曹玉蘋， 鄧曉剛， 田學(xué)民， 劉潤(rùn)華， 任旭虎， 張冬至

(中國(guó)石油大學(xué)(華東) 信息與控制工程學(xué)院， 山東 青島 266580)

電路故障診斷技術(shù)具有重要的實(shí)用價(jià)值。在電路生產(chǎn)階段，需要識(shí)別不合格電路產(chǎn)品；在電路應(yīng)用階段，需要識(shí)別電路中失效的元器件。文獻(xiàn)[1]針對(duì)鐵路列車運(yùn)行控制與地車通信的核心設(shè)備——ZPW-2000A軌道電路，設(shè)計(jì)了一套基于模糊推理方法的電子設(shè)備故障診斷實(shí)驗(yàn)平臺(tái)。模糊推理方法需要根據(jù)經(jīng)驗(yàn)和知識(shí)設(shè)計(jì)模糊規(guī)則；而數(shù)據(jù)驅(qū)動(dòng)方法只利用歷史故障數(shù)據(jù)進(jìn)行學(xué)習(xí)，應(yīng)用更簡(jiǎn)便。

隨著數(shù)字化水平的提高，大量過程和設(shè)備運(yùn)行數(shù)據(jù)被采集和存儲(chǔ)。數(shù)據(jù)驅(qū)動(dòng)的故障診斷技術(shù)基于過程和設(shè)備的歷史監(jiān)控?cái)?shù)據(jù)識(shí)別當(dāng)前故障的類型，是國(guó)內(nèi)外先進(jìn)控制領(lǐng)域的研究熱點(diǎn)[2-6]。數(shù)據(jù)驅(qū)動(dòng)的故障診斷問題可以看作分類問題，人工神經(jīng)網(wǎng)絡(luò)[7-8]、支持向量機(jī)[9-10]和隨機(jī)森林[11-12]等常用分類方法都可以用來識(shí)別故障類型，文獻(xiàn)[13-15]介紹了這方面的應(yīng)用。

筆者結(jié)合國(guó)家和山東省自然科學(xué)基金項(xiàng)目設(shè)計(jì)了數(shù)據(jù)驅(qū)動(dòng)的模擬電路故障診斷實(shí)驗(yàn)平臺(tái)。該實(shí)驗(yàn)平臺(tái)將數(shù)據(jù)驅(qū)動(dòng)的故障診斷技術(shù)應(yīng)用到模擬電路的故障調(diào)試中，實(shí)現(xiàn)了故障類型的自動(dòng)識(shí)別。該實(shí)驗(yàn)平臺(tái)涉及電路故障模擬和數(shù)據(jù)驅(qū)動(dòng)的故障診斷技術(shù)，為自動(dòng)化、測(cè)控技術(shù)與儀器、電氣工程及其自動(dòng)化和電子信息工程等專業(yè)的學(xué)生認(rèn)識(shí)電路故障、深入學(xué)習(xí)和理解人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和隨機(jī)森林等分類算法提供了條件。

1 模擬電路的典型故障

在現(xiàn)行的高校課程中，無論是非電專業(yè)的“電工電子學(xué)”，還是電類專業(yè)的“電路分析”和“模擬電子技術(shù)”，教學(xué)內(nèi)容都沒有關(guān)于電路故障的系統(tǒng)介紹，學(xué)生也缺乏對(duì)電路故障的系統(tǒng)認(rèn)識(shí)。然而在實(shí)驗(yàn)課程的電路搭建環(huán)節(jié)和課程設(shè)計(jì)的電路焊接環(huán)節(jié)，經(jīng)常出現(xiàn)電路不能正常工作的情況，學(xué)生往往需要耗費(fèi)較長(zhǎng)時(shí)間排除電路故障。尤其是在課程設(shè)計(jì)過程中，由于電路規(guī)模大、元器件較多，學(xué)生往往會(huì)依賴教師排除故障。因此，有必要建立電路故障診斷實(shí)驗(yàn)平臺(tái)，一方面可以加深學(xué)生對(duì)電路故障的認(rèn)識(shí)，另一方面可以減少排除故障的時(shí)間。

