基于人工智能和现代信息信号处理的模拟电路故障诊断

 电子设备广泛应用于航天航空、通信、测量、自动控制、医疗器械等各个领域，其运行环境多种多样，如高温、高电磁干扰、高湿度、高辐射和振动等，有时甚至会经历两个极端的变化过程(例如，从超高温到超低温)。越是恶劣的运行环境，就越是要求更高的可靠性，如核电设备的控制系统、卫星的姿态控制系统等对于可靠性有着近乎苛刻的要求。这就要求我们不断研究新的方法和技术，进一步提高电子设备的可靠性，在发生故障后能够及时地检测、隔离、诊断故障。通过对电路进行监测、诊断并预测其发展趋势，可确保我们采取不同的应对措施对其进行有效的保养或维修，使其始终处于安全、经济、稳定的运行状态。

电子设备中的电路系统分为模拟电路和数字电路两个部分，客观世界信号的本质决定了模拟电路在电子设备中的不可替代性，因此即使在数字电路充分发展的今天，模拟电路仍然广泛应用于科研、生产、生活的各领域。理论分析和长期的实际使用经验均表明，模拟电路比数字电路更容易出现故障，因此模拟电路的可靠性决定了整个电子系统的可靠性。

1 模拟电路故障产生原因及分类

模拟电路故障可以定义为任何偏离元件标称值，并且使得整个电路发生异常的现象。模拟电路产生故障的原因通常来自设计、制造和使用这3个阶段。有些故障是由于元器件在设计过程中没有考虑到特殊的工作环境造成的，如高温、高辐射环境；有些故障是由于制造工艺缺陷造成的，如氧化厚度不足、封装缺陷；有些故障是由于元器件使用时间过长造成的，如元器件老化、磨损等。

电路故障有多种不同的分类形式，通常是按照元件参数值偏离其标称值的程度划分为软故障(Soft Faults)和硬故障(Hard Faults)两类。软故障是指元件的参数随着时间或者环境条件的影响而偏离至不能允许的程度，从而导致了系统性能的异常或恶化。元件软故障通常不会导致电路网络拓扑结构的改变，大多不会对电路功能造成重要影响。硬故障又称灾难性故障，是指元件的参数突然发生很大的变化(如元件的短路、开路等)，从而导致系统严重失效，甚至完全瘫痪。硬故障是一种结构性的破坏，它破坏了电路的拓扑结构，使电路功能失效。硬故障从本质上可以看作是软故障的某种特例，即元件参数变化的两种极端情况：极大值(开路)和极小值(短路)。图1为模拟电路故障所导致的系统性能参数的变化示意图，不同应用场合其性能参数变化是不同的。

区分元件参数值偏离其容差范围所引起的故障类型原则是：实际元件参数值是否大于其标称值的10倍或者小于其标称值的0．1倍。电路元件值的变化引起故障类型的变化示意图如图2所示。从图中可以看到，当元件参数在之内时，认为是软故障，在此之外则认为发生了硬故障，其中为元件的标称值，为元件的容差范围。

如果按照电路中同时发生故障元件的个数来划分，还可以分为单故障(Single Fault)和多故障(Multiple Fauhs)两种情况。通常单故障发生的概率在80％左右，发生多故障的概率较低。从故障在电路中随时间的表现形式来看，可分为持久故障(短路、开路等)和间歇故障(接触不良等)。

2 模拟电路故障诊断特点

同数字电路的故障诊断方法相比，模拟电路故障诊断的发展速度相对较慢，至今仍然没有一个被广泛认可的测试诊断理论和方法。模拟电路的故障诊断之所以比数字电路的故障诊断要困难是由如下几个特点决定的：

1)模拟电路的输入、输出信号在时域和电压幅度上具有连续性，以及元件参数的连续性使得故障诊断模型比较复杂，难以简单量化。

2)实际模拟电路中的元件参数都具有很大的离散性，即具有容差。容差的存在导致了故障的模糊性，因而有时无法唯一确定故障位置，使得诊断结果的准确性难以保证，这是故障诊断的最大困难之一。

3)模拟电路中广泛存在非线性和反馈回路。模拟电路中往往含有非线性元件，而且即使在线性电路中也存在众多的非线性问题，这使得诊断的复杂性和信息处理量急剧增加。

4)模拟电路中可测电压节点有限，导致供诊断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，或者根本不可诊断。

5)模拟电路对环境变化较敏感，其输出响应不仅易受制造工艺所引起的元件参数偏差的影响，而且易受热噪声、电磁干扰等外界环境因素的影响。

鉴于上述原因，我们不可能将相对成熟的数字电路故障诊断方法直接移植到模拟电路系统中区解决问题，必须根据模拟电路自身的特点去探索新的行之有效的诊断理论和方法。

3 模拟电路现代故障诊断方法

模拟电路故障诊断滥觞于上个世纪60年代美国的军事工业系统。1985年Bandler和Salama对模拟电路故障诊断理论进行了系统阐述，并且根据对电路的仿真是在测试前还是在测试后通常可将诊断方法分为两大类：即测前仿真诊断(Simulation Before Test Approach，SBT)和测后仿真诊断(Simulation After Test Approach，SAT)，同时他们还提及了逼近法和人工智能方法等。

