【正文】 數(shù)。它包括 CCM 多頻法和伴隨網(wǎng)絡(luò)法。由于一般網(wǎng)絡(luò)所包含的元件 (模塊)數(shù)較大，且方程多為非線性方程，所以，求解這些方程是很艱巨的工作。此外，由于這些工作都是測試后進行的，實時性很差。雖然現(xiàn)在已有一些成熟的方法將其中的非線性方程轉(zhuǎn)換成線性方程，但由于同時增加了許多中間變量，方程個數(shù)也有相應(yīng)的增加，所以，總的計算量仍是可觀的。故障驗證法是在獲取少量故障信息的基礎(chǔ)上進行診斷，實施較為方便，且具有較好的實用前景，因此引起許多學(xué)者的興趣，所取得的研究成果也比較多。它的基本思想是預(yù)先猜測電路中的故障所在，然后根據(jù)所測數(shù)據(jù)去驗證這個猜測是否正確。由于電路中總的故障種數(shù)較大，而各種故障的組合數(shù)則更大，因此，這種“猜測”的次數(shù)東北大學(xué)碩士學(xué)位論文 第二章 模擬電路故障診斷 －9－很多，且計算量非常大。對這種方法的研究主要集中在如何減少猜測次數(shù)，以及減少對每次猜測進行驗證所需要的工作量。此種方法包括 K 故障診斷、故障定界診斷和網(wǎng)絡(luò)撕裂法等。在進行故障診斷時，應(yīng)滿足各自的可測性條件，即被測網(wǎng)絡(luò)的拓撲結(jié)構(gòu)應(yīng)滿足一定的約束條件，施加的獨立激勵向量應(yīng)有足夠的數(shù)量，可及點(可測電壓的節(jié)點)數(shù)至少大于故障數(shù)，而且應(yīng)該獨立。否則，會出現(xiàn)誤診斷或不能診斷出故障等情況。值得一提的是，K 故障診斷法從理論上講可以進行多故障的診斷。但是，在實際中，受網(wǎng)絡(luò)拓撲結(jié)構(gòu)的約束，只能進行單故障的診斷。 逼近法和人工智能逼近法和人工智能(AI)兩種方法都介于測前模擬診斷和測后模擬診斷之間。逼近法包括測前模擬中的概率統(tǒng)計方法和測后模擬中優(yōu)化方法。優(yōu)化法用于軟故障診斷，其思想是:采用適當(dāng)?shù)哪繕?biāo)函數(shù)，估計出最可能出現(xiàn)故障的元件。根據(jù)選定目標(biāo)函數(shù)的不同，有不同的方法，其中有采用最小平方準(zhǔn)則的聯(lián)合判別法和迭代法，采用加權(quán)平方的 L2 近似法，采用范數(shù)最小準(zhǔn)則的準(zhǔn)逆法，L1 近似法和二次規(guī)劃法等，雖然這些方法大多數(shù)能用來診斷多故障，但存在在線計算量大等缺點。人工智能方法在某些程度上類似于信號處理方法，但它克服了信號處理的很多缺點，不依賴于數(shù)學(xué)模型，判斷的依據(jù)主要是以往故障的診斷經(jīng)驗，轉(zhuǎn)化為計算機能夠識別的信息，來對未知故障進行實時監(jiān)控診斷 [10,11]。專家系統(tǒng)就是其中一個主要的應(yīng)用。專家系統(tǒng)包括測前模擬診斷中的故障特性的收集和處理過程，以及測后模擬中的故障推理搜索等過程。該方法具有效率高等特點，同時，為那些運用網(wǎng)絡(luò)理論難以診斷的場合開辟了一條新路徑。該方法不依賴于系統(tǒng)的數(shù)學(xué)模型，而是根據(jù)人們長期的實踐經(jīng)驗和大量的故障信息知識，設(shè)計出一套智能計算機程序，以此來解決復(fù)雜系統(tǒng)的故障診斷問題。