模擬電路故障源于設(shè)計(jì)、制造和使用3個(gè)階段，學(xué)生接觸到的主要是在使用階段元器件引起的故障?？蓪⒛M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(shù)發(fā)生極端變化，如短路、開路、失效等，硬故障將導(dǎo)致電路結(jié)構(gòu)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(shù)改變，當(dāng)這種改變超出容許范圍時(shí)發(fā)生電路軟故障。當(dāng)電路發(fā)生軟故障時(shí)，元器件并未完全失效，但是電參數(shù)產(chǎn)生較大偏差，因而系統(tǒng)性能惡化。根據(jù)電路發(fā)生的故障數(shù)，可將模擬電路故障分為單一故障和復(fù)合故障。復(fù)合故障是2個(gè)或2個(gè)以上元器件同時(shí)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(biāo)稱值為1 kΩ，容差為±5%。當(dāng)電阻R1∈[0.95， 1.05]kΩ時(shí)，電阻工作正常；而當(dāng)R1<0.95 kΩ時(shí)，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(dāng)R1>1.05 kΩ時(shí)，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(fù)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(hào)參數(shù)類型故障1R14短路硬故障故障2R19+50%和R21開路復(fù)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(shí)驗(yàn)平臺(tái)設(shè)計(jì)

設(shè)計(jì)的模擬電路故障診斷實(shí)驗(yàn)平臺(tái)總體結(jié)構(gòu)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(jì)算機(jī)OrCAD PSpice軟件模擬電路運(yùn)行狀態(tài)，產(chǎn)生歷史測(cè)量數(shù)據(jù)——正常電路測(cè)量數(shù)據(jù)和故障電路測(cè)量數(shù)據(jù)。然后，利用數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法和歷史測(cè)量數(shù)據(jù)建立故障診斷模型。當(dāng)實(shí)際電路出現(xiàn)故障時(shí)，采集故障電路數(shù)據(jù)，輸入故障診斷模型，得到電路故障診斷結(jié)果。

圖3 模擬電路故障診斷實(shí)驗(yàn)平臺(tái)結(jié)構(gòu)示意圖

利用實(shí)際故障電路可以獲得測(cè)量數(shù)據(jù)，但是獲得的電路故障類型有限、樣本數(shù)量有限。通過數(shù)學(xué)建模可以得到電路元器件的準(zhǔn)確模型，且電路運(yùn)行過程中受擾動(dòng)的影響較小。因此，可以利用計(jì)算機(jī)仿真電路的正常運(yùn)行狀態(tài)和多種故障運(yùn)行狀態(tài)，獲得較多測(cè)量樣本。圖3中的數(shù)據(jù)驅(qū)動(dòng)方法是指可以利用歷史測(cè)量數(shù)據(jù)實(shí)現(xiàn)故障診斷的方法，如人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和隨機(jī)森林等分類方法。離線建模是利用歷史測(cè)量數(shù)據(jù)訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和隨機(jī)森林等。

3 數(shù)值仿真及結(jié)果分析

為了驗(yàn)證模擬電路故障診斷實(shí)驗(yàn)平臺(tái)的有效性，以圖1所示電路為例進(jìn)行了數(shù)值仿真。

首先，利用OrCAD PSpice軟件對(duì)圖1所示電路的正常運(yùn)行狀態(tài)和表1中列出的7種故障運(yùn)行狀態(tài)進(jìn)行30次Monte-Carlo分析，獲取電路中6個(gè)可及測(cè)試結(jié)點(diǎn)2、4、6、8、9、11的電位，組成觀測(cè)向量X={V2，V4，V6，V8，V9，V11}的樣本數(shù)據(jù)。將正常運(yùn)行狀態(tài)作為一種故障模式，模式序號(hào)為1；表1中故障1的模式序號(hào)為2，依此類推。通過仿真獲得8種故障模式共240個(gè)樣本數(shù)據(jù)。

