數據驅動的模擬電路故障診斷實驗平臺

曹玉蘋， 鄧曉剛， 田學民， 劉潤華， 任旭虎， 張冬至

(中國石油大學(華東) 信息與控制工程學院， 山東 青島 266580)

電路故障診斷技術具有重要的實用價值。在電路生產階段，需要識別不合格電路產品；在電路應用階段，需要識別電路中失效的元器件。文獻[1]針對鐵路列車運行控制與地車通信的核心設備——ZPW-2000A軌道電路，設計了一套基于模糊推理方法的電子設備故障診斷實驗平臺。模糊推理方法需要根據經驗和知識設計模糊規(guī)則；而數據驅動方法只利用歷史故障數據進行學習，應用更簡便。

隨著數字化水平的提高，大量過程和設備運行數據被采集和存儲。數據驅動的故障診斷技術基于過程和設備的歷史監(jiān)控數據識別當前故障的類型，是國內外先進控制領域的研究熱點[2-6]。數據驅動的故障診斷問題可以看作分類問題，人工神經網絡[7-8]、支持向量機[9-10]和隨機森林[11-12]等常用分類方法都可以用來識別故障類型，文獻[13-15]介紹了這方面的應用。

筆者結合國家和山東省自然科學基金項目設計了數據驅動的模擬電路故障診斷實驗平臺。該實驗平臺將數據驅動的故障診斷技術應用到模擬電路的故障調試中，實現了故障類型的自動識別。該實驗平臺涉及電路故障模擬和數據驅動的故障診斷技術，為自動化、測控技術與儀器、電氣工程及其自動化和電子信息工程等專業(yè)的學生認識電路故障、深入學習和理解人工神經網絡、支持向量機和隨機森林等分類算法提供了條件。

1 模擬電路的典型故障

在現行的高校課程中，無論是非電專業(yè)的“電工電子學”，還是電類專業(yè)的“電路分析”和“模擬電子技術”，教學內容都沒有關于電路故障的系統(tǒng)介紹，學生也缺乏對電路故障的系統(tǒng)認識。然而在實驗課程的電路搭建環(huán)節(jié)和課程設計的電路焊接環(huán)節(jié)，經常出現電路不能正常工作的情況，學生往往需要耗費較長時間排除電路故障。尤其是在課程設計過程中，由于電路規(guī)模大、元器件較多，學生往往會依賴教師排除故障。因此，有必要建立電路故障診斷實驗平臺，一方面可以加深學生對電路故障的認識，另一方面可以減少排除故障的時間。

模擬電路故障源于設計、制造和使用3個階段，學生接觸到的主要是在使用階段元器件引起的故障。可將模擬電路中元器件引起的故障分為硬故障和軟故障。硬故障是指元器件的參數發(fā)生極端變化，如短路、開路、失效等，硬故障將導致電路結構發(fā)生變化，電路系統(tǒng)失效。軟故障是因元器件老化或受到環(huán)境的影響，致使性能參數改變，當這種改變超出容許范圍時發(fā)生電路軟故障。當電路發(fā)生軟故障時，元器件并未完全失效，但是電參數產生較大偏差，因而系統(tǒng)性能惡化。根據電路發(fā)生的故障數，可將模擬電路故障分為單一故障和復合故障。復合故障是2個或2個以上元器件同時發(fā)生故障，因而診斷工作比較困難。

以圖1所示電路為例，電阻R1的標稱值為1 kΩ，容差為±5%。當電阻R1∈[0.95， 1.05]kΩ時，電阻工作正常；而當R1<0.95 kΩ時，電阻發(fā)生軟故障。極端情況下R1=0，電阻短路，即發(fā)生硬故障；當R1>1.05 kΩ時，電阻發(fā)生軟故障。極端情況下R1=∞，電阻開路，發(fā)生硬故障(見圖2)。硬故障也可以看作軟故障的特例。圖1所示電路既可能發(fā)生軟故障，也可能發(fā)生硬故障；既可能發(fā)生單一故障，也可能發(fā)生復合故障。表1列出了部分故障的具體描述。

圖1 模擬電路圖

圖2 1 kΩ電阻故障示意圖

序號參數類型故障1R14短路硬故障故障2R19+50%和R21開路復合故障故障3R4開路硬故障故障4R1-50%軟故障故障5R1+40%軟故障故障6R11+50%軟故障故障7R19開路硬故障

2 實驗平臺設計

設計的模擬電路故障診斷實驗平臺總體結構如圖3所示，其工作過程包括離線建模和在線診斷兩部分。首先利用計算機OrCAD PSpice軟件模擬電路運行狀態(tài)，產生歷史測量數據——正常電路測量數據和故障電路測量數據。然后，利用數據驅動的故障診斷方法和歷史測量數據建立故障診斷模型。當實際電路出現故障時，采集故障電路數據，輸入故障診斷模型，得到電路故障診斷結果。

