信息电路

电路，是组成电路路径的各种装置和电源的总称。按通过的电流性质可分为直流电路和交流电路。

信息电路，用符号传送的报道组成电路路径的各种装置和电源的总称。

信息融合的模拟电路故障诊断系统综述了模拟电路故障诊断技术的发展，详细介绍了特征提取方法、神经网络方法与信息融合技术。针对传统信息融合系统的不足，将多种特征提取方法、神经网络与信息融合中D－S证据理论相结合，构建了基于三级信息融合技术的系统模型。1

信息融合技术概述信息融合技术即多传感器信息融合，其基于多传感器采集的多源信息，将时间或空间上具有相互补偿或冗繁多余的信息根据一定的组合优化规则进行融合，进而得到更加有效地信息，以所得信息共同联合操作的优势从而提髙整个系统的诊断性能。

以信息处理的单元作为分类原则，信息融合技术模型可由以下五个层次组成；数据输入/数据输出层次、数据输入/特征输出层次、特征输入/特征输出层次、特征输入/决策输出层次、决策输入/决策输出层次。其中，每个层次结构上对数据信息的分析和处理方式都不同，从而构成了传统的信息融合系统。

信息融合诊断系统中，DA表示数据(Data)；I/O表示输入/输出IN/Out)；FE表示为特征(Feature)；DE表示为决策(Decision)。信息融合诊断系统展现的是传统信息融合的故障诊断系统的整体结构，在实际的故障诊断中，可能选择部分或者全部结构来完成，并且信息源有可能是多个。

信息融合是一种数据分析与处理的技术，在系统五个层次的结构中，每个层次所处理的单元有一定的差异性，并且，每个处理单元的分析过程及融合决策算法也有很大的不同，所以基于信息融合技术的故障诊断实现需要采用融合中的多种方法。1

系统故障特征的选择及提取模块在模拟电路状态监测与故障诊断中，特征参数是对电路运行状态进行定量描述的因素，因此，特征参数的合理选择是故障诊断的关键性内容。

模拟电路中故障特征的选择主要包括以下四个步骤：

(1)故障元件的选择。故障元件的选择影响了模拟电路的运行状态的各种模式的包括与区分。每一个电路元件均有自己的容差范围，容差越大的元件其值变动的范围就大。电路的故障类型一般分为硬故障和软故障，硬故障指电路元件的短路或开路情况，易于辨识，软故障则是当电路元件值发生变化时，其本身功能并未丧失，系统的性能变差的情形。主要研究的是模拟电路发生软故障的内容。由于元件值变化范围的增大，对系统输出响应的影响程度则取决于元器件的灵敏度，从而灵敏度较大的元器件在其值发生微小的变化时，电路的响应可能会很大，从而便于分析模巧电路的软故障。因此，综合考虑选定灵敏度较大的元器件作为研究的故障元件。

(2)试对象的确定。由于在模拟电路中，电压、温度、电流、电量、阻抗等各种电量与非电量信号的存在，使得电路系统中对故障特征可以有多种选择的方案。在实际应用中，综合考虑被诊断的模拟电路原理，信号测试的难易度以及系统的成本等因素，选择合适的故障特征信号，来为后续数据信息的提取奠定良好的基础。

(3)测试节点的确定。在故障诊断领域中，测试节点的选择、测试路径的选择、测试方法的选择一直是学者研究的H大热点。其中，测试节点的选择更是方案确定的前提。在实际的模拟电路中，不是所有的电路节点都是可测的节点，故对于故障诊断提取特征的节点来说，只能在可测节点之间选择。同时，在可测节点中，可能有两个或是多个节点所表达的信息相一致，为降低成本，减小计算量与数据处理的工作量，尽量选取最恰当数目与位置的节点。因此，测试节点的选择，应在满足故障诊断测试需求的前提下，尽量选取合适数目与位置的测试节点，以得到最佳的系统诊断方案。