传统的模拟电路故障诊断方法以故障字典法、参数识别法、故障验证法、逼近法等为代表。由于电路规模和复杂性的不断增长，传统诊断方法愈来愈不能满足实际电路诊断的需求，如诊断所需计算量太大，由于元件容差问题造成诊断结果模糊等。随着专家系统、模糊理论、神经网络、机器学习、模式识别、小波分析等技术的深入研究和应用，它们为解决模拟电路故障诊断中所存在的各种难题提供了有益思路和有效工具，因此基于人工智能和现代信息信号处理的诊断方法已经成为当前模拟电路故障诊断领域的主流方法。

3．1 基于专家系统的故障诊断方法

专家系统(Expert System，ES)是一种基于知识的计算机程序系统，其内部含有大量的某个领域专家水平的知识与经验，能够利用人类专家的知识和解决问题的方法来处理该领域问题。它根据专家提供的知识和经验，采用人工智能中的知识表示和知识推理技术来模拟人类专家的决策过程，以便解决那些需要领域专家才能够处理的复杂问题。故障诊断专家系统结构框图如图3所示，它通常包括人机接口、知识库、综合数据库、推理机和解释器等几个部分。

知识库用于存放故障诊断规则，反映各种故障的因果关系；知识获取机构可以使人类专家通过人机接口直接建立和修改故障诊断规则或修改、补充、完善整个故障诊断系统；推理机实施对整个问题的求解推理过程的控制，它根据综合数据库中的当前信息，将知识库中的规则拿来匹配，然后利用适当的控制算法推断出结论；综合数据库中存放人为提取的一些过程特征数据或某些故障现象的描述以及诊断过程记录等信息；解释程序是在用户需要时对整个故障诊断过程做出合理的解释。知识库和推理机是专家系统的核心，传统专家系统中，专家经验知识(对被诊断系统所观察到的症状与可能故障之间的关系)通常以确定性的IF-THEN规则表示。

目前较为实用的专家系统有：基于规则的专家系统、基于案例的专家系统、基于框架的专家系统、基于模糊逻辑的专家系统、基于模型的专家系统等。基于专家系统的故障诊断方法能够利用专家丰富的领域知识、经验，无需对系统进行数学建模并且诊断结果易于理解，因此在很多领域得到了广泛应用。但是专家系统也存在着一些固有的不足之处：1)知识获取和表达比较困难，这成为专家系统的"瓶颈"问题；

2)缺乏自我学习和记忆的能力，诊断的效率和准确性方面无法保证。这是因为专家系统无法记忆以前处理过的故障，所以当再一次出现同样的故障时其不得不浪费大量的时间进行重复的劳动，导致诊断效率降低。专家系统没有记忆功能，无法记忆本身的错误，因此注定今后会犯同样的错误。

专家系统诊断的准确程度依赖于知识库中领域专家经验的丰富程度和知识水平的高低，因此当遇到一些边缘性的问题就会出现"窄台阶效应"。3)推理能力弱，具有脆弱性。专家系统的本质特征是基于规则的推理思维，因此当规则较多时，系统推理速度慢、效率低，容易出现"匹配冲突"、"组合爆炸"以及"无穷递归"等问题。

3．2 基于模糊逻辑的诊断方法

故障诊断是通过研究故障与征兆之闻的关系来判断系统状态，由于语言表达、信息不完全等带来的模糊属性常常出现在对故障征兆的描述中，故障与征兆之间的关系很难用精确的数学模型来表示，导致某些故障状态也是模糊的。模糊逻辑提供了表达和处理模糊逻辑概念的机制，模糊逻辑的引入可以克服由于复杂系统本身的不确定性和噪声等带来的影响，因此在进行复杂系统故障诊断时显示出一定的优越性。模糊故障诊断方法是利用模糊数学中的隶属度函数和模糊关系矩阵来解决故障与征兆之间的不确定关系。其实质是引入了隶属度函数的概念，把传统的0和1的二值逻辑转移到[0，1]区间上的连续值逻辑上来。

Bilski等人提出了一种基于模糊逻辑的决策树模拟系统自动故障诊断方法，该方法能够在存在噪声的情况下检测和定位多种故障。文中给出了该方法的一般体系结构，并且介绍了降噪、特征提取和故障检测的处理过程。随后作者通过3种物理特性不同的系统对该方法进行了测试和验证，结果证明了该方法的优越性。Carelani等人提出了一个基于频域故障字典的模糊自动诊断系统，并通过两个模拟电路单软故障的例子分析了所提方法的性能。Pous等人提出了一个以故障字典信息作为隶属函数输入变量，而隶属度函数形状由元件参数值分布决定的模糊诊断系统，该方法同故障字典相比性能有了极大提高。

