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 煙臺 264001）

1 引言

目前，我軍部分艦船設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元件。對該類產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超差的具體量值。

然而，目前配套的測試設備還無法達到板級故障點的精確定位，其具體超差參數更是無法確定。部隊及修理廠急需一種故障分析方法和診斷手段，將高復雜性的排故工作變成易行的流程工序，有效降低故障修復時間進而提高技術保障能力。使原本在陣地即可完成的修復工作不必再返廠、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網絡進行故障診斷，利用基于可視化語言的Labview軟件開發出電路運行狀態識別診斷程序。該程序的顯著優點是可以極為便捷地對幾種常見參數超差型電路故障進行精確定位并給出準確的處理意見。

2 算法介紹

2.1 基于LCD-BCM的故障特征提取方法

當前，以神經網絡法［1］、模糊理論［2～3］、專家系統［4］、遺傳算法［5］等為代表的的跨學科研究方法越來越多地被引入到模擬電路故障診斷技術中。2012年，湖南大學的程軍圣、楊宇團隊提出了局部特征尺度分解方法［6～7］（Local Characteristic-scale Decomposition，LCD），該方法在相關領域已經取得了較好的成果。對于模擬電路故障診斷而言，在測點較少、電路模型復雜的情況下，準確提取故障特征是故障診斷所要解決的首要問題。其各種故障現象往往與其運行狀態存在著對應的聯系。

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（Box-Counting method，BCM）算法［11］結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存在著強弱不同的聯系。對這些分量進行分形維數計算得到一組故障特征后，便可以借助神經網絡將這些強弱不同的聯系體現出來，達到精準刻畫故障狀態的目的。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絡，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）?，F假設有一識別任務，類別M類，每類個數不定，樣本特征維度均為p維，那么可構建如圖2所示的四層網絡結構。

圖2 PNN結構

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管理、數據管理、狀態分析，前兩者面向管理人員、技術人員等高級用戶，而后者面向的是部隊官兵、維修人員等底層用戶。

首先，在圖3參數管理模塊中對測點數據進行采集，并根據實際情況判斷是否需要對信號進行降噪。

圖3 參數管理模塊

其次，在圖4數據管理模塊中點擊模態編輯按鈕，在彈出的圖5窗體中輸入該測點下的常見故障維修指導意見。

圖4 數據管理模塊

圖5 裝備運行狀態描述信息錄入界面

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

圖6 狀態分析模塊

4 應用實例

現以如圖7所示某電路為例驗證本文方案有效性。假設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，連同正常狀態共計19類。

圖7 某導彈部分有源濾波電路

表1 某導彈部分有源濾波電路可測故障狀態表

按照各元件故障值分別調節電路中對應元件，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個樣本后恢復標稱值。共有包含正常狀態在內的19類950個樣本。將每類樣本中20個輸入PNN進行訓練，其余30個用于測試。令正常狀態樣本編號為1，自F11起依次編號，至F46編號為19，診斷結果統計如圖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連續超差混合在一起的，超差參數由-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出現，這對后續的故障排除并不會帶來嚴重后果。

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

5 結語

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