模拟电路故障诊断的实质在于识别不同故障状态对应的模式，针对各个模式对应的故障状态进行特征提取是识别的重要环节，并且样本集也基于此构造而成。在实际的故障诊断中，样本的数据量极大地影响着故障信息的完备程度，每个模式对应的样本愈多，则故障信息愈加完豁然而，过多地特征信息会导致冗长的训练时间和较低的学习速率，从而影响诊断的准确度及效率。因此，从原始数据中提取最能表征故障状态的信息是故障诊断的关键性内容，也即以贡献最大的信息用来构造样本集，这被称作特征提取。1

系统样本集的构造模块模拟电路故障诊断的样本集主要分为两组：训练样本集及测试样本集。将改进后的信息融合系统应用于故障诊断中，在处理过程中分为两个阶段：训综样本的自学习及测试样本的诊断决策。首先，以训练样本集按照一定的函数规则构建期望的基本神经网络结构，从而为后续诊断做准备；接着，在构建好的网络中，输入测试样本信息，完成故障的诊断过程。因此，如何合理并科学得构造样本集对系统网络结构的构建起到了关键性的作用。

样本集中包括输入矩阵信息与输出矩阵信息。在模拟电路故障诊断系统中，采集的故障特征向量构成输入信息，故障类型与属性构成神经网络子系统的输出信息。电路的输入信息一般由灵敏度离的故障元件的输出响应的波形曲线而来，改变元件的参数值，使得输出响应随着变化，并且相关性小，根据运些输出响应曲线，在区间内选择有效点采样，以此来采集输入信息。电路的输出信息可为期望的输出及实际的输出两种信息，期望的输出信息可以预先判定，用于训练学习，实际的输出即为实时输出信息，这两种信息均为故障模式类型。输出向量一般由以下三种方法构成："n中取1"法、"n-1"法以及二进制编码方法。"n中取1"法：采用n个二进制数表示电路的n中状态，包括电路正常状态和所有的故障状态，每种状态对应一个n位二进制数，其中只有一位取1，其余位取0；"n-1"法和上一种法类似，只是将电路的正常状态对应于全0的二进制数；二进制编码方法就是对电路正常状态和所有的故障状态统一的n种电路状态的二进制数大小的表示。在实际的故障诊断应用中，当故障数较少时，"n－1"法和"n中取1"法应用最为广泛。其中，在研究中采用的就是n中取1"法。

模拟电路经过故障特征参数选择、故障特征提取及其故障模式的划分等构造的样本集可以直接作为神经网络决策模块的输入。1

Haar小波变换的开关电流电路故障诊断新方法针对开关电流(SI)电路的故障诊断和定位问题，为进一步提高故障准确率，提出了基于信息熵和Haar小波变换的开关电流电路故障诊断新方法。该方法采用伪随机信号激励经蒙特卡罗分析、Haar小波正交滤波器分解和信息熵及模糊集的计算来实现故障特征的提取，以减少信号的冗余。最后构建故障字典，完成各故障模式的故障分类。对六阶切比雪夫低通滤波器进行了仿真实验验证，获得了100%的故障诊断准确率，与其它方法进行比较，实验结果显示了该方法的优越性。2

基于信息熵和Haar小波变换的故障诊断方法基于信息熵和Haar小波变换的开关电流电路故障诊断方法为，首先采用线性反馈移位寄存器(LFSR)生成周期性伪随机序列，合理选择伪随机序列长度，获得带限白噪声测试激励。然后定义故障模式，采集电路原始响应数据，利用Haar小波正交滤波器作为采集序列的预处理系统，获得原始响应数据的低频近似信息和高频细节信息，达到一路输入两路输出的目的。最后计算相应的信息熵及其模糊集，提取最优故障特征，构建故障字典，完成各故障模式的故障分类。该方法的具体实现步骤如下：