模糊变量表示可读性强，模糊逻辑推理严谨，类似于人类的思维过程，易于理解。但对于复杂电路系统进行故障诊断时存在隶属原则的选择、隶属度函数的确定和模糊关系矩阵的构造等技术难点。隶属度函数的确定不但需要丰富的经验知识而且需要花费较长的时间，模糊关系矩阵R的构造需要以大量现场实际运行数据为基础，其精度的高低主要取决于观测数据的准确性及丰富程度。

3．3 基于神经网络的故障诊断方法

神经网络具有高度的并行处理、联想记忆、自组织、自学习以及强非线性映射能力，因此在故障诊断方面具有很大的潜在优势和应用前景。具体的应用方式主要有：1)利用神经网络产生残差。这主要是利用了神经网络的系统辨识能力，通过辨识模型产生残差序列，从而进行下一步的故障检测和诊断。2)利用神经网络的模式识别能力。对于难以建立精确数学模型的复杂系统，神经网络不需要系统的数学模型，只需要训练数据就能够实现从测量空间到故障空间的映射，从而识别出系统正常模式和故障模式或者不同故障模式之间的区别。

Spain等人将神经网络应用到小规模模拟电路的软故障诊断中，以白噪声作为测试信号源，故障模式为偏离元件正常值50％，通过神经网络来进行故障分类和故障字典自动查询，结果不仅诊断正确率高，而且由于神经网络的鲁棒性，能够识别出未经学习的软故障模式。Aminian研究了一种基于多层前向神经网络的实际电路故障诊断方法。实验结果表明了采用该方法具有较好的故障诊断鲁棒性和高达95％的故障诊断正确率。Catelani等人将RBF网络用于线性电路和非线性电路软故障诊断中，实验结果表明训练好的网络不仅对于子系统或者元器件级的故障具有较好的诊断能力，即使面对没有包含在故障字典中的新故障也能够成功诊断。随后他们又将模糊诊断方法和RBF网络诊断方法用于模拟电路的软故障诊断，结果表明在存在噪声和非故障元件容差的情况下二者的错分率都很低。

虽然基于神经网络的故障诊断方法有很多优点，但基于其固有的内在机理，神经网络也不可避免的存在一下不足之处：1)只利用了一些明确的故障实例样本数据，未能充分利用特定领域中专家的故障诊断经验知识。2)学习样本获取存在一定困难。神经网络故障诊断是建立在大量的故障样本数据基础之上的，诊断性能受到所选样本的数量及其分布情况的限制。3)知识表达不直观，诊断行为具有"黑箱"性，诊断推理过程难以解释。4)对于复杂系统进行故障诊断时，由于需要处理的数据种类繁多，会导致网络规模过大和学习时间过长等问题，从而降低了神经网络的实用性。

3．4 基于核的模拟电路故障诊断方法

核方法是当前机器学习领域最活跃的研究方向之一，它以统计学习理论和核技术为基础。核函数k(x，z)是计算两个数据点在非线性变换φ(·)下的映像的内积，即k(x，z)=<φ(x)，φ(z)，这里的φ：X→φ(X)为核函数k(x，z)导出的特征变换，X为输入空间，φ(X)为特征空间。k(x，z)定义为某个Hilbert空间的内积，它首先应该是对称的，其次还要满足Mercer条件。

核方法能够实现从数据空间到特征空间的非线性变换，采用不同的核函数可以满足不同的非线性变换要求。核方法的计算量与特征空间的维数无关，核函数的引入代替了特征空间的内积计算，从而导出一个与样本数有关，与样本维数无关的优化问题，避免了维数灾难，使核算法具有更大的假设空间，提高了模式分类或者回归的能力。图4给出了核方法的实现过程涉及的几个阶段。数据通过核函数映射到特征空间构造出核矩阵，经过学习算法的处理后得到用于分类的模式函数。

核方法通常可以分为有监督的核方法和无监督的核方法两大类。在常用的有监督的核方法中，支持向量机(Support Vector Machine)是最典型并且是研究和应用最多的一种。常用的无监督核方法有核主成分分析(Kernel Principal Component Analysis，KPCA)、核聚类(Kern el Clustering，KC)、核独立主成分分析(Kernel Independent Component Analysis，KICA)等。
SVM理论植根于VC维和结构风险最小化的基础之上，其应用于故障诊断的最大优势在于它适合于小样本决策。人员的广泛重视，纷纷开展这方面的研究工作。Jiang等人将一种改进的支持向量机分类器用于实际模拟电路的故障诊断中，结果表明该方法较BP网络及常规SVM方法诊断精度有了一定提高。Wang等人通过最优小波包变换提取电路故障特征后，采用了3种不同的二叉树支持向量机对模拟电路故障进行诊断，其诊断精度都在90％以上。Xiao等人采用了核主成分分析方法约简模拟电路故障特征维数以获取最优故障特征，实验结果表明了方法的有效性。