CN119916057B - 一种光电加速度计驱动芯片故障检测方法 - Google Patents

Abstract

本发明公开了一种光电加速度计驱动芯片故障检测方法，属于测量电变量技术领域。本发明先按过零点划分驱动芯片各模块输出信号，得到正、负半波集合，进而提取波形对称值与波形对称稳定值。将正、负半波集合转换至频域并划分为重要频率和杂波频率，生成4种频率集合。通过计算相邻模块在4种频率集合上的差距，得出相邻模块正半波频率变异值和负半波频率变异值，同时依据相邻模块在波形对称值和波形对称稳定值上的差值，得到相邻模块波形对称差值和波形稳定差值。最终将各相邻模块的这些特征值作为样本输入卷积神经网络，从而精准得到驱动芯片故障值，显著提升了故障检测精度。

Description

一种光电加速度计驱动芯片故障检测方法

技术领域

本发明涉及测量电变量技术领域，具体涉及一种光电加速度计驱动芯片故障检测方法。

背景技术

光电加速度计的驱动芯片中各模块依次包括；信号发生模块、运算放大模块和耦合电路模块，信号发生模块产生正弦波的调制信号，通过运算放大模块对调制信号进行放大处理，耦合电路模块对放大后的信号进行耦合处理，再施加到光电加速度计上。

传统的驱动芯片故障检测方法，主要依赖于对简单电气参数的测量，如测量电路的电压、电流、电阻等。但这种检测方式对于芯片内部各模块复杂的故障模式，尤其是当故障表现为信号波形的细微变化或频率特性的异常时，存在明显的局限性。例如，信号发生模块产生的正弦波调制信号若出现波形不对称、谐波成分增加等情况，仅通过测量电气参数难以察觉，因此，现有驱动芯片故障检测方法存在故障检测精度低的问题。

发明内容

针对现有技术中的上述不足，本发明提供的一种光电加速度计驱动芯片故障检测方法解决了现有驱动芯片存在故障检测精度低的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种光电加速度计驱动芯片故障检测方法，包括：

按过零点将驱动芯片中各模块的输出信号进行划分，得到正半波集合和负半波集合；

对每个模块的正半波集合和负半波集合，提取波形对称值和波形对称稳定值；

将正半波集合和负半波集合转换到频域，将频域信息划分为重要频率和杂波频率，得到4种频率集合，其中，4种频率集合包括：正半波重要频率集合、正半波杂波频率集合、负半波重要频率集合和负半波杂波频率集合；

根据驱动芯片中相邻模块在4种频率集合上的差距，得到相邻模块正半波频率变异值和负半波频率变异值；

根据驱动芯片中相邻模块在波形对称值和波形对称稳定值上的差值，得到相邻模块波形对称差值和波形稳定差值；

将各相邻模块的正半波频率变异值、负半波频率变异值、波形对称差值和波形稳定差值作为样本输入卷积神经网络，得到驱动芯片故障值。

进一步地，提取波形对称值的过程为：

对正半波集合中每个正半波，计算正半波面积；

对负半波集合中每个负半波，计算负半波面积；

将正半波面积和正半波的峰值作为元素，构成正半波特征向量；

将负半波面积和负半波的峰值的绝对值作为元素，构成负半波特征向量；

计算同一个周期的正半波特征向量与负半波特征向量的相似度；

将各个周期的相似度取均值，得到波形对称值。

进一步地，计算波形对称稳定值的公式为：，其中，γ为波形对称稳定值，σ为各个周期的相似度的标准差。

进一步地，分别将正半波集合中每个正半波和负半波集合中每个负半波进行时频转换，得到正半波频域信息和负半波频域信息，将每个频域信息划分为重要频率集合和杂波频率集合，得到正半波重要频率集合、正半波杂波频率集合、负半波重要频率集合和负半波杂波频率集合。

