故障检测方法、装置、电子设备和可读存储介质与流程

1.本技术涉及检测技术领域，具体涉及一种故障检测方法、装置、电子设备和可读存储介质。


背景技术：

2.随着检测技术的提高，对于电路系统的永久故障的检测率越来越高，而对于电路系统的间歇故障的检测率和维修费用没有太大变化。电路系统的间歇故障是随机出现和消失的一种间歇发生且难以预料的故障，例如，间歇故障在发生并持续一段时间后，不经过任何修复性维护操作，电路系统又自行恢复其执行能力。
3.在确定间歇故障发生并处于活跃期的情况下，电路系统会产生错误结果，易导致电路系统中的任务中断，且会引发虚假告警；在确定间歇故障消失的情况下，电路系统故障会输出正确结果，但无法准确地检测出间歇故障的原因，导致电路系统的资源浪费。


技术实现要素：

4.本技术提供一种故障检测方法、装置、电子设备和可读存储介质。
5.本技术实施例提供一种故障检测方法，方法包括：对待测电路进行仿真，获得待测电路对应的仿真电路和仿真电路的仿真状态；对仿真电路进行信号采集，获得仿真状态对应的仿真信号集合；依据仿真状态对应的仿真信号集合和预设检测算法，对待测电路的待测信号进行检测，确定待测电路的故障类型。
6.本技术实施例提供一种故障检测装置，包括：获取模块，被配置为对待测电路进行仿真，获得待测电路对应的仿真电路和仿真电路的仿真状态；信号采集模块，被配置为对仿真电路进行信号采集，获得仿真状态对应的仿真信号集合；故障检测模块，被配置为依据仿真状态对应的仿真信号集合和预设检测算法，对待测电路的待测信号进行检测，确定待测电路的故障类型。
7.本技术实施例提供一种电子设备，包括：一个或多个处理器；存储器，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现本技术实施例中的任意一种故障检测方法。
8.本技术实施例提供了一种可读存储介质，该可读存储介质存储有计算机程序，计算机程序被处理器执行时实现本技术实施例中的任意一种故障检测方法。
9.根据本技术实施例的故障检测方法、装置、电子设备和可读存储介质，通过对待测电路进行仿真，获得待测电路对应的仿真电路和仿真电路的仿真状态，减少对待测电路的检修，避免对待测电路的损害；对仿真电路进行信号采集，获得仿真状态对应的仿真信号集合，以丰富信号样本，提升对待测电路的检测准确性；依据仿真状态对应的仿真信号集合和预设检测算法，对待测电路的待测信号进行检测，确定待测电路的故障类型，提高对待测电路的故障检测的准确性，减少不必要的维修费用。
10.关于本技术的以上实施例和其他方面以及其实现方式，在附图说明、具体实施方
式和权利要求中提供更多说明。
附图说明
11.图1示出本技术一实施例提供的故障检测方法的流程示意图。
12.图2示出本技术又一实施例提供的故障检测方法的流程示意图。
13.图3示出本技术再一实施例提供的故障检测方法的流程示意图。
14.图4示出本技术另一实施例提供的故障检测方法的流程示意图。
15.图5示出本技术实施例提供的故障检测装置的组成结构图。
16.图6示出能够实现根据本发明实施例的故障检测方法和装置的计算设备的示例性硬件架构的结构图。
具体实施方式
17.为使本技术的目的、技术方案和优点更加清楚明白，下文中将结合附图对本技术的实施例进行详细说明。需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互任意组合。
18.通过对现有的测试数据的统计，可知间歇故障极易造成电路系统的短暂失效。一般情况下，间歇故障的发生数量占所有故障的发生数量的70％～80％，在确定间歇故障发生并处于活跃期的情况下，电路系统会产生错误结果，易导致电路系统中的任务中断，且会引发虚假告警；而在发生间歇故障的情况下，重启电路系统会使间歇故障消失，但很难定位间歇故障的产生原因；在确定间歇故障消失的情况下，电路系统故障会输出正确结果，但无法准确地检测出间歇故障的原因，导致电路系统的资源浪费。在通信系统中，间歇故障对通信系统最直接的影响是降低了通信设备的通信质量，缩短了通信设备的使用寿命。
19.现有的处理方式中，会采用基于集合经验模态分解(ensemble empirical mode decomposition，eemd)的信号处理方式，对电路系统进行故障检测。但在基于eemd的信号处理方式中，经过信号的平均处理并分解后，所获得的本征模函数(intrinsic mode function，imf)分量并不完全符合eemd中的本征模函数的定义；并且，只有当分解次数足够多时，添加的白噪声才会对信号分解的影响足够小，但还是会存在噪声信号，从而影响故障类型的判断的准确性。并且，对信号的分解次数过多，还会导致处理时间的延长，
20.图1示出本技术一实施例提供的故障检测方法的流程示意图。该故障检测方法可应用于故障检测装置。如图1所示，本技术实施例中的故障检测方法可以包括以下步骤。
21.步骤s101，对待测电路进行仿真，获得待测电路对应的仿真电路和仿真电路的仿真状态。
22.其中，可以采用不同的仿真软件对待测电路进行仿真，从而获得与待测电路对应的仿真电路。该仿真电路能够模拟待测电路，以获得待测电路对应的不同的工作状态，通过仿真电路的仿真状态来表征待测电路对应的不同的工作状态，能够避免对待测电路的多次检修，避免对待测电路的损害。