根據(jù)領(lǐng)域?qū)＜业闹R和長期實踐的經(jīng)驗總結(jié)，把自然語言轉(zhuǎn)化成計算機理解的機器語言，如產(chǎn)生式規(guī)則、框架表示和邏輯表示等，診斷模型一般由數(shù)據(jù)庫、知識庫、推理機和人機接口組成。系統(tǒng)將傳感器等監(jiān)控設(shè)備傳來的信息與知識庫中故障征兆對比，做出評價和決策。雖然這種方法已經(jīng)廣泛應(yīng)用于工業(yè)生產(chǎn)，但實踐表明它的判斷準(zhǔn)確率最高僅可以達到 91％ [12]，診斷結(jié)果往往還需要技術(shù)員的最終確認(rèn)，并不是特別理想。造成診斷結(jié)果不理想的主要原因是專家系統(tǒng)存在知識獲取的“瓶頸” 問題，由于專家知識的規(guī)則化有一定難度，加上系統(tǒng)的設(shè)計人員對知識的理解有一定的偏差，導(dǎo)致知識庫的建立并不完備，系統(tǒng)本身采取串行方式，推理方法簡單，控制策略不靈活，缺乏自學(xué)習(xí)能力，最終導(dǎo)致判斷速度慢和不準(zhǔn)確。在此基礎(chǔ)上產(chǎn)生的模糊邏輯故障診斷方法增加了函數(shù)隸屬度的概念，將判斷界限模糊化，使推理更符合實際，最后用逆模糊化得到診斷結(jié)果。這在某種程東北大學(xué)碩士學(xué)位論文 第二章 模擬電路故障診斷 －10－度上提高了判斷準(zhǔn)確率，卻未能解決專家系統(tǒng)故有的問題。20 世紀(jì) 70 年代出現(xiàn)了人工模擬神經(jīng)細胞記憶的方法――人工神經(jīng)網(wǎng)絡(luò)理論，在90 年代開始應(yīng)用于工業(yè)領(lǐng)域進行過程控制、過程設(shè)計以及故障診斷等。神經(jīng)網(wǎng)絡(luò)是一個并行分布式的信息處理系統(tǒng)，它是由單向信號通道將大量的處理單元連接而成的一個網(wǎng)絡(luò)結(jié)構(gòu)，其中每一處理單元可以有局部存儲器，存儲某些局部計算操作信息。神經(jīng)網(wǎng)絡(luò)模型為三層結(jié)構(gòu)，即輸入層、隱含層和輸出層，采用多變量輸入、單變量輸出的模式。與傳統(tǒng)的人工智能方法相比，并行結(jié)構(gòu)加快了信息處理速度，提高了處理能力；分布式存儲信息使得系統(tǒng)部分信息損壞后仍能恢復(fù)原來的信息，具有類似人腦的聯(lián)想特點；具有一定的自適應(yīng)性，能夠自學(xué)習(xí)、自組織，并且可訓(xùn)練。神經(jīng)網(wǎng)絡(luò)用于故障診斷主要有數(shù)據(jù)獲取、數(shù)據(jù)預(yù)處理、特征選擇和分類決策四個過程，系統(tǒng)先對輸入樣本進行學(xué)習(xí)，通過不斷修改連接權(quán)得到比較好的網(wǎng)絡(luò)學(xué)習(xí)模型，再根據(jù)學(xué)習(xí)模型對實際數(shù)據(jù)訓(xùn)練，產(chǎn)生預(yù)測值。為了更加有效的利用神經(jīng)網(wǎng)絡(luò)，往往加入專家系統(tǒng)的知識，使訓(xùn)練模型更加合理。目前主要采用 BP 網(wǎng)絡(luò)、 BRF 網(wǎng)絡(luò)、ART 網(wǎng)絡(luò)和Hopfield 網(wǎng)絡(luò)。這種方法的應(yīng)用使故障診斷準(zhǔn)確率上升到 94％，但是也存在著一些弊端 [14]。