[发明专利]基于多模块贝叶斯网的电子电路故障诊断方法

说明书

技术领域

    本发明涉及一种电子电路故障的诊断方法，具体涉及一种基于多模块贝叶斯网的电子电路故障诊断方法。

背景技术

近年来，电子电路设计和制作工艺的迅猛发展，涌现出的各种功能系统层出不同。然而电子电路故障检测和诊断进展却相对缓慢，设计复杂电路的能力远远超出了故障检测和维修能力。据美国军事部门报道，在电子设备中数字电路板占80%，模拟电路板占20%。电子电路的可靠性决定了整个系统的可靠性，然而，对于大型、复杂的电路系统进行故障诊断，往往由于一些不确定因素，导致系统呈现出不确定性。具体表现为：虽然系统原理模型或原理图可以获得，但实际系统中对某些信号进行观测成本昂贵，甚至不可以观测；每个元器件都存在故障的可能性，使正常工作的器件在某些瞬间有一定较低的概率输出错误信号，而故障器件往往在某些瞬间也有较低的概率输出正确信号。由于系统模型的复杂性、元件参数容差与广泛的非线性等原因以及噪声影响会使故障的特征表现出一定程度上的不确定性。

复杂、不确定的电子电路系统中的故障，常常会导致某些观测信号间出现矛盾。要使系统恢复正常工作状态，一种解决办法是替换所有的元器件和线路，这无疑是一种成本昂贵、不甚可行的做法。

对于复杂电路，目前常用的故障诊断方法有模糊集故障字典法、神经网络法和贝叶斯网络法等。由于元件容差、测量误差及噪声等的影响，使用故障字典法，虽然可采用模糊集等分析方法来处理由元件容差产生的电压偏差，但仅是将电压分段划分给各局部电路，降低了故障分辨的能力；采用神经网络这种人工智能方法来实现故障诊断，存在建模复杂且模型解释性差的缺点；作为解决不确定性和不完全信息问题处理的有效方法，融合了概率论与图论的贝叶斯网络是可用于故障诊断的理论工具之一。将问题域转化为贝叶斯网络（Bayesian Network，简称BN）模型表示后，便可利用贝叶斯网络理论完成推理任务。贝叶斯网络的推理是贝叶斯网络研究的重要内容。其中，连接树（又称为联合树，Junction tree，简称JT）算法是目前计算速度快、应用最广的BN精确推理算法之一。但传统贝叶斯网络法的推理机需收集观测域内所有观测（证据），通过单个中心推理机进行推理。随着网络节点数量的增加，整个网络信度更新的计算量会呈指数增长，因此传统的BN模型不能充分满足复杂系统故障诊断的实时性要求。

发明内容

本发明的目的是提供一种能克服现有电子电路中故障诊断技术中分辨力低下、模型解释困难和实时性差等不足的基于多模块贝叶斯网的电子电路故障诊断方法。

本发明所采用的技术方案是：

基于多模块贝叶斯网的电子电路故障诊断方法，其特征在于：

由以下步骤实现：

步骤一：设置相邻两次故障诊断推理信度阈值参数δ^*；根据电子电路系统观测的重叠信号，确定智能体个数n；

步骤二：在智能体监测范围内，根据电路系统组合原理和图模型映射转换方法，得到相应的n个贝叶斯子网络结构，m个故障原因源g_p,j映射至各BN子网，BN子网模型各节点间的信度条件概率参数采用EM算法进行学习；

其中，1≤p≤m，1≤j≤n；

步骤三：用重叠信号对应的节点作为网络的重叠子域，即公共节点集，形成完整的MSBN网络结构；

步骤四：利用链树法将MSBN构建成链化连接森林；

步骤五：各BN子网模型中，输入各自的k个目标特征信号作为观测证据；

第一轮观测可随机任选k个目标特征信号数据，设置检测次数i=1；第一轮观测之后，特征数据选取上一轮全局推理后各子网中故障概率较大的门电路相关的观测信号，即按故障概率由大至小的顺序，选择k个目标特征信号；若有两个及以上的门电路推理概率相同，其特征信号可任选，作为观测证据；

其中，1≤k≤q；

步骤六：利用连接树算法进行信度局部推理，完成n个BN子网中的节点g_p, j的信度θ_p, j更新；

其中，1≤p≤m，1≤j≤n；

步骤七：基于步骤六获得的θ_p,j更新，利用信度通信算法完成MSBN网内的信度全局推理，更新MSBN中节点g_p,j故障信度θ_p,j ；

其中1≤p≤m，1≤j≤n；