进一步地，得到正半波重要频率集合、正半波杂波频率集合的过程为：

分别将正半波集合中每个正半波进行时频转换，得到正半波频域信息；

将正半波频域信息中大于幅值阈值的幅值作为正半波重要幅值，将其他幅值作为正半波杂波幅值；

对所有周期的正半波重要幅值对应频率依次排列，构建正半波重要频率集合；

对所有周期的正半波杂波幅值对应频率依次排列，构建正半波杂波频率集合；

或者，得到负半波重要频率集合、负半波杂波频率集合的过程为：

分别将负半波集合中每个负半波进行时频转换，得到负半波频域信息，对负半波频域信息中幅值取绝对值；

将负半波频域信息中大于幅值阈值的幅值作为负半波重要幅值，将其他幅值作为负半波杂波幅值；

对所有周期的负半波重要幅值对应频率依次排列，构建负半波重要频率集合；

对所有周期的负半波杂波幅值对应频率依次排列，构建负半波杂波频率集合。

进一步地，得到相邻模块正半波频率变异值和相邻模块负半波频率变异值的过程包括：

根据驱动芯片中相邻模块在正半波重要频率集合的差距，得到正半波的第一变异系数；根据驱动芯片中相邻模块在负半波重要频率集合的差距，得到负半波的第一变异系数；

根据驱动芯片中相邻模块在正半波杂波频率集合的差距，得到正半波的第二变异系数；根据驱动芯片中相邻模块在负半波杂波频率集合的差距，得到负半波的第二变异系数；

对正半波的第一变异系数和正半波的第二变异系数进行加权，得到相邻模块正半波频率变异值；

对负半波的第一变异系数和负半波的第二变异系数进行加权，得到相邻模块负半波频率变异值。

进一步地，得到第一变异系数的过程均包括：

对相邻模块的重要频率集合取交集，得到重要频率交集；

从相邻模块中在后模块的重要频率集合剔除重要频率交集，得到新增重要频率；

根据新增重要频率，计算第一变异系数；

或者，得到第二变异系数的过程均包括：

对相邻模块的杂波频率集合取交集，得到杂波频率交集；

从相邻模块中在后模块的杂波频率集合剔除杂波频率交集，得到新增杂波频率；

根据新增杂波频率，计算第二变异系数。

进一步地，计算第一变异系数的公式为：，其中，μ₁为第一变异系数，f_z,i为第i个新增重要频率，f_z,avg为相邻模块中在前模块的重要频率集合的频率均值，i为正整数，N_z为新增重要频率的数量，D为分母参数；

计算第二变异系数的公式为：，其中，μ₂为第二变异系数，f_s,i为第i个新增杂波频率，f_s,avg为相邻模块中在前模块的杂波频率集合的频率均值，N_s为新增杂波频率的数量。

进一步地，相邻模块波形对称差值等于相邻模块中在前模块的波形对称值与相邻模块中在后模块的波形对称值的差值；

相邻模块波形稳定差值等于相邻模块中在前模块的波形对称稳定值与相邻模块中在后模块的波形对称稳定值的差值。

进一步地，卷积神经网络包括：第一卷积层、第二卷积层、第三卷积层、第四卷积层、第一Concat层、第二Concat层、第一全连接层、第二全连接层和加权层；

第一卷积层的输入端用于输入第一样本，第二卷积层的输入端用于输入第一样本，第三卷积层的输入端用于输入第二样本，第四卷积层的输入端用于输入第二样本，其中，信号发生模块与运算放大模块的正半波频率变异值、负半波频率变异值、波形对称差值和波形稳定差值共同构成第一样本，运算放大模块和耦合电路模块的正半波频率变异值、负半波频率变异值、波形对称差值和波形稳定差值共同构成第二样本；

第一Concat层的输入端分别与第一卷积层的输出端和第三卷积层的输出端连接；第二Concat层的输入端分别与第二卷积层的输出端和第四卷积层的输出端连接；第一全连接层的输入端与第一Concat层的输出端连接；第二全连接层的输入端与第二Concat层的输出端连接；加权层的输入端分别与第一全连接层的输出端和第二全连接层的输出端连接，其输出端用于输出驱动芯片故障值。

