CN112731098B - 一种射频低噪放电路故障诊断方法、***、介质及应用 - Google Patents

Abstract

本发明属于射频电路技术领域，公开了一种射频低噪放电路故障诊断方法、***、介质及应用，输入模型的状态数、初始概率分布、初始状态转移矩阵、迭代误差、最大迭代步数和观测矢量序列；由K‑means算法以模型状态数分割训练样本数据，再由GMM初始估计高斯混合密度参数，获得CHMM的初始模型；通过Baum‑Welch模型进行参数模型训练，获得第i步迭代的重估模型；由Viterbi算法计算该重估模型下的输出概率，计算重估模型输出概率的增长误差；依次迭代直至满足误差条件收敛或者超过迭代步数，把重估的模型作为最终的结果模型。对于射频电路中元器件开路短路故障识别率可以达到100％的准确率。

Description

一种射频低噪放电路故障诊断方法、***、介质及应用

技术领域

本发明属于射频电路技术领域，尤其涉及一种射频低噪放电路故障诊断方法、***、介质及应用。

背景技术

目前：当今社会是信息化的社会，尤其是近几年来5G技术的发展更是成为了世界的焦点。世界各国投入巨大科研成本试图在现代通信的对抗中占领制高点，其中半导体器件发展无疑是重中之重。射频电路以半导体器件为基础结合其他元器件以实现某种能量转换为目的工作于高频频段的模拟电路迅速在通信、军事、医疗等领域普及。射频电路由于工作在高频频段，其半导体器件的开关切换速率快，而有的半导体器件常常需要工作在大功率条件下如大功率放大器，再考虑工作环境等因素使得射频电路出故障相对于低频模拟电路的故障机率大大增加。半导体以及焊接失效在能量转换***中失效率占34％，当电路发生故障时，及时定位故障源便于电路及时维修。在早期的电路故障诊断方法主要以人工检修为主，然而随着电路集成度、复杂度上升，仅靠人工诊断远远不能满足要求。

故障诊断指的是对已发生故障的电路，定位其故障位置以及原因。20世纪60年代初，电路的故障诊断作为网络理论的第三大分支在军事工业上首先开始研究。电路的故障诊断可以分为数字电路故障诊断和模拟电路故障诊断，数字电路故障诊断目前发展趋于成熟并且有不错的工程应用。而模拟电路由于激励以及响应为连续量，故障参数难以提取等问题使得模拟电路的故障诊断发展较为缓慢。模拟电路的故障诊断问题可以看作是一个模式分类问题，模拟电路运行过程中若出现故障，则电路的特征参数会偏离正常状态，特征向量也会发生变化。因此，只要故障源存在，这种故障信息就会通过特征参数表现出来。射频电路与模拟电路不同之处在于工作频率，射频电路由于工作高频频段，传统模拟电路的分析理论不再适用。射频电路由于其传递能量方式以电磁场进行传播，通过提取输入激励和输出响应曲线分析电路工作状态意义不大。除此之外，由于电磁场对工作环境的变化十分敏感，这也给射频电路的测试点选取带来了很大的困难。目前国内外对射频电路的故障诊断研究不多，研究方向也主要以半导体器件的物理失效为主。国外对射频电路故障诊断研究主要从晶体管的内部出发，对电力电子转换***电源中IGBT物理失效模型进行了研究。通过仿真的方法研究了短路状态下IGBT的热损坏问题。国内也有不少射频电路故障诊断研究，通过HSMM算法对射频电路故障建模进行故障诊断与寿命预测。以HMM模型计算马氏距离评估电路故障状态。