步骤1：产生伪随机测试激励。要使故障易于检测，应该考虑增大无故障电路与故障电路的距离，为了能准确地进行故障定位和识别，可以采用伪随机序列激励来使无故障响应与故障状态响应之间的差别增大。合理选择伪随机序列长度，以尽可能短的伪随机测试序列获得尽可能大的故障覆盖率。

步骤2：定义故障模式。为了获得元器件参数的变化对电路系统特征的一阶改变，对电路进行灵敏度分析，来实现故障元件的定位，最后可以对故障模式进行正确地区分。

步骤3：采集电路原始响应数据。将伪随机信号激励开关电流被测电路，采用开关电流电路仿真软件(AS-IZ) 对电路的各种故障状态进行仿真，完成原始响应数据的采集。

步骤4：Haar小波正交滤波器预处理。利用Haar小波正交滤波器作为采集序列的预处理系统，获得原始响应数据的低频近似信息和高频细节信息，实现一路输入两路输出。

步骤5：故障特征提取。开关电流电路测试与诊断的重要步骤是如何完成故障特征的提取，这一步骤也是构建故障字典的基础。提取信号的特征参数—信息熵来识别电路各种故障模式，通过MATLAB软件完成预处理后的信号信息熵的计算。

步骤6：计算信息熵模糊集，构建故障字典，进行故障分类。经过以上的步骤可得到故障模式、故障代码和故障特征值以及故障特征模糊集几组数据，将以上几组数据列表即为故障字典，即可利用该故障字典进行故障分类。2

软故障诊断利用ASIZ开关电流电路专业仿真软件对该电路进行灵敏度分析，灵敏度分析结果显示Mg1，Mf1，Mi1，Mb，Mh和Mk取值的变化对电路输出响应影响较大，因此选择这6个晶体管进行故障诊断分析。设跨导gm的容差范围分别是5%或10%，发生软故障时，跨导gm值偏离其标称值的±50% 。共有12类故障模式，加上电路正常状态( 故障代码为F13)，共有13种电路状态，分别为Mg1↑，Mg1↓，Mf1↑，Mf1↓，Mi1↑，Mi1↓，Mb↑，Mb↓，Mh↑，Mh↓，Mk↑，Mk↓和NF。这里↑和↓意味着明显高于或低于标称gm值，对电路的正常状态和故障状态分别进行ASIZ仿真，实验中电路某一时刻只设置一个晶体管发生故障，当故障元件的跨导gm值相对标称值发生了上下偏移，表示电路发生了软故障。例如：当一个MOS管上下偏移了其标称值50%，但另外几个MOS管仅仅只在它的容差范围内变化，此时电路发生了软故障，而正常状态(NF)时所有晶体管跨导值在各自的容差范围内变化。

测试激励信号采用一个由8阶线性反馈移位寄存器(LFSR)产生的255位伪随机序列信号，与正弦信号相比，伪随机信号测试有很多优点：

1) 能使正常电路和故障电路的时域和频域响应差别增大，便于故障定位。

2) 易产生高质量测试标识信号，降低了测试了成本。首先对电路各种故障状态实施时域分析和30次蒙特卡罗(Monte-Carla)分析，分析时取采样频率为100kHz，获得具有158个采样点的故障响应信号。也就是说，每种故障模式可获得30个时域故障响应样本，每个样本包含158个采样点。接着对这30个样本信号实施Haar小波正交滤波器预处理，获得原始响应数据的低频近似信息和高频细节信息，实现一路输入两路输出。因此，对于每种故障模式来说，其时域故障响应特征具有30个样本，且每个样本包含2个属性(低频近似信息和高频细节信息)。总的来说，13种故障模式共组成了780个时域响应样本。最后，在MATLAB环境下计算每种故障模式的低频近似信息熵和高频细节信息熵，提取其故障特征。对应这13种故障模式的780个时域响应样本，获得每种故障模式的低频近似信息熵模糊集和高频细节信息熵模糊集。2

本词条内容贡献者为:

王伟 - 副教授 - 上海交通大学