基于小波分析和信息融合的模擬故障診斷

摘 要 本文提出了利用故障信號各頻帶的系數序列的絕對值之和，和能量特征作為特征信號經神經網絡信息融合的模擬電路故障診斷新方法。該方法先對采樣后的故障信號進行小波分解，提取故障特征信號經歸一化和向量關聯后作為特征向量輸入BP神經網絡進行訓練診斷。通過電路診斷實例，闡述了該方法的具體實現，驗證了所提方法的有效性。

關鍵詞 小波分析 神經網絡 模擬電路 故障診斷

中圖分類號：TN710 文獻標識碼：A

0 引言

模擬電路故障診斷是近代電路理論的一個前沿領域，模擬電路中具有很多的非線性元件，輸入輸出響應不像數字電路，都是連續量，電路元器件的參數具有離散性，這些客觀條件都給故障診斷帶來了很大的困難。

隨著科技的進步，神經網絡以其良好的學習和泛化能力成了研究者注意的重點，越來越多地被利用到故障診斷中。文獻①提出了對故障信號進行小波變換預處理的單故障診斷方法。現有軟故障診斷研究中，大多數是單故障診斷，針對電路中的多故障診斷所做的研究并不多見，而現在大規模的集成電路的出現，要求我們的改進方法越來越全面，本文提出了一種可以用于單軟故障和多故障診斷的改進方法。我們首先對電路的各元器件進行靈敏度分析，②然后對所得到的響應數據進行小波分析，提取各頻帶信號的能量特征和系數序列的絕對值之和作為所研究的電路的特征信號，經歸一化處理和向量關聯后輸入神經網絡進行訓練，然后進行性能測試，從實驗反映的結果來看，該方法具有有效性和可行性。

1 小波理論與小波函數

2 故障特征提取和處理

2.1 多分辨分析故障特征提取

多分辨分析的基本原理就是構造一組函數空間，并且其閉包則逼近，其中所有的函數都是所構造空間的標準化正交基，形象點說，應用到特征提取中，就像人眼看待事物一樣，如果距離物體比較遠，即尺度較大，則視野寬、分辨能力低，只能觀察事物的概貌而看不清局部細節；若距離物體較近，即尺度較小，那么視野就窄而分辨能力高，可以觀察到事物的局部細節卻無法概覽全貌。利用多分辨分析的優點，我們用Mallat算法提取各頻帶的故障信息，由于在模擬電路中，軟故障信號的變化是十分微小的，而我們要很細致的反映信號的變化，我們就只能依靠高頻分解的部分所得反饋信息，所以我們將故障信號的各層系數序列進行絕對值求和，將所得到的值按尺度順序排列，構成一組反映電路故障的特征向量。④

2.2 能量分布特征提取

（1）信號采集與提取特征。根據所選電路，利用Pspice10.5仿真軟件，對電路進行模擬仿真，選擇最佳的測試點（本文案例選取輸出節點為測試點），針對各種故障，提取數據，爾后對所得數據進行小波分析，用上一章所述方法，得到我們所需的特征向量。

（3）故障診斷。對于有故障的電路，我們用實際測量的信號，經特征提取-歸一化處理-特征關聯系列處理之后，輸入我們已經訓練好的神經網絡，根據所對應的故障狀態，我們就可以定位故障元件。

4 故障診斷實例

為了驗證本文方法在診斷時的有效性和收斂速度的快慢，我們選取圖2所示電路進行仿真實驗。各元件的值如圖標示，由于元件都具有容差，在本電路中我們選取電容容差為10%，電阻值容差為5%。對電路先進行靈敏度分析，選取對電路性能影響較大的元件為研究對象。

5 結束語

本文采用了基于小波變換各頻帶的系數序列的絕對值之和和能量特征歸一化預處理的小波神經網絡信息融合的新方法對模擬電路故障進行了診斷。從診斷實例我們可以看出，樣本信號經過這種預處理后，剔除了信號中的冗余信號，有效減少神經網絡的輸入節點和隱層節點的個數，從網絡的規模上有所減小，降低計算的復雜度，實驗結果表明該方法具有診斷速度快，診斷準確率高的特點，并提高了辨識故障類別的能力。

注釋

① 陳煒，馮玉光.一種基于小波神經網絡的故障診斷方法[J].電子工程師，2005.31（8）：67-70.

② 劉美華，彭良玉.基于小波分析和信息融合技術的故障診斷[J].微電子學與計算機，2009.26（1）：166-168.

③ 禹旺兵，彭良玉，禹恒州.基于小波分析和神經網絡的模擬電路故障診斷方法[J].微電子學與計算機，2007.24（7）：43-46.

④ 姚俊華，李迅波.模擬電路軟故障診斷方法的研究[D].西安：電子科技大學，2010.

⑤ 秦志強，黃繼達，王晨宇，鄭標. MATLAB結合PSPICE 在模擬電路故障特征提取中的應用[D].江蘇：中國礦業大學，2009.

⑥ 賈新章，郝躍，OrCAD/PSPICE實用教程[M].西安：西安電子科技大學出版社，1999：118-128.

⑦ 李明亮.基于神經網絡的模擬電路故障診斷方法研究[D].北京：中國地質大學，2007.

⑧ 周開利，康耀紅.神經網絡模型及其MATLAB仿真程序設計[M].清華大學出版社.