[发明专利]射频低噪放电路故障诊断方法、系统、设备、介质、终端

说明书

本发明属于无线通信技术领域，公开了一种射频低噪放电路故障诊断方法、系统、设备、介质、终端，进行射频低噪放电路设计；进行故障特征参数提取及对数据进行数据增广；基于一维卷积神经网络的故障诊断模型的构建。本发明提供的射频低噪放电路故障诊断方法，建立了典型的射频低噪放电路的仿真模型，通过注入故障的方式，提取电路故障的特征参数并进行了数据增广。本发明通过实验说明了对数据进行数据增广后，一维卷积神经网络故障诊断法在射频电路故障诊断的可行性，丰富了样本空间的多样性，提高了模型的泛化能力，且有效防止了神经网络模型的过拟合现象，为射频电路故障诊断提供理论依据，对于实际射频电路故障诊断具有一定的参考价值。

技术领域

本发明属于无线通信技术领域，尤其涉及一种射频低噪放电路故障诊断方法、系统、设备、介质、终端。

背景技术

目前，射频电路通常应用于无线通信领域，而射频半导体电路是射频电路的重要组成部分。随着无线通信系统的发展，信息时代的我们对无线通信的质量和速度都提出了更高的要求。射频半导体器件趋于小型化、低功耗，工作频率也逐渐增加，其工作环境复杂等因素使得射频电路故障率大大增加。判断电路是否故障以及迅速对电路故障点进行定位，可以为在设备维修或排除故障中提供方便，从而不仅降低经济损失，更能够减少对人类生活的影响，甚至防止重大事故的发生。

故障诊断是应用设备技术原理来确定设备是否正常，判断故障部位以及寻找故障原因并能够对故障进行排除的方法。电路故障诊断最开始主要针对低频模拟电路，目前低频模拟电路的诊断方法已经相对成熟，而基于深度学习针对射频电路故障诊断的研究尚不充分。其主要面临以下几个困难：

一方面，低频模拟电路故障诊断是对给定电路结构输入激励信号，分析不同状态电路输出信号之间的联系进行故障诊断与定位。射频电路的工作频率高，信号以电磁场方式传播，故障诊断中特征参数难以提取，通过提取输入激励和输出响应曲线分析电路工作状态意义不大。因此，传统的模拟电路测试方法难以适用于射频电路，针对射频电路的故障诊断需要进行进一步的研究。

另一方面，射频电路的可提取参数体量较大，参数分布范围随机且不具有规律性，深度神经网络的非线性拟合能力十分适合解决多维数据的特征分类问题，因此该方法能够较好解决射频电路的故障模式诊断。

深度学习是机器学习的一种主要算法，广泛应用于机器视觉、语音识别及自然语言处理等人工智能领域。卷积神经网络是最具代表性的深度学习算法，其具有较强的非线性拟合能力，可在大量非线性的高维数据中，通过梯度传播得到输入输出之间对应的映射关系。随着深度学习在各个领域的应用研究，卷积神经网络逐渐在故障诊断领域中受到学界的关注。因此，亟需一种利用卷积神经网络实现射频低噪放电路故障诊断的方法。

通过上述分析，现有技术存在的问题及缺陷为：

(1)现有基于深度学习针对射频电路故障诊断的研究尚不充分。

(2)射频电路的工作频率高，信号以电磁场方式传播，故障诊断中特征参数难以提取，通过提取输入激励和输出响应曲线分析电路工作状态意义不大，故传统的模拟电路测试方法难以适用于射频电路。

(3)射频电路的可提取参数体量较大，参数分布范围随机且不具有规律性。

解决以上问题及缺陷的难度为：射频电路特征参数难以选取、提取困难、提取点难以选择，如何有效地提取特征参数为本发明的第一个难点。在完成特征参数提取后，如何利用数据特征并进行数据预处理，选取合理的算法构建故障诊断模型是本发明的第二个难点。

解决以上问题及缺陷的意义为：基于一维卷积神经网络的射频低噪放电路故障诊断方法具有较强的非线性拟合能力，可在大量非线性的高维数据中，通过梯度传播得到输入输出之间对应的映射关系。弥补了常规方法在射频低噪放电路故障诊断问题上的模糊性和不确定性。

发明内容