圖3 模擬電路故障診斷實驗平臺結構示意圖

利用實際故障電路可以獲得測量數據，但是獲得的電路故障類型有限、樣本數量有限。通過數學建模可以得到電路元器件的準確模型，且電路運行過程中受擾動的影響較小。因此，可以利用計算機仿真電路的正常運行狀態(tài)和多種故障運行狀態(tài)，獲得較多測量樣本。圖3中的數據驅動方法是指可以利用歷史測量數據實現故障診斷的方法，如人工神經網絡、支持向量機和隨機森林等分類方法。離線建模是利用歷史測量數據訓練人工神經網絡、支持向量機和隨機森林等。

3 數值仿真及結果分析

為了驗證模擬電路故障診斷實驗平臺的有效性，以圖1所示電路為例進行了數值仿真。

首先，利用OrCAD PSpice軟件對圖1所示電路的正常運行狀態(tài)和表1中列出的7種故障運行狀態(tài)進行30次Monte-Carlo分析，獲取電路中6個可及測試結點2、4、6、8、9、11的電位，組成觀測向量X={V2，V4，V6，V8，V9，V11}的樣本數據。將正常運行狀態(tài)作為一種故障模式，模式序號為1；表1中故障1的模式序號為2，依此類推。通過仿真獲得8種故障模式共240個樣本數據。

以旋轉森林算法為例說明數據驅動的故障診斷方法。旋轉森林是隨機森林的改進算法，算法流程如圖4所示[16]。選取20次仿真數據訓練旋轉森林，訓練數據如圖5所示。其中，第1—20個樣本對應正常運行狀態(tài)，第21—40個樣本對應故障1，剩余樣本依此類推。可以看出部分故障模式的測量數據是比較接近的。旋轉森林的參數設置如下：決策樹20棵，將觀測向量隨機分為3個子集，每個子集2個變量，主元分析時保留所有主元。在每個節(jié)點，利用Gini系數評價特征。選取剩余10次仿真數據作為測試樣本，故障診斷結果如圖6所示。可以看出，故障診斷結果與實際故障模式一致。

圖4 旋轉森林算法示意圖

圖5 8種故障模式的訓練數據

圖6 旋轉森林診斷結果

4 結語

設計的基于數據驅動方法的模擬電路故障診斷實驗平臺能夠實現電路故障模擬和故障識別，實驗內容涵蓋電路仿真和基于數據驅動方法的故障診斷。該實驗平臺不僅有助于學生深入學習電路故障知識，縮短實驗和課程設計中故障電路調試時間，而且可以進行電路故障模擬和診斷相關的開放性實驗項目，為本科生課程設計、畢業(yè)設計和研究生掌握先進故障診斷方法提供了條件。

References)

[1] 徐曉濱，李世寶，孫新亞.ZPW-2000A軌道電路故障診斷實驗平臺[J].實驗技術與管理，2016，33(5):63-68.

[2] 周東華，劉洋，何瀟.閉環(huán)系統(tǒng)故障診斷技術綜述[J].自動化學報，2013，39(11):1933-1943.

[3] 李晗，蕭德云.基于數據驅動的故障診斷方法綜述[J].控制與決策，2011，26(1):1-9.

[4] 田學民，曹玉蘋.統(tǒng)計過程控制的研究現狀及展望[J].中國石油大學學報(自然科學版)，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，呂菲亞，包哲靜，等.基于數據驅動的微小故障診斷方法綜述[J].自動化學報，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] 李巍華，翁勝龍，張紹輝.一種螢火蟲神經網絡及在軸承故障診斷中的應用[J].機械工程學報，2015(7):99-106.

[9] 王鮮芳，王歲花，杜昊澤，等.基于模糊粗糙集和支持向量機的化工過程故障診斷[J].控制與決策，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，孫才新，杜林，等.核主成分分析與隨機森林相結合的變壓器故障診斷方法[J].高電壓技術，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] 何怡剛，羅先覺，邱關源.模擬電路故障診斷神經網絡方法[J].湖南大學學報，1996，23(5)：90-94.

[14] 張朝龍，何怡剛，袁莉芬，等.基于GMKL-SVM的模擬電路故障診斷方法[J].儀器儀表學報，2016，37(9):1989-1995.

[15] 鄢仁武，葉輕舟，周理.基于隨機森林的電力電子電路故障診斷技術[J].武漢大學學報(工學版)，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.