通过上述分析，现有技术存在的问题及缺陷为：

(1)目前射频半导体器件趋于小型化、低功耗、工作频率逐渐增加，加之工作环境复杂等因素使得射频电路故障率大大增加。

(2)目前实际射频电路故障参数难以提取，测试点选取可能影响到电路正常工作。

解决以上问题及缺陷的难度为：由于射频半导体器件的长足发展，使得射频电路故障原因更为复杂。多个故障原因共同作用，使得所提取的数据包含多种故障源而难以诊断。多个故障共同作用也会增加提取数据的复杂度，这也对建立故障模型的算法有了更高的要求。另一方面，射频电路工作多以电磁场进行信号的传输，添加测试点有可能会影响电路的正常工作。结合上述，射频电路故障诊断的主要难点在于故障数据的提取，以及如何解决故障源共同作用而增加数据复杂度。

解决以上问题及缺陷的意义为：射频电路故障诊断成功与否在于故障数据的提取，合理的提取数据方案也有利于射频电路故障诊断算法选取。

发明内容

针对现有技术存在的问题，本发明提供了一种射频低噪放电路故障诊断方法、***、介质及应用。

本发明的主要内容是一种射频低噪放电路故障诊断方法，所述射频低噪放电路故障诊断方法包括以下步骤：

选取低噪声放大电路作为研究对象，在ADS中仿真了低噪声放大电路，电路原理图如图4。

设计故障数据提取方案，对图4中R1,R2,R3进行故障注入，改变环境温度加速电路退化，进行故障数据提取。

以GMM-HMM模型作为故障诊断方法，输入模型的状态数、初始概率分布、初始状态转移矩阵、迭代误差、迭代最大步数和观测矢量序列；

由K-means算法对训练样本数据按照模型状态数进行样本分割，获取高斯混合密度参数，得到CHMM的初始模型；

进一步，所述高斯混合模型对HMM模型中的第j个状态，产生观测矢量O的概率密度函数写为：

中，M表示第j个状态高斯元的个数、c_jl表示第j个状态高斯元的个数、N表示标准正态分布、μ_jl表示第j个状态第l个高斯元的均值矢量、U第j个状态第l个高斯元的协方差矩阵；概率密度函数的重估公式如下，γ_t(j,l)表示t时刻状态j的第l个高斯元的输出概率：

进一步，通过Baum-Welch算法进行模型训练，获得第i步迭代的重估模型；

由Viterbi算法计算第i步重估模型下的输出概率，计算重估模型输出概率的增长误差，不满足误差条件且迭代步数小于最大迭代步数，以第i步重估模型作为第i+1步初始条件继续模型训练；满足误差条件收敛或者超过最大迭代步数，把第i步重估的模型作为故障模型的训练结果。

按以上所述对每个故障类型都建立起故障诊断模型，把所有的测试数据依次带入每个故障模型。对于每个故障的故障模型以Viterbi算法获取所有测试数据输出概率，取所有测试数据输出概率最大对应测试数据诊断为该故障模型对应的故障类型。

本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：

输入模型的状态数、初始概率分布、初始状态转移矩阵、迭代误差、迭代最大步数和观测矢量序列；

由K-means算法对训练样本数据按照模型状态数进行样本分割，获取高斯混合密度参数，得到CHMM的初始模型；按照重估公式计算CHMM的各个参数，获得迭代的重估模型；

由Viterbi算法计算观测样本序列在重估模型下的输出概率

计算第i步重估模型输出概率与第i-1步重估模型输出概率误差，不满足误差条件ε且i<＝L，i+1继续进行模型训练；满足误差条件收敛或者超过最大迭代步数L，把重估的模型

作为最终的结果模型λ；

本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：

输入模型的状态数、初始概率分布、初始状态转移矩阵、迭代误差、迭代最大步数和观测矢量序列；

由K-means算法对训练样本数据按照模型状态数进行样本分割，获取高斯混合密度参数，得到CHMM的初始模型；按照重估公式计算CHMM的各个参数，获得迭代的重估模型；

由Viterbi算法计算观测样本序列在重估模型下的输出概率

计算第i步重估模型输出概率与第i-1步重估模型输出概率误差，不满足误差条件ε且i<＝L，i+1继续进行模型训练；满足误差条件收敛或者超过最大迭代步数L，把重估的模型

