数据驱动的模拟电路故障诊断实验平台

曹玉苹， 邓晓刚， 田学民， 刘润华， 任旭虎， 张冬至

(中国石油大学(华东) 信息与控制工程学院， 山东 青岛 266580)

电路故障诊断技术具有重要的实用价值。在电路生产阶段，需要识别不合格电路产品；在电路应用阶段，需要识别电路中失效的元器件。文献[1]针对铁路列车运行控制与地车通信的核心设备——ZPW-2000A轨道电路，设计了一套基于模糊推理方法的电子设备故障诊断实验平台。模糊推理方法需要根据经验和知识设计模糊规则；而数据驱动方法只利用历史故障数据进行学习，应用更简便。

随着数字化水平的提高，大量过程和设备运行数据被采集和存储。数据驱动的故障诊断技术基于过程和设备的历史监控数据识别当前故障的类型，是国内外先进控制领域的研究热点[2-6]。数据驱动的故障诊断问题可以看作分类问题，人工神经网络[7-8]、支持向量机[9-10]和随机森林[11-12]等常用分类方法都可以用来识别故障类型，文献[13-15]介绍了这方面的应用。

笔者结合国家和山东省自然科学基金项目设计了数据驱动的模拟电路故障诊断实验平台。该实验平台将数据驱动的故障诊断技术应用到模拟电路的故障调试中，实现了故障类型的自动识别。该实验平台涉及电路故障模拟和数据驱动的故障诊断技术，为自动化、测控技术与仪器、电气工程及其自动化和电子信息工程等专业的学生认识电路故障、深入学习和理解人工神经网络、支持向量机和随机森林等分类算法提供了条件。

1 模拟电路的典型故障

在现行的高校课程中，无论是非电专业的“电工电子学”，还是电类专业的“电路分析”和“模拟电子技术”，教学内容都没有关于电路故障的系统介绍，学生也缺乏对电路故障的系统认识。然而在实验课程的电路搭建环节和课程设计的电路焊接环节，经常出现电路不能正常工作的情况，学生往往需要耗费较长时间排除电路故障。尤其是在课程设计过程中，由于电路规模大、元器件较多，学生往往会依赖教师排除故障。因此，有必要建立电路故障诊断实验平台，一方面可以加深学生对电路故障的认识，另一方面可以减少排除故障的时间。

模拟电路故障源于设计、制造和使用3个阶段，学生接触到的主要是在使用阶段元器件引起的故障。可将模拟电路中元器件引起的故障分为硬故障和软故障。硬故障是指元器件的参数发生极端变化，如短路、开路、失效等，硬故障将导致电路结构发生变化，电路系统失效。软故障是因元器件老化或受到环境的影响，致使性能参数改变，当这种改变超出容许范围时发生电路软故障。当电路发生软故障时，元器件并未完全失效，但是电参数产生较大偏差，因而系统性能恶化。根据电路发生的故障数，可将模拟电路故障分为单一故障和复合故障。复合故障是2个或2个以上元器件同时发生故障，因而诊断工作比较困难。

以图1所示电路为例，电阻R1的标称值为1 kΩ，容差为±5%。当电阻R1∈[0.95， 1.05]kΩ时，电阻工作正常；而当R1<0.95 kΩ时，电阻发生软故障。极端情况下R1=0，电阻短路，即发生硬故障；当R1>1.05 kΩ时，电阻发生软故障。极端情况下R1=∞，电阻开路，发生硬故障(见图2)。硬故障也可以看作软故障的特例。图1所示电路既可能发生软故障，也可能发生硬故障；既可能发生单一故障，也可能发生复合故障。表1列出了部分故障的具体描述。

图1 模拟电路图

图2 1 kΩ电阻故障示意图

序号参数类型故障1R14短路硬故障故障2R19+50%和R21开路复合故障故障3R4开路硬故障故障4R1-50%软故障故障5R1+40%软故障故障6R11+50%软故障故障7R19开路硬故障

2 实验平台设计

设计的模拟电路故障诊断实验平台总体结构如图3所示，其工作过程包括离线建模和在线诊断两部分。首先利用计算机OrCAD PSpice软件模拟电路运行状态，产生历史测量数据——正常电路测量数据和故障电路测量数据。然后，利用数据驱动的故障诊断方法和历史测量数据建立故障诊断模型。当实际电路出现故障时，采集故障电路数据，输入故障诊断模型，得到电路故障诊断结果。

图3 模拟电路故障诊断实验平台结构示意图

利用实际故障电路可以获得测量数据，但是获得的电路故障类型有限、样本数量有限。通过数学建模可以得到电路元器件的准确模型，且电路运行过程中受扰动的影响较小。因此，可以利用计算机仿真电路的正常运行状态和多种故障运行状态，获得较多测量样本。图3中的数据驱动方法是指可以利用历史测量数据实现故障诊断的方法，如人工神经网络、支持向量机和随机森林等分类方法。离线建模是利用历史测量数据训练人工神经网络、支持向量机和随机森林等。