23.步骤s102，对仿真电路进行信号采集，获得仿真状态对应的仿真信号集合。
24.其中，可以根据不同的仿真状态，对仿真电路进行信号采集，获得不同的仿真状态下的仿真信号集合。
25.例如，在仿真状态为正常状态的情况下，可获得正常状态下的正常信号集合，该正常信号集合包括多个正常信号；在仿真状态为故障状态的情况下，可获得故障状态下的故障信息集合，该故障信号集合包括多个故障信号。
26.通过采集不同仿真状态下的仿真信号集合，能够丰富信号样本；使用多种不同状态下的信号样本，能够更直观的观测到仿真电路处于不同仿真状态下的工作情况，从而提升对待测电路的故障的检测准确性。
27.步骤s103，依据仿真状态对应的仿真信号集合和预设检测算法，对待测电路的待测信号进行检测，确定待测电路的故障类型。
28.其中，预设检测算法是预先设定的电路检测算法。
29.使用该预设检测算法对不同的仿真状态下的仿真信号集合中的仿真信号进行处理，能够获得不同仿真状态对应的检测结果，再通过不同的检测结果之间的对比，能够快速判断出待测电路具体处于何种故障状态，可加快对待测电路的故障检测速度，并提升对待测电路的故障检测的准确性，减少不必要的维修费用。
30.在本实施例中，通过对待测电路进行仿真，获得待测电路对应的仿真电路和仿真电路的仿真状态，减少对待测电路的检修，避免对待测电路的损害；对仿真电路进行信号采集，获得仿真状态对应的仿真信号集合，以丰富信号样本，提升对待测电路的检测准确性；依据仿真状态对应的仿真信号集合和预设检测算法，对待测电路的待测信号进行检测，确定待测电路的故障类型，提高对待测电路的故障检测的准确性，减少不必要的维修费用。
31.图2示出本技术又一实施例提供的故障检测方法的流程示意图。该故障检测方法可应用于故障检测装置。如图2所示，本技术实施例中的故障检测方法可以包括以下步骤。
32.步骤s201，对待测电路进行仿真，获得待测电路对应的仿真电路和仿真电路的仿真状态。
33.其中，对待测电路进行仿真，获得待测电路对应的仿真电路和仿真电路的仿真状态，包括：依据仿真算法模拟待测电路，获得仿真电路，仿真电路包括设置于模拟元器件的输入端和输出端的开关；获取仿真电路中的开关的开关时间和开关频率；依据开关时间和开关频率，模拟待测电路的工作状态，获得仿真电路的仿真状态。
34.例如，在可能出现故障的元器件的输入端和输出端各串联一个开关，然后，通过改变各个开关的开关时间和开关频率的方式，模拟待测电路在不同的工作状态下的电路工作情况。然后，通过配置各个开关的参数(例如，开关的打开时间、开关的闭合时间以及开关频率等参数)，模拟不同工作状态下的待测电路，获得不同工作状态下的仿真电路。
35.通过仿真电路模拟待测电路在不同的工作状态下的工作情况，能够快速实现对待测电路的检测，避免因误操作而导致对待测电路的损害。
36.在一些具体实现中，待测电路的工作状态或仿真电路的仿真状态，包括：正常状态、间歇故障状态和永久故障状态中的任意一种或几种；仿真状态对应的仿真信号集合，包括：正常仿真信号集合、间歇故障仿真信号集合和永久故障仿真信号集合中的任意一种或几种。
37.需要说明的是，以上对于待测电路的工作状态或仿真电路的仿真状态仅是举例说明，其他未说明的待测电路的工作状态或仿真电路的仿真状态也在本技术的保护范围之内，可根据具体情况具体设定，在此不再赘述。
38.在确定仿真电路处于正常状态、间歇故障状态和永久故障状态中的任意一种或几种的情况下，对仿真电路进行信号采集，可直观的对待测电路进行观测，获得正常仿真信号集合、间歇故障仿真信号集合和永久故障仿真信号集合中的任意一种或几种，以获得多样的仿真信号，体现仿真电路的不同仿真状态的工作情况，为后续对仿真信号集合中的仿真信号的处理做好准备，加快对待测电路的检测速度。
39.步骤s202，以预设频率对仿真电路进行信号采集，获得仿真状态对应的仿真信号集合。
40.其中，预设频率包括仿真电路中的开关频率。
41.需要说明的是，预设频率需要与待测电路的工作频率保持一致，例如，预设频率是每分钟通断5次，则仿真电路中的开关频率也是每分钟通断5次，以保证仿真电路与待测电路的工作情况保持一致；进一步地，可通过对仿真电路进行信号采集所获得的仿真信号集合，能够准确的反应待测电路在不同工作状态下的特征。
42.步骤s203，依据仿真状态对应的仿真信号集合和预设检测算法，对待测电路的待测信号进行检测，确定待测电路的故障类型。
43.需要说明的是，本实施例中的步骤s203与上一实施例中的步骤s103相同，在此不再赘述。
44.在本实施例中，通过依据仿真算法模拟待测电路，获得包括设置于模拟元器件的输入端和输出端的开关的仿真电路，能够使待测电路虚拟化，方便对待测电路的调试；获取仿真电路中的开关的开关时间和开关频率，并依据该开关时间和该开关频率，模拟待测电路的工作状态，获得仿真电路的仿真状态，使仿真电路能够真实准确的反应待测电路的不同的工作状态；以预设频率对仿真电路进行信号采集，获得仿真状态对应的仿真信号集合，可保证仿真电路与待测电路的工作情况保持一致；并通过不同仿真状态对应的仿真信号集合，能够准确的反应待测电路在不同工作状态下的特征，丰富检测样本；依据仿真状态对应的仿真信号集合和预设检测算法，对待测电路的待测信号进行检测，确定待测电路的故障类型，提高对待测电路的故障检测的准确性，减少不必要的维修费用。
