论文部分内容阅读
模拟电路的故障诊断和失效预测是电子系统健康管理(Prognostics and Health Management,PHM)研究中的研究热点。由于失效预测相比故障诊断可以更好的防止故障的发生,所以失效预测的研究尤其重要。模拟电路的失效预测有两个难点:第一、当模拟电路中某一个元件失效时,失效元件仍然是保持通电状态,因此对电路的失效状态很难进行准确的预测;第二、因为模拟电路失效时间总是不大于单个元件全寿命,所以无法通过元件全寿命来预测电路失效时间。而现有的模拟电路失效研究在很大程度上都存在一些不足。一是现有失效预测研究中故障指示值(Fault Indicator,FI)的计算方法不完善,已有的FI计算方法缺乏合理性且计算复杂;二是现有方法对电路中的各个元件在保证电路性能下预测其剩余使用时间的方法不够完善。针对上述问题,作者对于模拟电路的剩余使用性能(Remaining Useful Performance,RUP)预测方法开展了一些研究。而对于模拟电路失效预测的研究主要不是考虑所有种类模拟电路的退化原因和失效类型,而是以典型线性模拟滤波器电路为主,集中在退化数据的处理方法上。为了提高RUP预测方法的精度并且简化预测过程,提出了几种不同的RUP预测方法:基于高斯白噪声估计的模拟电路RUP预测法;基于复数域建模的模拟电路单元件RUP预测法;采用电压特征的线性模拟电路单元件RUP预测方法。同时,为了增加模拟电路RUP预测的电路状态监测能力,提出了一种基于极限学习机的模拟电路测试生成算法。本文的创新性工作如下:1、针对现有模拟电路RUP预测方法中FI计算过于复杂的问题,提出了一种基于高斯白噪声估计的RUP预测方法。这种方法通过采集初始状态及退化状态各时刻的时域波形,利用Kalman滤波器对初始状态的波形加入辅助噪声并与退化状态各时刻波形进行比对,得出一种新的FI计算方法和FI的退化模型,从而提出了一种改进Power式的更新式用于粒子滤波(Particle Filter,PF)。通过试验验证可知,这种RUP预测方法,由于选择采集整个时域波形,使得特征包含更多的信息量,增加了预测的精度。同时不需要特征融合,简化了FI的计算流程。2、针对现有的模拟电路RUP预测方法中FI的计算缺乏与模拟电路结构关联从而影响RUP预测精确性的问题,提出了一种基于复数域建模的模拟电路单元件RUP预测法。这种方法引入现有模拟电路圆模型故障诊断方法进行电路结构分析,并结合电路的元件退化模型,提出了一种利用三点建圆和参数扫描相结合的模拟电路元件退化分析方法,根据这个方法得到一种新的FI计算式。再针对模拟电路中存在部分元件圆模型退化为线模型的特点,提出了关于线模型的FI计算方法以及线模型和圆模型的区别方法,从而完善了模拟电路预测中基于复数域建模的FI计算方法。最后,根据不同的FI计算式给出了不同的PF更新式。通过实验也验证了此方法在RUP预测精度上表现优异。3、针对现有模拟电路RUP预测方法中测点总是固定为最终的输出点从而导致诊断和预测架构无法结合测点优化和非固定测点故障诊断方法,以及现有RUP预测方法需要采集频率特征从而无法对于纯电阻电路进行RUP预测的问题,提出了一种采用电压特征的RUP预测方法。这种方法引入现有斜率法进行电路分析,结合电路的元件退化模型,提出通过采集任意双测点电压,再通过欧式距离计算FI从而建立FI退化模型。通过实验也验证了该方法可以有效简化FI的计算复杂度,提高了RUP的预测精度,对于纯电阻电路的RUP预测方面也有较好的预测效果。4、状态监测是实现PHM的重要技术途径,而测试生成算法是一种经济有效的状态监测方法。针对现有测试生成算法结构复杂、压缩样本时精度不稳定、测试时间消耗较多等问题,提出了一种基于极限学习机(Extreming Learning Machine,ELM)的模拟电路测试生成算法。该方法根据ELM进行样本分类训练得出的分类面,提出一种基于ELM的测试信号生成式,进而改进了原有的信号生成方法和测试结构。实验验证表明:该方法在测试结构上缩减了50%,测试时间为原消耗时间的28%,在压缩样本状态下,不需要额外进行参数或样本寻优,测试精度也有明显提高。