3 数值仿真及结果分析

为了验证模拟电路故障诊断实验平台的有效性，以图1所示电路为例进行了数值仿真。

首先，利用OrCAD PSpice软件对图1所示电路的正常运行状态和表1中列出的7种故障运行状态进行30次Monte-Carlo分析，获取电路中6个可及测试结点2、4、6、8、9、11的电位，组成观测向量X={V2，V4，V6，V8，V9，V11}的样本数据。将正常运行状态作为一种故障模式，模式序号为1；表1中故障1的模式序号为2，依此类推。通过仿真获得8种故障模式共240个样本数据。

以旋转森林算法为例说明数据驱动的故障诊断方法。旋转森林是随机森林的改进算法，算法流程如图4所示[16]。选取20次仿真数据训练旋转森林，训练数据如图5所示。其中，第1—20个样本对应正常运行状态，第21—40个样本对应故障1，剩余样本依此类推。可以看出部分故障模式的测量数据是比较接近的。旋转森林的参数设置如下：决策树20棵，将观测向量随机分为3个子集，每个子集2个变量，主元分析时保留所有主元。在每个节点，利用Gini系数评价特征。选取剩余10次仿真数据作为测试样本，故障诊断结果如图6所示。可以看出，故障诊断结果与实际故障模式一致。

图4 旋转森林算法示意图

图5 8种故障模式的训练数据

图6 旋转森林诊断结果

4 结语

设计的基于数据驱动方法的模拟电路故障诊断实验平台能够实现电路故障模拟和故障识别，实验内容涵盖电路仿真和基于数据驱动方法的故障诊断。该实验平台不仅有助于学生深入学习电路故障知识，缩短实验和课程设计中故障电路调试时间，而且可以进行电路故障模拟和诊断相关的开放性实验项目，为本科生课程设计、毕业设计和研究生掌握先进故障诊断方法提供了条件。

References)

[1] 徐晓滨，李世宝，孙新亚.ZPW-2000A轨道电路故障诊断实验平台[J].实验技术与管理，2016，33(5):63-68.

[2] 周东华，刘洋，何潇.闭环系统故障诊断技术综述[J].自动化学报，2013，39(11):1933-1943.

[3] 李晗，萧德云.基于数据驱动的故障诊断方法综述[J].控制与决策，2011，26(1):1-9.

[4] 田学民，曹玉苹.统计过程控制的研究现状及展望[J].中国石油大学学报(自然科学版)，2008，32(5):175-180.

[5] Ge Z， Song Z， Gao F. Review of recent research on data-based process monitoring[J].Industrial & Engineering Chemistry Research， 2013，52(10):3543-3562.

[6] 文成林，吕菲亚，包哲静，等.基于数据驱动的微小故障诊断方法综述[J].自动化学报，2016，42(9):1285-1299.

[7] Shao M， Zhu X J， Cao H F， et al. An Artificial Neural Network Ensemble Method for Fault Diagnosis of Proton Exchange Membrane Fuel Cell System[J].Energy， 2014，67(4):268-275.

[8] 李巍华，翁胜龙，张绍辉.一种萤火虫神经网络及在轴承故障诊断中的应用[J].机械工程学报，2015(7):99-106.

[9] 王鲜芳，王岁花，杜昊泽，等.基于模糊粗糙集和支持向量机的化工过程故障诊断[J].控制与决策，2015(2):353-356.

[10] Yin Z， Hou J. Recent Advances on SVM Based Fault Diagnosis and Process Monitoring in Complicated Industrial Processes[J].Elsevier Science Publishers B V，2016，174(PB):643-650.

[11] 胡青，孙才新，杜林，等.核主成分分析与随机森林相结合的变压器故障诊断方法[J].高电压技术，2010(7):1725-1729.

[12] Ahmad I. Data-Based Fault Diagnosis of Power Cable System: Comparative Study of k-NN， ANN， Random Forest， and CART[C]//The 18th IFAC World Congress.2011. DOI:10.3182/20110828-6-1T-1002.01761.

[13] 何怡刚，罗先觉，邱关源.模拟电路故障诊断神经网络方法[J].湖南大学学报，1996，23(5)：90-94.

[14] 张朝龙，何怡刚，袁莉芬，等.基于GMKL-SVM的模拟电路故障诊断方法[J].仪器仪表学报，2016，37(9):1989-1995.

[15] 鄢仁武，叶轻舟，周理.基于随机森林的电力电子电路故障诊断技术[J].武汉大学学报(工学版)，2013，46(6):742-746.

[16] Rodriguez J J， Kuncheva L I， Alonso C J. Rotation Forest: A New Classifier Ensemble Method[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2006，28(10):1619-1630.