45.图3示出本技术再一实施例提供的故障检测方法的流程示意图。该故障检测方法可应用于故障检测装置。如图3所示，本技术实施例中的故障检测方法可以包括以下步骤。
46.步骤s301，对待测电路进行仿真，获得待测电路对应的仿真电路和仿真电路的仿真状态。
47.步骤s302，对仿真电路进行信号采集，获得仿真状态对应的仿真信号集合。
48.需要说明的是，本实施例中的步骤s301～步骤s302与图1所示的实施例中的步骤s101～步骤s102相同，在此不再赘述。
49.步骤s303，对待测电路的待测信号进行经验模态分解，获得待测向量。
50.其中，经验模态分解是依据数据自身的时间尺度特征来进行信号分解的方法，无须预先设定任何基函数，该经验模态分解方法特别适用于对非线性、非平稳信号的分析和处理。
51.通过对待测电路的待测信号进行经验模态分解，能够获得待测信号对应的imf分量，该imf分量能够使待测信号的瞬时频率不再受所特定波动的影响，其中的特定波动是通过不对称波形所形成的不必要的波动。然后，将该imf分量作为待测向量，能够使待测信号
以更准确的形式接受检测，提升检测准确性。
52.步骤s304，对仿真状态对应的仿真信号集合中的仿真信号进行经验模态分解，获得仿真状态对应的特征向量矩阵。
53.其中，对仿真状态对应的仿真信号集合中的仿真信号进行经验模态分解，获得各个仿真信号对应的imf分量，以使仿真信号以更准确的形式呈现，并以依据各个仿真信号对应的imf分量，确定仿真状态对应的特征向量矩阵，可保证仿真状态对应的特征向量矩阵的准确性，方便后续处理。
54.步骤s305，依据仿真状态对应的特征向量矩阵和预设检测算法，确定仿真状态对应的故障检测模型。
55.其中，仿真状态包括：正常状态、间歇故障状态和永久故障状态中的任意一种或几种。
56.例如，采用预设检测算法，对仿真状态对应的特征向量矩阵进行处理，获得仿真状态对应的故障检测模型，即，可获得如下检测模型中的任意一种或几种：正常状态检测模型、间歇故障状态检测模型和永久故障状态检测模型中的任意一种或几种。
57.通过多样性的检测模型，细化仿真电路在不同的仿真状态下的检测方式，能够提升对待测电路的检测准确性。
58.在一些具体实现中，采用预设检测算法，对仿真状态对应的特征向量矩阵进行处理，获得仿真状态对应的故障检测模型，包括：采用预设检测算法，对间歇故障状态下的预设检测模型的参数进行估计，直至预设检测模型满足预设的收敛条件，获得间歇故障状态检测模型，预设检测模型包括特征向量矩阵。
59.其中，间歇故障是待测电路最容易出现的故障，通过采用预设检测算法，对间歇故障状态下的预设检测模型的参数进行估计，直至预设检测模型满足预设的收敛条件的情况下，可获得间歇故障状态检测模型，采用该间歇故障状态检测模型可加快对间歇故障的检测速度。
60.需要说明的是，预设检测模型包括特征向量矩阵，该特征向量矩阵包括多个imf分量，能够通过imf分量的特性，即imf分量能够使待测信号的瞬时频率不再受所特定波动的影响，满足对待测信号的稳定性的要求，进而保证对待测电路的检测准确性。
61.步骤s306，将待测向量输入至仿真状态对应的故障检测模型，获得待测电路对应的工作状态概率。
62.其中，仿真状态包括：正常状态、间歇故障状态和永久故障状态中的任意一种或几种。则对应地，待测电路对应的工作状态概率可以包括：待测电路处于正常状态的概率、待测电路处于间歇故障状态的概率和待测电路处于永久故障状态的概率中的任意一种或几种。
63.通过不同的工作状态概率，能够反应待测电路的实际工作状态的比例，为后续确定待测电路的故障类型做准备。
64.在一些具体实现中，将待测向量输入至仿真状态对应的故障检测模型，获得待测电路对应的工作状态概率，还可以采用如下方式实现：依据前向-后向算法，将待测向量输入至仿真状态对应的故障检测模型，获得待测电路对应的工作状态概率。
65.需要说明的是，前向-后向算法包括前向概率和后向概率，例如，前向概率可以表
示为：在1至t时刻，将待测向量输入至仿真状态对应的故障检测模型，所获得的待测电路对应的工作状态概率；后向概率可以表示为：在t 1至终止时刻，将待测向量输入至仿真状态对应的故障检测模型，所获得的待测电路对应的工作状态概率。其中，t为大于或等于1的整数。
66.通过将前向概率和后向概率输入至仿真状态对应的故障检测模型，并对仿真状态对应的故障检测模型进行参数估计，以使获得的仿真状态对应的故障检测模型具有更高的检测准确性，从而保证将待测向量输入至不同的仿真状态对应的参数估计之后的故障检测模型，所获得待测电路对应的工作状态概率更准确。
67.步骤s307，依据待测电路对应的工作状态概率，确定待测电路的故障类型。
68.其中，待测电路对应的工作状态概率包括：似然概率，该似然概率是基于统计模型获得的概率，能够通过统计模型，对采集的信号进行统计处理，保证获得的似然概率更准确。
69.在一些具体实现中，依据待测电路对应的工作状态概率，确定待测电路的故障类型，包括：对待测电路处于正常状态的概率、待测电路处于间歇故障状态的概率和待测电路处于永久故障状态的概率进行排序，获得排序结果；依据排序结果，确定待测电路的故障类型。