作为最终的结果模型λ；

本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述的射频低噪放电路故障诊断方法。

本发明的另一目的在于提供一种实施所述射频低噪放电路故障诊断方法的射频低噪放电路故障诊断***，其特征在于，所述射频低噪放电路故障诊断***包括：

输入模型的状态数、初始概率分布、初始状态转移矩阵、迭代误差、迭代最大步数和观测矢量序列；

由K-means算法对训练样本数据按照模型状态数进行样本分割，获取高斯混合密度参数，得到CHMM的初始模型；按照重估公式计算CHMM的各个参数，获得迭代的重估模型；

由Viterbi算法计算观测样本序列在重估模型下的输出概率

计算第i步重估模型输出概率与第i-1步重估模型输出概率误差，不满足误差条件ε且i<＝L，i+1继续进行模型训练；满足误差条件收敛或者超过最大迭代步数L，把重估的模型

作为最终的结果模型λ；

本发明的另一目的在于提供一种电路故障诊断方法，所述电路故障诊断方法使用所述的射频低噪放电路故障诊断方法。

结合上述的所有技术方案，本发明所具备的优点及积极效果为：具体以射频低噪声放大电路作为研究基础，引入高斯-隐马尔可夫混合模型(GMM-HMM)，作为故障诊断模型。输入模型的状态数、初始概率分布、初始状态转移矩阵、迭代误差、最大迭代步数和观测矢量序列；由K-means算法以模型状态数分割训练样本数据，再由GMM初始估计高斯混合密度参数，获得CHMM的初始模型；通过Baum-Welch模型进行参数模型训练，获得第i(i<＝最大迭代步数)步迭代的重估模型；由Viterbi算法计算该重估模型下的输出概率，计算重估模型输出概率的增长误差；依次迭代直至满足误差条件收敛或者超过迭代步数，把重估的模型作为最终的结果模型。实验结果表明，本发明基于GMM+HMM(高斯混合模型+隐马尔科夫模型)的故障诊断方法。实验结果表明，该方法对于射频电路中元器件开路短路故障识别率可以达到100％的准确率，而对于元器件值因故障而偏离阈值范围所造成的故障识别率也可以达到83％以上。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的射频低噪放电路故障诊断方法流程图。

图2是本发明实施例提供的射频低噪放电路故障诊断***的结构示意图；

图2中：1、参数输入模块；2、迭代重估模型获得模块；3、结果模型获得模块。

图3是本发明实施例提供的HMM模型示意图。

图4是本发明实施例提供的ATF54143低噪声放大电路示意图。

图5是本发明实施例提供的射频低噪放故障诊断流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

针对现有技术存在的问题，本发明提供了一种射频低噪放电路故障诊断方法、***、介质及应用，下面结合附图对本发明作详细的描述。

确定以射频低噪声放大器作为研究对象。本发明旨在寻找一种适用于射频模拟电路的故障诊断方法，为了使本方法具有更好的普适性，因此选取射频低噪声放大器进行研究，射频低噪声放大器由于其极低的噪声特性常常用于无线通信领域射频前端电路中，应用十分广泛。

射频电路无论是其工作频率，还是其利用电磁场传播信号的特性，都会对故障参数提取带来一定得困难。再加上电路故障诱因往往同时作用，增加了实物提取故障参数的难度。为了有效的研究，本文采用软件仿真的方式进行故障数据提取工作。

在ADS中进行电路仿真，如图4。在实际电路设计中，软件仿真不可或缺，并且通过打板焊接的实物性能与仿真计算的电路性能差距不大。

确定故障参数类型。对于射频电路可以用以反映故障的参数有噪声系数,稳定系数,S参数等。本发明在研究的过程中最终确定以S参数作为最终的故障参数类型，其他参数如噪声系数，稳定系数由于其随温度波动范围较小，难以反映电路出现故障而造成系数的波动。

故障参数提取方案设计。由射频低噪声放大电路原理图4可知，R1,R2,R3作为电路的静态工作点重要元件，通过改变R1,R2,R3来获取故障参数。为了便于研究，在注入故障过程中改变其中一个元器件的数值保持其他两个元器件参数值不变或者微变。