本发明的有益效果为：本发明通过过零点划分和半波分析捕捉信号的细微特征，继而利用波形对称性分析和频域转换深入挖掘信号特征，并通过相邻模块的对比分析突出异常特征。最后，采用卷积神经网络处理相邻模块的正半波频率变异值、负半波频率变异值、波形对称差值和波形稳定差值，得到驱动芯片故障值。本发明通过将输出信号进行划分，得到正半波和负半波，从波形的对称情况，以及相邻模块间频域特征，突出故障特征，使得故障特征显著，便于识别，提高了故障检测精度。

附图说明

图1为一种光电加速度计驱动芯片故障检测方法的流程图；

图2为驱动芯片的结构示意图；

图3为卷积神经网络的结构示意图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

如图1所示，一种光电加速度计驱动芯片故障检测方法，包括：

按过零点将驱动芯片中各模块的输出信号进行划分，得到正半波集合和负半波集合；

对每个模块的正半波集合和负半波集合，提取波形对称值和波形对称稳定值；

将正半波集合和负半波集合转换到频域，将频域信息划分为重要频率和杂波频率，得到4种频率集合，其中，4种频率集合包括：正半波重要频率集合、正半波杂波频率集合、负半波重要频率集合和负半波杂波频率集合；

根据驱动芯片中相邻模块在4种频率集合上的差距，得到相邻模块正半波频率变异值和负半波频率变异值；

根据驱动芯片中相邻模块在波形对称值和波形对称稳定值上的差值，得到相邻模块波形对称差值和波形稳定差值；

将各相邻模块的正半波频率变异值、负半波频率变异值、波形对称差值和波形稳定差值作为样本输入卷积神经网络，得到驱动芯片故障值。

本发明将驱动芯片中各模块的输出信号为0的点进行标注，得到过零点，按过零点的位置，将每个模块的输出信号进行切分，将信号段大于0的部分构成正半波集合，将信号段小于0的部分构成负半波集合。

如图2所示，驱动芯片中各模块依次包括；信号发生模块、运算放大模块和耦合电路模块；在本发明中，信号发生模块与运算放大模块为相邻模块，信号发生模块为在前模块，运算放大模块为在后模块；运算放大模块与耦合电路模块为相邻模块，运算放大模块为在前模块，耦合电路模块为在后模块。

在本实施例中，提取波形对称值的过程为：

对正半波集合中每个正半波，计算正半波面积；

对负半波集合中每个负半波，计算负半波面积；

将正半波面积和正半波的峰值作为元素，构成正半波特征向量；

将负半波面积和负半波的峰值的绝对值作为元素，构成负半波特征向量；

计算同一个周期的正半波特征向量与负半波特征向量的相似度；

将各个周期的相似度取均值，得到波形对称值。

在一个正常工作的光电加速度计驱动芯片中，信号的正半波和负半波所携带的能量是相对稳定且具有一定对称性的。例如，在理想的正弦波信号中，正半波和负半波的能量是相等的。当芯片出现故障时，比如增益发生变化或者存在非线性失真，会导致正半波和负半波的能量分布失衡。通过计算面积，能够量化这种能量分布的变化，将其作为故障检测的一个重要特征。

正半波特征向量和负半波特征向量包含了面积和峰值这两个重要的信号特征。计算它们的相似度实际上是在衡量正半波和负半波在能量分布和幅度特征上的一致性，相似度越高，说明正半波和负半波越对称；反之，则表明信号存在不对称性，可能是由芯片故障引起的。

在本实施例中，计算波形对称稳定值的公式为：，其中，γ为波形对称稳定值，σ为各个周期的相似度的标准差。

标准差σ是衡量数据离散程度的指标，各周期相似度的标准差能反映出波形对称程度在不同周期的波动情况，标准差σ越大，波形对称稳定值越小。

在本实施例中，，，其中，A₊为正半波面积，A_-为负半波面积，f₊(t)为正半波，f_-(t)为负半波，d为微分符号，t为时间，| |为绝对值，T₊为正半波的长度，T_-为负半波的长度。

