模拟故障计算范文

模拟故障计算范文（精选8篇）

模拟故障计算 第1篇

1. 综合智能计算方法

本文选用如图1所示一个典型电阻电路来进行分析, 首先选取节点1、节点2、节点3和节点4为可及节点, 以作为网络的输入量。本文主要研究电路硬故障的诊断, 选取了其中6种状态进行故障诊断。即正常 (NM) 、R2SC、R3SC、R4OC、R6OC、R8OC (NM表示正常, SC表示短路OC表示开路) 。

对给定的模拟电路, 设电阻器, 且参数分布为均匀分布, 参数采用各自独立变化和按同一个分布规律变化两种变化模式, 变化范围为5%至30%, 输入电压为DC24V。在元件容差范围内, 用Multisim 7.0对电路的每一种可能故障状态进行20次Monte Carlo分析, 得到含最大值与最小值的120组数据作为原始样本。

设为大规模模拟电路故障系统。其中:U是非空有限论域, 任意的诊断对象, 是属性集, C和D分别是故障特征条件属性集和故障诊断决策属性, 是一个信息函数。根据粗集理论方法, 下面我们提出一种通过数据的一致性的简单计算方法[1,2]来解决大规模模拟电路故障系统的冗余故障特征简化问题。

在最小均方误差的意义下主分量分析是最优变换, 它在消除模式特征间的相关性, 突出其差异性方面可达到最优效果。为了减少了神经网络的输入并简化了网络结构, 降低了网络的计算复杂度, 我们利用主分量分析进行特征提取及数据压缩, 完成了从高维输入到低维特征的转化, 形成新的训练和测试样本集。本文选择累计方差贡献率为90%, 求出第一主元值和第二主元值, 对原始样本数据进行主分量分析。由于主分量分析后得出的数据过于渺小, 会增加网络的训练时间, 因此我们还需要对数据进行归一化处理。

2. 实验验证

为了验证基于综合智能计算的模拟电路故障诊断方法的有效性, 我们以图2所示的差动放大电路来验证该方法。

对测得的数据进行预处理, 采用综合智能计算方法, 首先对原始样本数据进行属性约简, 然后对其进行主分量分析, 最后对其进行数据归一化处理。

本例选择单隐层BP神经网络, 网络的输入为2个神经元, 由于待诊断的故障模式较多 (11个) , 故输出采用二进制编码法, 即正常用0000表示, 用0010, 用0110表示。因此, 构成的神经网络结构为2-10-4。对其进行训练与测试, 测试结果如表1所示。

同样用原始数据对神经网络进行训练与测试, 神经网络结构变为4-10-4, 其测试结果如表2所示。

比较表1与表2, 我们发现经过综合智能计算方法预处理的数据训练出来的网络的诊断正确率比未经过处理的数据训练出的网络诊断正确率高。

摘要：由于模拟电路特别是有容差的大规模模拟电路的多样性和复杂性, 使得可用于诊断容差模拟电路的故障的方法还十分有限, 本文提出了一种基于综合智能计算的模拟电路故障诊断方法, 该方法能快速检测故障, 而且准确率高。

关键词：模拟电路,故障检测,智能计算

参考文献

[1]Ogg S, Lesage S, et al.Multiple fault diagnosis in alalogue circuitsusing time domain response features and multilayer perceptrons.IEEEProceedings of Circuits, Devices and Systems, 1998, 145 (4) :213-218.

[2]M.L.Minsky and S.A.Papert.Percetrons[M].Cambridge:MIT press, 1969.

模拟电路故障诊断方法的创新 第2篇

关键词:模拟电路;故障诊断;小波分析法

中图分类号:TN108.7 文献标识码:A文章编号:1007-9599 (2010) 01-0000-01

模拟电路发生了故障,就不能达到设计时所规定的功能和指标,这种电路称为故障电路。故障诊断就是要对电路进行一定的测试,从测试结果分析出故障。模拟电路故障诊断是电路分析理论中的一个前沿领域。它既不同于电路分析,也不属于电路综合的范畴。模拟电路故障诊断所研究的内容是当电路的拓扑结构已知,并在一定的电路激励下知道一部分电路的响应,求电路的参数,他是近代电路理论中新兴的第三个分支。

一、模拟电路故障

电路诞失所既定的功能称为故障,在模拟电路中的故障类型及原因如下:从故障性质来分有早期故障、偶然故障和损耗故障。早期故障是由设计、制造的缺陷等原因造成的、在使用初期发生的故障,早期故障率较高并随时间而迅速下降。偶然故障是由偶然因素造成的、在有效使用期内发生的故障,偶然故障率较低且为常数。损耗故障是由老化、磨损、损耗、疲劳等原因造成的、在使用后期发生的故障,损耗故障率较大且随时间迅速上升。从故障发生的过程来分有软故障、硬故障和间歇故障。软故障又称渐变故障,它是由元件参量随时间和环境条件的影响缓慢变化而超出容差造成的、通过事前测试或监控可以预测的故障。硬故障又称突变故障。它是由于元件的参量突然出现很大偏差(如开路、短路)造成的、通过事前测试或监控不能预测到的故障。从同时故障数及故障间的相互关系来分有单故障、多故障、独立故障和从属故障。单故障指在某一时刻故障仅涉及一个参量或一个元件,常见于运行中的设备。多故障指与几个参量或元件有关的故障,常见于刚出厂的设备。

二、模拟电路故障测试的传统方法

一般来讲,模拟电路故障诊断的方法可以分为估计法,测试前模拟法和测试后模拟法三大类。估计法是一种近似法,这类方法一般只需较少的测量数据,采用一定的估计技术,估计出最可能发生故障的元件。这类方法又可分为确定法和概率法。确定法依据被测电路或系统的解析关系来判断最可能的故障元件,概率法是依据统计学原理决定电路或系统中各元件发生故障的概率,从而判断出最可能的故障元件。

测前模拟法又称故障字典法或故障模拟法,其理论基础是模式识别原理,基本步骤是在电路测试之前,用计算机模拟电路在各种故障条件下的状态,建立故障字典;电路测试以后,根据测量信号和某种判决准则查字典。从而确定故障。选择测试测量点是故障字典法中最重要的部分。为了在满足隔离要求的条件下使测试点尽可能少,必须选择具有高分辨率的测试点。

测后模拟法又称为故障分析法或元件模拟法,是近年来虽活跃的研究领域,其特点是在电路测试后,根据测量信息对电路模拟,从而进行故障诊断。根据同时可诊断的故障是否受限,SAT又分为任意故障诊断(或参数识别技术)及多故障诊断(或故障证实技术)。