确定以改变仿真环境温度变化引起S参数变化的提取方案。实际电路工作由于其老化会造成能量转换为热能释放到工作环境中，改变环境温度加速模拟电路老化这一方案符合物理实际。

提取故障参数并记录，将数据按照测试集以及训练集分开。

选取左右型CHMM进行故障模型的建立。左右型CHMM由于其特性常常用于故障诊断，且CHMM的观测序列通常假设是由高斯概率密度函数模拟产生的。

GMM-HMM混合模型的建立。在实际应用中，常常适用高斯概率密度函数模拟观测序列的产生，每一个高斯概率密度函数都有各自的均值和协方差矩阵，这些参数可以通过观测样本特征进行得到。

K-means算法对训练样本按照HMM状态数进行分割，然后对每组分割后的样本数据以高斯混合模型计算其各自均值以及协方差矩阵，并用这些参数来模拟发射概率矩阵B。

如图1所示，本发明提供的射频低噪放电路故障诊断方法包括以下步骤：

S101：输入模型的状态数、初始概率分布、初始状态转移矩阵、迭代误差、迭代最大步数和观测矢量序列；

S102：由K-means算法以及高斯混合模型获取初始模型参数，获得CHMM的初始模型λ₀；

S103:按照重估公式计算CHMM的各个参数，获得迭代的重估模型；

S104：由Viterbi算法计算观测样本序列在重估模型下的输出概率

计算第i步重估模型输出概率与第i-1步重估模型输出概率误差，不满足误差条件ε且i<＝L，i+1，返回到S103。满足误差条件收敛或者超过最大迭代步数L，把重估的模型

作为最终的结果模型λ；

S105：将所有测试数据带入故障模型中，由Viterbi算法得到输出概率，并带入分类器中进行故障诊断。

本发明提供的射频低噪放电路故障诊断方法业内的普通技术人员还可以采用其他的步骤实施，图1的本发明提供的射频低噪放电路故障诊断方法仅仅是一个具体实施例而已。

如图2所示，本发明提供的射频低噪放电路故障诊断***包括：

参数输入模块1，用于输入模型的状态数、初始概率分布、初始状态转移矩阵、迭代误差、迭代最大步数和观测矢量序列；

迭代重估模型获得模块2，由K-means算法以及高斯混合模型获取初始模型参数，获得CHMM的初始模型λ₀；按照重估公式计算CHMM的各个参数，获得迭代的重估模型；

结果模型获得模块3，由Viterbi算法计算观测样本序列在重估模型下的输出概率

计算第i步重估模型输出概率与第i-1步重估模型输出概率误差，不满足误差条件ε且i<＝L，i+1继续进行模型训练；满足误差条件收敛或者超过最大迭代步数L，把重估的模型λ₀作为最终的结果模型λ；

下面结合附图对本发明的技术方案作进一步的描述。

本发明仿真了目前应用较为广泛的低噪声放大电路，通过注入故障的方式建立以HMM算法的故障模型，通过实验结果证明，此方法对射频电路故障诊断以及定位的研究具有一定的参考意义。

1隐马尔科夫模型

1.1马尔科夫链

马尔可夫链是一类时间参数离散、状态空间集为有限或可列的随机变量序列。

设随机过程X＝{X_n∣n＝1,2,…,n}，状态空间集合为S，称X_n＝i为n时刻随机过程处于状态i，假设下一时刻随机过程处于状态j，有：

P(X_n+1＝j∣X_n＝i,X_n-1＝i_n-1,…,X₁＝i₁)＝P(X_n+1＝j∣X_n＝i)；

则称随机过程X离散时间马尔可夫链，简称马氏链。

由上述定义可以明确马尔可夫链(Markov)下一时刻所处状态只与当前状态有关，也即此过程具有无记忆性，下一状态的分布概率只与当前状态决定，与它之前状态无关。

1.2隐马尔科夫链(HMM)

