖掘的FMEA分析方法[D].成都:电子科技大学,2014,7-54.[40]张立永.基于数据挖掘的电路故障分析[D].成都:电子科技大学,2015,3-65.[41]周志华.机器学习[M].北京:清华大学出版社,2016:97-116,121-141,229-232.[42]TanPN,MichaelSteinbach,VipinKumar.数据挖掘导论[M].范明,范宏建,译.完整版.北京:人民邮电出版社,2014:150-156,156-168,310-340,403-420.[43]吴让好.基于数据挖掘的电路故障分析方法研究[D].成都:电子科技大学,2016,1-72.[44]黄丽.BP神经网络算法改进及应用研究[D].重庆:重庆师范大学,2008,23-27.[45]王承.基于神经网络的路故障诊断方法[D].成都:电子科技大学,2005,36-37.[46]祝文姬.模拟电路故障诊断的神经网络方法及其应用[D].长沙:湖南大学,2011,26-31.[47]吴虎胜,张凤鸣,吴庐山.一种新的群体智能算法——狼群算法[J].系统工程与电子技术,2013(11):2430-2438.[48]颜学龙,丁鹏,马峻.基于狼群算法的RBF神经网络模拟电路故障诊断[J].计算机工程与应用,2016:253-258.[49]宋国明.基于提升小波及SVM优化的模拟电路智能故障诊断方法研究[D].成都:电子科技大学,2010,33-34.[50]孙健,王成华.基mRM原则和优化SVM的模拟电路故障诊断[J].仪器仪表学报,2013(1):221-226.[51]李楠.基于单类学习的异常检测方法及其重型装备状态识别应用[D].上海:上海交通大学,2014,26-28.[52]林超.结合异常检测算法的轴承故障检测研究[D].杭州:浙江大学,2018,15-23.77 参考文献[53]黄亮.模拟电路故障诊断研究[D].北京:北京交通大学,2011,14-23.[54]张景奇.电路仿真中的元件建模方法研究[D].武汉:华中科技大学,2007,29-34.[55]蔡卫华.流水线ADC的行为级建模与仿真[D].杭州:杭州电子科技大学,2012,7-10.[56]王伟.开关电流电路行为级模型方法研究[D].上海:复旦大学,2002,45-51.[57]蒋益群.模拟电路仿真中的故障建模技术研究[D].武汉:华中科技大学,2007,27-45.[58]高昕.基于幅相特征的模拟电路故障诊断与可测性研究[D].成都:电子科技大学,2015,35-38.[59]王玲.大规模模拟电路故障诊断理论与方法研究[D].长沙:湖南大学,2006,55-57.[60]JAStarzyk,DLiu,Adecompositionmethodforanalogfaultlocation.IEEEtrans.CAS,2002:157-160[61]安群香,谢平阳.大规模容差模拟电路多故障诊断法[J].电子测量技术,2007(2):78-80.78 个人简历、攻读硕士学位期间取得的成果个人简历、攻读硕士学位期间取得的成果1.个人简历李琦，男，汉族，1993年3月1日出生，山东滨州人2015.9-2018.7电子科技大学信息与通信工程学院通信与信息系统工学硕士2011.9-2015.7青岛大学电气自动化学院通信工程工学学士2.参加的科研项目2016/01~2016/10抗直升机旋翼遮挡卫星通信系统（与航天XX所合作项目）3.获得奖励2017/12研究生二等奖学金2016/12研究生三等奖学金2015/12研究生三等奖学金4.研究成果[1]何春,李琦,吴让好,刘邦欣.基于故障传播的模块化BP神经网络电路故障诊断[J].计算机应用,2018,38(2):602-609[2]李琦,何春,吴让好,刘邦欣,宋磊.基于故障传播的模块化BP神经网络电路故障诊断方法[P].中国,发明专利,201710572987.8,2017年7月79
此文档下载收益归作者所有