三、模拟电路的故障测试的创新方法——小波分析法

1.小波分析法是基于神经网络的模拟测试

基于神经网络的模拟从测试点提取电压信号特征进行故障诊断,而从电源电流测试角度开展的工作还十分有限。模拟电路中的电流是一个重要的参数,也是故障信息的重要组成部分,包含着电路拓扑结构的丰富信息。若电路发生故障,输出电流波形将随之发生相应变化,含有丰富的故障类信息。对任一电路而言,电源节点是通用的,测量也比较方便,特别是目前模拟/混合电路的集成度与复杂度不断提高,可利用的测试管脚有限,给测试和诊断带来极大困难,因此对电源电流测试的研究具有重要意义。

小波变换具有同时在时-频域分析信号、大量压缩数据的属性,对采样数据经小波变换预处理后,能有效提取故障特征,简化了神经网络结构、提高了训练速度。小波变换具有同时在时-频域分析信号、大量压缩数据的属性,已广泛应用于信号检测、故障诊断等研究领域。在模拟集成电路故障诊断中,小波变换用来预处理采样数据,提取故障特征。二进小波变换通过多分辨分析算法来实现,将信号分解为近似(低频)和细节(高频)两部分,分别对近似和细节继续分解,形成信号的多层分解结构。

2.基于小波分析的模拟电路故障诊断

在电路信号的特征提取中,常采用频谱分析的方法。但是基于统计分析的傅立叶分析仅对不随时间变化的平稳信号十分有效,对于模拟电路响应信号中通常含有非平稳或时变信息却不能有效地提取故障特征。另外,模拟电路中含有大量噪声,若直接将高频成分当作噪声成份舍弃会造成有效成分的损失,若单纯对电路的输出进行分析,会导致故障模糊集较多,分辨率不高。而小波分析所具有的时频局部化特性、良好的去噪能力,无需系统模型结构的优势使之成为分析和处理此类信号的有效工具,也是目前在模拟电路故障诊断领域使用最多的一种特征提取方法,对模拟电路中的软、硬故障均适用。

小波分析的基本原理是通过小波母函数在尺度上的伸缩和时域上的频移来分析信号,适当选择母函数可使扩张函数具有良好的局部性,非常适合对非平稳信号进行奇异值分析,以区分信号的突变与噪声。小波分析技术实现时与神经网络有两种结合方式:一是松散型结合,二是紧致型结合。

总之,模拟电路故障诊断的主要任务是在已知网络的拓扑结构、输入激励信号和故障下的响应时,求解故障元件的物理位置和参数。模拟电路故障诊断理论和方法自研究以来,取得了很多成就,也提出了不少故障诊断方法。

参考文献:

[1]芮赟,李明齐,张小东,易辉跃,胡宏林.两次一维维纳滤波信道估计的一种噪声方差优化方法[J]电子学报,2008,08

[2]周世官,张云.基于进化神经网络的模拟电路故障诊断[J]计算机测量与控制,2007,08

模拟故障计算 第3篇

随着科学技术的发展, 农业机械的科技含量日益增加, 逐步出现了以计算机技术为基础的高智能化、集成化、环保的新型农业机械。我国国土辽阔、地形复杂, 农业机械常常工作在恶劣的环境中, 这极易造成农业机械的磨损和故障, 不仅会影响农机系统的安全运行, 甚至会造成人身伤亡和对环境的污染;再加上当代农机设备日趋复杂与精密, 使故障的检测与诊断的难度增大, 维修成本增加。针对现代农机故障检测特点, 本文应用计算机仿真技术, 对现代农业机械进行计算机仿真, 达到了故障预测与诊断的目的, 提高了农机工作效率、降低了维修成本。

1 农业机械计算机仿真模型

计算机仿真是指以计算机为主要工具, 运行真实系统或者预研系统的仿真模型, 通过对计算机输出信息的分析与研究, 实现对实际系统运行状态和演化规律的综合评估与预测。其目的是通过对动态系统仿真模型运行过程的观察和统计, 获得系统仿真输出, 推断被仿真对象的真实参数 (或设计最佳参数) , 以获得对仿真对象实际性能的评估或预测, 进而实现对真实系统设计与结构的改善或优化。

对于动态系统的计算机仿真而言, 共有3个仿真要素:系统、模型和计算机。3者之间的关系, 如图1所示。相应的方针过程可划分为3项基本活动:建模、模型实现、模型实验。

1.1 模型可行性分析

农业机械运行在各种复杂的环境气候中, 掌握农机在各种环境中的运行状态, 对农机故障的预测和诊断有很大的帮助, 借助计算机仿真技术可以在计算机上获得各种模拟环境;另外对于现代农业机械高科技部件的实地测试成本较高, 而借助计算机仿真技术既可精确地检测出故障的原因及位置, 也可达到降低成本的效果。模型结构, 如图2所示。

1.2 模型结构与功能

本模型研究的是农业机械在各种运行环境下的故障的预测与诊断排除:首先将农机系统的标准设定作为模型的初态, 再结合环境及其它模型的参数;由故障特征库与蒙特卡洛随机数仿真生成软件, 在计算机上对农业机械进行模拟运行, 得出仿真结果, 对农机的故障做出预判和位置的确定。需要指出的是, 对农机系统仿真而言, 仿真过程和真实系统的运行过程是可以相互独立进行的, 或者是先于真实系统而事前进行的, 如联合收割机等大型的农业机械在出厂时进行的系统测试等。

2 农机故障检测诊断模型研究

2.1 经典故障检测方法

对于连续变量动态系统 (CVDS) , 有硬件冗余法和解析冗余法两类。其中, 硬件冗余是对系统中的重要部件及易发生故障部件提供备份。待检测系统的故障检测与诊断过程, 实质上就是观察系统输出, 并采用选举规则 (即依多为胜规则) 比较差异的过程;而解析冗余是通过设计控制器的软件提高整个系统的冗余度。在很多情况下, 利用待检测系统的理论模型和运行过程的真实输出信息, 采用适当的信号处理技术, 同样可以进行故障的检测与诊断。

2.2 检测环境模拟

农业机械经常工作在各种各样复杂的环境中, 环境的影响使农机故障具有多重性、潜伏性、间隙性、交叉性、虚假性和误导性, 因此要在计算机中模拟出各种环境来检测农机在不同环境中的故障。