70.例如，对待测电路处于正常状态的概率为0.3，待测电路处于间歇故障状态的概率为0.7，,待测电路处于永久故障状态的概率为0.2，则排序结果为：待测电路对应的工作状态由高到低依次是：间歇故障状态、正常状态和永久故障状态；则此时可确定待测电路的故障类型为间歇故障。
71.通过上述对待测电路可能处于的工作状态对应的概率进行排序，能够清晰展现待测电路具体处于何种工作状态，使待测电路的故障类型一目了然，加快了对待测电路的故障类型的检测速度，提升故障检测的准确性。
72.在一些具体实现中，步骤s304中的对仿真状态对应的仿真信号集合中的仿真信号进行经验模态分解，获得仿真状态对应的特征向量矩阵，还可以采用如下方式实现：
73.将仿真状态对应的仿真信号集合中的仿真信号作为原始信号；依据预设噪声信号对原始信号进行处理，获得信号分解矩阵，其中，信号分解矩阵是与仿真状态对应的矩阵，信号分解矩阵包括多个分解向量；依据信号分解矩阵，确定仿真状态对应的特征向量矩阵。
74.其中，仿真状态对应的仿真信号集合可以包括：正常仿真信号集合、间歇故障仿真信号集合和永久故障仿真信号集合。
75.分别对正常状态、间歇故障状态和永久故障状态时的仿真电路进行信号采集，每种状态都采集m组仿真信号集合，并对每组仿真信号集合中的仿真信号进行分解，从而使每种状态下的每组仿真信号集合中的仿真信号都可以被分解为j个imf分量，则信号分解矩阵中包括：正常状态信号分解矩阵、间歇故障状态信号分解矩阵和永久故障状态信号分解矩阵，每个信号分解矩阵都包括m行、j列的imf分量，其中，m和j均是大于或等于1的整数。其中，每组仿真信号集合中的仿真信号的长度是相同的。
76.通过依据预设噪声信号对原始信号进行处理，获得不同仿真状态下的信号分解矩阵，能够多维度的反应各个仿真状态下的信号的特征；并依据信号分解矩阵，确定仿真状态对应的特征向量矩阵，以使特征向量矩阵的特征信息更丰富，保证采集到的信号的特征信
息被更好的提取处理，方便后续处理。
77.在一些具体实现中，预设噪声信号，包括：第一白噪声和第二白噪声，第二白噪声是与第一白噪声的幅度相同且方向相反的噪声；依据预设噪声信号对原始信号进行处理，获得信号分解矩阵，包括：对原始信号添加第一白噪声，获得第一待处理信号；对原始信号添加第二白噪声，获得第二待处理信号；依据第一待处理信号和第二待处理信号，确定信号分解矩阵。
78.其中，第一白噪声和第二白噪声均是功率谱密度在整个频域内是常数的噪声。所有频率具有相同能量密度的随机噪声称为白噪声。若第一白噪声是高斯白噪声，即第一白噪声的幅度分布服从高斯分布，而第一白噪声的功率谱密度又是均匀分布的；则第二白噪声也是高斯白噪声，但第二白噪声是与第一白噪声的幅度相同且方向相反的噪声。
79.依据第一待处理信号和第二待处理信号，确定信号分解矩阵，可以是对第一待处理信号和第二待处理信号同时进行经验模态分解，然后再将分解之后的两组imf分量求均值，从而获得信号分解矩阵。由于第一待处理信号是对原始信号添加第一白噪声获得的信号，而第二待处理信号是对原始信号添加第二白噪声获得的信号，因此，将分解之后的两组imf分量求均值，可以抵消信号中加入的白噪声，避免白噪声对电路检测的影响，提升对待测电路的故障类型的判断的准确性。
80.在一些具体实现中，依据信号分解矩阵，确定仿真状态对应的特征向量矩阵，包括：将信号分解矩阵中的分解向量的能量熵作为特征向量，分解向量的能量熵反映待处理信号的频段能量信息；依据特征向量，确定仿真状态对应的特征向量矩阵。
81.其中，分解向量的能量熵反映待处理信号的频段能量信息。在确定某个仿真信号对应的频段信息发生变更的情况下，可通过imf分量直接反映出不同故障对应的变化情况。
82.通过对各个仿真信号对应的imf分量进行能量熵的运算，获得特征向量矩阵，能够通过特征向量矩阵很好的反映不同电路故障的发生情况，快速确定待测电路的故障类型。
83.在一些具体实现中，依据信号分解矩阵，确定仿真状态对应的特征向量矩阵，包括：将信号分解矩阵中的分解向量的幅值作为特征向量；依据特征向量，确定仿真状态对应的特征向量矩阵。
84.其中，信号分解矩阵中的分解向量的幅值，是在一个周期内，分解向量在瞬时出现的最大值的绝对值。通过将信号分解矩阵中的分解向量的幅值作为特征向量，能够直接获得各个分解向量的变化情况；依据特征向量，确定仿真状态对应的特征向量矩阵，可直观的确定仿真状态对应的特征向量矩阵中的各个特征向量的变化情况，进而保证特征向量矩阵的直观性，加快对待测电路的检测速度。
85.在一些具体实现中，步骤s305中的预设检测算法，包括：最大期望算法或小波分解算法；预设检测模型，包括：离散隐马尔可夫模型或反向传播神经网络检测模型；其中，离散隐马尔可夫模型的参数包括：观测序列、仿真状态的数量、状态初始概率、转移概率矩阵和观测概率转移矩阵，观测序列包括特征向量矩阵。
86.其中，最大期望算法可以包括：使用了贝叶斯推断的最大期望算法(expectation-maximization algorithm，em)算法、em梯度算法和广义em算法中的任意一种或几种。最大期望算法可应用于高斯混合模型(gaussian mixture model，gmm)和隐马尔可夫模型(hidden markov model，hmm)的参数估计中。
