基于Labview的舰船模拟电路故障诊断程序∗
2021-10-11王庆江陈黎明
盛 沛 王庆江 陈黎明
（海军航空大学 烟台 264001）
1 引言
目前，我军部分舰船设备中仍含有大量模拟电路成分，在这些模拟电路中还含有大量的可调元件。对该类产品的故障诊断除了要做到对故障点的排查定位，更重要的是要进一步确定参数超差的具体量值。
然而，目前配套的测试设备还无法达到板级故障点的精确定位，其具体超差参数更是无法确定。部队及修理厂急需一种故障分析方法和诊断手段，将高复杂性的排故工作变成易行的流程工序，有效降低故障修复时间进而提高技术保障能力。使原本在阵地即可完成的修复工作不必再返厂、换件。
针对这一问题，本文以海军某型舰船模拟电路为研究对象，利用局部特征尺度分解算法及分形维数算法提取其测点电压的故障特征，将这些故障特征输入概率神经网络进行故障诊断，利用基于可视化语言的Labview软件开发出电路运行状态识别诊断程序。该程序的显著优点是可以极为便捷地对几种常见参数超差型电路故障进行精确定位并给出准确的处理意见。
2 算法介绍
2.1 基于LCD-BCM的故障特征提取方法
当前，以神经网络法［1］、模糊理论［2～3］、专家系统［4］、遗传算法［5］等为代表的的跨学科研究方法越来越多地被引入到模拟电路故障诊断技术中。2012年，湖南大学的程军圣、杨宇团队提出了局部特征尺度分解方法［6～7］（Local Characteristic-scale Decomposition，LCD），该方法在相关领域已经取得了较好的成果。对于模拟电路故障诊断而言，在测点较少、电路模型复杂的情况下，准确提取故障特征是故障诊断所要解决的首要问题。其各种故障现象往往与其运行状态存在着对应的联系。
文献［8～10］对该类问题做了详尽的研究，最终将LCD算法与分形盒维数（Box-Counting method，BCM）算法［11］结合起来进行模拟电路故障特征提取，并证明了其有效性。通过LCD，将原本一维的待测样本变成多个具有物理意义的分量。与原始信号一样，这些分量中的某一个或者某几个也必然与故障状态存在着强弱不同的联系。对这些分量进行分形维数计算得到一组故障特征后，便可以借助神经网络将这些强弱不同的联系体现出来，达到精准刻画故障状态的目的。其具体流程如图1所示。
图1 基于LCD-BCM的故障特征提取方法思路
2.2 PNN算法简介
PNN算法是由D.F.Speeht于1989年提出的一种前馈网络，一般有以下四层：输入层（Input Layer）、模式层（Pattern Layer）、累加层（Sum Layer）和输出层（Output Layer）。现假设有一识别任务，类别M类，每类个数不定，样本特征维度均为p维，那么可构建如图2所示的四层网络结构。
图2 PNN结构
其具体算法的流程如下［9］。
2.3 故障诊断流程
本文给出的基于LCD-BCM和PNN的部件故障诊断流程如下。
步骤1：对训练样本信号进行采集；
步骤2：对采集到的信号进行LCD分解；
步骤3：计算有用分量BCM值，构建故障特征向量；
步骤4：将故障特征向量输入PNN；
步骤5：将测试样本按照步骤1～3构建故障特征，输入到步骤4得到的PNN进行故障诊断。
3 软件主要功能模块与窗体
该软件功能模块主要为参数管理、数据管理、状态分析，前两者面向管理人员、技术人员等高级用户，而后者面向的是部队官兵、维修人员等底层用户。
首先，在图3参数管理模块中对测点数据进行采集，并根据实际情况判断是否需要对信号进行降噪。
图3 参数管理模块
其次，在图4数据管理模块中点击模态编辑按钮，在弹出的图5窗体中输入该测点下的常见故障维修指导意见。
图4 数据管理模块
图5 装备运行状态描述信息录入界面
随后，在数据管理界面中将采集到的数据及对应的故障编码录入到特征数据库中。至此，该测点下的常见故障特征数据与输入的维修方法已经通过故障编码一一对应起来。底层用户仅需要在图6的状态分析模块中，选择对应的测点库文件并点击状态识别按钮，即可立即出现维修提示信息。
图6 状态分析模块
4 应用实例
现以如图7所示某电路为例验证本文方案有效性。假设故障已定位至如图所示的电路部分，可变电阻RP3对于测试点OUT处的输出特征灵敏度较低因此被剔除。将剩余可测电路故障整理成表1，连同正常状态共计19类。
图7 某导弹部分有源滤波电路
表1 某导弹部分有源滤波电路可测故障状态表
按照各元件故障值分别调节电路中对应元件，在OUT处进行信号采集并利用本文软件对样本进行处理。每类故障在获得50个样本后恢复标称值。共有包含正常状态在内的19类950个样本。将每类样本中20个输入PNN进行训练，其余30个用于测试。令正常状态样本编号为1，自F11起依次编号，至F46编号为19，诊断结果统计如图8及表2所示。
表2 有源滤波电路PNN测试正确率（%）
图8 有源滤波电路PNN测试结果图
可以看出：
1）各类故障诊断正确率均超过80%。
2）本例故障集为单点元器件故障和单点元器件参数连续超差混合在一起的，超差参数由-60%～60%，故障诊断正确率仍然较高。
3）在图8中可以看到，仅在编号为400～500之间有一处样本误差较大，其余误差均较小。这说明大部分误差均在类内出现，这对后续的故障排除并不会带来严重后果。
更进一步，若已经将故障定位至某一元件，即Fi类内，那么利用本软件进行更详细的单元器件故障库的构建，则可以十分准确地判断出具体的超差量值，识别正确率可高达100%。
5 结语
本文利用可视化语言Labview开发的状态监测与识别程序具有功能强大、界面友好、操作方便、运行可靠稳定等优点。利用LCD、BCM进行故障特征提取以及PNN强大的故障状态分类能力，解决了多点连续超差故障的分类问题，是一套令人满意的故障诊断软件。