在本实施例中，分别将正半波集合中每个正半波和负半波集合中每个负半波进行时频转换，得到正半波频域信息和负半波频域信息，将每个频域信息划分为重要频率集合和杂波频率集合，得到正半波重要频率集合、正半波杂波频率集合、负半波重要频率集合和负半波杂波频率集合。

在本实施例中，得到正半波重要频率集合、正半波杂波频率集合的过程为：

分别将正半波集合中每个正半波进行时频转换，得到正半波频域信息；

将正半波频域信息中大于幅值阈值的幅值作为正半波重要幅值，将其他幅值作为正半波杂波幅值；

对所有周期的正半波重要幅值对应频率依次排列，构建正半波重要频率集合；

对所有周期的正半波杂波幅值对应频率依次排列，构建正半波杂波频率集合；

或者，得到负半波重要频率集合、负半波杂波频率集合的过程为：

分别将负半波集合中每个负半波进行时频转换，得到负半波频域信息，对负半波频域信息中幅值取绝对值；

将负半波频域信息中大于幅值阈值的幅值作为负半波重要幅值，将其他幅值作为负半波杂波幅值；

对所有周期的负半波重要幅值对应频率依次排列，构建负半波重要频率集合；

对所有周期的负半波杂波幅值对应频率依次排列，构建负半波杂波频率集合。

在本发明中，幅值阈值可设置为最大值的0.707倍（也就是-3dB时），从正半波频域信息找出最大幅值，对应幅值阈值为最大幅值的0.707倍；从取绝对值后的负半波频域信息中找出最大幅值，对应幅值阈值为最大幅值的0.707倍。

在实际的光电加速度计驱动芯片工作中，芯片正常运行时，输出信号的频率成分具有一定稳定性。当芯片出现故障，如电路参数变化、元件损坏等，会导致信号中某些频率成分的幅值发生异常改变。通过获取重要频率集合和杂波频率集合，可以将这些异常的频率特征凸显出来。

在本实施例中，得到相邻模块正半波频率变异值和相邻模块负半波频率变异值的过程包括：

根据驱动芯片中相邻模块在正半波重要频率集合的差距，得到正半波的第一变异系数；根据驱动芯片中相邻模块在负半波重要频率集合的差距，得到负半波的第一变异系数；

根据驱动芯片中相邻模块在正半波杂波频率集合的差距，得到正半波的第二变异系数；根据驱动芯片中相邻模块在负半波杂波频率集合的差距，得到负半波的第二变异系数；

对正半波的第一变异系数和正半波的第二变异系数进行加权，得到相邻模块正半波频率变异值；

对负半波的第一变异系数和负半波的第二变异系数进行加权，得到相邻模块负半波频率变异值。

在本实施例中，对第一变异系数和第二变异系数进行加权时，重点考虑第一变异系数，因此，对第一变异系数设置的权值更大，例如，可将第一变异系数设置的权值设置为0.6，第二变异系数的权值设置为0.4。