HMM是基于马尔可夫链基础上发展而来，与马尔可夫链不同的是HMM状态是隐藏的，隐藏的转移状态与可观测序列满足一定的概率分布。因此，HMM是一个双重随机过程。对转移状态隐藏的Markov链，通过可观测序列与隐状态的关系进行建模，把这样的模型称为隐马尔可夫模型(HMM)，把观测序列与隐状态之间的概率关系称为发射概率。一个HMM模型如图3所示，Markov状态隐藏，可观测变量用O表示。

HMM模型的主要参数有：

(1)N：模型中，Markov链的状态数目。记N个状态为S₁,S₂,···,S_N。记t时刻，Markov链所处状态为q_t，显然q_t∈(S₁,S₂,···,S_N)。

(2)M：每个状态对应的可能的观测值数目。记M个观测值为o₁,o₂,···,o_M，记：t时刻观测值为o_t，其中o_t∈(v₁,v₂,···,v_M)。

(3)π：初始概率分布为π＝(π₁,π₂,···,π_N)。其中。π_i＝P(q_t＝S_i)，1≤i≤N。

(4)A：观测值转移矩阵，A＝(a_ij)_N×N，其中a_ij＝P(q_i+1＝S_j|q_i＝S_i)，1≤i，j≤N。

(5)B：观测值概率矩阵B＝(b_jk)_N×M，其中b_jk＝P(o_i＝v_k|q_i＝S_j)，1≤j≤N，1≤k≤M。

记HMM为：λ＝(N,M,π,A,B)，简记为λ＝(π,A,B)。

2高斯混合模型(GMM)

通过区分观测值矩阵B离散或者连续，可以将HMM分为连续隐马尔可夫模型(CHMM)和离散隐马尔科夫模型(CHMM)。CHMM在建模时观测变量需要是离散的，由于处理离散数据所以计算量小，模型训练速度较快。不足之处是，在处理连续观测变量时，需要对连续变量进行离散化。离散化常采用矢量或者标量量化的方法，连续变量离散化势必会造成信息丢失，对于可观测变量数据量小的情况更是会造成所建模型准确度较低。与CHMM不同的是，CHMM在处理连续观测变量有一定的优势，结合本发明采用CHMM进行建模。

离散HMM模型的观测矢量可以用分布式概率来表示，连续型HMM模型的观测序列通常假设由高斯概率密度函数模拟产生的。

2.1GMM理论

高斯混合模型是指具有如下形式的概率分布模型：

其中，α_k是系数，α_k≥0，∑α_k＝1；φ(y|θ_k)是高斯分布密度θ_k＝(μ_k,σ_k)：

称为第k个分布模型。

2.2GMM-HMM算法

GMM是在单高斯概率分布密度函数基础上发展而来的，GMM可以用来对训练样本数据进行模拟，对一些连续性概率分布问题具有很好的适用性，因此可以与HMM联合使用，克服HMM在解决连续性问题上的弊端，用GMM拟合HMM的发射概率，形成GMM-HMM算法。

对HMM模型中的第j个状态，产生观测矢量O的概率密度函数可以写为：

其中，M第j个状态高斯元的个数、c_jl第j个状态高斯元的个数、N表示标准正态分布、μ_jl表示第j个状态第l个高斯元的均值矢量、U第j个状态第l个高斯元的协方差矩阵。概率密度函数的重估公式如下，γ_t(j,l)表示t时刻状态j的第l个高斯元的输出概率：

3实验方案

本实验可以将射频电路的故障预测分为两部分。一部分是对电路故障参数的提取以及预处理。另一部分是，参数模型的建立及故障预测。基于ATF54143低噪放电路设计原理图如图5，其设计仿真在ADS软件中进行。

