信息融合的模擬電路故障診斷系統
綜述了模擬電路故障診斷技術的發展，詳細介紹了特徵提取方法、神經網路方法與信息融合技術。針對傳統信息融合系統的不足，將多種特徵提取方法、神經網路與信息融合中D－S證據理論相結合，構建了基於三級信息融合技術的系統模型。
信息融合技術概述
信息融合技術即多感測器信息融合，其基於多感測器採集的多源信息，將時間或空間上具有相互補償或冗繁多餘的信息根據一定的組合最佳化規則進行融合，進而得到更加有效地信息，以所得信息共同聯合操作的優勢從而提髙整個系統的診斷性能。
以信息處理的單元作為分類原則，信息融合技術模型可由以下五個層次組成；數據輸入/數據輸出層次、數據輸入/特徵輸出層次、特徵輸入/特徵輸出層次、特徵輸入/決策輸出層次、決策輸入/決策輸出層次。其中，每個層次結構上對數據信息的分析和處理方式都不同，從而構成了傳統的信息融合系統。
信息融合診斷系統中，DA表示數據(Data)；I/O表示輸入/輸出IN/Out)；FE表示為特徵(Feature)；DE表示為決策(Decision)。信息融合診斷系統展現的是傳統信息融合的故障診斷系統的整體結構，在實際的故障診斷中，可能選擇部分或者全部結構來完成，並且信息源有可能是多個。
信息融合是一種數據分析與處理的技術，在系統五個層次的結構中，每個層次所處理的單元有一定的差異性，並且，每個處理單元的分析過程及融合決策算法也有很大的不同，所以基於信息融合技術的故障診斷實現需要採用融合中的多種方法。
系統故障特徵的選擇及提取模組
在模擬電路狀態監測與故障診斷中，特徵參數是對電路運行狀態進行定量描述的因素，因此，特徵參數的合理選擇是故障診斷的關鍵性內容。
模擬電路中故障特徵的選擇主要包括以下四個步驟：
(1)故障元件的選擇。故障元件的選擇影響了模擬電路的運行狀態的各種模式的包括與區分。每一個電路元件均有自己的容差範圍，容差越大的元件其值變動的範圍就大。電路的故障類型一般分為硬故障和軟故障，硬故障指電路元件的短路或開路情況，易於辨識，軟故障則是當電路元件值發生變化時，其本身功能並未喪失，系統的性能變差的情形。主要研究的是模擬電路發生軟故障的內容。由於元件值變化範圍的增大，對系統輸出回響的影響程度則取決於元器件的靈敏度，從而靈敏度較大的元器件在其值發生微小的變化時，電路的回響可能會很大，從而便於分析模巧電路的軟故障。因此，綜合考慮選定靈敏度較大的元器件作為研究的故障元件。
(2)試對象的確定。由於在模擬電路中，電壓、溫度、電流、電量、阻抗等各種電量與非電量信號的存在，使得電路系統中對故障特徵可以有多種選擇的方案。在實際套用中，綜合考慮被診斷的模擬電路原理，信號測試的難易度以及系統的成本等因素，選擇合適的故障特徵信號，來為後續數據信息的提取奠定良好的基礎。
(3)測試節點的確定。在故障診斷領域中，測試節點的選擇、測試路徑的選擇、測試方法的選擇一直是學者研究的H大熱點。其中，測試節點的選擇更是方案確定的前提。在實際的模擬電路中，不是所有的電路節點都是可測的節點，故對於故障診斷提取特徵的節點來說，只能在可測節點之間選擇。同時，在可測節點中，可能有兩個或是多個節點所表達的信息相一致，為降低成本，減小計算量與數據處理的工作量，儘量選取最恰當數目與位置的節點。因此，測試節點的選擇，應在滿足故障診斷測試需求的前提下，儘量選取合適數目與位置的測試節點，以得到最佳的系統診斷方案。
