基于MHMM模拟电路早期故障诊断

朱凤波，吴文全，杨 华

(海军工程大学，武汉 430033)

0 引言

模拟电路的故障诊断始于20世纪60年代，理论研究是从网络元件参数可解性开始的，常用的有故障字典法和参数辨识法，但电路故障的多样性、元件的容差及结构的复杂性，使得模拟电路故障诊断发展比较缓慢。20世纪90年代后，模糊理论、神经网络以及支持向量机等智能机器学习语言开始应用于该领域，取得不错的效果。但上述方法都是在硬故障(即元件断路或短路)时效果明显，软故障需在元件变化较大时才能有效识别［8］。

隐马尔科夫模型是一种广泛应用于信号处理和模式识别的双重随机过程，具有很强的时序信号识别和分类能力，已成功应用于语音识别和人脸识别领域。按照观测信号的性质可分为两类:连续隐马尔科夫模型(CHMM)和离散隐马尔科夫模型(DHMM)［2］。文献［3］提出将HMM应用于电路系统的状态检测及故障诊断;文献［4］基于HMM具有很强的时序信号识别能力，对HMM在机电系统BIT抗虚警技术方面进行了研究，通过训练DHMM来区分虚警与故障;文献［5］将HMM应用于故障预测与设备退化研究。本文在以上研究成果的基础上，尝试将高斯混合隐马尔科夫模型(MHMM)引入模拟电路的早期故障诊断，通过LDA(线性判别分析)方法对原始电路信号进行处理，完成降维，去除信号的冗余信息，然后通过MHMM模型对故障的类别进行判定。

1 MHMM模型

1.1 高斯混合模型模型介绍

高斯混合模型［6］(Gaussian Mixture Model，GMM)是一种常用的描述混合密度分布的模型，即多个高斯分布的混合分布。……