87.以特征向量矩阵的形式，作为离散隐马尔可夫模型的观测序列，能够使待测信号的瞬时频率不再受所特定波动的影响，保证观测序列的稳定性。在本实施例中，仿真状态的数量可以是3，例如，仿真状态包括：正常状态、间歇故障状态和永久故障状态。通过对状态初始概率、转移概率矩阵和观测概率转移矩阵的分析和处理，使预设检测模型逐渐趋于稳定，直至预设检测模型满足预设的收敛条件，保证训练获得的不同仿真状态对应的故障检测模型的准确性。
88.例如，小波分解算法也可以适用于对非稳定信号(例如，仿真信号)的分析和处理，以获得准确的分析结果，方便对待测信号的检测。
89.传播神经网络的学习过程包括正向学习和反向学习。其中，在正向传播过程中，输入信号从输入层经隐含层逐层处理传向输出层，每一层神经元的状态只影响下一层神经元的状态。但是，如果在输出层不能得到期望的输出值，则把网络输出的错误归结为连接权值的错误。通过把输出层单元的误差逐层向输入层反向传播以分摊给各单元，从而获得各层单元的参考误差，以便调整相应的连接权值，即反向传播神经网络。通过误差反传播的学习方式，使用代价函数最小化的过程完成输入层到输出层的映射。而其中的代价函数可以是所有输入模式中的输出单元的期望输出与实际输出之差的平方和。
90.本技术中，通过使用小波分解算法对不同的仿真状态对应的特征向量矩阵进行处理，可获得准确的输出信号，再将该输出信号经过反向传播神经网络检测模型的处理，从而使获得的不同的仿真状态下的故障检测模型更准确。
91.图4示出本技术另一实施例提供的故障检测方法的流程示意图。该故障检测方法可应用于故障检测装置。如图4所示，本技术实施例中的故障检测方法可以包括以下步骤。
92.步骤s401，对待测电路进行电压信号的采集，获得待测信号集合。
93.需要说明的是，在执行步骤s401的同时，还同时执行步骤s402。
94.其中，对待测电路的输出电压进行采集，并将获得的电压信号分成多组待测信号，该待测信号的长度与通过仿真电路获得的仿真信号的长度相同。
95.在对待测电路进行信号采集的过程中，需要与仿真电路的频率相同，以保证仿真电路对应的采集信号和待测电路对应的电压信号的一致性，从而使检测结果更准确。
96.步骤s402，对待测电路进行仿真，获得待测电路对应的仿真电路和仿真电路的仿真状态。
97.其中，通过仿真软件对待测电路进行仿真，可以采用如下方式：在可能出现故障的元器件的输入端和输出端各串联一个开关，然后，通过改变各个开关的开关时间和开关频率的方式，模拟待测电路在正常状态、间歇故障状态和永久故障状态时的电路。
98.例如，通过配置各个开关的参数(例如，开关的打开时间、开关的闭环时间以及开关频率等参数)，模拟间歇故障状态下的待测电路，获得间歇故障状态对应的仿真电路；通过设置开关的通断，模拟正常状态下的待测电路和永久故障状态下的待测电路，获得正常状态对应的仿真电路和永久故障状态对应的仿真电路。
99.步骤s403，以预设频率对仿真电路进行信号采集，获得仿真状态对应的仿真信号集合。
100.设定预设输入信号，并将该预设输入信号输入至不同的仿真状态对应的仿真电路中，通过预设的测试点，采集不同的仿真状态对应的仿真信号集合。
101.例如，仿真信号集合可采用公式(1)表示为：
[0102][0103]
其中，i表示仿真状态的序号(例如，i等于1时，表示正常状态；i等于2时，表示间歇故障状态；i等于3时，表示永久故障状态)。b表示不同仿真状态下采集到的信号的组数，b为大于或等于1的整数。n表示每一组仿真信号的样本点数。表示第i状态下采集到的第b组的第n个仿真信号，y
ib
表示第i状态下采集到的第b组的仿真信号的集合。
[0104]
步骤s404，对仿真信号集合中的仿真信号添加高斯白噪声，并对添加高斯白噪声后的信号进行经验模态分解，获得各个仿真信号对应的imf分量。
[0105]
其中，可以对仿真信号集合中的仿真信号添加第一白噪声(该第一白噪声可以是高斯白噪声)，获得第一待处理信号；然后，再对该仿真信号集合中的仿真信号添加第二白噪声(该第二白噪声是与第一白噪声的幅值相同但是方向相反的白噪声信号)，获得第二待处理信号。
[0106]
例如，设定仿真信号为x(t)，该仿真信号x(t)可以是通过公式(1)中的n个仿真信号确定的线性信号，以表征仿真信号的变化趋势。将一对幅值相等但方向相反的白噪声ni(t)添加到仿真信号x(t)中，可以得到两组信号：即第一待处理信号pi(t)和第二待处理信号ni(t)，具体计算公式如公式(2)所示：
[0107][0108]
其中，i表示仿真信号x(t)的序号，i是大于或等于1的整数。
[0109]
然后，再对第一待处理信号pi(t)和第二待处理信号ni(t)进行经验模态分解(empirical mode decomposition，emd)。例如，采用公式(3)分别对第一待处理信号pi(t)和第二待处理信号ni(t)进行emd处理，分别获得j个imf分量，即j个imf
′
ik
(t)和j个imf
″
ik
(t)。
[0110][0111]
其中，k是大于或等于1且小于或等于j的整数，j是大于或等于1的整数。并使用公式(4)对第一待处理信号pi(t)和第二待处理信号ni(t)的和值进行2n次分解，获得k阶imf分量，即imfk。