模擬電路故障診斷的實質在於識別不同故障狀態對應的模式，針對各個模式對應的故障狀態進行特徵提取是識別的重要環節，並且樣本集也基於此構造而成。在實際的故障診斷中，樣本的數據量極大地影響著故障信息的完備程度，每個模式對應的樣本愈多，則故障信息愈加完豁然而，過多地特徵信息會導致冗長的訓練時間和較低的學習速率，從而影響診斷的準確度及效率。因此，從原始數據中提取最能表征故障狀態的信息是故障診斷的關鍵性內容，也即以貢獻最大的信息用來構造樣本集，這被稱作特徵提取。
系統樣本集的構造模組
模擬電路故障診斷的樣本集主要分為兩組：訓練樣本集及測試樣本集。將改進後的信息融合系統套用於故障診斷中，在處理過程中分為兩個階段：訓綜樣本的自學習及測試樣本的診斷決策。首先，以訓練樣本集按照一定的函式規則構建期望的基本神經網路結構，從而為後續診斷做準備；接著，在構建好的網路中，輸入測試樣本信息，完成故障的診斷過程。因此，如何合理併科學得構造樣本集對系統網路結構的構建起到了關鍵性的作用。
樣本集中包括輸入矩陣信息與輸出矩陣信息。在模擬電路故障診斷系統中，採集的故障特徵向量構成輸入信息，故障類型與屬性構成神經網路子系統的輸出信息。電路的輸入信息一般由靈敏度離的故障元件的輸出回響的波形曲線而來，改變元件的參數值，使得輸出回響隨著變化，並且相關性小，根據運些輸出回響曲線，在區間內選擇有效點採樣，以此來採集輸入信息。電路的輸出信息可為期望的輸出及實際的輸出兩種信息，期望的輸出信息可以預先判定，用於訓練學習，實際的輸出即為實時輸出信息，這兩種信息均為故障模式類型。輸出向量一般由以下三種方法構成：" n中取1"法、" n-1"法以及二進制編碼方法。" n中取1"法：採用 n個二進制數表示電路的 n中狀態，包括電路正常狀態和所有的故障狀態，每種狀態對應一個 n位二進制數，其中只有一位取1，其餘位取0；" n-1"法和上一種法類似，只是將電路的正常狀態對應於全0的二進制數；二進制編碼方法就是對電路正常狀態和所有的故障狀態統一的 n種電路狀態的二進制數大小的表示。在實際的故障診斷套用中，當故障數較少時，" n－1"法和" n中取1"法套用最為廣泛。其中，在研究中採用的就是 n中取1"法。
模擬電路經過故障特徵參數選擇、故障特徵提取及其故障模式的劃分等構造的樣本集可以直接作為神經網路決策模組的輸入。
Haar小波變換的開關電流電路故障診斷新方法
針對開關電流(SI)電路的故障診斷和定位問題，為進一步提高故障準確率，提出了基於信息熵和Haar小波變換的開關電流電路故障診斷新方法。該方法採用偽隨機信號激勵經蒙特卡羅分析、Haar小波正交濾波器分解和信息熵及模糊集的計算來實現故障特徵的提取，以減少信號的冗餘。最後構建故障字典，完成各故障模式的故障分類。對六階切比雪夫低通濾波器進行了仿真實驗驗證，獲得了100%的故障診斷準確率，與其它方法進行比較，實驗結果顯示了該方法的優越性。
基於信息熵和Haar小波變換的故障診斷方法
基於信息熵和Haar小波變換的開關電流電路故障診斷方法為，首先採用線性反饋移位暫存器(LFSR)生成周期性偽隨機序列，合理選擇偽隨機序列長度，獲得帶限白噪聲測試激勵。然後定義故障模式，採集電路原始回響數據，利用Haar小波正交濾波器作為採集序列的預處理系統，獲得原始回響數據的低頻近似信息和高頻細節信息，達到一路輸入兩路輸出的目的。最後計算相應的信息熵及其模糊集，提取最優故障特徵，構建故障字典，完成各故障模式的故障分類。該方法的具體實現步驟如下：
