基于MP-Transformer的模拟电路混合故障诊断方法

本发明属于模拟电路混合故障诊断领域。

背景技术：

1、随着现代生活中各类电子元器件的广泛应用，电子元器件在其生命周期内的稳定性和可靠性已成为保证复杂电路安全的关键问题。而在复杂电路中，80％的故障是由占比为20％的模拟电路造成，因此降低模拟电路的故障发生率是保障电路正常工作的重点。根据元器件故障程度不同，将模拟电路故障分为软故障和硬故障。软故障表示由于环境因素(温度、湿度和压力)导致模拟电路中元器件的参数值偏离了允许的容差范围，其中容差表示元器件在加工过程中产生的参数值固有误差。硬故障表示由于元器件结构变形或参数值极端超限所引发的模拟电路短路或断路故障。硬故障会造成电子设备的严重失效或者完全损坏，从而导致灾难性故障。模拟电路的高度非线性、元器件容差性、参数连续性等特点为模拟电路软故障识别带来了极大的研究挑战，如何设计高效的诊断策略实现模拟电路软故障准确识别，降低因软故障累积效应而引起的硬故障发生概率，避免严重事故的发生。由于电路中可能有多个元器件同时发生故障，此时由于两种故障信息发生混叠，给故障诊断带来了更大的挑战。混合故障指的是电路中出现一个或多个元器件同时发生故障，这种情况下，故障信息往往会相互叠加和混淆，导致故障信号难以被区分清楚，从而使得对具体故障的精确判断变得更加困难。复杂的故障模式和多种故障信号的交织不仅增加了诊断的复杂性，也对传统的诊断方法提出了更高的要求，而传统的诊断方法针对模拟电路混合软故障信息易混叠，导致整体诊断精度偏低，泛化性能差无法保证复杂电路诊断可靠性。

2、因此需要设计一种具有优越诊断能力的模拟电路混合故障诊断方法，能够区分各类故障信息，尤其是混合故障的故障信息，实现对混合故障的精确诊断，满足大型复杂电路系统的可靠性需求。

技术实现思路

1、本发明目的是为了解决传统的诊断方法针对模拟电路混合软故障信息易混叠，导致整体诊断精度偏低，泛化性能差无法保证复杂电路诊断可靠性的问题，本发明提供了一种基于mp-transformer的模拟电路混合故障诊断方法。利用多周期transformer网络，即：mp-transformer对模拟电路混合故障信号进行诊断。

2、基于mp-transformer的模拟电路混合故障诊断方法，该方法包括如下步骤：

3、步骤1、利用pspice对待测模拟电路在测试激励信号激励下进行蒙特卡洛仿真，得到在各采样时段内各故障类型下的各测点在各采样时刻的响应信号，将各采样时段内所有测点的响应信号形成的测点响应矩阵，与该采样时段所对应的故障类型形成一个训练样本；其中，所有测点中存在一个测点为待测模拟电路输出节点；各测点响应信号和测试激励信号均为多周期信号，测试激励信号由k个周期不同的激励信号叠加而成；

4、步骤2、构建mp-transformer故障检测模型，并确定该mp-transformer故障检测模型的模型参数；

5、步骤3、将训练样本中的各测点响应矩阵作为mp-transformer故障检测模型的输入数据，将该训练样本中的故障类型作为mp-transformer故障检测模型的标签，对mp-transformer故障检测模型进行训练；

6、步骤4、采集待测模拟电路在测试激励信号激励情况下，在当前采样时段内各测点在各采样时刻的响应信号，并将当前采样时段内所有测点的响应信号形成的测点响应矩阵输入至训练后的mp-transformer故障检测模型后，输出故障类型，完成对待测模拟电路的故障诊断。

7、优选的是，mp-transformer故障检测模型包括线性嵌入层、特征深度提取层、聚合层、全局平均池化层和全连接层；

8、线性嵌入层，用于对测点响应矩阵进行特征融合，得到一维融合特征x1d；

9、特征深度提取层包括k个特征提取单元测试激励信号；每个特征提取单元用于根据其所对应的模型参数对一维融合特征x1d依次进行升维、特征提取和降维后，输出一维特征为第i个特征提取单元输出的一维特征；i∈{1,…,k}；

10、聚合层，用于对特征深度提取层输出的k个一维特征进行线性叠加，得到叠加后特征；

11、全局平均池化层，用于对叠加后特征进行全局平均池化操作后，通过全连接层进行全连接处理。

12、优选的是，每个特征提取单元包括1号特征变形模块、transformer模块和2号特征变形模块；

13、1号特征变形模块根据其所对应的模型参数对接收的一维融合特征x1d变换为二维特征张量后，再送至transformer模块进行特征提取后，得到的送至2号特征变形模块，2号特征变形模块根据其所对应的模型参数将变换为一维特征