[0112][0113]
其中，2n表示分解次数，i是大于或等于1且小于或等于j的整数。
[0114]
在一些具体实现中，分别对正常状态、间歇故障状态和永久故障状态时的仿真电路进行信号采集，每种状态都采集m组仿真信号集合，并对每组仿真信号集合中的仿真信号进行如上操作，从而使每种状态下的每组仿真信号集合中的仿真信号都可以被分解为j个imf分量。
[0115]
进而获得3种状态下的imf特征矩阵ai如公式(5)所示。
[0116][0117]
其中，m表示采集组数，m是大于或等于1的整数；j表示imf分量的数量；i表示仿真电路的状态编号，例如，i等于1时表示正常状态，则a1表示正常状态信号分解矩阵；i等于2时，表示间歇故障状态，则a2表示间歇故障状态信号分解矩阵；i等于3时，表示永久故障状态，则a3表示永久故障状态信号分解矩阵。
[0118]
步骤s405，对各个仿真信号对应的imf分量进行能量熵的运算，获得特征向量矩阵。
[0119]
其中，能量熵能够反映仿真电路中的各种不确定因素的混乱程度。例如，当仿真电路的运行状态发生改变时，仿真电路的能量熵就会发生改变。经过步骤s404处理后，所获得的各个imf分量包括仿真信号对应的频段信息，在确定某个仿真信号对应的频段信息发生变更的情况下，可通过imf分量直接反映出不同故障对应的变化情况。因此，对各个仿真信号对应的imf分量进行能量熵的运算，获得特征向量矩阵，能够通过特征向量矩阵很好的反映不同电路故障的发生情况。
[0120]
例如，可采用如下公式计算获得特征向量矩阵。
[0121]
1)设定仿真信号为x(t)，对各个仿真信号对应的imf分量为ck(t)，则采用公式(6)可计算获得第k个imf分量对应的能量ek：
[0122][0123]
其中，k为大于或等于1的整数。
[0124]
则j个imf分量的能量和值e，如公式(7)所示：
[0125]
e＝e1 e2
…
ejꢀꢀꢀꢀ
(7)
[0126]
其中，j表示每组仿真信号的各个imf分量的数量。
[0127]
2)选取第m组仿真信号的各个imf分量的能量e
mj
与该第m组仿真信号的总能量em的比值，作为特征向量tm，如公式(8)所示：
[0128][0129]
其中，j表示第m组仿真信号的imf分量的数量；em表示为第m组的j个imf的能量之和；e
mj
表示第m组仿真信号的第j个imf分量的能量。
[0130]
3)根据m组仿真信号对应的m个特征向量tm，确定m行、j列的特征向量矩阵c，如公式(9)所示。
[0131][0132]
通过上述方法，获得特征向量矩阵c，能够清晰的看到各组仿真信号对应的j个imf分量的能量，从而快速确定具体哪个imf分量的能量发生变化，进而通过特征向量矩阵快速的反映不同电路故障的发生情况。
[0133]
步骤s406，采用最大期望算法，分别对正常状态、间歇故障状态和永久故障状态下
的离散隐马尔可夫模型的参数进行估计，直至离散隐马尔可夫模型满足预设的收敛条件，获得三种状态下的三个检测模型。
[0134]
需要说明的是，在执行步骤s406的同时，还同时执行步骤s407。
[0135]
步骤s407，对待测信号集合中的待测信号添加高斯白噪声，并对添加高斯白噪声后的待测信号进行经验模态分解，获得待测信号集合对应待测向量。
[0136]
需要说明的是，对待测信号集合中的待测信号的处理过程，如步骤s404中对仿真信号集合中的仿真信号的处理相同，在此不再赘述。
[0137]
其中，待测信号集合对应待测向量可以表示为待测试的imf分量。
[0138]
步骤s408，将待测向量分别输入至正常状态检测模型、间歇故障状态检测模型和永久故障状态检测模型中，依据前向-后向算法，分别获得待测电路处于正常状态的概率、待测电路处于间歇故障状态的概率和待测电路处于永久故障状态的概率。
[0139]
其中，正常状态检测模型、间歇故障状态检测模型和永久故障状态检测模型均是通过如下方式训练获得的模型：
[0140]
采用预设检测算法(例如，最大期望算法(expectation-maximization algorithm，em)等)分别对正常状态下的预设检测模型(例如，离散隐马尔可夫模型(discrete hidden markov model，dhmm)或反向传播神经网络(back propagationneural network，bpnn)检测模型等)的参数进行估计，直至预设检测模型满足预设的收敛条件，获得正常状态检测模型；采用预设检测算法分别对间歇故障状态下的预设检测模型的参数进行估计，直至预设检测模型满足预设的收敛条件，获得间歇故障状态检测模型；采用预设检测算法分别对永久故障状态下的预设检测模型的参数进行估计，直至预设检测模型满足预设的收敛条件，获得永久故障状态检测模型。
[0141]
其中，dhmm可采用如下公式(10)表示：
[0142]
λ＝(a，b，π，n，m)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0143]
其中，λ表示dhmm；n表示状态数量(例如，本实施例中包括正常状态、间歇故障状态和永久故障状态，则n等于3)；m表示各个状态对应的观测值数目；π表示每个状态的初始概率；b表示观测概率转移矩阵；a表示不同状态之间的转移概率矩阵。以上参数的具体计算方式如下：
