基于可用度模型的电子电路故障点预测方法

范治田

(六安职业技术学院，安徽 六安 237158)

0 引言

随着集成电子电路设计技术的发展，电子电路的集成性和规模越来越大，然而在大型电子电路中，由于电路的元器件较多，集成度较高，导致电子电路的可靠性不好，容易产生故障，需要进行电子电路的故障优化预测，针对电子电路的故障点分布进行故障诊断，提高电子电路的可靠性。电子电路分布节点的规模较大，模型中存在大量的故障点，为了提高电子电路运行的稳定性，需要进行电子电路的电子电路故障点的优化预测，结合电子电路的故障节点分布进行大数据采样，采用大数据分析方法进行电子电路故障点预测，研究大数据结构下电子电路故障点预测方法，在提高电子电路的稳定性和可靠性方面具有重要意义[1]。典型的电子电路故障点预测方法主要有能量谱特征提取方法、时频特征分析方法等，上述方法进行电子电路故障点预测中存在计算开销较大和过程可靠性不好的问题，对此提出基于可用度模型的电子电路故障点预测方法，采用故障大数据融合聚类分析方法进行电子电路故障点的分布式检测和自动预测，提取电子电路故障点的相关性特征量，实现电子电路的故障点预测，最后进行仿真实验分析，结果显示该方法在提高电子电路故障点预测能力方面性能优越。

1 电子电路故障点特征的大数据采集和预处理

1.1 电子电路故障点大数据分析

为了实现对电子电路故障点预测，需要构建电子电路故障点的大数据分析模型。采用大数据采样和自动聚类分析方法进行电子电路故障点的自适应诊断和预测，要先进行电子电路故障点大数据采集[2]，用图G=(V,E)表示电子电路故障点检测的大数据分布模型，假设电子电路故障点数据分布的边向量为(u,v)∈E，在电子电路故障信息传输终端，采用窄带滤波检测方法，进行电子电路故障点的自适应检测，结合匹配滤波检测器进行自适应滤波，采用自适应学习算法进行电子电路故障点大数据分布式特征重构，采用分段线性回归分析方法，建立电子电路故障点的数据统计分析模型，在大数据融合模式下，得到电子电路故障数据采样的特征辨识模型为：

{H0:x′(t)=w(t)

(1)

式中，对电子电路故障采样的参考变量为x'(t)，模板变量为s'(t)，采用分组检测方法，得到参数估计值为：

x′(t)=x(t)*hw(t)

(2)

s′(t)=s(t)*hw(t)

(3)

提取电子电路故障点的负载信息流，采用包络轮廓检测方法[3]，进行电子电路故障点数据采样和自适应调制，得到调制变量输出为：

d(t)=a0(x′(t)+s′(t))

(4)

如S0(t)=a0δ(t)，表示电子电路故障点分布连通图中存在有限向量集，对电子电路故障点进行自适应特征估计，得到输出信号特征量为S(t)，多径时延特征分布为：

(5)

构建电子电路故障点特征分布的宽时域窗Sr(t)为：

Sr(t)=S(t)*h(t)+ns(t)

(6)

式中，ns(t)为时间轴上的频谱噪声，构建电子电路故障点的统计序列分布模型[4]，采用大数据挖掘方法进行电子电路故障点信息采集，当满足：

ρ=

{1,sgn(|z(k)|2-RMDMMA(k))=sgn(|z(k)|2-R)

0,sgn(|z(k)|2-RMDMMA(k))≠sgn(|z(k)|2-R)

(7)

对p(-t)进行多普勒抑制，采用相关性频谱特征检测方法进行电子电路故障点异常数据采集，对采集的电子电路故障点信息特征量进行匹配滤波[5]，根据滤波检测结果，进行故障点数据的特征采样，构建故障分布大数据集。

1.2 电子电路故障点信息特征分析

对采集的电子电路故障点信息特征量进行匹配滤波，对提取的电子电路故障点统计信息采用模糊聚类方法进行可用度模型构造，得到电子电路故障点统计信息的异常特征分量的波束输出为：

(8)

(9)

对较长的电子电路故障点观测大数据进行分段匹配，得到匹配滤波检测结果为：

(10)

构建电子电路故障点的统计序列分布模型，在电子电路故障点异常频谱分布的t-ω平面上，得到电子电路故障点的预测分量为：

k=0,1,…N-1

(11)

电子电路故障点的关联特征分量的线性组合为：

(12)

结合关联规则挖掘方法，得到电子电路故障点预测的频谱带宽为：

(13)

在上述对电子电路故障点特征谱分量的提取基础上，对提取的电子电路故障点统计信息进行融合聚类分析，根据特征分类结果进行在线学习，提高故障点的优化预测和识别能力[6]。

