1.4.1 国外电路故障诊断的研究状况

如前所述，数字电路诊断发展很快且相对成熟，而模拟电路的故障诊断复杂又不完善，在一定程度上影响了集成电路和电子产品的水平，因此它成为近几年故障诊断的研究热点。所以，下面主要介绍模拟电路故障诊断的发展现状。

严格地说，所有的元件都是非线性的，模拟电路较为准确的数学模型也都是非线性的。只是非线性有强弱之分，当非线性弱到用线性近似不影响本质时则可用线性来近似。可以说，线性是非线性的特例，是非线性的近似和简化。因此，在介绍电路故障诊断现状后，会重点介绍非线性模拟电路故障诊断的研究情况。

模拟电路故障诊断的发展进程可以从不同角度总结，下面仅从时间进程和研究思路两个角度来介绍。从时间进程来看，其研究始于1962年，R.S. Berkowitz发表文献研究了无源线性集总参数电路，给出了可解性的必要条件，这一时期还提出了如故障字典法和参数辨识法等多种方法。1979年IEEE Transactions on Circuits and Systems出版了模拟电路故障诊断特刊，掀起了第一波故障诊断研究的高潮，较重要的成果是学者们给出了网络可解性的充分条件。20世纪80年代初，多故障诊断研究成为主流，出现了故障验证诊断方法，其典型代表是K故障诊断法和失效元件定界法。此间，大规模电路的诊断问题也受到重视，节点撕裂法为大规模电路诊断提供了成功的解决方案。20世纪90年代至今，又一波研究高潮到来，灵敏度分析、频域分析、小波变换和神经网络等人工智能理论的应用，为故障诊断增添了新的活力。因此，也有人把模拟电路故障诊断方法分为经典方法和智能方法两大类。

从故障诊断的研究思路和方法来看，由于最初沿袭了网络分析的思想，所以模拟电路故障诊断的研究从可解性开始，试图通过计算求得电路的所有参数，进而确定故障元件。但是，这种方法不重视研究故障的特征，需要较多的可及节点，而且计算量大，因此实用性不强。后来，面对实用化、多故障及大规模电路的困扰，研究人员越来越重视去分析故障特征，研究思路从注重整个网络的可解性转变为注重局部和故障元件。一方面，对于多故障将诊断分解为两步完成：先定位故障，再故障元件求值。这样弱化了可解性的限制，也减少了诊断所需要的可及节点数，而且实用性有所提高。另一方面，对于大规模电路采取化大为小的办法，在可及节点处将电路撕裂，再判定诊断子电路，此方法实用性有所增强。但需要指出的是，直至20世纪80年代末，故障诊断的对象主要是不考虑容差的线性网络，而实际电路中普遍存在容差，这严重地影响了诊断方法的实用性。Zou R.和Jiang B.L.等对容差进行了研究，分别论述了存在容差定位界和不存在定位界的诊断方法。

模拟电路测试理论和方法一直是国际电路测试研究领域的热点。在众多故障诊断方法中，目前国际上较为盛行的是人工智能故障诊断方法。由于人工智能故障诊断方法通常也适用于非线性电路，故放在非线性模拟电路部分介绍。

非线性模拟电路的故障诊断研究比线性模拟电路起步晚约20年，20世纪80年代才开始系统地进行研究。很多线性模拟电路的诊断方法在非线性模拟电路上并不适用，如元件模拟法。故障字典法可用于非线性电路，但存在字典容量、容差及易受噪声影响等不足，只适用于单故障和硬故障的诊断。虽然过去的研究在故障诊断理论和方法上取得了很多成果，但还没进入实用化阶段，容差和非线性等因素使得非线性模拟电路诊断特别困难、极具挑战性。因此，国际上非线性模拟电路的故障诊断研究进行得如火如荼。

与线性模拟电路研究相似，非线性模拟电路的故障诊断研究之初也从分析计算入手，首先对可诊断性开展研究。有的文献研究中对非线性元件有所限制，要求必须能由小信号模型描述。还有的文献对非线性直流和动态电路进行了研究，在时域内讨论了非线性电路的可诊断性，并给出了局部可诊断的充分条件。该成果具有重要意义，只是解非线性方程比较麻烦。针对非线性电路的单故障的诊断，M. Worsman等提出了大偏差灵敏度分析的诊断方法。Van Den Eijnde E.提出了非线性模拟电路的节点故障诊断法，但该方法要求有较多的可及节点，不适合可及节点较少的非线性模拟电路。对参数容差的情况，He Y.等采用L1-范数最优化技术进行研究。针对大规模模拟电路的故障诊断，Sheldon等提出了精确符号分析方法，用符号表示取代表达式，采用新的层级DDD图分析电路。

