CN117991082A - 一种适用于电流频率转换芯片的故障诊断监管*** - Google Patents

Abstract

本发明公开了一种适用于电流频率转换芯片的故障诊断监管***，所述***包括：数据采集层，包括恒流源模块和数据采集模块，特征提取层，用于提取脉冲响应信号的时域特征和时频域特征，构建特征数据集，故障分析预测层，用于对特征数据集进行分类预测，完成电流频率转换芯片的故障诊断。本发明采用融合一维特征和二维特征的方法构建故障的特征数据集，提取芯片的时域特征与时频域特征，从而为故障识别提供更具辨识度的特征信息，实现对芯片故障信号的全面提取，利用模糊神经网络的优点挖掘特征数据集的故障特征，将所有故障模型的输出结果进行非线性融合，实现电流频率转换芯片的多维信息融合的故障诊断，提高故障诊断精度。

Description

一种适用于电流频率转换芯片的故障诊断监管***

技术领域

本发明涉及芯片故障诊断技术领域，具体涉及一种适用于电流频率转换芯片的故障诊断监管***。

背景技术

电流频率转换芯片广泛应用于惯性导航、医疗行业、电子信息、光电测量等多个领域，具备很高的应用价值，在惯性导航中，陀螺、加速度计等采用电流反馈控制的敏感器件，都是将电流频率转换电路作为模拟***向数字***转换的途径。由于电流频率转换芯片的趋于***集成化、功能多样化和电路复杂化，其发生故障的概率随之增加，加之元件参数的容差性、电路中广泛存在的非线性等原因，极大地增加了电流频率转换芯片发生故障的概率。由于电流频率转换芯片的精度直接影响惯性导航***的定位精度，电流频率转换芯片的故障诊断是确保惯性导航***稳定运行的关键。

在电流频率转换芯片中，由于电路元件容差的存在且受到热噪声影响、输出信号非线性程度高、早期故障偏移程度较低等原因，在电流频率转换芯片早期故障阶段，其故障特征会存在混叠，故障特征难以提取，使得高精度的故障诊断存在一定的难度。

发明内容

针对现有技术中的上述不足，本发明提供的一种适用于电流频率转换芯片的故障诊断监管***解决了目前电流频率转换芯片故障信号提取不全面，故障诊断精度低的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种适用于电流频率转换芯片的故障诊断监管***，所述***包括：

数据采集层，包括恒流源模块和数据采集模块，所述恒流源模块用于输出阶跃电流信号驱动电流频率转换芯片，所述数据采集模块用于采集电流频率转换芯片输出的脉冲响应信号；

特征提取层，用于提取脉冲响应信号的时域特征和时频域特征，构建特征数据集；

故障分析预测层，用于对特征数据集进行分类预测，完成电流频率转换芯片的故障诊断。

进一步地：所述时域特征包括脉冲响应信号的均值、方差、标准差、偏斜度和峰峰值；

提取时频域特征的方法具体为：通过小波包分解脉冲响应信号，得到各层的高频信号和低频信号。

上述进一步方案的有益效果为：通过采集脉冲响应信号的均值、方差、标准差、偏斜度和峰峰值，能够全面表现芯片电路信号的整体趋势、稳定性以及波动性，得到更加全面的时域状态，实现时域信息的一维特征提取，通过小波包分解方法分解脉冲响应信号，得到各层频带的高频信号和低频信号，其中包含了解脉冲响应信号的幅值、周期和频率的能量特征，实现对芯片输出信号的时频域信息的二维特征提取。

进一步地：构建特征数据集的方法具体为：

基于时域特征与每层的高频信号和低频信号，构建若干组信号特征子集，对所有组信号特征子集依次进行数据清洗和归一化处理，得到特征数据集。

上述进一步方案的有益效果为：本发明考虑对芯片进行全面的信号提取，及时发现不显著的故障特征，采用融合时频域特征与时频域特征的方法进行信号特征提取。

进一步地：所述故障分析预测层的故障诊断方法具体为：

S1、获取特征数据集，对特征数据集进行分类；

S2、将分类后数据集输入相关向量机模型，建立各个分类后数据集的故障模型；

S3、将所有故障模型的输出结果输入模糊神经网络，得到故障预测结果，完成电流频率转换芯片的故障诊断。

进一步地：所述S1中，对特征数据集进行分类的方法具体为：通过FCM算法将特征数据集分为设定组数的数据集，其中，所述FCM 算法的目标函数J的表达式具体为下式：

，式中，/>为第n组信号特征子集的样本点，N为信号特征子集的总数，/>为第m个聚类中心，M为聚类中心总数，/>为样本点与聚类中心的欧式距离，G为第n组信号特征子集相邻的信号特征子集，/>为相邻的信号特征子集的样本点，/>为调节参数，t为加权指数，/>为第n组信号特征子集的样本点属于第m个聚类中心的第一隶属度。