[0144]
例如，设置m个观测值为：v1，v2，
…
，vm，则待测电路在t时刻对应的观测值可表示为：o
t
∈(v1，v2，
…
，vm)。不同状态之间的转移概率矩阵a可采用公式(11)表示：
[0145]
a＝(a
ij
)
n*n
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0146]
其中，a
ij
表示待测电路由t时刻的状态qi转换至t 1时刻的状态qj的条件概率，a
ij
可采用公式(12)计算获得。
[0147]aij
＝p(q
t 1
＝qj|q
t
＝qi)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)
[0148]
其中，q
t
表示t时刻的状态，q
t 1
表示t 1时刻的状态，i和j均是大于或等于1，且小于或等于n的整数，n为大于或等于1的整数。
[0149]
设置第i个状态的初始概率为πi，πi可采用公式(13)表示：
[0150]
πi＝p(q1＝qi)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)
[0151]
待测电路在初始时总是处于正常状态，并且，在确定n等于3的情况下，可设置初始状态概率矩阵为
[0152]
观测概率转移矩阵b可通过公式(14)表示：
[0153]
b＝(b
jk
)
n*m
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(14)
[0154]
其中，b
jk
＝p(o
t
＝vk|q
t
＝qj)，即b
jk
表示待测电路在t时刻的状态qj的情况下，生成的观测值vk寸应的概率。其中，b
jk
需要满足并且，k是大于或等于1，且，小于或等于m的整数。
[0155]
在一些具体实现中，a
ij
还可以表示为ξ
t
(i，j)，可采用公式(15)计算获得：
[0156]
ξ
t
(i，j)＝p(o，o
t
＝qi，q
t 1
＝qj|λ)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(15)
[0157]
其中，o
t
表示t时刻的待测电路对应的状态，q
t
∈(q1，q2，
…
，qn)，其中，q1，q2，
…
，qn分别表示第一状态、第二状态、
……
、第n状态。
[0158]
然后，基于前向-后向算法，将前向算法中的前向变量α
t
(i)，以及后向算法中的后向变量β
t
(j)代入公式(15)可获得更新后的ξ
t
(i，j)，更新后的ξ
t
(i，j)如公式(16)所示：
[0159][0160]
其中，前向变量α
t
(i)＝p(o1，o2，
…
，0
t
，qi＝si|λ)，si表示隐藏状态，后向变量β
t
(j)＝p(o
t 1
，0
t 2
，
…
，o
t
|q
t
＝si，λ)。
[0161]
进一步地，t时刻待测电路处于qi状态的概率ξ
t
(i)如公式(17)所示：
[0162][0163]
需要说明的是，后向变量(也称为局部概率)β
t
(j)表示的是已知dhmm及t时刻待测电路处于隐藏状态si，从t 1时刻到终止时刻t的局部观察序列的概率。
[0164]
然后，对dhmm模型的各个参数进行估计，可获得如下参数：初始概率值(如公式(18)所示)、状态转移矩阵(如公式(19)所示)和观测矩阵(如公式(20)所示)
[0165][0166][0167][0168]
其中，表示第i个状态转移到其他状态的期望值数量，表示从第i个状态转移到第j个状态的期望值数量。
[0169]
进一步地，通过初始概率值状态转移矩阵和观测矩阵确定不同状态下的模型λ，例如，可获得正常状态检测模型、间歇故障状态检测模型和永久故障状态检测模型。
[0170]
通过将特征向量矩阵c作为观测序列，采用em算法对dhmm的各个参数进行估计，直到不同状态下的dhmm模型满足预设的收敛条件，从而获得正常状态检测模型、间歇故障状态检测模型和永久故障状态检测模型，以方便后续对各个状态对应的概率进行计算。
[0171]
步骤s409，对待测电路处于正常状态的概率、待测电路处于间歇故障状态的概率和待测电路处于永久故障状态的概率进行排序，确定概率最大的状态作为待测电路的故障类型。
[0172]
在本实施例中，通过对待测电路进行仿真，获得待测电路对应的仿真电路和仿真电路的仿真状态，减少对待测电路的检修，避免对待测电路的损害；对仿真电路进行信号采
集，获得仿真状态对应的仿真信号集合，以丰富信号样本，提升对待测电路的检测准确性；采用与仿真电路的频率相同的采集频率，对待测电路进行电压信号的采集，能够保证仿真电路对应的采集信号和待测电路对应的电压信号的一致性，从而使检测结果更准确；对仿真信号集合中的仿真信号添加高斯白噪声，并对添加高斯白噪声后的信号进行经验模态分解，获得各个仿真信号对应的imf分量，对各个仿真信号对应的imf分量进行能量熵的运算，获得特征向量矩阵，因特征向量矩阵中的imf分量包括仿真信号对应的频段信息，可通过特征向量矩阵很好的反映不同电路故障的发生情况；再将特征向量矩阵作为观测序列，采用em算法对dhmm的各个参数进行估计，直到不同状态下的dhmm模型满足预设的收敛条件，从而获得正常状态检测模型、间歇故障状态检测模型和永久故障状态检测模型；再依据前向-后向算法，分别获得待测电路处于正常状态的概率、待测电路处于间歇故障状态的概率和待测电路处于永久故障状态的概率，以使能够将概率最大的状态作为待测电路的故障类型，保证对待测电路的故障类型的检测准确性，减少不必要的维修费用。