3.1故障参数提取

考虑到一个电路中电容、电感以及有源元器件组成，可以分别对其人工注入故障。电子电路的性能随着工作时间的增加而逐渐退化这一原理，造成这一现象的主要原因是电子电路的环境温度在工作中随着工作时间的增加不断上升。由此，可知电子电路的退化性能与工作时间以及环境温度有关。根据能量守恒定律即能量只能从一个物体传递到另一个物体，也可以与机械能或其他能量互相转换，但是在转换过程中，能量的总值保持不变。结合上述，可以通过改变电子电路的环境温度加速其老化过程，完成电子电路故障特征参数提取工作。此方法优点是能够更好地反应了电子电路的正常的退化过程，较为符合电子电路的物理特性。部分提取数据如表1和表2。

表1部分故障数据

表2部分故障数据

3.2故障模型训练以及识别

根据所提取的故障参数，可以将故障模型训练分为元件级故障模型的训练和***级的故障模型训练。元件级的故障模型训练，通过对电路中元器件注入故障(开路、短路、超过元器件正常工作范围±5％)提取故障参数，再分别训练与之相应的HMM故障模型。通过GMM算法对发射概率进行拟合，可以获取发射概率矩阵B。再结合Baum-Welch算法进行模型训练。如图5所示，完整的CHMM模型训练步骤如下：

1)首先输入模型的状态数、初始概率分布π、初始状态转移矩阵A、迭代误差ε、迭代最大步数L和观测矢量序列O；

2)由K-means算法对训练样本数据按照模型状态数进行样本分割，获取高斯混合密度参数，得到CHMM的初始模型；按照重估公式计算CHMM的各个参数，获得迭代的重估模型；

3)由Viterbi算法计算观测样本序列在重估模型下的输出概率

计算第i步重估模型输出概率与第i-1步重估模型输出概率误差，不满足误差条件ε且i<＝L，i+1继续进行模型训练；满足误差条件收敛或者超过最大迭代步数L，把重估的模型

作为最终的结果模型λ；

对所训练的故障模型带入测试集进行训练，分析识别准确度，进行实验结果分析。

4实验结果

本发明选取ATF54143进行低噪声放大器设计，并在ADS软件中仿真。分析了各个参数随着电路退化的相关性最终选取S21参数作为故障参数进行建模和识别。

表3故障诊断结果

表4故障诊断结果

表3故障类型依次对应为R1开路，R1短路，R2开路，R2短路，R3开路，R3短路。表4故障类型依次对应为R1，R2，R3偏离正常阈值范围-10％，5％，+10％。由实验结果来看，对于R1，R2，R3开路短路故障本方法有着不错的诊断准确率。对于R1，R2，R3偏离正常阈值范围诊断准确率有所下降，由表4可以看出，故障类型1与故障类型二分别有一组数据被误诊断为故障类型5，而故障类型3则全部被误诊为故障类型9。

本发明提出了一种基于HMM算法的故障诊断的研究方法。以ATF54143晶体管为模型建立低噪声放大电路，并提出提取故障参数的方法。在参考前人研究的基础上，对低噪声放大电路分别进行了元件级以及***级故障诊断研究。

从实验结果来看，对开路短路故障识别准确率为100％。这是因为，当前故障数据注入是以开路短路为主。从表3可以看出，两类故障数据区别较为明显，如此训练出的故障模型区分度也较大，因此识别准确率高。由表4可以看出元器件偏离阈值程度小，说明此电路处于临界故障状态，此时的故障识别准确率会降低，此结果在表4已经反映出来，对于此类故障识别准确率为84％。

应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行***，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (9)

1.一种射频低噪放电路故障诊断方法，其特征在于，所述射频低噪放电路故障诊断方法包括以下步骤：

选取低噪声放大电路作为研究对象，在ADS中仿真了低噪声放大电路，电路原理图；

设计故障数据提取方案，对R1,R2,R3进行故障注入，改变环境温度加速电路退化，进行故障数据提取；在注入故障过程中改变其中一个元器件的数值保持其他两个元器件参数值不变或者微变；以GMM-HMM作为故障诊断方法，输入模型的状态数、初始概率分布、初始状态转移矩阵、迭代误差、迭代最大步数和观测矢量序列；