模型结构 (如图2所示) 中的环境模型, 即再现与故障发生有关的环境, 包括温度、振动以及噪声、油污情况等。将这些影响故障的因素作为参数输入到农机系统模型中, 以控制数学仿真模型的输出, 从而得到在不同环境下的农业机械的运行状况。

2.3 基于动态模拟的故障检测与诊断

首先, 将动态模拟值与农机的标准值相比较, 故障是否存在是通过比较模拟值与标准值的残差$\left|\frac{y-y\text{'}}{y\text{'}}\right|<\epsilon$来进行判断的, ε为阈值, y为模拟值, y'为标准值, 所以一旦残差超出阈值, 则认为发生了故障。本文以测量数据的统计偏差作为确定值的下限, 然后再加上30%的富余量作为最终的值。其中, 值的富余量可以根据所要达到的灵敏要求而适当的变化。

在发生故障后, 需要进行故障诊断以查找故障源。由于外在故障特征是由农机外部传感器所输入的信号影响内在的模型参数变化异常引起的。所以, 故障诊断可以通过动态模型的在线校正来进行, 从而得到模型参数的变化过程。然后, 再用Monte Carlo方法根据具体参数的具体变化结合故障特征库, 来获得当前故障的原因及位置, 如图3所示。

3 结论

本文针对现代农业机械故障检测诊断的需要, 加上人们对环境保护的日益重视, 对于设备的安全性、可靠性和有效性的要求也越来越高等需求, 对基于计算机动态模拟技术的农业机械故障检测诊断进行了深入的研究。由于农业机械的多样性、结构复杂性、故障特征各异等特点给计算机的动态仿真造成了很大的困难, 到目前为止还没有十分成熟有效的仿真方法, 真正满足实际应用的需要, 在农业机械仿真领域里还存在着许多亟待解决的问题。

参考文献

[1]胡峰, 孙国基.基于系统仿真的故障检测与辨识技术研究[J].国防科技参考, 1999 (2) :50-55.

[2]田文德, 孙素莉, 刘继泉.基于动态模拟的化工过程故障诊断[J].系统仿真学报, 2007 (12) :2831-2835.

[3]魏继才, 胡晓峰.武器系统效能建模方法研究与应用[J].系统工程与电子技术, 2002 (6) :20-24.

模拟电路故障诊断技术研究 第4篇

关键词：模拟电路,故障诊断,人工神经网络,模糊理论

模拟电路故障诊断自上世纪7 0年代开始,在世界范围内已取得卓有成效的研究成果,逐渐形成了比较系统的理论,成为网络理论的第三大分支。但是对于模拟电路,由于其元件具有容差并存在非线性等原因,使得模拟电路的故障诊断较数字电路的故障诊断复杂得多,其发展比较缓慢,应用也不够广泛。尽管目前电路中数字部分所占的比例越来越大,但由于电路输入输出的模拟特性,使得诸如滤波器、AD/DA转换器、PLL(锁相环)、调制解调器等模拟器件仍是电路不可缺少的部分,因此在一个完整的系统中,数字电路并不能完全取代模拟电路。据统计,电子系统中容易出现故障的部分往往是模拟电路。因此从某种意义上说模拟电路的可靠性决定了电子设备系统的可靠性,所以对模拟电路故障诊断的研究已成为新的研究热点。

1 模拟电路故障诊断的分类

当电路系统丧失了规定的功能和指标时就称为电路故障。下面是从不同角度把电路故障进行了分类。

1.1 在模拟电路中,故障按其性质可分为硬故障和软故障两大类。

硬故障是指严重的、突出的、极端的故障,例如,元件的开路、短路、毁坏、失效故障,一般会导致系统严重失效甚至瘫痪,这类故障一般相对易于检测到。软故障则是指元件参数超出预定的容差范围,一般它们不会导致设备完全失效,例如,由于元件的老化、变质或使用环境的变化等造成了元件参数的变化。严格地说来,硬故障应该可以看成是软故障的一个特例。

1.2 模拟电路按故障模式又可分为单故障和多故障两类。

实际应用中,电子设备发生单故障的概率是故障总数的7 0~8 0%。同时多个故障发生的可能性也是存在的,尽管它发生的概率要远小于单故障发生的概率。

1.3 按模拟电路测试的任务又可分为故障检测、故障辨识和故障预报三类。

故障检测是判断电路是否存在故障,主要用于产品的检验。故障辨识是在已检测到电路存在故障的前提下,确定存在的故障总数,进行故障的定位和辨识。故障预报则是在系统发生故障前即预报出将发生故障的元件,以便提前更换或处理。

1.4 按故障诊断的环境区分,可以将故障诊断方法分为在线诊断和离线诊断。

在线诊断也称为实时诊断,诊断要求快速,定位区域较大。离线诊断要求定位区域较小,故障定位具有唯一性。

2 模拟电路故障诊断的常规方法

2.1 测前模拟诊断

测前模拟诊断由故障字典法和似然法组成,以故障字典法最为典型。它是目前模拟电路故障诊断中最具有实用价值的方法。故障字典法涉及产生元件故障与电压、电流等标志相对应的表格,以便在对故障电路进行测试后,按所测激励和响应从上述表格中查询出相应的故障元件,考虑到测前模拟的现实工作量和字典容量的限度,字典法故障诊断只作硬故障的诊断,对于少量软故障也是转化成硬故障的形式处理。由于模拟电路中元件的故障参数常是一个连续量,测量响应的数据引入误差是个可避免的。最困难的是各元件都有一定的容差,因此利用字典法即使作硬故障的诊断,其效果也不如数字系统中的字典法诊断。一般地说,字典法只能解决单故障诊断,因为多故障的组合数太大,在实际使用中几乎不可能实现对多故障的诊断。

2.2 测后模拟诊断

测后模拟诊断的典型方法主要有元件参数辨识法和故障验证法。

元件参数辨识法要求提供较多的诊断用信息,是系统参数估计。它是在取得足够的独立数据后,根据网络的结构去估计或求解网络中每个元件的参数。只有在解得网络所有元件的参数之后,才能断定网络中有多少个元件故障,哪些元件存在故障。由于一般网络所包含的元件(模块)数较大,标志这些元件特性的参数量即方程中的未知量是很多的。欲求出这些未知量所需的方程数目也是很大的,而且这些方程多数是非线性方程,所以求解这些方程是一件艰巨的工作。通常需要用大型计算机完成。此外由于这些工作都是在测试后进行的,所以作实时诊断是很困难的。虽然现在已有一些成熟的方法将其中的非线性方程转换成线性方程,但由于同时增加了许多中间变量。方程个数也有相应的增加,所以总的计算工作量仍是相当可观的。

