一种基于CPVAE-SE-LSTM的模拟电路故障诊断方法及系统与流程

本发明涉及模拟电路故障诊断及深度学习信号处理，尤其涉及一种基于cpvae-se-lstm的模拟电路故障诊断方法及系统。

背景技术：

1、模拟电路是电子系统中的重要组成部分，通常承担信号采集、信号放大、滤波、调制以及接口转换等功能，广泛应用于航空航天、通信设备、工业控制、仪器仪表等领域。由于模拟电路的输出特性容易受到元器件参数、工作环境、制造容差以及老化因素的影响，其运行状态直接关系到电子系统的稳定性和可靠性。因此，对模拟电路进行及时、准确的故障诊断具有重要意义。

2、随着电子系统集成度和复杂度不断提高，模拟电路中元器件数量增多，电路节点之间的耦合关系更加复杂。当元器件发生参数漂移、性能退化、开路或短路等异常时，不同故障状态在观测节点处表现出的时序波形差异可能较小，且容易受到噪声、容差和非线性响应的影响，导致故障特征之间存在交叠或混淆。尤其是在软故障与硬故障并存的情况下，不同故障类型之间的边界不够清晰，给故障状态识别带来较大困难。

3、现有模拟电路故障诊断通常需要结合电路模型、测试数据以及人工分析经验进行判断。在复杂模拟电路场景下，由于故障样本分布不均衡、弱故障特征不明显、时序波形变化规律复杂，诊断过程容易出现特征提取不充分、不同故障状态区分度不足以及诊断结果稳定性不高等问题。同时，随着应用场景对诊断效率和自动化程度的要求提高，传统依赖人工分析或单一特征判别的方式难以满足复杂模拟电路故障诊断的需求。

4、因此，如何在存在容差、噪声和多类故障状态的情况下，从模拟电路时序波形数据中获得具有较好区分能力的故障表征，并提高模拟电路故障诊断的准确性和自动化程度，成为本领域亟待解决的技术问题。

技术实现思路

1、针对现有技术存在的不足，本发明的目的在于提供一种基于cpvae-se-lstm的模拟电路故障诊断方法及系统，用于提高存在容差、噪声以及软硬故障并存情况下模拟电路时序波形故障特征的可分性、诊断准确性和自动化程度。

2、为实现上述目的，本发明提供了如下技术方案：一种基于cpvae-se-lstm的模拟电路故障诊断方法，包括：

3、步骤s1，构建目标模拟电路仿真模型，设置正常状态、软故障状态和硬故障状态；按各状态配置电路参数并进行瞬态仿真，采集目标观测节点的时序波形数据，将其与相应状态关联，得到原始故障样本集；

4、步骤s2，预处理所述原始故障样本集，得到训练时序波形数据及对应的训练类别标签；

5、步骤s3，构建类别先验变分自编码器，使其根据所述训练时序波形数据生成编码后验分布参数，根据所述训练类别标签生成类别先验分布参数，并根据隐空间采样的隐向量生成重构时序波形数据；

6、步骤s4，根据所述编码后验分布参数和类别先验分布参数，计算用于约束编码后验分布向对应类别先验分布收敛的类别先验约束项，根据所述重构时序波形数据和训练时序波形数据计算重构误差项，并按所述重构误差项与预设重构条件的比较结果动态调节所述类别先验约束项的权重，训练得到类别先验变分自编码器；

7、步骤s5，将所述训练时序波形数据输入训练得到的类别先验变分自编码器，得到训练低维隐特征向量，并利用所述训练低维隐特征向量和训练类别标签，训练包括se模块、lstm网络和分类器的se-lstm分类模型；

8、步骤s6，采集与所述目标模拟电路同类的待诊断模拟电路在所述目标观测节点处的待诊断时序波形数据，将其输入训练得到的类别先验变分自编码器得到待诊断低维隐特征向量，再输入训练得到的se-lstm分类模型，经通道重标定、时序依赖提取和分类后，输出故障诊断结果。

9、进一步地，步骤s1中，所述目标模拟电路仿真模型包括若干元件，分别改变各所述元件的参数并获取所述目标观测节点相对于正常状态的时序波形变化量，将所述时序波形变化量满足预设灵敏度条件的元件确定为关键元件，并基于所述关键元件设置所述软故障状态和硬故障状态。

10、进一步地，步骤s1中，所述软故障状态通过将所述关键元件的参数设置为偏离标称值且满足预设偏移条件的参数值得到，所述硬故障状态通过将所述关键元件设置为开路状态或短路状态得到；

11、将所述正常状态以及基于所述关键元件形成的各软故障状态和各硬故障状态分别确定为训练类别标签所表征的类别，并对每一所述类别对应的电路参数配置进行蒙特卡洛瞬态仿真，得到所述目标观测节点的时序波形数据。

12、进一步地，步骤s2中，所述预处理包括对所述原始故障样本集中的时序波形数据进行采样点对齐和幅值归一化，并从处理后的时序波形数据中确定训练样本，将所述训练样本中的时序波形数据作为所述训练时序波形数据，根据所述训练样本所属的类别生成所述训练样本对应的训练类别标签。