在本实施例中，得到第一变异系数的过程均包括：

对相邻模块的重要频率集合取交集，得到重要频率交集；

从相邻模块中在后模块的重要频率集合剔除重要频率交集，得到新增重要频率；

根据新增重要频率，计算第一变异系数。

进一步地，得到正半波的第一变异系数的过程包括：

对相邻模块的正半波重要频率集合取交集，得到正半波重要频率交集；

从相邻模块中在后模块的正半波重要频率集合剔除正半波重要频率交集，得到正半波的新增重要频率；

根据正半波的新增重要频率，计算正半波的第一变异系数。

进一步地，得到负半波的第一变异系数的过程包括：

对相邻模块的负半波重要频率集合取交集，得到负半波重要频率交集；

从相邻模块中在后模块的负半波重要频率集合剔除负半波重要频率交集，得到负半波的新增重要频率；

根据负半波的新增重要频率，计算负半波的第一变异系数。

在本实施例中，得到第二变异系数的过程均包括：

对相邻模块的杂波频率集合取交集，得到杂波频率交集；

从相邻模块中在后模块的杂波频率集合剔除杂波频率交集，得到新增杂波频率；

根据新增杂波频率，计算第二变异系数。

进一步地，得到正半波的第二变异系数的过程包括：

对相邻模块的正半波杂波频率集合取交集，得到正半波杂波频率交集；

从相邻模块中在后模块的正半波杂波频率集合剔除正半波杂波频率交集，得到正半波的新增杂波频率；

根据正半波的新增杂波频率，计算正半波的第二变异系数。

进一步地，得到负半波的第二变异系数的过程包括：

对相邻模块的负半波杂波频率集合取交集，得到负半波杂波频率交集；

从相邻模块中在后模块的负半波杂波频率集合剔除负半波杂波频率交集，得到负半波的新增杂波频率；

根据负半波的新增杂波频率，计算负半波的第二变异系数。

将频率集合分为重要频率和杂波频率，分别计算对应的变异系数，遵循了信号分析中区分关键信号成分与干扰成分的原则。重要频率集合反映了芯片正常工作时的关键频率特征，而杂波频率集合包含了干扰或异常的频率成分。分别计算变异系数并加权，使得在分析频率变异时，既考虑了关键频率的变化，也兼顾了干扰频率的影响，能更准确地反映芯片工作状态的变化。

在本实施例中，计算第一变异系数的公式为：，其中，μ₁为第一变异系数，f_z,i为第i个新增重要频率，f_z,avg为相邻模块中在前模块的重要频率集合的频率均值，i为正整数，N_z为新增重要频率的数量，D为分母参数。

在本实施例中，计算第二变异系数的公式为：，其中，μ₂为第二变异系数，f_s,i为第i个新增杂波频率，f_s,avg为相邻模块中在前模块的杂波频率集合的频率均值，N_s为新增杂波频率的数量。

本发明通过计算新增频率与前一模块频率均值的偏差平方和，量化了相邻模块间重要频率或杂波频率的差异程度。分母参数D是一个大于0的参数，用于防止分母为0，同时，使得第一变异系数和第二变异系数的取值范围在0~1之间。

在本实施例中，相邻模块波形对称差值等于相邻模块中在前模块的波形对称值与相邻模块中在后模块的波形对称值的差值；

相邻模块波形稳定差值等于相邻模块中在前模块的波形对称稳定值与相邻模块中在后模块的波形对称稳定值的差值。

本发明通过计算相邻模块的波形对称值和波形对称稳定值的差值，能直观地体现出信号波形对称特征及其稳定性在模块间传递过程中的变化趋势。芯片各模块正常工作时，各模块对于信号的传递保持稳定，若出现较大差值，说明信号在模块间传输时，波形对称特性和稳定性发生了异常改变。

如图3所示，卷积神经网络包括：第一卷积层、第二卷积层、第三卷积层、第四卷积层、第一Concat层、第二Concat层、第一全连接层、第二全连接层和加权层；

第一卷积层的输入端用于输入第一样本，第二卷积层的输入端用于输入第一样本，第三卷积层的输入端用于输入第二样本，第四卷积层的输入端用于输入第二样本，其中，信号发生模块与运算放大模块的正半波频率变异值、负半波频率变异值、波形对称差值和波形稳定差值共同构成第一样本，运算放大模块和耦合电路模块的正半波频率变异值、负半波频率变异值、波形对称差值和波形稳定差值共同构成第二样本；

第一Concat层的输入端分别与第一卷积层的输出端和第三卷积层的输出端连接；第二Concat层的输入端分别与第二卷积层的输出端和第四卷积层的输出端连接；第一全连接层的输入端与第一Concat层的输出端连接；第二全连接层的输入端与第二Concat层的输出端连接；加权层的输入端分别与第一全连接层的输出端和第二全连接层的输出端连接，其输出端用于输出驱动芯片故障值。

在本实施例中，第一卷积层和第三卷积层采用卷积核为大小的卷积层，第二卷积层和第四卷积层采用卷积核为大小的卷积层，第一样本为将4个值排列成的矩阵，第二样本为将4个值排列成的矩阵。