故障验证法是在电路中仅存在有限个故障假设的前提下作诊断,因此可以在仅获得少量供诊断用的信息条件下作诊断(例如测试端口较少,测试次数也较少等)。其基本思想是:预先猜测电路中的故障所在,然后根据所测数据去验证这种猜测是否正确(吻合)。如果二者吻合,则认为猜测正确,故障定位工作结束。由于故障验证法诊断所依据的故障信息较少,因此其中一个比较突出的问题是故障的可诊断性问题,即网络的可测性问题。故障验证法是在获取“不完整”的有限故障信息的基础上作诊断,实施比较方便,且具有较好的实用前景,因此引起许多学者的兴趣。所收得的研究成果也比较多。

3 模拟电路故障诊断的新发展

3.1 人工神经网络

人工神经网络(Artificial Neural Network,ANN)是用物理上可以实现的器件、系统或现有的计算机来模拟人脑的结构和功能的人工系统。它以其诸多优点,如I/O非线性映射特性、信息的分布存储、并行处理、高度的自组织和自学习能力等,在智能故障诊断中受到越来越广泛的重视,显示出巨大的潜力。目前神经网络模型已有数十种,常用于故障诊断的神经网络模型主要有:误差后向传播(BP)网络、H o p f i e l d网络、自组织特征映射(SOFM)网络等。由此促成了以人工神经网络技术为核心的新近模拟电路故障诊断方法,这些方法解决了经典方法面临的问题:采用BP网络可有效解决非线性问题;采用Hopfield网络可用来诊断正常元器件容差条件下的多故障问题;采用SOFM网络解决模拟电路故障诊断容差问题的方法,可以对单、多、软、硬故障进行有效识别、迅速定位。

3.2 小波变换

小波变换的基本原理:通过小波母函数在尺度上的伸缩和时域上的平移来分析信号,适当选择母函数,可以使扩张函数具有较好的局部性,因此,它是一种时—频分析方法。在时—频域具有良好的局部化性质并具有多分辨分析的特性,非常适合非平稳信号的奇异性分析,如利用连续小波变换可以检测信号的奇异性,区分信号突变和噪声;利用离散小波变换可以检测随机信号频率结构的突变。小波变换故障诊断机理包括的两个方面:利用观测器信号的奇异性进行故障诊断以及利用观测器信号频率结构的变化进行故障诊断。在模拟电路故障诊断中,小波变换被有效地用来提取故障特征信息(小波预处理器),之后,再将这些故障特征信息送入故障分类处理器进行故障诊断。小波变换不需要系统的数学模型,故障检测灵敏准确,运算量也不大,对噪声的抑制能力强,对输入信号要求低,但在大尺度下由于滤波器的时域宽度较大,检测时会产生时间延迟,且不同小波基的选取对诊断结果也有影响。

3.3 模糊理论

模糊理论侧重于在概念、推理上模拟人脑的模糊性与形象思维能力。对于模拟电路的故障诊断,由于元器件的容差、非线性及电路噪声的影响,故障与征兆之间的关系用传统的电路理论难以求得精确解,出现模糊现象。这些故障状态模糊性的出现,就不能用“是否有故障”的简易结果来表达,而要求给出故障产生的可能性及故障位置和程度如何。模糊故障诊断法就是依据专家经验在故障征兆空间与故障原因空间之间建立模糊关系矩阵,再将各条模糊推理规则产生的模糊关系矩阵进行组合,根据一定的判定阀值来识别故障元件。随着模糊理论的不断发展,模糊理论的优点逐步被重视:模糊理论可适应不确定性问题;模糊理论能够得到问题的多个可能的解决方案,并根据这些方案的模糊度的高低进行优先程度排序。

3.4 其他方法

分形理论在模式识别中也有初步的应用,在故障诊断领域中的应用研究只是刚刚开始。设备故障诊断中用来反映设备运行状态的特征信号在一定尺度范围内部具有分形的特性,可通过计算分维数来进行诊断。可用于电力设备局部放电模式识别中,可大大减少特征提取数量,与小波变换、神经网络结合,可提高模式识别的有效性和可靠性。

遗传算法是一种新发展起来的全局优化算法,已成为人们用来解决高度复杂问题的一个新思路和新方法。它应用于专家系统的故障诊断系统,仿真结果表明,可以加快推理速度,提高专家系统在缺乏先验知识和样本数据很少的情况下的实用性。

4 结束语

目前模拟电路故障诊断技术的研究方向主要有:

(1)不断丰富智能化故障诊断技术的内容,即如何将模糊理论、遗传算法、Agent理论和分形理论等成功地运用到故障诊断中。

(2)综合式故障诊断方法的研究,如将专家系统、模糊数学和神经网络等方法综合到一起的故障诊断方法,以充分发挥各种方法的优势。

(3)基于网络的故障诊断技术研究。基于网络的故障诊断系统可以降低系统的开发运行成本,提高故障诊断系统资源的共享能力,因此这方面的研究将成为故障诊断系统研究的重要内容。

参考文献

[1]奚文俊,冯玉光,李建华.数字电路板故障诊断方法[J].海军航空工程学院学报.2004,19(3):328-330

[2]杜鑫,唐大全,杨应成.模拟电路故障诊断技术的发展[J].测控技术.2003,22(7):1-3

[3]周绍磊,张文广,杨增胜,等.模拟电路故障诊断技术研究[J].海军航空工程学院学报.2006,21(1):127-130

[4]陈晓娟,于华楠.模拟电路故障诊断方法进展综述[J].科技进步与决策.2003,(14):44-47

模拟信号故障分析与处理 第5篇

0 引言

在电力远动系统中, 通信通道是连接主站与RTU的一个非常重要的环节。RTU所采集的所有数据都要通过上行通道上传至主站, 供给主站分析和使用, 而主站对厂站设备的操作命令也是通过下行通道下达到RTU。所以说, 通道是连接主站与RTU的神经, 远动系统能否可靠稳定地运行, 在很大程度上取决于通道是否可以很好地工作, 如图1所示。