步驟1：產生偽隨機測試激勵。要使故障易於檢測，應該考慮增大無故障電路與故障電路的距離，為了能準確地進行故障定位和識別，可以採用偽隨機序列激勵來使無故障回響與故障狀態回響之間的差別增大。合理選擇偽隨機序列長度，以儘可能短的偽隨機測試序列獲得儘可能大的故障覆蓋率。
步驟2：定義故障模式。為了獲得元器件參數的變化對電路系統特徵的一階改變，對電路進行靈敏度分析，來實現故障元件的定位，最後可以對故障模式進行正確地區分。
步驟3：採集電路原始回響數據。將偽隨機信號激勵開關電流被測電路，採用開關電流電路仿真軟體(AS-IZ) 對電路的各種故障狀態進行仿真，完成原始回響數據的採集。
步驟4：Haar小波正交濾波器預處理。利用Haar小波正交濾波器作為採集序列的預處理系統，獲得原始回響數據的低頻近似信息和高頻細節信息，實現一路輸入兩路輸出。
步驟5：故障特徵提取。開關電流電路測試與診斷的重要步驟是如何完成故障特徵的提取，這一步驟也是構建故障字典的基礎。提取信號的特徵參數—信息熵來識別電路各種故障模式，通過MATLAB軟體完成預處理後的信號信息熵的計算。
步驟6：計算信息熵模糊集，構建故障字典，進行故障分類。經過以上的步驟可得到故障模式、故障代碼和故障特徵值以及故障特徵模糊集幾組數據，將以上幾組數據列表即為故障字典，即可利用該故障字典進行故障分類。
軟故障診斷
利用ASIZ開關電流電路專業仿真軟體對該電路進行靈敏度分析，靈敏度分析結果顯示Mg1，Mf1，Mi1，Mb，Mh和Mk取值的變化對電路輸出回響影響較大，因此選擇這6個電晶體進行故障診斷分析。設跨導gm的容差範圍分別是5%或10%，發生軟故障時，跨導gm值偏離其標稱值的±50% 。共有12類故障模式，加上電路正常狀態( 故障代碼為F13)，共有13種電路狀態，分別為Mg1↑，Mg1↓，Mf1↑，Mf1↓，Mi1↑，Mi1↓，Mb↑，Mb↓，Mh↑，Mh↓，Mk↑，Mk↓和NF。這裡↑和↓意味著明顯高於或低於標稱gm值，對電路的正常狀態和故障狀態分別進行ASIZ仿真，實驗中電路某一時刻只設定一個電晶體發生故障，當故障元件的跨導gm值相對標稱值發生了上下偏移，表示電路發生了軟故障。例如：當一個MOS管上下偏移了其標稱值50%，但另外幾個MOS管僅僅只在它的容差範圍內變化，此時電路發生了軟故障，而正常狀態(NF)時所有電晶體跨導值在各自的容差範圍內變化。
測試激勵信號採用一個由8階線性反饋移位暫存器(LFSR)產生的255位偽隨機序列信號，與正弦信號相比，偽隨機信號測試有很多優點：
1) 能使正常電路和故障電路的時域和頻域回響差別增大，便於故障定位。
2) 易產生高質量測試標識信號，降低了測試了成本。首先對電路各種故障狀態實施時域分析和30次蒙特卡羅(Monte-Carla)分析，分析時取採樣頻率為100kHz，獲得具有158個採樣點的故障回響信號。也就是說，每種故障模式可獲得30個時域故障回響樣本，每個樣本包含158個採樣點。接著對這30個樣本信號實施Haar小波正交濾波器預處理，獲得原始回響數據的低頻近似信息和高頻細節信息，實現一路輸入兩路輸出。因此，對於每種故障模式來說，其時域故障回響特徵具有30個樣本，且每個樣本包含2個屬性(低頻近似信息和高頻細節信息)。總的來說，13種故障模式共組成了780個時域回響樣本。最後，在MATLAB環境下計算每種故障模式的低頻近似信息熵和高頻細節信息熵，提取其故障特徵。對應這13種故障模式的780個時域回響樣本，獲得每種故障模式的低頻近似信息熵模糊集和高頻細節信息熵模糊集。