由于人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)從本質(zhì)上講是一種歸納學(xué)習(xí)，它需要學(xué)習(xí)大量的實例來穩(wěn)定網(wǎng)絡(luò)狀態(tài)，而這些先驗知識本身就要大量的試驗和總結(jié)才能得到，訓(xùn)練模型的產(chǎn)生也需要很長的時間，得到的學(xué)習(xí)模型難以理解，泛化能力不強，逐步改進特征提取成為改善神經(jīng)網(wǎng)絡(luò)性能的熱點。 模擬電路故障診斷的模式識別過程故障診斷問題可以視為模式識別問題，模式識別是基于對事物性質(zhì)的認(rèn)識而能夠?qū)κ挛镎_地分類與描述。模式識別問題是通過搜索各模塊特征，對輸入數(shù)據(jù)與各模塊之間的相似性進行鑒別。模式識別技術(shù)已在語音識別、文字識別、語音合成、目標(biāo)識別與分類、圖像分析與識別等領(lǐng)域應(yīng)用比較成熟 [15,16]。模式識別方法分為統(tǒng)計模式識別方法和結(jié)構(gòu)模式識別方法。模式識別系統(tǒng)包括設(shè)計與實現(xiàn)兩部分，設(shè)計是指用一定數(shù)量的樣本進行分類器設(shè)計；而實現(xiàn)則是指用所設(shè)計的分類器對待識別的樣本進行分類決策。圖 為一般的模式識別系統(tǒng)示意圖。信 息 獲 取學(xué) 習(xí)特 征 判 決特 征 提 取預(yù) 處 理輸 入 模 式輸 出圖 模式識別系統(tǒng) The pattern recognition system(1) 信息獲取東北大學(xué)碩士學(xué)位論文 第二章 模擬電路故障診斷 －11－為了使計算機能對各種現(xiàn)象進行分類識別，必須將所研究的對象信息用計算機所能接受的形式表示，輸入對象的信息包括：二維圖像(如文字、指紋、地圖、照片等)、一維波形( 如腦電圖、地震波等)和物理參量和邏輯值(如體溫、各種試驗數(shù)據(jù)等)。這些信息來自對被識別事物測量的數(shù)據(jù)表示，每個測量值描述事物的一個特征，通過測量、采樣和量化，可以用矩陣活矢量表示，即是模式向量，作為歐氏空間的點，屬于同一類的各模式對應(yīng)于散布在測量空間的某一區(qū)域中的點的總體。(2) 預(yù)處理預(yù)處理的目的是去除噪聲，增強有用的信息，并對相應(yīng)的退化現(xiàn)象進行復(fù)原。(3) 特征提取所謂特征提取就是從輸入數(shù)據(jù)中提取特征，針對模式的某些物理性質(zhì)進行數(shù)學(xué)描述。具體講的是對原始數(shù)據(jù)進行變換，得到最能反映模式分類的本質(zhì)特征。一般我們把原始數(shù)據(jù)構(gòu)成的空間叫測量空間，把分類識別賴以進行的空間叫做特征空間。通過變換可以把維數(shù)較高的測量空間中表示的模式變?yōu)榫S數(shù)較低的特征空間中表示的模式。一個模式類的特征代表該類中所有模式的共性。特征提取被認(rèn)為是模式識別中的重要問題，常用的特征有：統(tǒng)計特征；機構(gòu)特征；數(shù)學(xué)變換特征；邏輯特征。(4) 學(xué)習(xí)學(xué)習(xí)是在建立識別系統(tǒng)時，對已選定的特征完成特征提取之后，對系統(tǒng)進行訓(xùn)練的過程，學(xué)習(xí)可分為有人參與和沒有人參與兩種方式。有人參與：在這種學(xué)習(xí)過程中，樣本先由人進行分類，即樣本的類別是已知的；沒有人參與：此時學(xué)習(xí)環(huán)節(jié)必須對樣本的類別進行研究，即學(xué)習(xí)環(huán)節(jié)對樣本有一個聚類的過程。