本发明分别对第一样本和第二样本采用大小的卷积层提取特征，第一Concat层将提取的特征进行拼接，采用第一全连接层计算得到第一故障分量；对第一样本和第二样本再采用大小的卷积层提取特征，第二Concat层将提取的特征进行拼接，采用第二全连接层计算得到第二故障分量，在加权层将第一故障分量和第二故障分量进行加权，得到驱动芯片故障值。

本发明分别采用和大小的卷积层对第一样本和第二样本进行特征提取，能够从不同尺度捕捉样本的特征信息。第一Concat层将一种尺度下的特征进行拼接，第二Concat层将另一种尺度下的特征进行拼接，实现双通道计算故障分量，提高故障检测的精度。

在本实施例中，加权层可采用全连接层实现。

在本实施例中，卷积神经网络可采用现有梯度下降法进行训练，收集包含第一样本和第二样本的数据集，同时记录每个样本对应的真实驱动芯片故障值（标签），将数据集输入卷积神经网络中，选择均方误差（MSE）损失函数进行训练。

本发明通过过零点划分和半波分析捕捉信号的细微特征，继而利用波形对称性分析和频域转换深入挖掘信号特征，并通过相邻模块的对比分析突出异常特征。最后，采用卷积神经网络处理相邻模块的正半波频率变异值、负半波频率变异值、波形对称差值和波形稳定差值，得到驱动芯片故障值。本发明通过将输出信号进行划分，得到正半波和负半波，从波形的对称情况，以及相邻模块间频域特征，突出故障特征，使得故障特征显著，便于识别，提高了故障检测精度。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种光电加速度计驱动芯片故障检测方法，其特征在于，包括：

按过零点将驱动芯片中各模块的输出信号进行划分，得到正半波集合和负半波集合；

对每个模块的正半波集合和负半波集合，提取波形对称值和波形对称稳定值；

将正半波集合和负半波集合转换到频域，将频域信息划分为重要频率和杂波频率，得到4种频率集合，其中，4种频率集合包括：正半波重要频率集合、正半波杂波频率集合、负半波重要频率集合和负半波杂波频率集合；

根据驱动芯片中相邻模块在4种频率集合上的差距，得到相邻模块正半波频率变异值和负半波频率变异值；

根据驱动芯片中相邻模块在波形对称值和波形对称稳定值上的差值，得到相邻模块波形对称差值和波形稳定差值；

将各相邻模块的正半波频率变异值、负半波频率变异值、波形对称差值和波形稳定差值作为样本输入卷积神经网络，得到驱动芯片故障值；

提取波形对称值的过程为：

对正半波集合中每个正半波，计算正半波面积；

对负半波集合中每个负半波，计算负半波面积；

将正半波面积和正半波的峰值作为元素，构成正半波特征向量；

将负半波面积和负半波的峰值的绝对值作为元素，构成负半波特征向量；

计算同一个周期的正半波特征向量与负半波特征向量的相似度；

将各个周期的相似度取均值，得到波形对称值；

计算波形对称稳定值的公式为：，其中，γ为波形对称稳定值，σ为各个周期的相似度的标准差。

2.根据权利要求1所述的光电加速度计驱动芯片故障检测方法，其特征在于，分别将正半波集合中每个正半波和负半波集合中每个负半波进行时频转换，得到正半波频域信息和负半波频域信息，将每个频域信息划分为重要频率集合和杂波频率集合，得到正半波重要频率集合、正半波杂波频率集合、负半波重要频率集合和负半波杂波频率集合。

