模拟电路故障诊断概述及相关技术

杨苏娟

（南京邮电大学，江苏 南京 210023）

1 模拟电路故障诊断概述

随着电子技术的飞速发展，模拟元件的检测与诊断越来越受到人们的重视。但随着电路的复杂性越来越高，要维护和保障这些设备也变得越来越难，对技术的要求也越来越高。研发新的模拟电路故障诊断方法来实现故障的自动诊断已经成为必要。

1.1 故障类型的分类

模拟电路中的故障主要分为硬故障和软故障。硬故障也被称为灾难性故障，会导致电路灾难性地毁坏，由于参数变化而导致的硬故障经常在BJT和MOSFET电路中产生；软故障也称为参数故障，在不超过约束值的情况下，其元件值发生改变，使其偏离了标称值，造成了软故障。

1.2 模拟电路故障诊断方法的分类

在传统的方法中，主要从模型、公式、信号分析、灵敏度分析等来对模拟电路进行诊断，这些方法是最基本且运用较为广泛的方法。

基于模型的方法：在基于模型的方法中，通过对系统的输入和输出进行处理，生成剩余信号。决策者根据剩余信号提取信息，作为故障电路的特征向量。

基于公式的方法：在基于公式的方法中，比较了正常电路和故障电路参数范围的变化，如果变化超过了阈值，则在电路中进行公式变换，以减少电路中其他因素的影响。

基于信号分析方法：在基于信号分析的方法中，用信号代替输入输出模型进行故障诊断。从测量信号中提取特征，并根据症状和先验知识进行分析，对电路进行诊断决策。

2 常见的模拟电路故障特征提取方法

特征提取在模拟电路故障诊断中有着举足轻重的地位，模拟电路的故障信号大多是非线性的并且具有很大的噪声。通常使用算法提取与故障特征相关性较高的信息，将原来的特征向量映射到高维空间中，在高维空间中选择最能代表电路故障特点的信息，消除无用信息。

2.1 基于主成分分析的特征提取方法

主成分分析是一种有效的提取多维数据特征的方法。它的主要特点是将几个相关变量简化成更少的不相关并且独立的主成分，并通过线性组合尽可能多地保留原始信息。在模拟电路故障诊断中，通常可以得到许多故障特征，主成分分析采用降维算法减少这些特征的维数，并使用线性相关原理对原始信号的特征数据进行转换，从而达到简化特征且使各特征之间相互独立的目的，以减小后面故障分类的工作量，提高故障识别的精确度和效率。

2.2 基于希尔伯特黄变换的提取方法

希尔伯特黄变换是由经验模态分解方法与希尔伯特变换结合形成的一个潜在的强大的分析工具。基于傅里叶变换的希尔伯特黄变换信号处理方法被认为是线性分析和平稳谱分析的一个重大突破。通常应用EMD分析将时间序列分解为一组本征模态函数，然后利用希尔伯特变换和瞬时频率法获得信号的时频希尔伯特谱。

2.3 基于独立分析的特征提取方法

独立成分分析可以将信号与噪声分离，即使两者在频率上有重叠。独立成分分析基于以下原则，假设原始的（或源）信号是线性混合的，而且这些混合信号是可用的，独立成分分析可以发现混合信号的线性组合，这些线性组合信号可以恢复原始的源信号，也可重新进行缩放，这是用非线性变换信号的熵最大化原理来实现的。

3 常见的模拟电路故障模式识别方法

故障模式识别指的是把前面通过特征提取得到的特征向量，通过分类器将各个故障类型识别出来，当然，这其中要做的就是训练得到各个故障分类器的系数。故障分类器是最直观的展现整个故障诊断方法的一步。

3.1 人工神经网络

人工神经网络是可以根据输出值和目标值的比较来调整网络的，直到输出值与目标值匹配。之前的一些研究已经探讨了利用人工神经网络来识别人类的音调模式。它采用隐藏的知识表达，通过先验知识，设计神经网络的权重和各网络层之间的关系，使其实现经验与知识的联系，从而应用于方案设计的评价。人工神经网络提供了一种近似各种目标函数的有效方法，比如真实值、离散值和向量值。

3.2 支持向量机

支持向量机是一种机器学习算法。支持向量机分类原理是在可能的空间中发现一个特定的超平面，将超平面到数据点的距离最大化，这等价于求解二次方程优化问题。同时，支持向量机体现了结构风险最小化原则，它已被证明优于传统采用经验风险最小化原则的神经网络分类。因此，支持向量机的解决方案很有可能是全局最优的，而神经网络模型则倾向于陷入局部最优解。

3.3 决策树

决策树是一个递归结构，用于表示顺序分类过程，保证每个测试值都将被分配给某个类。决策树算法被广泛应用于数据挖掘和线索发现中。此算法有能力在一个可预测的响应时间内处理大量的数据。样本数据被随机分为两组大小相等的数据集，即训练集和测试集，然后用目标变量分析训练集的数据来构建分类模型，再将它们转换成预先确定的数据类。比较训练集和测试集，如果精度相似，则构建的模型是成功的；否则，需要重新生成训练集和测试集以重复实验。

4 结束语

本文主要是关于模拟电路故障诊断的概述以及一些常用的关于模拟电路故障诊断的技术。介绍了模拟电路故障诊断中存在的难点、故障的分类以及故障的来源，并分析了模拟故障诊断中的两个重要步骤，即故障特征提取和故障模式识别，介绍了常用的特征提取方法以故障模式识别使用的分类器，比如主成分分析、决策树等。以上相关内容的研究与探索，为模拟电路故障诊断明确了研究方向，对本文后续内容的研究具有重要的意义。