基于Labview的艦船模擬電路故障診斷程序?

盛 沛 王慶江 陳黎明

（海軍航空大學(xué) 煙臺 264001）

1 引言

目前，我軍部分艦船設(shè)備中仍含有大量模擬電路成分，在這些模擬電路中還含有大量的可調(diào)元件。對該類產(chǎn)品的故障診斷除了要做到對故障點的排查定位，更重要的是要進一步確定參數(shù)超差的具體量值。

然而，目前配套的測試設(shè)備還無法達(dá)到板級故障點的精確定位，其具體超差參數(shù)更是無法確定。部隊及修理廠急需一種故障分析方法和診斷手段，將高復(fù)雜性的排故工作變成易行的流程工序，有效降低故障修復(fù)時間進而提高技術(shù)保障能力。使原本在陣地即可完成的修復(fù)工作不必再返廠、換件。

針對這一問題，本文以海軍某型艦船模擬電路為研究對象，利用局部特征尺度分解算法及分形維數(shù)算法提取其測點電壓的故障特征，將這些故障特征輸入概率神經(jīng)網(wǎng)絡(luò)進行故障診斷，利用基于可視化語言的Labview軟件開發(fā)出電路運行狀態(tài)識別診斷程序。該程序的顯著優(yōu)點是可以極為便捷地對幾種常見參數(shù)超差型電路故障進行精確定位并給出準(zhǔn)確的處理意見。

2 算法介紹

2.1 基于LCD-BCM的故障特征提取方法

當(dāng)前，以神經(jīng)網(wǎng)絡(luò)法［1］、模糊理論［2～3］、專家系統(tǒng)［4］、遺傳算法［5］等為代表的的跨學(xué)科研究方法越來越多地被引入到模擬電路故障診斷技術(shù)中。2012年，湖南大學(xué)的程軍圣、楊宇團隊提出了局部特征尺度分解方法［6～7］（Local Characteristic-scale Decomposition，LCD），該方法在相關(guān)領(lǐng)域已經(jīng)取得了較好的成果。對于模擬電路故障診斷而言，在測點較少、電路模型復(fù)雜的情況下，準(zhǔn)確提取故障特征是故障診斷所要解決的首要問題。其各種故障現(xiàn)象往往與其運行狀態(tài)存在著對應(yīng)的聯(lián)系。

文獻［8～10］對該類問題做了詳盡的研究，最終將LCD算法與分形盒維數(shù)（Box-Counting method，BCM）算法［11］結(jié)合起來進行模擬電路故障特征提取，并證明了其有效性。通過LCD，將原本一維的待測樣本變成多個具有物理意義的分量。與原始信號一樣，這些分量中的某一個或者某幾個也必然與故障狀態(tài)存在著強弱不同的聯(lián)系。對這些分量進行分形維數(shù)計算得到一組故障特征后，便可以借助神經(jīng)網(wǎng)絡(luò)將這些強弱不同的聯(lián)系體現(xiàn)出來，達(dá)到精準(zhǔn)刻畫故障狀態(tài)的目的。其具體流程如圖1所示。

圖1 基于LCD-BCM的故障特征提取方法思路

2.2 PNN算法簡介

PNN算法是由D.F.Speeht于1989年提出的一種前饋網(wǎng)絡(luò)，一般有以下四層：輸入層（Input Layer）、模式層（Pattern Layer）、累加層（Sum Layer）和輸出層（Output Layer）。現(xiàn)假設(shè)有一識別任務(wù)，類別M類，每類個數(shù)不定，樣本特征維度均為p維，那么可構(gòu)建如圖2所示的四層網(wǎng)絡(luò)結(jié)構(gòu)。

圖2 PNN結(jié)構(gòu)