上述进一步方案的有益效果为：通过FCM 算法通过对隶属度矩阵和聚类中心向量的不断迭代使得目标函数值最小，可以将相同类型且邻近的信号特征子集进行聚类，既保留了原有特征子集的特征，又提高了后续计算的速度。

进一步地：所述S3中，模糊神经网络包括依次连接的输入层、隶属度计算层、模糊规则层、归一化层和输出层；

所述输入层包括第一输入节点和第二输入节点，第一输入节点的输入为时域特征的数据在故障模型的输出，第二输入节点的输入为频域特征的数据在故障模型的输出。

进一步地：所述隶属度计算层的第二隶属度的表达式为：

，式中，/>为第m个分类后数据集在故障模型的输出结果，/>为隶属函数的中心点值，/>为隶属函数的宽度向量，j为对输入进行模糊分级的序数；

所述模糊规则层设置有适用度函数，其表达式具体为：

，式中，/>为适用度；

所述归一化层的表达式具体为下式：

，式中，/>为归一化后的适用度；

所述输出层的输出结果y的表达式具体为：

，式中，/>为输出层的连接权值。

综上，本发明的有益效果为：

（1）本发明提供了一种适用于电流频率转换芯片的故障诊断监管***，考虑电流频率转换芯片的故障信息，采用融合一维特征和二维特征的方法构建故障的特征数据集，提取芯片的时域特征与时频域特征，将提取到的两种维度的特征信号进行融合，更能反映芯片故障造成的信号频率和幅值变化，从而为故障识别提供更具辨识度的特征信息，实现对芯片故障信号的全面提取。

（2）本发明利用模糊神经网络的优点挖掘特征数据集的故障特征，将所有故障模型的输出结果进行非线性融合，实现电流频率转换芯片的多维信息融合的故障诊断，提高故障诊断精度。

附图说明

图1为一种适用于电流频率转换芯片的故障诊断监管***的示意图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

如图1所示，在本实施例中，一种适用于电流频率转换芯片的故障诊断监管***，所述***包括：

数据采集层，包括恒流源模块和数据采集模块，所述恒流源模块用于输出阶跃电流信号驱动电流频率转换芯片，所述数据采集模块用于采集电流频率转换芯片输出的脉冲响应信号；

特征提取层，用于提取脉冲响应信号的时域特征和时频域特征，构建特征数据集；

故障分析预测层，用于对特征数据集进行分类预测，完成电流频率转换芯片的故障诊断。

在本实施例中，恒流源模块能够给待测电流频率转换芯片输入电流阶跃信号，其为了提取电流频率转换芯片的早期故障特征，从而识别电路中具有故障倾向的电子元件。

所述时域特征包括脉冲响应信号的均值、方差、标准差、偏斜度和峰峰值；

在本实施例中，通过采集脉冲响应信号的均值、方差、标准差、偏斜度和峰峰值，能够全面表现芯片电路信号的整体趋势、稳定性以及波动性，得到更加全面的时域状态，实现时域信息的一维特征提取。

提取时频域特征的方法具体为：通过小波包分解脉冲响应信号，得到各层的高频信号和低频信号。

在本实施例中，通过小波包分解方法分解脉冲响应信号，得到各层频带的高频信号和低频信号，其中包含了解脉冲响应信号的幅值、周期和频率的能量特征，实现对芯片输出信号的时频域信息的二维特征提取。

构建特征数据集的方法具体为：

基于时域特征与每层的高频信号和低频信号，构建若干组信号特征子集，对所有组信号特征子集依次进行数据清洗和归一化处理，得到特征数据集。

在本实施例中，本发明考虑对芯片进行全面的信号提取，及时发现不显著的故障特征，采用融合时频域特征与时频域特征的方法进行信号特征提取。

所述故障分析预测层的故障诊断方法具体为：

S1、获取特征数据集，对特征数据集进行分类；

S2、将分类后数据集输入相关向量机模型，建立各个分类后数据集的故障模型；

S3、将所有故障模型的输出结果输入模糊神经网络，得到故障预测结果，完成电流频率转换芯片的故障诊断。

所述S1中，对特征数据集进行分类的方法具体为：通过FCM算法将特征数据集分为设定组数的数据集，其中，所述FCM 算法的目标函数J的表达式具体为下式：

，式中，/>为第n组信号特征子集的样本点，N为信号特征子集的总数，/>为第m个聚类中心，M为聚类中心总数，/>为样本点与聚类中心的欧式距离，G为第n组信号特征子集相邻的信号特征子集，/>为相邻的信号特征子集的样本点，/>为调节参数，t为加权指数，/>为第n组信号特征子集的样本点属于第m个聚类中心的第一隶属度。

在本实施例中，通过FCM 算法通过对隶属度矩阵和聚类中心向量的不断迭代使得目标函数值最小，可以将相同类型且邻近的信号特征子集进行聚类，既保留了原有特征子集的特征，又提高了后续计算的速度。

所述S2中，根据分类后数据集可以建立各个分类后数据集的故障模型，故障模型根据相关向量机进行建立，相比于SVM，模型训练时间短，泛化能力更好，适用于在线检测，能够通过模糊神经网络进行输出结果的融合。