模拟远动信号分为上行和下行2种, 下行信号由主站端远动装置发出, 经过PCM的“四线收”端口, 由发端设备发出到光纤中传输;变电站由光端机接收, 经过PCM的“四线发”端口, 送到变电站远动装置RTU。上行信号由变电站远动装置RTU发出, 同样经过PCM的“四线收”端口, 由光端设备发送到光纤通道中传输;主站端由光端设备接收, 经过PCM的“四线发”端口, 送到主站端远动装置[1]。

1 模拟信号故障分析

在实际工作中, 常用的四线模拟通道判断方法有听筒法、万用表测试法和通道环回法。

1.1 听筒法

用听筒在远动输入端子和输出端子听, 一般上行信号是双音, 两个频率, 下行信号可以是单音, 也可以双音。听到这样的声音, 证明通道是通的。所以, 可以从声音的高低、清晰度能大概判断远动通道的通与断, 判断不通的原因在哪里, 但是这种方法不能判断通道质量的好坏。

1.2 万用表测试法

一般情况, 远动输入电平在775m V~7.75m V范围, 输出范围在775m V~77.5m V范围, 可用万用表的毫伏档测量, 通过电平的高低来判断通道的通断。但该方法只能用在初步判断通道的通与断[2]。

1.3 通道环回法

通道测试最快速有效的方法是环回法, 即通过通信设备的收发信进行环回, 利用误码测试仪来判断故障点的位置。环回法可分为软件环回和硬件环回, 软件环回是通过网管对相应通道进行环回的操作, 硬件环回是在数字配线或音频配线侧对配线端子进行通道环回的操作。因软件环回不能排除线缆故障, 通道测试时一般建议采用硬件环回[3]。远动不通或误码率高, 可用分段自环法来判断压缩产生故障的范围。方法是一端发出同步字、校时命令或报文, 在收端用观察数据, 收到的数据应与发出的一致, 如果收不到或误码, 则故障就在环路以内。

2 实例

故障现象:三明公司侧远动设备收不到竹洲电站侧的远动信号。

故障分析:

(1) 用听筒法测试, 收不到上行信号。采用通道环回法, 逐段测试缩小故障范围。

(2) 首先将传输设备输入线对输出线自环, 信号正常, 说明连接线没有问题;

(3) 其次在三明公司侧VDF架将上行信号口与下行信号口自环, 信号正常, 说明三明公司侧通道没有问题;

(4) 再次在竹洲电站侧自环, 信号正常, 通信通道无问题, 通知远动班检查远动设备。

(5) 最后怀疑是远动MODEM设备故障, 通知远动人员处理, 故障消除。

3 结语

为了保证电力系统的安全稳定运行, 在电力系统引入了越来越多的自动化控制技术, 而这都需要通信自动化通道的稳定运行作为先决条件。因此, 发生模拟信号故障时, 需准确判断故障出在通信线路, 还是远动设备上, 及时确定故障点位置, 进行故障排查处理, 减少故障时间。

摘要：针对电力系统中综合自动化越来越高, 经常发生远动通道中断或误码率高的问题, 本文详细介绍了模拟信号故障常见的处理方法, 结合一起实例, 分析和判断故障原因, 及时确定故障点位置, 减少故障时间。

关键词：远动通道,误码,故障处理

参考文献

[1]陈静, 《一起35k V变电站运动模拟通道信号出现误码的故障处理》电源技术应用[J], 2013 (12) :164

[2]王俊明, 刘军, 《综合自动化系统远动通道故障的分析与判断》, 青海电力[J], 2006 (25) :49-50

模拟电路故障诊断方法综述 第6篇

(1)模拟电路的输入激励和输出响应都是连续量,而且故障参数也是连续的,故障模型比较复杂,难以做简单的量化;

(2)模拟电路中的元器件参数中,具有很大的离散性,即具有容差;

(3)模拟电路中存在着广泛的非线性问题和反馈问题,使得诊断信息的计算量随电路规模的增加呈指数形式倍增;

(4)模拟电路对环境变化非常敏感,输出响应不仅易受由制造工艺偏差所引起的元件参数变化的影响,而且易受噪声和热效应等外界环境因素的影响;

(5)现代模似电路通常是多层的或被封装的,可测电压的结点数有限,导致可用故障诊断的信息量较少。

模拟电路故障诊断理论和方法自20世纪70年代研究以来,取得了不少阶段性成果。依据电路仿真在实际测试中的不同阶段,分为两大类:测前模拟诊断(SBT)和测后模拟诊断(SAT),介于这两种分类之间的还有逼近法及人工智能两种方法。具体诊断方法分类,如图1所示[3]。

1 模拟电路故障诊断的传统方法

1.1 测前模拟诊断法

测前模拟诊断[4,5]分为故障字典法和似然法。故障字典法是测前模拟诊断法的典型代表。它的基本思想是:预先根据经验或实际需要,确定所要诊断的故障集,求电路存在故障集中的一个故障时的响应,即做电路仿真。然后将所得到的响应作必要的处理,作为对应故障的特征,将它们编成一部故障与特征一一对应的字典。利用字典作实际电路诊断时,对于被测电路施加与测前模拟时完全一样的激励和工作条件,取得相应的特征,最后在故障字典中查得与之相对应的故障。字典法不仅适用于线性电路,对非线性电路也同样适用,但是它难以用于软故障的诊断,而且由于多故障的组合数太大,实际应用中通常只用于解决单故障问题。

1.2 测后模拟诊断法

测后模拟法[6]的特点是在电路测试后,根据测量信息对电路模拟,从而进行故障诊断。典型方法主要有参数识别法和故障验证法。

元件参数识别法是根据网络已知的拓扑关系、输入激励和输出响应,估计出网络中所有的参数,最后依照每个参数的容许容差范围以确定网络中的故障元件,因此实际上是一种参数识别技术,适合于软故障。它包括CCM(元件连接模式)的多频法和伴随网络法,前者是对元件值进行识别,后者为元件值增量识别。元件参数识别法要求提供较多诊断用信息,由于故障诊断方程大多是非线性方程,而且方程规模大,求解方程的工作量相当可观,因此给实时故障诊断带来一定困难。

故障验证法的基本思想是:预先猜测被测网络中的故障元件在某个元件集合中,然后再利用激励信号和在可及点取得的数据,根据一定的判据去验证这个猜测是否正确,如果这个猜测正确,则可定位故障元件。如果电路中总的故障种数较大,而各种故障的组合数更大,因此这种“猜测”的次数是非常大的,而且每次对猜测的验证都需要大量的运算,在获取少量的故障信息基础上作诊断,实施较为方便。由于故障验证法诊断所依据的故障信息较少,因此一个突出的问题是故障的可诊断性问题。被测网络的拓扑应该是满足一定的约束条件,施加的独立激励向量应有足够的数量,可及点数量必须充分,而且应该独立,否则将会出现不能诊断甚至误诊断等情况。