[0173]
依据仿真状态对应的仿真信号集合和预设检测算法，对待测电路的待测信号进行检测，确定待测电路的故障类型，提高对待测电路的故障检测的准确性，减少不必要的维修费用。
[0174]
下面结合附图，详细介绍根据本发明实施例的故障检测装置。图5示出本技术实施例提供的故障检测装置的组成结构图。如图5所示，故障检测装置可以包括如下模块。
[0175]
获取模块501，被配置为对待测电路进行仿真，获得待测电路对应的仿真电路和仿真电路的仿真状态；信号采集模块502，被配置为对仿真电路进行信号采集，获得仿真状态对应的仿真信号集合；故障检测模块503，被配置为依据仿真状态对应的仿真信号集合和预设检测算法，对待测电路的待测信号进行检测，确定待测电路的故障类型。
[0176]
根据本技术实施例的故障检测装置，通过获取模块对待测电路进行仿真，获得待测电路对应的仿真电路和仿真电路的仿真状态，减少对待测电路的检修，避免对待测电路的损害；使用信号采集模块对仿真电路进行信号采集，获得仿真状态对应的仿真信号集合，以丰富信号样本，提升对待测电路的检测准确性；使用故障检测模块依据仿真状态对应的仿真信号集合和预设检测算法，对待测电路的待测信号进行检测，确定待测电路的故障类型，提高对待测电路的故障检测的准确性，减少不必要的维修费用。
[0177]
需要明确的是，本发明并不局限于上文实施例中所描述并在图中示出的特定配置和处理。为了描述的方便和简洁，这里省略了对已知方法的详细描述，并且上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0178]
图6示出能够实现根据本发明实施例的故障检测方法和装置的计算设备的示例性硬件架构的结构图。
[0179]
如图6所示，计算设备600包括输入设备601、输入接口602、中央处理器603、存储器604、输出接口605、以及输出设备606。其中，输入接口602、中央处理器603、存储器604、以及输出接口605通过总线607相互连接，输入设备601和输出设备606分别通过输入接口602和输出接口605与总线607连接，进而与计算设备600的其他组件连接。
[0180]
具体地，输入设备601接收来自外部的输入信息，并通过输入接口602将输入信息传送到中央处理器603；中央处理器603基于存储器604中存储的计算机可执行指令对输入信息进行处理以生成输出信息，将输出信息临时或者永久地存储在存储器604中，然后通过
输出接口605将输出信息传送到输出设备606；输出设备606将输出信息输出到计算设备600的外部供用户使用。
[0181]
在一个实施例中，图6所示的计算设备可以被实现为一种电子设备，该电子设备可以包括：存储器，被配置为存储程序；处理器，被配置为运行存储器中存储的程序，以执行上述实施例描述的故障检测方法。
[0182]
在一个实施例中，图6所示的计算设备可以被实现为一种故障检测系统，该故障检测系统可以包括：存储器，被配置为存储程序；处理器，被配置为运行存储器中存储的程序，以执行上述实施例描述的故障检测方法。
[0183]
以上所述，仅为本技术的示例性实施例而已，并非用于限定本技术的保护范围。一般来说，本技术的多种实施例可以在硬件或专用电路、软件、逻辑或其任何组合中实现。例如，一些方面可以被实现在硬件中，而其它方面可以被实现在可以被控制器、微处理器或其它计算装置执行的固件或软件中，尽管本技术不限于此。
[0184]
本技术的实施例可以通过移动装置的数据处理器执行计算机程序指令来实现，例如在处理器实体中，或者通过硬件，或者通过软件和硬件的组合。计算机程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码。
[0185]
本技术附图中的任何逻辑流程的框图可以表示程序步骤，或者可以表示相互连接的逻辑电路、模块和功能，或者可以表示程序步骤与逻辑电路、模块和功能的组合。计算机程序可以存储在存储器上。存储器可以具有任何适合于本地技术环境的类型并且可以使用任何适合的数据存储技术实现，例如但不限于只读存储器(rom)、随机访问存储器(ram)、光存储器装置和系统(数码多功能光碟dvd或cd光盘)等。计算机可读介质可以包括非瞬时性存储介质。数据处理器可以是任何适合于本地技术环境的类型，例如但不限于通用计算机、专用计算机、微处理器、数字信号处理器(dsp)、专用集成电路(asic)、可编程逻辑器件(fgpa)以及基于多核处理器架构的处理器。
[0186]
通过示范性和非限制性的示例，上文已提供了对本技术的示范实施例的详细描述。但结合附图和权利要求来考虑，对以上实施例的多种修改和调整对本领域技术人员来说是显而易见的，但不偏离本发明的范围。因此，本发明的恰当范围将根据权利要求确定。