電子設備智能故障診斷系統的研究

莊如平

摘要：近幾十年來人工智能技術的迅速發展，特別是專家系統、人工神經網絡和模糊理論在診斷領域中的進一步應用，為智能診斷開辟了新的途徑。隨著人們對故障診斷技術的不斷深入研究，認識到對于復雜系統的故障診斷僅僅依靠單一智能技術很難獲得令人滿意的效果。因此，多種不同的智能技術結合起來的混合診斷系統是智能故障診斷研究的一個發展趨勢。

關鍵詞：智能故障診斷；專家系統；解釋器；神經網絡

中圖分類號：TP311文獻標識碼：A文章編號：1009-3044(2008)18-2pppp-0c

Reasearch on Intelligent Fault Diagnosis System of Electonic Equpiment

ZHUANG Ru-ping

(Zhangzhou City Vocational College,Zhangzhou 363000,China)

Abstract: As artificial intelligence technology's rapid development in recent years, especially the

application of Expert System, Artificial Neural Network and Fuzzy Theory, all of these provide a new approach in the development of intelligent faultdiagnosis system. With the in-depth research into fault diagnosis, we have found that single intelligent diagnosis technology can't guarantee satisfactoryresults on complicated electronic equipments. So the idea of integration of several intelligent technologies to form a hybrid fault diagnosis system isintroduced.

key words:intellignet fault diagosis;expert system;complier;neutral network

在電子設備中，尤其是在以集成電路為核心的現代微電子電路中，由于設備的規模越來越大，性能及構成也更加復雜和完善，設備中任何一個元器件的故障都可能導致部分功能失效甚至整個設備失靈。所以伴隨著電子技術的發展，電子電路集成化程度日益提高，對電子電路的可靠性、可維修性和自動故障診斷的要求也日益迫切：

1 電子設備故障定義及其分類：

所謂電子設備故障指的是設備喪失了規定功能，使系統表現出所不期望的特性。故障可以按不同的原則進行分類。對于電子電路來說，按故障的程度可以分成軟故障和硬故障[5]。軟故障又稱為漸變故障或部分故障，指元件參數超出容差范圍而造成的故障。這時元件功能通常并沒有完全喪失，而僅引起功能的變化。例如一個 5.6(1±5％)的電阻，其實阻值為 6.1；一個漏電流不允許超過 10 uA 的 6 uF/12 V 的電解電容器，其實測漏電流為 150 uA，則可以認為是軟故障，因為它們并沒有導致電路功能的完全喪失。當然，軟故障有時是可以容忍的，有時則是不許可的，特別是處于電路關鍵之處的元件。對軟故障，通常除了要判定故障元件之外，還應計算元件參數對標稱值的偏離量。硬故障又稱為突變故障或完全故障，例如一個電阻阻值變得特別高以至開路；一個二極管陽極與陰極短路等。這樣的故障往往引起電路功能的完全喪失、直流電平的劇烈變化等現象。對這種故障，通常只要判定故障位置即可。

按故障存在的時間又可分為永久性和間歇性故障。永久性故障是指一旦出現就長期存在的故障，在任何時刻進行檢測均可檢測到；間歇性故障是指在某種特定條件下出現的隨機性的、存在時間短暫的故障。由于難以把握其出現的規律與時機，這種故障不易檢測。

按同時出現故障的數量又可分為單故障和多故障。若某一時刻僅有一個故障，稱為單故障；若同時可能發生若干個故障，則稱為多故障。通常診斷多故障比診斷單故障更為困難。

故障診斷技術主要包括四個方面的內容：故障檢測、故障診斷、故障隔離、故障辨識。從本質上講，故障診斷技術是一個模式分類與識別的問題，即把系統的運行狀態分為正常和異常兩類，判別異常的信號樣本究竟屬于哪種故障，這又屬于一個模式識別問題?，F有的故障診斷方法，概括起來可分為三大類:：