1.3 逼近法和人工智能法

逼近法(Approximation Method)和人工智能(Artificial Intelligence, AI)[7]两种方法都介于测前模拟诊断和测后模拟诊断之间。

逼近法包括测前模拟中的概率统计方法和测后模拟中的优化法,可以用于软故障诊断。其基本思想是:采用适当的目标函数,估计出最可能出现故障的元件,根据选定目标函数的不同而采用不同的方法。其中有联合判别法、迭代法、L2近似法、准逆法、L1近似法和二次规划法等,这些方法大多数都能用来诊断多故障,但存在计算量大的缺点。

人工智能方法包括测前模拟中故障特征的收集和处理过程以及测后模拟中故障推理搜索等过程,其典型的代表是专家系统方法[8]。专家系统方法大多基于产生式规则,即首先将专家知识及诊断经验用规则表示出来,形成故障诊断专家系统知识库,然后根据测试数据利用知识库进行推理诊断出故障元件。该法具有诊断效率高等特点,为运用网络理论难以进行诊断的场合开辟了新的途径,其主要不足是存在知识获取的瓶颈问题,且知识难以维护、知识的“组合爆炸”和“无穷递归”、系统本身自适应能力与学习能力存在不同程度的局限性等大大影响了故障诊断的准确性。随着越来越多的人工智能新理论的出现,人们逐渐将模糊理论、神经网络、小波分析、信息融合等智能理论用于模拟电路故障诊断领域,由此产生的现代模拟电路故障诊断技术,从某种意义上来讲,形成了这一领域新的研究方向。它部分解决了故障诊断的模糊性和不确定性等常规方法不能解决的各类问题,适用于解决非线性系统的故障诊断。

2 模拟电路故障诊断的新方法

微电子技术的迅速发展,尤其是超大规模模拟电路的发展,对模拟电路的测试和诊断提出了迫切的要求。因此理论工作者和科研人员进一步探索新的理论和方法,研制新的测试设备,以适应技术发展的需求。

2.1 神经网络在故障诊断中的应用

人工神经网络[9,10,11,12](Artificial Neural Network, ANN)简称为神经网络(Neural Network, NN),是由大量简单的处理单元(神经元)广泛地互相连接而形成的复杂网络,它是对人脑神经网络的某种程度上的简化、抽象和模拟,而不是真实写照。目前研究开发的神经网络模型具有人脑功能的基本特征:学习、记忆和归纳,从而解决了过去基于逻辑与符号处理的人工智能研究中的某些局限性。利用神经网络的学习功能、联想记忆功能、分布式并行信息处理功能以及极强的非线性映射能力,解决诊断系统的知识表示、获取和并行推理等问题,为智能诊断技术的发展开辟了新的途径。总的来看,神经网络在设备故障诊断领域的应用研究主要集中在3个方面:(1)是从模式识别角度应用神经网络作为分类器进行故障诊断;(2)是从预测角度应用神经网络作为动态预测模型进行故障预测;(3)是从知识处理角度建立基于神经网络的诊断专家系统。

应用ANN法解决故障诊断问题的主要步骤包括:根据诊断问题组织学习样本、根据问题和样本构造神经网络、选择合适的学习算法和参数。基于神经网络的模拟电路故障诊断方法的结构框图,如图2所示。常用于故障诊断的神经网络有BP网、Hopfield网、SOM网和ART网等。采用BP网络可有效解决非线性问题,采用Hopfield网络可用来诊断诊断正常元件容差条件下的多故障问题,并采用其优化算法可实现全局最优问题:采用SOM网络可以对单和多、软与硬故障进行有效的识别,迅速定位,加上本身良好的泛化特性,可有效克服容差因素对故障定位的影响。

ANN技术特别适合处理那些故障诊断中无法用显性公式表示的、具有复杂非线性关系的情况,能够出色解决那些传统模式识别方法难以圆满解决的由于非线性、反馈回路和容差等引起的问题。它以分布的方式存储信息,利用网络的拓扑结构和权值分布实现非线性的映射,利用全局并行处理实现从输入空间到输出空间的非线性信息变换,有效解决了复杂系统故障诊断中存在的故障知识获取瓶颈、知识推理的“组合爆炸”等问题。但它不适于处理启发性知识,而且,由于ANN技术本身不够完备,其学习速度慢、训练时间长,神经网络所学习到的知识是以权重形式分布在网络之中。这种隐式的数制表示不易被人们理解,且对诊断结果缺乏解释能力,对实用来说,整个诊断系统不具备透明特性,缺乏可理解性。目前,为了提高神经网络在实用中的学习和诊断性能,主要是从神经网络模型本身的改进和模块化神经网络诊断策略两个方面开展研究。同时,如何设计适用于大规模模拟电路的神经网络故障诊断系统仍然是一个有待于进一步研究的课题。

2.2 小波分析在故障诊断中的应用

连续小波变换[13]是由法国理论物理学家Grossmann与法国数学家Morlet共同提出的。小波变换的基本原理是:通过小波母函数在尺度上的伸缩和时域上的平移来分析信号,适当选择母函数,可以使扩张函数具有较好的局部性,因此,它是一种时-频分析方法。小波分析是近年来发展起来的新学科,它广泛应用于信号处理、图像压缩、语音识别、故障检测等方面。利用小波分析,在多层分解后的不同频带内分析信号,使本不明显的信号频率特征在不同分频率的若干子空间中以显著的能量变化的形式表现出来,并与电路的正常输出相比较,提取出反映电路故障的特征信息,再以实验和数学方法所建立的故障库进行比较,从而实现故障诊断。基于小波分析得到的能量特征向量,可以作为在模拟电路故障检测中故障特征向量进行故障诊断。同时,这种故障诊断方法实施故障特征提取和诊断时,无需被诊断电路的数学模型就可以迅速地进行故障检测,并能大致在进行故障定位。目前,小波与神经网络[14]的结合是一个十分活跃的研究领域,主要有以下两个途径:

(1)是辅助式结合,比较典型的是利用小波分析对信号进行预处理,然后用神经网络学习与判别;