其具體算法的流程如下［9］。

2.3 故障診斷流程

本文給出的基于LCD-BCM和PNN的部件故障診斷流程如下。

步驟1：對訓(xùn)練樣本信號進行采集；

步驟2：對采集到的信號進行LCD分解；

步驟3：計算有用分量BCM值，構(gòu)建故障特征向量；

步驟4：將故障特征向量輸入PNN；

步驟5：將測試樣本按照步驟1～3構(gòu)建故障特征，輸入到步驟4得到的PNN進行故障診斷。

3 軟件主要功能模塊與窗體

該軟件功能模塊主要為參數(shù)管理、數(shù)據(jù)管理、狀態(tài)分析，前兩者面向管理人員、技術(shù)人員等高級用戶，而后者面向的是部隊官兵、維修人員等底層用戶。

首先，在圖3參數(shù)管理模塊中對測點數(shù)據(jù)進行采集，并根據(jù)實際情況判斷是否需要對信號進行降噪。

圖3 參數(shù)管理模塊

其次，在圖4數(shù)據(jù)管理模塊中點擊模態(tài)編輯按鈕，在彈出的圖5窗體中輸入該測點下的常見故障維修指導(dǎo)意見。

圖4 數(shù)據(jù)管理模塊

圖5 裝備運行狀態(tài)描述信息錄入界面

隨后，在數(shù)據(jù)管理界面中將采集到的數(shù)據(jù)及對應(yīng)的故障編碼錄入到特征數(shù)據(jù)庫中。至此，該測點下的常見故障特征數(shù)據(jù)與輸入的維修方法已經(jīng)通過故障編碼一一對應(yīng)起來。底層用戶僅需要在圖6的狀態(tài)分析模塊中，選擇對應(yīng)的測點庫文件并點擊狀態(tài)識別按鈕，即可立即出現(xiàn)維修提示信息。

圖6 狀態(tài)分析模塊

4 應(yīng)用實例

現(xiàn)以如圖7所示某電路為例驗證本文方案有效性。假設(shè)故障已定位至如圖所示的電路部分，可變電阻RP3對于測試點OUT處的輸出特征靈敏度較低因此被剔除。將剩余可測電路故障整理成表1，連同正常狀態(tài)共計19類。

圖7 某導(dǎo)彈部分有源濾波電路

表1 某導(dǎo)彈部分有源濾波電路可測故障狀態(tài)表

按照各元件故障值分別調(diào)節(jié)電路中對應(yīng)元件，在OUT處進行信號采集并利用本文軟件對樣本進行處理。每類故障在獲得50個樣本后恢復(fù)標(biāo)稱值。共有包含正常狀態(tài)在內(nèi)的19類950個樣本。將每類樣本中20個輸入PNN進行訓(xùn)練，其余30個用于測試。令正常狀態(tài)樣本編號為1，自F11起依次編號，至F46編號為19，診斷結(jié)果統(tǒng)計如圖8及表2所示。

表2 有源濾波電路PNN測試正確率（%）

圖8 有源濾波電路PNN測試結(jié)果圖

可以看出：

1）各類故障診斷正確率均超過80%。

2）本例故障集為單點元器件故障和單點元器件參數(shù)連續(xù)超差混合在一起的，超差參數(shù)由-60%～60%，故障診斷正確率仍然較高。

3）在圖8中可以看到，僅在編號為400～500之間有一處樣本誤差較大，其余誤差均較小。這說明大部分誤差均在類內(nèi)出現(xiàn)，這對后續(xù)的故障排除并不會帶來嚴(yán)重后果。

更進一步，若已經(jīng)將故障定位至某一元件，即Fi類內(nèi)，那么利用本軟件進行更詳細(xì)的單元器件故障庫的構(gòu)建，則可以十分準(zhǔn)確地判斷出具體的超差量值，識別正確率可高達(dá)100%。

5 結(jié)語

本文利用可視化語言Labview開發(fā)的狀態(tài)監(jiān)測與識別程序具有功能強大、界面友好、操作方便、運行可靠穩(wěn)定等優(yōu)點。利用LCD、BCM進行故障特征提取以及PNN強大的故障狀態(tài)分類能力，解決了多點連續(xù)超差故障的分類問題，是一套令人滿意的故障診斷軟件。