(1)基于信號處理的方法 所謂基于信號處理的方法，通常是利用信號模型，如相關函數、頻譜、自回歸滑動平均、小波變換等，直接分析可測信號，提取諸如方差、幅值、頻率等特征值，從而檢測出故障。如旋轉機械中的滾動軸承在出現疲勞脫落、壓痕或局部腐蝕等故障時，其振動信號就會出現相應的反應，利用這種反應就可診斷系統故障。近年來出現的基于信號處理的方法主要有小波變換方法、主元分析、利用δ 算子和利用 Kullback 信息準則的故障檢測法。

(2)基于解析模型的方法 基于解析模型的方法是在明了診斷對象數學模型的基礎上，按一定的數學方法對被測信息進行診斷處理，可分為狀態估計法和參數估計法。

(3)基于知識的故障診斷方法 近年來人工智能及計算機技術的飛速發展，為故障診斷技術提供了新的理論基礎，產生了基于知識的診斷方法。此方法由于不需要對象的精確數學模型，而且具有“智能”的特性，因此是一種很有生命力的方法。

2 專家系統和智能故障診斷：

2.1 專家系統簡介：

專家系統(Expert System)通常是指一類具有大量專門知識的計算機智能信息系統(或智能程序)，它運用特定領域的專門知識和人工智能中的推理技術來求解和模擬通常要由人類專家才能解決的各種復雜、具體的問題，達到與專家具有同等解決問題的能力，它可使專家的專長不受時間和空間的限制，以發揮專家更大的作用和效益。專家系統是研究中最重要也是最活躍的一個應用領域。表1是一些電子學專家系統。

表1 電子學專家系統

2.2 專家系統的組成部分：

圖1描述了一個基于知識庫的專家系統的基本結構。用戶提供事實和一些其他信息給專家系統，相應地收到專家給出的建議。專家系統內部包括兩個主要部分：知識庫和推理機。知識庫包含有為推理機(Inference Engine)所使用的知識，利用這些知識可以得出推理結論，從而對用戶的詢問做出響應。

圖1 專家系統基本結構

下面把專家系統的主要組成部分歸納如下：

(1)知識庫(knowledge base) 知識庫用于存儲某領域專家系統的專門知識，包括事實、可行操作與規則等。為了建立知識庫，要解決知識獲取和知識表示問題。知識獲取涉及知識工程師(knowledge engineer)如何從專家那里獲得專門知識的問題；知識表示則要解決如何用計算機能夠理解的形式表達和存儲知識的問題。例如，它可能包含醫生所提供的用來診斷血液疾病的知識、投資顧問所提供的部門規劃知識或者石油工程師所提供的用來解釋地球物理調查數據的知識。

(2)綜合數據庫(global database) 綜合數據庫又稱全局數據庫或總數據庫，它用于存儲領域問題的初始數據和推理過程中得到的中間數據(信息)。

(3)推理機(reasoning machine) 推理機用于記憶所采用的規則和控制策略，使整個專家系統能夠以邏輯方式協調地工作。推理機能夠根據知識進行推理和導出結論，而不是簡單地搜索現成的答案。

(4)解釋器(interpreter) 解釋器能夠向用戶解釋專家系統的行為，包括解釋推理結論的正確性以及系統輸出其他候選解的原因。

(5)接口(interface) 接口又稱界面，它能夠使系統與用戶進行對話，使用戶能夠輸入必要的數據、提出問題和了解推理過程及推理結果等。系統則通過用戶接口，要求用戶回答提問，并回答用戶提出的問題，進行必要的解釋。

3 神經網絡與智能故障診斷系統：

3.1 BP 網絡的介紹及其改進：

由于人工神經網絡具有函數近似、數據聚集、模式分類等諸多功能，因此被廣泛應用于人工智能、自動控制、機器人等領域的信息處理。目前人們提出的神經網絡模型己有上百種，其中在故障診斷領域中用的最多也最有成效的就是誤差逆傳播神經網絡，也就是 BP 網絡。