由K-means算法对训练样本数据按照模型状态数进行样本分割，获取高斯混合密度参数，得到CHMM的初始模型；

通过Baum-Welch算法进行模型训练，获得第i步迭代的重估模型；

由Viterbi算法计算第i步重估模型下的输出概率，计算重估模型输出概率的增长误差，不满足误差条件且迭代步数小于最大迭代步数，以第i步重估模型作为第i+1步初始条件继续模型训练；满足误差条件收敛或者超过最大迭代步数，把第i步重估的模型作为故障模型的训练结果；

对每个故障类型都建立起故障诊断模型，把所有的测试数据依次带入每个故障模型；对于每个故障的故障模型以Viterbi算法获取所有测试数据输出概率，取所有测试数据似然概率最大对应测试数据诊断为该故障模型对应的故障类型；

所述射频低噪放电路故障诊断方法对HMM模型中的第j个状态，产生观测矢量O的概率密度函数写为：

其中，M表示第j状态高斯元的个数、c_jl表示第j状态高斯元的个数、N表示标准正态分布、μ_jl表示第j个状态第l个高斯元的均值矢量、U第j状态第l个高斯元的协方差矩阵；概率密度函数的重估公式如下，γ_t(j,l)表示t时刻状态j的第l个高斯元的输出概率：

2.如权利要求1所述的射频低噪放电路故障诊断方法，其特征在于，所述射频低噪放电路故障诊断方法包括：对电路故障参数的提取以及预处理；参数模型的建立及故障预测。

3.如权利要求2所述的射频低噪放电路故障诊断方法，其特征在于，所述射频低噪放电路故障诊断方法的故障参数提取通过改变电子电路的环境温度加速其老化过程，完成电子电路故障特征参数提取工作。

4.如权利要求2所述的射频低噪放电路故障诊断方法，其特征在于，所述射频低噪放电路故障诊断方法故障模型训练以及识别，根据所提取的故障参数，进行元件级故障模型的训练；通过对电路中元器件注入故障提取故障参数，再分别训练与之相应的HMM故障模型；通过GMM算法对发射概率进行拟合，可以获取发射概率矩阵B，再结合Baum-Welch算法进行模型训练，完整的CHMM模型训练步骤如下：

1)首先输入模型的状态数、初始概率分布π、初始状态转移矩阵A、迭代误差ε、迭代最大步数L和观测矢量序列O；

2)由K-means算法以及高斯混合模型获取初始模型参数，获得CHMM的初始模型λ₀；

3)用Baum-Welch算法可以由λ_i-1得出第i个CHMM模型以及λ_i；

4)由Viterbi算法计算观测样本序列在重估模型下的输出概率

计算第i步重估模型输出概率与第i-1步重估模型输出概率误差，不满足误差条件ε且i<＝L，i+1返回到3)；满足误差条件收敛或者超过最大迭代步数L，把重估的模型

作为最终的结果模型λ。

5.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1所述射频低噪放电路故障诊断方法的步骤。

6.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利要求1所述射频低噪放电路故障诊断方法的步骤。

7.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现权利要求1～4任意一项所述的射频低噪放电路故障诊断方法。

8.一种实施权利要求1～4任意一项所述射频低噪放电路故障诊断方法的射频低噪放电路故障诊断***，其特征在于，所述射频低噪放电路故障诊断***包括：

参数输入模块，用于输入模型的状态数、初始概率分布、初始状态转移矩阵、迭代误差、迭代最大步数和观测矢量序列；

迭代重估模型获得模块，由K-means算法以及高斯混合模型获取初始模型参数，获得CHMM的初始模型λ₀；按照重估公式计算CHMM的各个参数，获得迭代的重估模型λ_i；

结果模型获得模块，用于由Viterbi算法计算观测样本序列在重估模型下的输出概率，计算重估模型输出概率的增长误差，满足误差条件收敛，把重估的模型作为最终的结果模型。

9.一种电路故障诊断方法，其特征在于，所述电路故障诊断方法使用权利要求1～4任意一项所述的射频低噪放电路故障诊断方法。

Images