[发明专利]基于输出响应矩阵特性分析的模拟电路故障诊断和定位法

说明书

本发明公开了一种基于输出响应矩阵特性分析的模拟电路故障诊断和定位法，本发明通过使用矩阵的特性谱半径和最大奇异值来对模拟电路进行故障诊断，这种方法不需要深入讨论电路的内部特性，只需要测量电路的输出响应就可以进行故障诊断；通过比较无故障输出响应矩阵与故障输出响应矩阵之间的差异，可以诊断故障；通过计算矩阵谱半径和扰动矩阵最大奇异值，可以识别故障，且效果显著，模拟电路故障诊断的故障诊断率高达100％，相对于人工智能只能算法的模拟电路故障诊断而言，本发明完全不需要大量的样本集，可以节约模拟电路故障诊断的时间，为模拟电路故障诊断提供了一种新的方法；能快速有效地处理模拟电路故障诊断的定位问题。

技术领域

本发明涉及模拟电路故障诊断领域，尤其涉及模拟电路故障特征提取和特征分类，具体涉及基于输出响应矩阵特性分析的模拟电路故障诊断和定位法。

背景技术

一般情况下，电路电容电阻发生变化的称为软故障，电路中器件直接损坏或者无法使用称为硬故障，软故障的诊断要比硬故障的诊断困难。由于故障定位和故障参数识别仍然具有挑战性，成熟的模拟电路故障诊断技术尚未形成。到目前为止，在大部分测试中，模拟部分的混合信号电路容易出现问题，所以对模拟电路故障诊断的研究是非常重要的。支持向量机(Support Vector Machine，简称SVM)是一种具有灵活学习策略的小样本学习方法，但它需要更多的计算机内存和时间。学者们不断对模拟电路故障诊断进行深入研究，同时模拟电路故障诊断的故障模式也在不断变化。由早期的模拟电路硬故障到现在的模拟电路软故障诊断；由模拟电路单故障到多故障诊断。随着时间的推进，在此领域有着不断创新，模拟电路故障诊断的理论也在不断的发展着，大量的方法不断的被引入到模拟电路故障诊断中，从早期传统的故障诊断方法，到现在的极限学习机(Extreme LearningMachine，简称ELM)法等各种不同的人工智能法。故障字典方法建立字典模型，通过映射关系诊断故障，然而，复杂的大规模电路建立故障字典是非常麻烦的。灵敏度分析是一种有效的故障诊断技术，它改进了故障诊断中最合适测试点的选择，并从信号中识别出最合适的输入频率，但该方法在处理公差特性方面存在一定缺陷。小波分析和SVM法也存在需要大量的训练样本和需要较长的诊断时间等局限，该方法通过非线性映射将原始数据嵌入到高维特征空间，然后进行线性分析和处理，为基于知识的数据分析带来新的方法和模式。传统方法无法解决故障特征数据维数高、在故障样本交叠严重时多分类性能较差的问题，神经网络方法可以在需要大量训练样本的情况下实现快速故障检测。局域均值分解(Local MeanDecomposition，简称LMD)近似熵算法也是一种很好的模拟电路特征提取方法，K近邻(k-Nearest Neighbour，简称KNN)是一种精度较高的惰性算法，但需要选择合适的参数K，且诊断时间较长。小波变换和CFA-LSSVM是一种提升小波变换和混沌萤火虫算法(CFA)，并且优化LSSVM参数的模拟电路故障诊断方法。LMD近似熵算法和FCM聚类算法以及一些云模型算法等都在不断的完善。

发明内容

本发明的目的是针对现有技术的不足而提供一种基于输出响应矩阵特性分析的模拟电路故障诊断和定位法，这种方法不需要深入讨论电路的内部特性，只需要测量电路的输出响应就可以进行故障诊断；通过比较无故障输出响应矩阵与故障输出响应矩阵之间的差异，可以诊断故障；通过计算矩阵谱半径和扰动矩阵最大奇异值，可以识别故障；故障定位和故障参数识别可以通过最小二乘二次曲线拟合法来完成，与人工智能算法不同的是，它完全不需要训练样本，可以应用于测试节点较少的更复杂电路中，这种电路支路较多，但节点较少且支路较为复杂，而人工智能算法无法采集大量训练样本，体现出本方法的优势性。

本发明的目的是通过下述的技术方案来实现的：

一种基于输出响应矩阵特性分析的模拟电路故障诊断法，包括如下步骤：

1)输入正弦交流电，使被测电路正常工作，测量输出信号Y(t)，将连续时间输出Y(t)按Ts采样间隔采样到Y(n)，Y(t)为连续时间输出，n表示信号数，Y(n)为采样信号，Ts为采样周期；