基于小波神經網絡的模擬電路故障診斷方法研究

摘 "要： 小波變換是一種時頻分析方法，具有多分辨率特性，被譽為數學顯微鏡，而BP神經網絡具有較好的泛化能力，很適合于判斷電路狀態屬于哪種故障類型的分類問題。本文將二者結合起來，采用基于小波神經網絡的模擬電路故障診斷方法。應用小波變換對模擬電路幅頻響應的采樣信號進行故障特征提取，然后利用BP神經網絡對各種狀態下的特征向量進行分類決策，實現模擬電路的故障診斷。通過對電路進行仿真，證明該方法能夠實現故障檢測及定位，具有準確率高的特點。

關鍵詞： 小波變換; 模擬電路故障診斷; 神經網絡; 故障特征提取

中圖分類號： TN710?34 " " " " " " " " " 文獻標識碼： A " " " " " " " " " " " " " "文章編號： 1004?373X（2015）06?0036?03

Method of Analog Circuit Fault Diagnosis based on wavelet neural network

ZHOU Jing?jing， WU Wen?quan， XU Yan?yi， SUN Jin?ming

（School of Electronic Engineering， Naval Engineering Niversity， Wuhan 430033， China）

Abstract： Wavelet transform is a time?frequency analysis method， which has multi?resolution feature， is honoured as mathematical microscope， and is suitable for judging what type of fault the circuit status belongs to. In this paper， the analog circuit fault diagnosis method based on wavelet neural network is used. Wavelet transform is adopted to extract the fault features of the sampling signal from amplitude?frequency response of the analog circuit. BP neural network is utilized to classify the feature vectors under various states and realize fault diagnosis of analog circuits. Simulation results of the circuit show that this scheme is feasible and has many powerful virtues， such as accurate fault detection and positioning.

Keywords： wavelet transform; analog circuit fault diagnosis; neural network; fault feature extraction

0 "引 "言

隨著科學技術的不斷進步，電子電路已經應用，據相關統計，電路故障的80%來自于模擬電路部分，即模擬電路的可靠性決定了整個系統的可靠性[1]。因此，模擬電路的故障診斷與可靠性設計的重要性不言而喻。通常的診斷方法[2?3]是從電路的輸出響應曲線上提取其特征向量，當電路出現故障時，輸出響應曲線與正常狀態有所差異，通過分析曲線及其數據的變化來反映其故障特征，再通過上述的方法進行故障診斷。

本文采用小波神經網絡實現故障的診斷，首先對研究電路進行仿真，對各種故障狀態下的幅頻響應曲線利用小波變換提取其特征參數集，該數據集包含了元件在無容差狀態下的電路數據和有容差狀態下的電路數據，然后構造BP神經網絡進行故障的診斷分類。經實驗證明，本文所用方法對所研究電路故障有很高的識別率。

1 "小波神經網絡方法

1.1 "小波變換特征提取

在模擬電路的故障診斷中，通常利用小波變換對電路的輸出響應曲線進行數據的預處理，提取其故障特征參數。小波變換的定義是把某一個被稱為基本小波的函數做位移b后，再在不同尺度a下與待分析的信號x（t）做內積[4]，即：

[WTxa，b=1a-∞+∞xtφ·t-badt， "agt;0]

式中：a為頻率參數;b為時間參數。通過改變時間和頻率參數，將得到不同的尺度來評估信號在不同的時間頻率段的系數。這些系數表征了原始信號在這些小波函數上投影的大小。從信號分析的角度看，小波分解是將待分析信號通過兩組濾波器，得到信號的高頻信號和低頻信號，同時，對低頻信號的進一步分解，可以得到下一尺度函數上的低頻信號及高頻信號，且長度均為原信號長度的一半，即在濾波后進行了采樣。將采樣后的信息做為信號的特征參數。具體步驟為：

（1） 對采樣信號進行5層離散小波分解，得到從第1層到第5層，共6個小波分解系數序列 （A5，D5，D4，D3，D2，D1）;

（2） 特征向量構成。以各層小波分解系數的絕對值最大值為元素構成特征向量，即（max（A5），max（D5），max（D4），max（D3），max（D2），max（D1））;

（3） 歸一化處理。指通過變換處理將網絡輸入數據限制在[-1，1]區間內，從而避免大的動態變化。

1.2 "小波神經網絡故障診斷方法

小波神經網絡的模擬電路故障診斷過程為：首先是診斷信息獲取，利用電路輸出電壓響應獲得故障信息;然后是故障特征提取，即采用小波變換從采用信號中提取所需的故障特征;最后是狀態識別和故障診斷，即采用 BP 神經網絡進行分類，以確定故障類型[5]。

（1） 數據采集與故障特征提取。在待測電路運行于不同故障模式時，采集電路輸出響應信號（如電壓、電流等信號），對其離散化后，進行N層小波分解，以各層小波分解系數序列的絕對值之和為元素組成故障特征向量;

（2） BP 網絡結構參數[6]。根據電路故障特征向量維數和電路故障模式，確定 BP 網絡的輸入與輸出層節點數目。假設對采樣信號進行N層小波分解，獲得N+1 維的故障特征向量，即網絡輸入層節點數目為N+1;如果待測電路有M種故障模式，則輸出層節點數目為M;隱層神經元數目[6]預選取為[N+M+a]（N和M分別為輸入/輸出層數目，a=1～10），若在網絡訓練過程中不能滿足要求，則逐個增加（或減少）隱層神經元數目。經過比較，輸入層和隱層的激勵函數均采用tan?sigmoid函數，輸出層的激勵函數采用線性函數;