實際上，預(yù)處理、特征提取、學(xué)習(xí)是相互關(guān)聯(lián)的。(5) 特征判決過程特征判決是在掌握分類規(guī)律后，在實現(xiàn)階段對連續(xù)輸入的大量模式進行分類。這種判決方法有：判別函數(shù)法：利用一個(或多個)判別函數(shù)對兩類(或多類)模式進行判別；距離方法：以被識別特征對訓(xùn)練樣本特征進行廣義運算，求出距離最近的標(biāo)準(zhǔn)特征，常用的有歐氏距離、加權(quán)歐氏距離、漢明距離、馬氏距離和敏氏距離等；相似度方法：相似度方法與距離方法正好相反，它是以被識別特征對訓(xùn)練樣本特征進行隸屬度運算，求出隸屬度最大的標(biāo)準(zhǔn)類為被識模式。假設(shè)識別系統(tǒng)能夠識別 C 個不同的類別，則可認(rèn)為模式空間包括 C 個區(qū)域，其中每一個區(qū)域包含某一類的模式點。這樣，模式識別問題是產(chǎn)生決策邊界的問題，這些邊界根據(jù)觀測到的模式向量將 C 個類模式分割開，設(shè) g1(x), g2(x), …,gn(x)是決定這些邊界的決策函數(shù)，如果 gi(x)gj(x)( i, j=1,2,…,i≠j)，則模式類 x 屬于 Ci。東北大學(xué)碩士學(xué)位論文 第二章 模擬電路故障診斷 －12－模式識別系統(tǒng)的關(guān)鍵在于特征提取和特征判決模塊的設(shè)計。模擬電路故障的模式識別診斷方法的主要思想就是基于模式識別原理 [17]，根據(jù)測試數(shù)據(jù)對故障進行分類從而達到故障定位的目的。模擬電路故障的模式識別系統(tǒng)的設(shè)計與實現(xiàn)過程可分為三個階段：電路測試、特征提取和分類。即：(1)在電路的各種狀態(tài)(正常和故障狀態(tài))下，對給定的可及點( 測試點) 在選定的激勵下進行測試；(2)根據(jù)獲得的測試數(shù)據(jù)提取各故障狀態(tài)的特征，記錄下各狀態(tài)特征，并選擇產(chǎn)生決策函數(shù)；(3)對待診斷特征向量由決策函數(shù)實行分類。模擬電路故障的模式識別診斷方法與一般的診斷方法相比較，一般故障診斷法在很大程度上決定于診斷方程式或優(yōu)化模型，而模式識別法不需要診斷對象的解析模型，但需要有代表性的訓(xùn)練數(shù)據(jù)。一般故障診斷方法建模所需的計算量大，而模式識別法通常計算簡單，計算量主要取決于測試數(shù)據(jù)和所處理的問題。一般診斷方法在建模過程中工作量大，建模后模型就難以改變，而模式識別法在這一方面要靈活得多。特征提取是模式識別法中的一個重要環(huán)節(jié)，它直接影響到診斷系統(tǒng)的分類效果，同時也是一個較為復(fù)雜的環(huán)節(jié)。特征提取目前還沒有系統(tǒng)的理論和方法，只有具體問題具體分析后，才能從測試數(shù)據(jù)中提取識別對象的本質(zhì)特征和結(jié)構(gòu)。模擬電路故障的特征要從電路中的測試數(shù)據(jù)中獲得，如果兩個故障在選定激勵下任何可及點上的測量值沒有差異或差異很小的話，這兩種故障在現(xiàn)有的激勵和可及點上是不可隔離的，需要改變或增加激勵和可及節(jié)點才有可能隔離 [18]。當(dāng)運用支持向量機實現(xiàn)模擬故障的識別和分類時，支持向量機對輸入的樣本數(shù)據(jù)進行學(xué)習(xí)，將故障特征存儲在支持向量機網(wǎng)絡(luò)中，建立故障字典，最后實現(xiàn)對故障的分類及定位。 