2 电子电路故障点预测模型优化

2.1 电子电路故障点预测的可用度分析模型

在上述建立电子电路故障点预测的大数据分析模型，并采用相关性频谱特征检测方法进行电子电路故障点异常数据采集的基础上，进行电子电路故障点预测模型的优化设计，提出基于可用度模型的电子电路故障点预测方法。对提取的电子电路故障点统计信息采用模糊聚类方法进行可用度模型构造，结合关联维分析方法进行电子电路故障点异常数据分析[7]，进行电子电路故障点预测，对采集的电子电路故障点信息特征量进行特征匹配，得到特征匹配器的极坐标形式有：

(14)

其中，a(t)称为电子电路故障点特征分量的变量包络，φ(t)称为瞬时相位，采用交互式的信息调度模型进行电子电路故障点的统计信息采样，根据信息采集结果进行电子电路故障点的自动预测，得到电子电路故障点特征分量的频谱分离结果为：

(15)

结合参数聚合分析方法，得到电子电路故障点非线性统计分析模型表达式为：

f(WVD(n,ωj))=j-1

(16)

假设给定监测的电子电路故障点时间序列量表示为：

第三步计算各指标的平均人均率和标准差。以每组为单位，对组内四大指标进行计算，平均人均率为四项指标人均率的平均。标准差公式为：

U={U1,U2,…,UN}

(17)

2.2 电子电路故障点特征聚类和预测输出

采用故障大数据融合聚类分析方法进行电子电路故障点的分布式检测和自动预测，对大数据进行波束聚焦处理[9]，采用大数据挖掘方法进行电子电路故障点的自适应预测，统计分析模型用时间序列描述为：

r(t)=r′(t)*p(t)

=S(t)*p(-t)*δ(t)*p(t)+n(t)

=S(t)*δ(t)+n(t)

(18)

式中δ(t)为行电子电路故障点的分布的频谱分量ni(t)=n1i(t)*p(t)的近似值。采用大数据挖掘方法进行电子电路故障点的大数据统计信息建模，得到故障预测的输出回归分析分量为：

(19)

建立故障预测的可用度模型，得到电子电路故障点需求信息的离散特征分量为si=(xi，xi+r,…,xi+(m-1)r)T，上式为一组短时离散信息分布集，电子电路故障点预测的特征分解为正变量和负变量分别为：

(20)

采用子空间重构方法，得到电子电路故障点自动预测的概率密度函数表达为：

(21)

Θ=[α,u,∑]

(22)

G(U|μk,∑k)=(2π)-d/2|∑k|-1/2

(23)

其中，G(U|μk,∑k)为样本回归分析值，故障预测的频谱窗函数为：

(24)

(25)

式中ni(t)为窗函数干扰项：ni(t)=n1i*p(t)，综上分析，提取电子电路故障点的相关性特征量，结合关联规则挖掘法实现电子电路故障点的可用度模型设计和优化预测[10]。

3 仿真实验与结果分析

图1 电子电路故障点特征采样

为了测试本方法在实现电子电路故障点预测方面的性能，进行仿真实验。实验采用Matlab 7 仿真设计，对电子电路故障点的特征采样的频谱带宽为26Kbps，耦合干扰分量为-10dB，相关性频谱特征检测初始采样阈值为σ0=0.2，对电子电路故障点数据的采样时间间隔为β=5，电子电路故障点的数据样本测试集为12000，训练集为200，匹配滤波检测的终止采样频率为100KHz，根据上述仿真环境和设定，进行电子电路故障点预测仿真，得到电子电路故障点大数据采样结果如图1所示。

以图1的电子电路故障点特征采样结果为研究对象，进行电子电路故障点预测，提取电子电路故障点的相关性特征量，结合关联规则挖掘法实现故障点定位，得到预测结果如图2所示。

图2 电子电路故障点预测结果

分析图2得知，采用该方法能有效实现对电子电路故障点的优化预测，对故障点的特征聚类性较好，频谱特征的分辨能力较强。测试不同方法进行电子电路故障点预测的精度，得到结果见表1，分析表1得知，该方法进行电子电路故障点预测的精度较高。

表1 预测精度对比

4 结语

为提高电子电路故障点预测能力，结合电子电路的故障节点分布进行大数据采样，采用大数据分析方法进行预测，提出基于可用度模型的电子电路故障点预测方法。采用自适应模糊聚类分析方法，得到电子电路故障数据的模糊聚类中心，对较长的电子电路故障点观测大数据进行分段匹配，并采用相关性频谱特征检测方法对电子电路故障点异常数据进行分布式检测和自动预测，从而在可用度模型中实现电子电路故障点预测。研究显示，采用该方法进行取电子电路故障点预测的精度较高，可提高故障诊断能力。