（3） 訓練 BP 網絡。為了讓 BP 網絡能夠識別電路的故障模式，首先必須對網絡進行訓練。以故障特征向量為訓練樣本輸入向量，訓練樣本輸出向量確定方法為：設電路有M種故障模式，網絡輸出{y1，y2，…，yj，…，yk，…，yM}，若電路狀態處于模式j，則令yj=1 ，其余為 0，網絡輸出向量為（0，0，…，1，…，0，…，0），若電路狀態同時處于模式j和模式k，則網絡輸出向量為（0，0，…，1，…，1，…，0）。因此 BP 網絡可實現模擬電路的單、多故障診斷;

（4） 診斷結果輸出。把待測電路的故障特征向量輸入經過訓練的 BP 網絡，得到輸出結果，即可判斷電路故障模式。

2 "診斷實例

2.1 "診斷電路

本文選擇25 kHz帶通濾波器做為研究對象，使用 OrCAD/PSpice 10.5 軟件進行建模及仿真。如圖1所示。在電路各個故障模式下（包含正常情況）進行50次Monte?Carfo分析，如圖2所示。

lt;E：＼王芳＼現代電子技術201506＼現代電子技術15年38卷第6期＼Image＼19T1.tifgt;

圖1 25 kHz帶通濾波器

lt;E：＼王芳＼現代電子技術201506＼現代電子技術15年38卷第6期＼Image＼19T2.tifgt;

圖2 電路幅頻響應的50次蒙特卡羅分析

2.2 "用小波神經網絡方法進行故障診斷

2.2.1 "故障特征提取

設電阻與電容的容差允許范圍分別為5%和10%。當電路元件都在其容差范圍內取值時，電路處于無故障狀態（即NF）。對圖1電路進行靈敏度分析可知，元件R3，C2，R2，C1的參數變化對電路中心頻率有較大的影響。考慮故障類型為：R3，C2，R2，C1分別偏離標稱值的50%，其他元件在其容差范圍內取值時獲得的9種故障類型（包括無故障類型NF）分別為：NF，R3↑，R3↓，C2↑，C2↓，R2↑，R2↓，C1↑，C1↓，其中，↑與↓分別表示高于和低于元件標稱值的50%。

對圖1電路加激勵后，提取其輸出節點Out的幅頻響應進行小波消噪與分解，然后提取小波系數各分量絕對值的最大值作為故障的特征。

上述故障特征主要由兩部分組成：

（1） 考慮元件無容差情況下的電路，對電路在各種故障狀態下進行交流分析以提取電路的響應信號進行小波消噪與分解，再求取小波系數各分量絕對值的最大值，組成無容差候選樣本;

（2） 考慮元件有容差情況下的電路，對該電路在各種故障狀態下進行Monte?Carfo分析與瞬態分析相結合，同樣地，提取電路的響應信號進行小波消噪與分解，再求取小波系數各分量絕對值的最大值，組成容差電路候選樣本。

將（1）和（2）所獲得的候選樣本采用主元分析與歸一化處理后，組成神經網絡樣本，一部分作為訓練樣本用來訓練神經網絡，另一部分作為檢驗樣本，用來檢驗已訓練好的神經網絡的分類性能。

2.2.2 "構造BP神經網絡及診斷

針對文中診斷電路，BP 網絡結構參數如下：

（1） 輸入層。神經元數目6個，即小波變換獲得的故障特征向量。

（2） 輸出層。神經元數目9個，即電路的故障模式。

（3） 隱層。神經元數目預選取13個。BP神經網絡結構為6?13?9，輸入層和隱含層傳遞函數為logsig函數，隱層和輸出層傳遞函數為purelin函數，最小均方誤差1e-8，經過 4 398 次訓練調整后，均方誤差達到 0.034 2，如圖3所示。

lt;E：＼王芳＼現代電子技術201506＼現代電子技術15年38卷第6期＼Image＼19T3.tifgt;

圖3 均方誤差與訓練次數關系

為檢驗經過訓練的網絡的故障診斷效果，用測試樣本對網絡進行測試，如表1所示。

3 "結 "語

本文采用小波神經網絡的模擬電路故障診斷方法，對25 kHz帶通濾波器電路故障進行診斷，先通過小波分解的方法進行故障特征的提取，再用BP神經網絡進行故障分類。通過測試樣本對經過訓練的BP神經網絡進行檢驗，取得了較好的準確率。在下一步的研究中將利用小波變換從電源電流提取故障特征，融合[7]提取的電壓故障特征向量開展模擬電路故障診斷的研究。

表1 訓練和測試結果數據表

參考文獻

[1] 尹玉波.小波神經網絡在電子設備故障診斷中的應用[D].沈陽：東北大學，2008.

[2] 楊士元.模擬系統的故障診斷與可靠性設計[M].北京：清華大學出版社，1993.

[3] 祝文姬.模擬電路故障診斷的神經網絡方法及其應用[D].長沙：湖南大學，2011.

[4] 宋小安.模擬電路故障診斷的專家系統法與BP神經網絡法研究[D].南京：河海大學，2005.

[5] 謝宏，何怡剛，吳杰.基于小波?神經網絡模擬電路故障診斷方法的研究[J].儀器儀表學報，2004，25（5）：672?675.

[6] 王鵬宇，黃智剛.模糊理論與神經網絡結合對模擬電路進行分層故障診斷[J].電子測量技術，2002（1）：7?9.

[7] 朱大奇，于盛林.電子電路故障診斷的神經網絡數據融合算法[J].東南大學學報：自然科學版，2001，31（6）：87?90.

[8] 何怡剛，羅先覺，邱關源.基于神經網絡的線性電路故障診斷非線性L1范數優化方法[J].電子測量與儀器學報，1998，12（l）：18?22.