人工智能理论的不断应用给模拟电路的故障诊断开辟了新途径，非线性泛函理论的应用使非线性模拟电路的故障诊断效率不断提高，也加速了其实用化进程。智能故障诊断方法将绝大多数的故障诊断问题转化为模式识别问题，因此在进行诊断研究时，通常要重点考虑三个问题——以什么特征诊断？怎样获取和处理特征?如何根据特征进行诊断?在已取得的成果中学者们各有侧重。

在特征选择方面，可以选择时域或频域、直流或交流、瞬态和稳态等多种特征。M. Negreiros于2003年提出了频谱分析的测试方法。该方法的电路频响特性曲线的获得，需要适当的激励信号。Van Den Eijnde E.提出非线性系统的稳态输出的沃尔泰拉（Volterra）级数描述法，估计了强非线性电路的参数，但仅进行了系统辨识，未对非线性电路的故障诊断进行进一步研究。S. Halgas和M. Tadeusiewicz利用矢量概念和频域灵敏度分析进行了诊断研究，解决了部分小信号非线性电路的软故障和交流电路的多故障诊断问题。

在特征获取和处理方面，S. Contu利用小波分析进行特征获取，有效获取了用于故障诊断的特征，但诊断效果改善不明显。M. Aminian和F. Aminian同样提出了用小波变换进行预处理，但增加了贝叶斯（Bayes）神经网络作为诊断手段，诊断效率较前者明显改善，但网络结构仍需改进。M. Aminian和F. Aminian采用了小波预处理电路的时域响应信号，来提取故障特征，并采用神经网络进行了电路故障诊断。对于较大规模的电路，他们还提出了逐级分块的诊断方法，根据脉冲响应特性来分辨电路，采用小波分析和神经网络进行故障诊断。其缺点是对测量的准确度要求较高，同时还要有较多的可及节点。M.A. EI-Gamal以神经网络映射进行诊断，提出了基于知识表达的故障检测和定位方法，但是知识表达式难以获取。A. Halder于2004年提出了同时优化测试激励信号和测试节点的方法，该方法对可及节点有一定的要求。Y. Maidon提出了利用神经网络和拉格朗日插值法进行故障诊断，有效地获取了电路的故障特征。A. Fanni讨论了傅里叶变换、小波变换和主元分析三种故障特征获取技术。Y. He等提出了对采样信号利用小波神经网络实现消噪和特征提取的方法，但故障诊断效率有待提高。D. Grzechca提出了对阶跃响应的测试数据进行模糊预处理，但存在模糊成员函数难以确定的问题。在软故障诊断方面，有的学者采用遗传算法选择支持向量机（SVM）参数，对负反馈放大电路的实验表明分类精度有所提高。还有学者采用小波变换对采样信号消噪处理并提取特征，采用自组织神经网络诊断故障。

在诊断方面，对于容差电路，K. Mohammadi利用径向基函数（RBF）和误差反传（BP）神经网络实现了电路故障诊断。M. Catelani采用RBF网络进行了软故障诊断，成功确定了故障元件和子系统。M.A. EI-Gamal研究了多、硬故障的聚类算法和组合向量学习机神经网络的诊断方法。A. Torralba采用模糊神经元作为神经网络隐层激励函数进行了诊断，但神经网络学习过程较难。有的学者采用模糊神经网络进行了故障诊断，用聚类算法处理了测试数据。这些方法的不足之处是需要测试大量的数据，且对多、软故障的诊断效果有待验证。

综上所述，非线性故障诊断研究虽然取得了不少成果，但是大多数诊断方法只能针对单、硬故障，对多、软故障的诊断方法研究明显不足，或多或少存在要求可及节点多、测量准确度高、计算复杂、计算量大、诊断准确性和效率低等问题。因此，针对非线性模拟电路的多、软故障诊断等难点问题，以现代测量技术、信号处理、系统辨识及非线性泛函等理论为基础，深入开展非线性模拟电路的故障诊断理论和关键技术研究具有重要意义。