所述S3中，模糊神经网络包括依次连接的输入层、隶属度计算层、模糊规则层、归一化层和输出层；

所述输入层包括第一输入节点和第二输入节点，第一输入节点的输入为时域特征的数据在故障模型的输出，第二输入节点的输入为频域特征的数据在故障模型的输出。

隶属度计算层根据隶属度函数计算每个节点的隶属度，用以对输入的数据进行模糊化，所述隶属度计算层的第二隶属度的表达式为：

，式中，/>为第m个分类后数据集在故障模型的输出结果，/>为隶属函数的中心点值，/>为隶属函数的宽度向量，j为对输入进行模糊分级的序数；

模糊规则层的输出为每条模糊规则的适用度，所述模糊规则层设置有适用度函数，其表达式具体为：

，式中，/>为适用度；

所述归一化层的表达式具体为下式：

，式中，/>为归一化后的适用度；

所述输出层的输出结果y的表达式具体为：

，式中，/>为输出层的连接权值。

本发明的有益效果为：本发明提供了一种适用于电流频率转换芯片的故障诊断监管***，考虑电流频率转换芯片的故障信息，采用融合一维特征和二维特征的方法构建故障的特征数据集，提取芯片的时域特征与时频域特征，将提取到的两种维度的特征信号进行融合，更能反映芯片故障造成的信号频率和幅值变化，从而为故障识别提供更具辨识度的特征信息，实现对芯片故障信号的全面提取。

本发明利用模糊神经网络的优点挖掘特征数据集的故障特征，将所有故障模型的输出结果进行非线性融合，实现电流频率转换芯片的多维信息融合的故障诊断，提高故障诊断精度。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种适用于电流频率转换芯片的故障诊断监管***，其特征在于，所述***包括：

数据采集层，包括恒流源模块和数据采集模块，所述恒流源模块用于输出阶跃电流信号驱动电流频率转换芯片，所述数据采集模块用于采集电流频率转换芯片输出的脉冲响应信号；

特征提取层，用于提取脉冲响应信号的时域特征和时频域特征，构建特征数据集；

故障分析预测层，用于对特征数据集进行分类预测，完成电流频率转换芯片的故障诊断。

2.根据权利要求1所述的适用于电流频率转换芯片的故障诊断监管***，其特征在于，所述时域特征包括脉冲响应信号的均值、方差、标准差、偏斜度和峰峰值；

提取时频域特征的方法具体为：通过小波包分解脉冲响应信号，得到各层的高频信号和低频信号。

3.根据权利要求2所述的适用于电流频率转换芯片的故障诊断监管***，其特征在于，构建特征数据集的方法具体为：

基于时域特征与每层的高频信号和低频信号，构建若干组信号特征子集，对所有组信号特征子集依次进行数据清洗和归一化处理，得到特征数据集。

4.根据权利要求3所述的适用于电流频率转换芯片的故障诊断监管***，其特征在于，所述故障分析预测层的故障诊断方法具体为：

S1、获取特征数据集，对特征数据集进行分类；

S2、将分类后数据集输入相关向量机模型，建立各个分类后数据集的故障模型；

S3、将所有故障模型的输出结果输入模糊神经网络，得到故障预测结果，完成电流频率转换芯片的故障诊断。

5.根据权利要求4所述的适用于电流频率转换芯片的故障诊断监管***，其特征在于，所述S1中，对特征数据集进行分类的方法具体为：通过FCM算法将特征数据集分为设定组数的数据集，其中，所述FCM 算法的目标函数J的表达式具体为下式：

，式中，/>为第n组信号特征子集的样本点，N为信号特征子集的总数，/>为第m个聚类中心，M为聚类中心总数，/>为样本点与聚类中心的欧式距离，G为第n组信号特征子集相邻的信号特征子集，/>为相邻的信号特征子集的样本点，/>为调节参数，t为加权指数，/>为第n组信号特征子集的样本点属于第m个聚类中心的第一隶属度。

6.根据权利要求4所述的适用于电流频率转换芯片的故障诊断监管***，其特征在于，所述S3中，模糊神经网络包括依次连接的输入层、隶属度计算层、模糊规则层、归一化层和输出层；

所述输入层包括第一输入节点和第二输入节点，第一输入节点的输入为时域特征的数据在故障模型的输出，第二输入节点的输入为频域特征的数据在故障模型的输出。

7.根据权利要求6所述的适用于电流频率转换芯片的故障诊断监管***，其特征在于，所述隶属度计算层的第二隶属度的表达式为：

，式中，/>为第m个分类后数据集在故障模型的输出结果，/>为隶属函数的中心点值，/>为隶属函数的宽度向量，j为对输入进行模糊分级的序数；

所述模糊规则层设置有适用度函数，其表达式具体为：

，式中，/>为适用度；

所述归一化层的表达式具体为下式：

，式中，/>为归一化后的适用度；

所述输出层的输出结果y的表达式具体为：

，式中，/>为输出层的连接权值。