3.根据权利要求1所述的光电加速度计驱动芯片故障检测方法，其特征在于，得到正半波重要频率集合、正半波杂波频率集合的过程为：

分别将正半波集合中每个正半波进行时频转换，得到正半波频域信息；

将正半波频域信息中大于幅值阈值的幅值作为正半波重要幅值，将其他幅值作为正半波杂波幅值；

对所有周期的正半波重要幅值对应频率依次排列，构建正半波重要频率集合；

对所有周期的正半波杂波幅值对应频率依次排列，构建正半波杂波频率集合；

或者，得到负半波重要频率集合、负半波杂波频率集合的过程为：

分别将负半波集合中每个负半波进行时频转换，得到负半波频域信息，对负半波频域信息中幅值取绝对值；

将负半波频域信息中大于幅值阈值的幅值作为负半波重要幅值，将其他幅值作为负半波杂波幅值；

对所有周期的负半波重要幅值对应频率依次排列，构建负半波重要频率集合；

对所有周期的负半波杂波幅值对应频率依次排列，构建负半波杂波频率集合。

4.根据权利要求1所述的光电加速度计驱动芯片故障检测方法，其特征在于，得到相邻模块正半波频率变异值和相邻模块负半波频率变异值的过程包括：

根据驱动芯片中相邻模块在正半波重要频率集合的差距，得到正半波的第一变异系数；根据驱动芯片中相邻模块在负半波重要频率集合的差距，得到负半波的第一变异系数；

根据驱动芯片中相邻模块在正半波杂波频率集合的差距，得到正半波的第二变异系数；根据驱动芯片中相邻模块在负半波杂波频率集合的差距，得到负半波的第二变异系数；

对正半波的第一变异系数和正半波的第二变异系数进行加权，得到相邻模块正半波频率变异值；

对负半波的第一变异系数和负半波的第二变异系数进行加权，得到相邻模块负半波频率变异值。

5.根据权利要求4所述的光电加速度计驱动芯片故障检测方法，其特征在于，得到第一变异系数的过程均包括：

对相邻模块的重要频率集合取交集，得到重要频率交集；

从相邻模块中在后模块的重要频率集合剔除重要频率交集，得到新增重要频率；

根据新增重要频率，计算第一变异系数；

或者，得到第二变异系数的过程均包括：

对相邻模块的杂波频率集合取交集，得到杂波频率交集；

从相邻模块中在后模块的杂波频率集合剔除杂波频率交集，得到新增杂波频率；

根据新增杂波频率，计算第二变异系数。

6.根据权利要求5所述的光电加速度计驱动芯片故障检测方法，其特征在于，计算第一变异系数的公式为：，其中，μ₁为第一变异系数，f_z,i为第i个新增重要频率，f_z,avg为相邻模块中在前模块的重要频率集合的频率均值，i为正整数，N_z为新增重要频率的数量，D为分母参数；

计算第二变异系数的公式为：，其中，μ₂为第二变异系数，f_s,i为第i个新增杂波频率，f_s,avg为相邻模块中在前模块的杂波频率集合的频率均值，N_s为新增杂波频率的数量。

7.根据权利要求1所述的光电加速度计驱动芯片故障检测方法，其特征在于，相邻模块波形对称差值等于相邻模块中在前模块的波形对称值与相邻模块中在后模块的波形对称值的差值；

相邻模块波形稳定差值等于相邻模块中在前模块的波形对称稳定值与相邻模块中在后模块的波形对称稳定值的差值。

8.根据权利要求1所述的光电加速度计驱动芯片故障检测方法，其特征在于，卷积神经网络包括：第一卷积层、第二卷积层、第三卷积层、第四卷积层、第一Concat层、第二Concat层、第一全连接层、第二全连接层和加权层；

第一卷积层的输入端用于输入第一样本，第二卷积层的输入端用于输入第一样本，第三卷积层的输入端用于输入第二样本，第四卷积层的输入端用于输入第二样本，其中，信号发生模块与运算放大模块的正半波频率变异值、负半波频率变异值、波形对称差值和波形稳定差值共同构成第一样本，运算放大模块和耦合电路模块的正半波频率变异值、负半波频率变异值、波形对称差值和波形稳定差值共同构成第二样本；

第一Concat层的输入端分别与第一卷积层的输出端和第三卷积层的输出端连接；第二Concat层的输入端分别与第二卷积层的输出端和第四卷积层的输出端连接；第一全连接层的输入端与第一Concat层的输出端连接；第二全连接层的输入端与第二Concat层的输出端连接；加权层的输入端分别与第一全连接层的输出端和第二全连接层的输出端连接，其输出端用于输出驱动芯片故障值。