以旋轉(zhuǎn)森林算法為例說明數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法。旋轉(zhuǎn)森林是隨機(jī)森林的改進(jìn)算法，算法流程如圖4所示[16]。選取20次仿真數(shù)據(jù)訓(xùn)練旋轉(zhuǎn)森林，訓(xùn)練數(shù)據(jù)如圖5所示。其中，第1—20個(gè)樣本對(duì)應(yīng)正常運(yùn)行狀態(tài)，第21—40個(gè)樣本對(duì)應(yīng)故障1，剩余樣本依此類推?？梢钥闯霾糠止收夏Ｊ降臏y(cè)量數(shù)據(jù)是比較接近的。旋轉(zhuǎn)森林的參數(shù)設(shè)置如下：決策樹20棵，將觀測(cè)向量隨機(jī)分為3個(gè)子集，每個(gè)子集2個(gè)變量，主元分析時(shí)保留所有主元。在每個(gè)節(jié)點(diǎn)，利用Gini系數(shù)評(píng)價(jià)特征。選取剩余10次仿真數(shù)據(jù)作為測(cè)試樣本，故障診斷結(jié)果如圖6所示?？梢钥闯觯收显\斷結(jié)果與實(shí)際故障模式一致。

圖4 旋轉(zhuǎn)森林算法示意圖

圖5 8種故障模式的訓(xùn)練數(shù)據(jù)

圖6 旋轉(zhuǎn)森林診斷結(jié)果

4 結(jié)語(yǔ)

設(shè)計(jì)的基于數(shù)據(jù)驅(qū)動(dòng)方法的模擬電路故障診斷實(shí)驗(yàn)平臺(tái)能夠?qū)崿F(xiàn)電路故障模擬和故障識(shí)別，實(shí)驗(yàn)內(nèi)容涵蓋電路仿真和基于數(shù)據(jù)驅(qū)動(dòng)方法的故障診斷。該實(shí)驗(yàn)平臺(tái)不僅有助于學(xué)生深入學(xué)習(xí)電路故障知識(shí)，縮短實(shí)驗(yàn)和課程設(shè)計(jì)中故障電路調(diào)試時(shí)間，而且可以進(jìn)行電路故障模擬和診斷相關(guān)的開放性實(shí)驗(yàn)項(xiàng)目，為本科生課程設(shè)計(jì)、畢業(yè)設(shè)計(jì)和研究生掌握先進(jìn)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(shí)驗(yàn)平臺(tái)[J].實(shí)驗(yàn)技術(shù)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(shù)綜述[J].自動(dòng)化學(xué)報(bào)，2013，39(11):1933-1943.

[3] 李晗，蕭德云.基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法綜述[J].控制與決策，2011，26(1):1-9.

[4] 田學(xué)民，曹玉蘋.統(tǒng)計(jì)過程控制的研究現(xiàn)狀及展望[J].中國(guó)石油大學(xué)學(xué)報(bào)(自然科學(xué)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(shù)據(jù)驅(qū)動(dòng)的微小故障診斷方法綜述[J].自動(dòng)化學(xué)報(bào)，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(jīng)網(wǎng)絡(luò)及在軸承故障診斷中的應(yīng)用[J].機(jī)械工程學(xué)報(bào)，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(jī)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(jī)森林相結(jié)合的變壓器故障診斷方法[J].高電壓技術(shù)，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(guān)源.模擬電路故障診斷神經(jīng)網(wǎng)絡(luò)方法[J].湖南大學(xué)學(xué)報(bào)，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(xué)報(bào)，2016，37(9):1989-1995.

[15] 鄢仁武，葉輕舟，周理.基于隨機(jī)森林的電力電子電路故障診斷技術(shù)[J].武漢大學(xué)學(xué)報(bào)(工學(xué)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.