(2)是嵌套式结合,即把小波分析的运算融入到神经网络中去,形成所谓的小波神经网络或小波网络。

目前存在多种小波网络:正交小波网络、区间小波网络模型等,具有逼近能力强,网络学习收敛速度快,参数的选取有理论指导,有效地避免了局部最小值等优点。但小波神经网络直接对信号辨识后,怎么构造出能表征故障类型的特征向量是本方法的难点。现在,在模拟电路故障诊断领域,小波神经网络还是一个崭新的、很有前途的研究方向。

2.3 模糊理论在故障诊断的应用

对于模拟电路的故障诊断,由于元器件的容差、非线性及电路噪声的影响,故障与征兆之间的关系用传统的电路理论难以求得精确解,出现模糊现象。模糊故障诊断法[15,16,17]则是通过研究故障与征兆之间的模糊关系来判断设备运行状态。模糊故障法采用合适的隶属函数和模糊关系矩阵来判定故障与征兆之间的不确定关系,进而实现故障的检测与诊断。在模糊集理论中由于隶属度的获取、复杂系统模糊集的建立、识别、语言规则的获取、遗忘、修改等理论和方法还不够完善、使得该理论的应用受到了限制。从目前情况来看,将模糊集理论与专家系统、ANN等相结合可有效解决这些困难。将模糊理论应用于专家系统的故障诊断结构中,充分考虑两者的互补性,有效弥补了传统的专家系统解决知识不确定性问题的不足;将模糊逻辑系统与ANN相结合,充分吸收两者的优点,既能处理专家知识和经验,又能通过自学习增强系统的判断能力。

在故障诊断领域,模糊神经网络技术也代表一个新的方向。目前的研究主要集中在:研究模糊逻辑系统和ANN的对应关系,将模糊逻辑系统的调整和更新转化为对应的ANN学习问题以及利用模糊逻辑系统对ANN进行初始化,模糊神经网络的快速学习算法,利用模糊理论加快ANN学习的速度并应用神经网络构造高性能的模糊逻辑系统。但是,两者发展到现在,时间较短,自身体系仍不完善。模糊集如何进行准确量化,ANN学习算法的实用化,ANN的一些非线性问题,特别是收敛到最优解的速度仍然不是很理想,需要更大的突破。

2.4 信息融合在故障诊断中的应用

信息融合技术[18]起源于研究军事领域中对多源信息的处理。在故障诊断领域,由于电子电路系统本身的复杂性和运行环境的不稳定性,传感器反应的电子电路系统信息具有不确定性,如推理时的不确定性的存在,导致故障诊断准确率的降低,甚至出现漏检和误诊现象。信息融合技术为解决复杂系统故障诊断的不确定性问题提供了一条崭新的途径,这是由信息融合独特的多维信息处理方式决定的。信息融合技术特别适合解决模拟电路故障诊断中常规的网格撕裂法面临电路前后元器件互相影响以至不能测准元器件的故障以及由于容差、非线性及元件参数相互影响而出现的诊断不确定性问题。但目前这项研 究还处于初创阶段,在测试信号的优化选择、测试数据的分析处理、融合诊断模型的构建及其融合算法等方面尚有待进一步的深入研究。

2.5 遗传算法在故障诊断中的应用

遗传算法[19](Genetic Algorithm, GA)是一种全局优化算法,已经成为人们解决高度复杂问题的一个新思路和方法。它根据生物学中所谓自然选择和遗传机理的随即搜索优化算法,其主要特点是群体搜索策略和群体中个体之间的信息交换,搜索不依赖于传统方法中常用到的梯度信息,它尤其适用于处理传统搜索方法难以解决的复杂和非线性问题。从目前来看,GA用于故障诊断,有直接应用于故障诊断之中,主要用于提取特征向量,为诊断的后续处理作准备;还有和其他的诊断方法,如神经网络、小波分析、模糊理论相结合,研究得比较多。

2.6 Agent技术在故障诊断中的应用

Agent[20]可定义为具有感知能力、问题求解能力和外界通讯能力的实体,通过预定义的协义与外部Agent进行通讯,并通过一种松耦合的分布式途径进行分布式智能求解。将Agent技术用于模拟电路故障诊断,可以克服传统人工智能诊断系统不能解决的实时性等条件的限制,增强诊断系统对动态环境的适应性和对不完全信息的处理能力,实现网络环境下的分布式计算和问题求解,实现故障诊断中的并发信息监测、推理及搜索。

2.7 分形理论在故障诊断的应用

分形理论[21]突破了维数只能是整数的观念,将面对的复杂对象看成是分形维数,而维数便成为一个连续函数。分形理论在电路诊断和识别领域还属于初级阶段,由于分形理论是基于一种尺度而探讨复杂的信息问题,因此它可以对动态模拟电路的信号进行处理,与小波变换、神经网络结合,提高模式识别的有效性和可靠性。

2.8 粗糙集理论在故障诊断的应用

粗糙集理论[22]是一种处理不完整性和不确定性问题的新型数学工具,在模式识别等方面取得了成功的应用。它与传统的模糊集理论处理不精确数据和不确定性的方法不同,它无需提供问题所需处理的数据集合之外的先验信息,因此对问题的不确定性描述是比较客观的,为在不完备征兆信息下的故障诊断提供了新思路。

3 模拟电路故障诊断的展望

模拟电路故障诊断技术是一门新兴交叉的学科。目前还没有形成完善、系统的理论体系,特别是模拟电路和数模混合电路的故障诊断技术还有待深入研究。近年来,计算机技术、信号处理、人工智能、模式识别技术的发展,促进了模拟故障诊断技术的不断发展,特别是模拟电路故障诊断的人工智能技术得到了广泛的重视。目前基于模拟电路故障诊断研究主要集中在以下几个方面:

3.1 新的故障诊断方法的研究

主要是将一些新的理论[23,24]应用到模拟电路的故障诊断之中,如模糊理论、神经网络、小波分析等方法。随着新理论的不断发展,这方面的工作仍是故障诊断的重要内容之一。

3.2 故障信息获取的手段和方法的研究

故障信息的准确获取是故障诊断是否成功的关键之一。像多传感信息融合在故障诊断中的应用,一个重要的方面就是如何从不同角度获取故障信息。对模拟电路来说,除了电压和电流等电量信号外,能否从其它方面获得故障信息,如温度信息等,这也是有待深入研究的内容之一。

3.3 故障诊断的实用性研究

故障诊断是一门实用性很强的技术,因此只有在实际应用中才能体现它的价值。目前在理论研究方面虽有不少进展,但真正在工程实践中成功应用的实例还比较少,特别是还没有真正实用的准确的模拟电路故障诊断系统。因此,如何将先进的故障诊断理论、方法与发展的电子技术、测控技术、自动化仪表[25]等结合,还有待深入的探讨。