14、为第i个特征提取单元中1号特征变形模块输出的二维特征张量；

15、为第i个特征提取单元中transformer模块输出的二维特征张量。

16、优选的是，第i个特征提取单元所对应的模型参数包括频率fi和周期pi，i∈{1,…,k}。

17、优选的是，

18、其中，padding(x1d)为对x1d沿着时间维度进行增补0的操作，使得增补后的x1d长度为周期的整数倍，表示第i个特征提取单元中1号特征变形模块将一维融合特征变换为pi×fi形式的二维特征张量，且pi和fi分别作为变换后二维特征张量的行数和列数。

19、优选的是，

20、其中，trunc(·)表示对特征进行优化操作，表示将维度为pi×fi的二维特征变换回维度为1的一维特征。

21、优选的是，确定mp-transformer故障检测模型的模型参数的实现方式包括：

22、任取任一训练样本中待测模拟电路输出节点为测点时，所对应的采样时段内由所有响应信号所构成的一维多周期信号，并按时间顺序对该一维多周期信号进行fft变换，得到频谱幅度a；

23、在频谱幅度a中按波峰幅值由大到小的顺序，获取前k个波峰所对应的频率、以及前k个波峰所对应的频率中各频率fi所对应的周期pi；f1至fk、以及p1至pk均作为模型参数；

24、fi为前k个波峰所对应的频率中第i个波峰所对应的频率，pi为前k个波峰所对应的频率中第i个波峰所对应的周期，fi和pi均与第i个响应信号存在对应关系，i∈{1,…,k}。

25、优选的是，

26、为向上取整，t为采样时段内由所有响应信号所构成的一维多周期信号的长度。

27、优选的是，mp-transformer故障检测模型的校准交叉熵损失函数calibrated celoss为：

28、calibrated ce loss＝-∑logp(y∣x)-βh(p(y∣x))；

29、p(y∣x)为输入为x下输出为y的概率，x和y分别为给定输入和标签，h(p(y∣x))为概率p(y∣x)的熵值，β为代表惩罚系数的强度。

30、优选的是，h(p(y∣x))＝-∑p(y∣x)log(p(y∣x))。

31、本发明在技术上提出了mp-transformer模型，该模型结合了多周期信号特性和transformer网络，具有强大的特征提取和故障分类能力。mp-transformer模型通过多周期测试激励信号生成响应信号，并利用transformer网络对信号进行特征提取，进而实现故障检测。这种创新设计能够有效捕捉不同故障类型下的细微特征，提高对混合故障的检测精度和准确率。

32、本发明的优点：

33、本发明通过构建mp-transformer故障检测模型，有效解决了传统诊断方法中模拟电路混合软故障信息易混叠的问题，从而显著提高了诊断的精度。mp-transformer故障检测模型，通过特征深度提取层能够提取更细致、更全面的故障特征，实现对复杂混合故障的精确诊断。增强网络泛化性能，利用多周期信号特性和transformer网络的结合，模型能够充分挖掘周期内和周期间的信息，这使得模型在面对不同类型的模拟电路故障时具有更强的泛化能力，确保在多样化和复杂化的电路环境中仍能保持高效和准确的故障诊断。同时准确区分混合故障信息：mp-transformer故障检测模型特有的特征提取单元通过对一维融合特征进行升维、特征提取和降维，能够有效区分和识别不同类型的故障信号，即使在混合故障的情况下，也能准确诊断各个故障的具体信息，避免信息混叠导致的诊断错误。本发明通过pspice仿真和fft变换等技术手段，精确确定mp-transformer故障检测模型的参数，确保了模型在实际应用中的可靠性和准确性。这种参数确定方法能够高效获取待测电路的特征信息，为后续的故障诊断提供了坚实的基础。

34、本发明构建mp-transformer故障检测模型对模拟电路混合故障信号进行检测，确定模型参数后对mp-transformer故障检测模型进行训练，mp-transformer故障检测模型所设计的特征深度提取层，通过其内的特征提取单元根据其所对应的模型参数对一维融合特征依次进行升维后特征提取，原因在于测点响应信号和测试激励信号均为多周期信号，其二维化后提取的特征具有周期内和周期间信息，能够充分反应测点响应信号测点响应信号关系，其二维化后提取的特征具有周期内和周期间信息，能够充分挖掘信号的混合故障信息，针对混合故障情况能够准确的诊断。

35、在mp-transformer模型中引入特征深度提取层，以处理一维融合特征。特征深度提取层对从多周期信号中提取的特征进行升维、特征提取和降维操作，从而获取高维度的特征向量。这种创新方法能够更细致地提取故障特征，有效区分混合故障信号，避免信号信息的混叠，提高诊断精度。

36、本发明能够有效区分各类故障信息，尤其是复杂的混合故障，实现对模拟电路中混合故障的精确诊断。这不仅有助于降低软故障引发硬故障的概率，还能显著提升大型复杂电路系统的可靠性，满足现代电子元器件高可靠性需求，避免因故障导致的严重事故。该方法为复杂电路的故障诊断提供了一个高效、精准的解决方案，具有广泛的应用前景。