BP 網絡是一種具有三層或三層以上的多層神經元網絡，當一種學習模式提供給網絡后，其神經元的激活值將從輸入層經各中間層向輸出層傳播，在輸出層的各神經元輸出對應于輸入模式的網絡響應。然后，按照減少希望輸出與實際輸出之間誤差的原則，從輸出層經各中間層、最后回到輸入層逐層修正各連接權。隨著這種誤差逆傳播訓練的不斷進行，網絡對輸入模式響應的正確率也不斷提高。由于 BP 網有處于中間位置的隱含層，并有相應的學習規則可循，可通過訓練這種網絡，使其具有非線性模式的識別能力。BP 網的學習過程主要由四部分組成：

(1)輸入模式順傳播(輸入模式由輸入層經中間層向輸出層傳播計算)；

(2)輸出誤差逆傳播(輸出的誤差由輸出層經中間層傳向輸入層)；

(3)循環記憶訓練(順傳播與誤差逆傳播的計算過程交替循環進行)；

(4)學習結果判別(判定全局誤差是否趨向極小值)。

3.2 神經網絡在電子設備智能故障診斷中的應用：

現代電子設備集成度越來越高，許多設備內的模塊都是由核心集成電路外接一些分立元器件構成的，無法對整個模塊建立可以電路仿真的數學模型(或者整個模型過于復雜以至于無法在實際中應用)。神經網絡由于并行運算和非線性逼近的特點，適合用于對這種情況進行建模。對應模塊電路的神經網絡，其訓練用的樣本數據可以從設備運行過程中收集的正常狀態和故障狀態的數據中取得。

3 電子設備智能故障診斷系統概述：

3.1 系統總體結構：

現代電子設備結構復雜、集成度高，總體來說有兩個基本的特點：

(1)系統模塊化；

(2)模塊電路高度集成，缺乏內部詳細的電路原理圖。

根據現代電子設備的這些特點，本文研究的電子設備智能故障診斷系統分成系統級故障診斷子系統和模塊級故障診斷子系統兩個層次，逐層對故障進行分析和定位。

圖2 故障診斷系統結構圖

系統級故障診斷子系統是基于規則的模糊專家系統，應用領域專家知識(規則)，顯式地進行模糊推理，把故障定位到模塊級；模塊級故障診斷子系統利用事先訓練好的神經網絡隱式地進行推理，對模塊內的故障進行診斷，最終把故障定位到元器件。

3.2 故障診斷流程：

通過用戶界面，用戶選擇要進行故障診斷的電子設備類型和具體型號，然后診斷系統會詢問用戶電子設備的故障現象，用戶提交故障現象后診斷系統進行故障診斷，得出診斷結果(證據充分)，或者繼續詢問用戶問題(證據不充分)。故障診斷的流程如圖3所示。

圖3 故障診斷流程圖

4 結束語

針對電子設備故障診斷的現狀，隨著對故障診斷技術不斷深入的研究，隨著人工智能技術的飛速發展，近年來出現了不少電子設備故障定位的新技術，如專家系統技術、模糊診斷方法、神經網絡診斷方法、粗糙集用于規則的自動產生方法、多傳感器信息融合診斷方法等。這些智能故障診斷技術能夠以人類思維的信息加工和認識過程為推理基礎，通過有效地獲取、傳遞、處理、再生和利用診斷信息，模擬人類專家，以靈活的診斷策略對監控對象的運行狀態和故障做出正確判斷和決策，從而具有學習功能和自動獲取診斷信息對故障進行實時診斷的能力。

參考文獻：

[1]恩云飛,羅宏偉.電子元器件失效分析及技術發展失效分析與預防,2006,1(1):40-44.

[2]左萬里,武小悅.電子設備智能故障診斷技術發展綜述.系統工程與電子技術,2003,25(12):1572-1575.

[3]周曉,楊成德,舒德強,張景.復雜電子裝備的智能診斷技術.武器裝備自動化,2006,25(5):42-45.

[4]譚陽紅,何怡剛.電子電路故障診斷的新方法.電路與系統學報,2004,9(5): 72-75.

收稿日期：2008-03-10