3.4 基于网络的故障诊断技术研究

基于网络的故障诊断系统[26]可以降低系统的开发运行成本,提高故障诊断系统资源的共享能力,因此这个方面的研究也将成为故障诊断系统研究的一个重要内容。

4 结束语

文中阐述了模拟电路故障诊断的必要性和意义,介绍了模拟电路故障诊断的传统方法和近年来兴起的神经网络、小波分析、信息融合等新方法,并对该领域的发展前景进行了展望。但是,这些理论和方法尚不成熟,大部分应用还处于实验室阶段,离工程应用还有相当的距离,无论从理论还是实践上都有许多研究工作需要做。

摘要：文中介绍了模拟电路故障诊断的研究现状。对模拟电路故障诊断的方法,包括常规的方法和新颖的方法进行了简要阐述,指出各自的局限性,并预测了该领域的研究热点和发展趋势。

浅析模拟电路故障的诊断方法 第7篇

关键词：模拟电路,故障,诊断

模拟电路故障诊断是电路分析理论中的一个前沿领域。它既不同于电路分析, 也不属于电路综合的范畴。模拟电路故障诊断所研究的内容是当电路的拓扑结构已知, 并在一定的电路激励下知道一部分电路的响应, 求电路的参数, 他是近代电路理论中新兴的第三个分支。但由于模拟电路中未发生故障的正常元件存在容差, 其参数并不恰好等于额定值, 而有一定的分散性, 这给电路分析带来一定的模糊性。

模拟电路发生了故障, 就不能达到设计时所规定的功能和指标, 这种电路称为故障电路。故障诊断就是要对电路进行一定的测试, 从测试结果分析出故障。随着模拟电子技术的飞速发展, 电子电路集成化程度和制版工艺逐渐提高, 电路的功能化和模块化趋势日益明显, 元件的密集度不断增加, 从而导致电路内部可及节点越来越少, 甚至有些电路内部不存在可及节点, 这给模拟电路的检测和故障诊断技术提出了新的挑战。如何利用模拟电路有限的可及节点快速、有效诊断模拟电路内部的故障是该领域内亟待解决的问题。

1模拟电路故障诊断技术的现状

在模拟电路发生故障后, 要求能及时将故障诊断出来, 以便检修、调试、替换。对某些用于重要设备的模拟电路, 还要求能进行故障预测, 也就是对电路在正常工作时的响应作持续不断的监测, 以确定哪些元件将要失效, 以便在故障发生前把那些将要失效的元件替换掉, 以避免故障发生。所有这些, 通常的人工诊断技术已无法满足需要, 因而, 模拟电路故障的自动智能诊断成为一个亟待解决的问题。

模拟电路故障诊断的发展并不理想, 造成这种现象的原因大致有以下几个方面: (1) 模拟电路的故障现象往往十分复杂, 任何一个元件的参数变值超过其容差时就属故障, 因此模拟电路的故障状态是无限的, 故障特性是连续的。 (2) 模拟电路的输入-输出关系比较复杂, 即使是线性电路, 其输出响应与各个元件参量之间的关系也往往是非线性的, 何况许多实际电路中还存在着非线性元件。 (3) 虽然模拟电路中非故障元件的参数标称值是已知的, 但具体电路的实际值会在其标称值上下作随机性的变动, 一般并不正好等于其标称值。另外, 模拟电路中特有的一些复杂因素, 诸如元件非线性的表征误差、测试误差等等, 也会给诊断带来很大因难。

2智能故障诊断

将智能手段引入诊断过程中后, 常常单一应用神经网络或专家系统, 不能有效的解决故障诊断中许多不确定因素, 影响故障诊断的准确性, 无法大规模投入使用。故将模糊技术、专家系统和神经网络有机地结合, 进行优势互补, 寻求以集成智能为核心的诊断方法。

系统主要由模糊处理、神经网络和专家系统子系统及结果融合等组成, 采集数据首先输入到模糊处理模块进行模糊处理, 然后送人工神经网络模块进行推理, 而专家系统以神经网络的输出结果为依据进行反向不确定性推理, 同时记录推理轨迹。两套推理系统的输出结果可能不相符, 故需要将推理结果进行融合处理以提高诊断的可靠性, 再根据融合结果检索操作指导数据库得到指导信息, 最后得到诊断结论。

神经网络从样本中学习有效信息并应用于快速推理, 但其诊断结论中难免存在干扰甚至错误而专家系统诊断可靠, 但系统完善困难, 有时诊断正确而输出可能低于阈值, 造成漏诊。因此, 两个系统的诊断结论需要进行融合处理, 提高整个系统的综合诊断性能。

结束语

在实际应用中, 经常综合应用多种故障诊断方法, 这样可以充分发挥出各种故障诊断方法的优势, 弥补单一诊断方法的不足。

参考文献

PLC模拟量处理位数引发故障处理 第8篇

1 台具备砂轮恒线速控制的无心磨使用三菱FX2N PLC控制, 其进给和修整由PLC通过位控单元FX2N-20GM控制, 砂轮主轴变频控制。PLC根据每次修整量和相关参数计算砂轮电机转速, 实现恒线速控制。FX2N PLC通过FX2N-2DA模块向砂轮主轴变频器输出模拟量控制砂轮转速。某次, 无心磨磨削后进入修整砂轮工序时砂轮主轴不转动, 无任何报警提示信息。

2 故障分析

首先检查变频器工作状态, 确认其处于运行状态, 但频率模拟信号值为0。检查FX2N-2DA模块输出亦为0, PLC给FX2N-2DA的数字量为4096。进一步检查FX2N-2DA模块及其和PLC的通信, 均未发现问题。考虑到4096的二进制到了13位, 刚好比FX2N-2DA所能处理的12位最大数4095大1。这样, 实际进入FX2N-2DA的数刚好为0, 因而其输出亦为0。但程序编制者并未对这种情况进行任何处理 (图1) , 图1中D514为与砂轮主轴变频器运行频率输入模拟量相对应的PLC输出到FX2N-2DA模块的数字量, 在第一行程序中D514的位数为32位, 在第二行程序中只传送了D514的低16位, 而在后面向FX2N-2DA缓冲器的传送中只取了低12位, 其他高位丢失, 未进行任何处理。

3 故障处理