13、进一步地，步骤s3中，所述类别先验变分自编码器包括编码器、类别嵌入层、隐空间和解码器；

14、所述编码器根据所述训练时序波形数据输出编码后验分布的均值和方差，所述类别嵌入层根据所述训练类别标签输出类别先验分布的均值和方差，所述解码器根据由所述隐空间采样得到的隐向量输出所述重构时序波形数据。

15、进一步地，所述类别嵌入层为不同所述训练类别标签分别生成对应的类别先验分布参数，使每一所述训练类别标签所表征的类别在所述隐空间中对应一个类别先验高斯分布；

16、所述类别先验约束项为所述编码后验分布与对应的所述类别先验高斯分布之间的kl散度项。

17、进一步地，步骤s4中，所述动态调节包括：

18、将所述重构误差项与预设重构误差阈值进行比较；

19、当所述重构误差项大于所述预设重构误差阈值时，降低或保持所述类别先验约束项的权重；

20、当所述重构误差项不大于所述预设重构误差阈值时，提高所述类别先验约束项的权重，以使所述类别先验变分自编码器先保持时序波形重构能力，再增强所述隐空间中不同所述训练类别标签所表征类别的样本可分性。

21、进一步地，在训练所述se-lstm分类模型的过程中，将所述训练低维隐特征向量输入卷积层进行特征映射，得到训练多通道时序特征；

22、在使用所述se-lstm分类模型进行诊断的过程中，将所述待诊断低维隐特征向量输入所述卷积层进行特征映射，得到待诊断多通道时序特征；

23、所述se模块分别对所述训练多通道时序特征和待诊断多通道时序特征进行全局平均池化，得到通道级全局特征，并根据所述通道级全局特征生成相应的通道注意力权重。

24、进一步地，在步骤s6中，所述se模块根据与所述待诊断多通道时序特征相应的通道注意力权重，对所述待诊断多通道时序特征进行重标定，得到重标定时序特征；

25、所述lstm网络根据所述重标定时序特征生成时序依赖特征；所述分类器包括全连接层和softmax分类器，所述全连接层和softmax分类器根据所述时序依赖特征输出所述待诊断模拟电路属于各所述训练类别标签所表征类别的分类概率，并将最大分类概率对应的类别作为所述故障诊断结果。

26、一种基于cpvae-se-lstm的模拟电路故障诊断系统，用于实现上述的基于cpvae-se-lstm的模拟电路故障诊断方法，包括：

27、样本模块，用于构建目标模拟电路仿真模型，设置正常状态、软故障状态和硬故障状态；按各状态配置电路参数并进行瞬态仿真，采集目标观测节点的时序波形数据，将其与相应状态关联，得到原始故障样本集；

28、预处理模块，连接所述样本模块，用于预处理所述原始故障样本集，得到训练时序波形数据及对应的训练类别标签；

29、cpvae模块，连接所述预处理模块，用于构建类别先验变分自编码器，并根据所述训练时序波形数据生成编码后验分布参数，根据所述训练类别标签生成类别先验分布参数，以及根据隐空间采样得到的隐向量生成重构时序波形数据；

30、优化模块，连接所述cpvae模块，用于根据所述编码后验分布参数和类别先验分布参数，计算用于约束编码后验分布向对应类别先验分布收敛的类别先验约束项，根据所述重构时序波形数据和训练时序波形数据计算重构误差项，并按所述重构误差项与预设重构条件的比较结果动态调节所述类别先验约束项的权重，训练得到类别先验变分自编码器；

31、分类训练模块，连接所述优化模块和所述预处理模块，用于将所述训练时序波形数据输入训练得到的类别先验变分自编码器，得到训练低维隐特征向量，并利用所述训练低维隐特征向量和训练类别标签，训练包括se模块、lstm网络和分类器的se-lstm分类模型；

32、诊断模块，连接所述优化模块和所述分类训练模块，用于采集与所述目标模拟电路同类的待诊断模拟电路在所述目标观测节点处的待诊断时序波形数据，将其输入训练得到的类别先验变分自编码器得到待诊断低维隐特征向量，再输入训练得到的se-lstm分类模型，经通道重标定、时序依赖提取和分类后，输出故障诊断结果。

33、本发明的有益效果：

34、本发明通过构建包含正常状态、软故障状态和硬故障状态的原始故障样本集，并利用类别先验变分自编码器对时序波形数据进行低维表征，使不同故障类别的样本在隐空间中形成更清晰的分布边界，降低容差、噪声和弱故障特征对诊断结果的影响。

35、本发明通过根据重构误差项与预设重构条件的比较结果动态调节类别先验约束项的权重，使模型在训练过程中兼顾时序波形重构能力和类别可分性，有利于避免隐空间特征混叠，提高软故障状态和硬故障状态的识别稳定性。

36、本发明将类别先验变分自编码器输出的低维隐特征向量输入se-lstm分类模型，通过通道重标定增强关键故障特征，并通过时序依赖提取获得波形变化规律，从而提高模拟电路故障诊断的准确性和自动化程度。