本章小結(jié)本章根據(jù)故障電路的故障程度、故障數(shù)目、故障之間關(guān)系、故障表現(xiàn)形式等定義了不同的故障類型；分析了測前模擬方法、測后模擬方法和逼近法及人工智能方法，并指出了這些方法的優(yōu)缺點。針對模擬電路故障診斷過程，給出了模式識別系統(tǒng)框圖。東北大學(xué)碩士學(xué)位論文 第三章 電路仿真工具PSPICE 的分析及應(yīng)用－13－第三章 電路仿真工具 —PSPICE 的分析及應(yīng)用對電子電路的故障進行診斷首先就要進行電路的設(shè)計，而 Spice 作為電子電路的設(shè)計工具，它不僅可以計算分析模擬電路的直流工作點、增益、頻率特性等，還可以仿真分析數(shù)字電路的邏輯功能，更為突出的是它還擁有傅立葉分析、蒙特卡洛分析、最壞情況分析等特殊功能，使得電子電路的設(shè)計分析完全可以仿真實現(xiàn)。本章將介紹PSpice 的發(fā)展、內(nèi)容和其強大的應(yīng)用分析功能。 PSpice 的發(fā)展PSpice 是 Spice(Simulation Program with Integrate Circuit Emphasis，即集成電路編程仿真技術(shù))軟件應(yīng)用在個人計算機上的版本。而 Spice 是一種應(yīng)用電路分析程序，能夠分析和模擬一般條件下的各種電路特性。Spice 的發(fā)展已由 30 多年的歷史。20 世紀(jì) 60 年代中期，IBM 公司開發(fā)了ECAP(Electrical Computer Aided Program，電子計算機輔助編程)程序，以此為起點，美國加州大學(xué)伯克利分校()于 60 年代末開發(fā)了 CANCER 電路分析程序，并在 CANCER 的基礎(chǔ)上，于 1972 年推出了 Spice 程序， 1975 年伯克利推出了升級版的Spice2，而后又相繼推出了 Spice2G, Spice3A,…Spice3G。 Spice 源程序是開放的，能迅速地進行擴展和改進，使得它的電路分析功能不斷的擴充，算法不斷的完善，元器件和模型不斷的增加和更新，分析精度和運行時間也得到有效的改善，因而成為工業(yè)和科研上電路模擬的標(biāo)準(zhǔn)工具 [19,21]。Pspice 公司 Spice 公司家族的一員，其主要算法和 Spice 一樣。它是由 Microsim 公司 1984 年推出的，由于 PSpice 可以應(yīng)用于 IBM 個人計算機上，使得工科院校的學(xué)生可以應(yīng)用計算機盡心電路設(shè)計，因而 PSpice 越來越流行。隨著版本的升級， PSpice 的功能不斷完善。由于其 PSpiceA/D 高超的電路仿真能力，Microsim 公司被 EDA 領(lǐng)域最負盛名的公司ORCAD 并購，PSpice 程序因此正式更名為 OrCADPSpiceA/D，版本升級為 V9。OrCADPSpiceA/D 在整個 OrCAD 設(shè)計環(huán)境中負責(zé)電路的仿真和實驗工作，它可以當(dāng)作一個軟件的電路面包板，用戶在上面建立電路模型和設(shè)置激勵信號，可根據(jù)要求來測試設(shè)計的電路，經(jīng)過調(diào)試、修改和優(yōu)化，如果仿真結(jié)果順利通過檢測，就可以進入后續(xù)的設(shè)計強化程序，進行印刷電路板的設(shè)計；或者進入表示程序，進行可編程邏輯陣列的設(shè)計。此外，還有其他 Spice 版本(引申版)進入市場。Metesoftware 公司推出的 Hspice，包含特殊的元器件模型，特別應(yīng)用于集成電路的