小波變換和神經(jīng)網(wǎng)絡(luò)的電路故障診斷

辛健　馬力

摘 要： 模擬電路的元件較多，相互之間的耦合性較強(qiáng)，容易發(fā)生故障。為了提高電路故障的診斷準(zhǔn)確性，提出小波變換和神經(jīng)網(wǎng)絡(luò)的電路故障診斷方法。首先采用小波變換方法提取電路故障信息特征，然后采用神經(jīng)網(wǎng)絡(luò)分類提取的故障特征量實(shí)現(xiàn)對(duì)電路故障的診斷和分類識(shí)別，最后通過(guò)仿真實(shí)驗(yàn)進(jìn)行性能測(cè)試，結(jié)果表明，該方法提高了電路故障檢測(cè)的準(zhǔn)確度，具有較好的實(shí)際應(yīng)用價(jià)值。

關(guān)鍵詞： 小波變換； 神經(jīng)網(wǎng)絡(luò)； 電路故障診斷； 故障特征量

中圖分類號(hào)： TN711?34； TP277 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2017）05?0174?04

Abstract： The multiple components of the analog circuit have strong coupling among them， and it is prone to failure. In order to improve the accuracy of the circuit fault diagnosis， a circuit fault diagnosis method based on wavelet transform and neural network is proposed. The wavelet transform method is used to extract the information feature of the circuit fault. The neural network is used to classify and extract the fault feature quantity to realize the circuit fault diagnosis， and classification and recognition. The performance was tested with the simulation experiment. The results show that the method has improved the accuracy of the circuit fault detection， and has superior practical application value.

Keywords： wavelet transform； neural network； circuit fault diagnosis； fault feature quantity

0 引 言

模擬電路廣泛應(yīng)用在大型電子設(shè)備系統(tǒng)中，模擬電路由大規(guī)模的集成和分立電子元件構(gòu)成，電子元器件之間容易出現(xiàn)漏焊和耦合，電路的故障發(fā)生率較高。有效診斷模擬電路故障是保障電子系統(tǒng)可靠穩(wěn)定工作的基礎(chǔ)。電路故障診斷原理是檢測(cè)電路設(shè)備的有關(guān)參數(shù)，并進(jìn)行狀態(tài)特征分析，實(shí)現(xiàn)對(duì)電路設(shè)備運(yùn)行狀態(tài)、故障原因、部位和故障發(fā)生趨勢(shì)的判斷[1]。

當(dāng)前常用的電路故障診斷方法有信號(hào)檢測(cè)方法、模式識(shí)別方法、專家系統(tǒng)方法、神經(jīng)網(wǎng)絡(luò)方法等[2?3]。采用模式識(shí)別方法判斷電路的工況狀態(tài)，診斷電路故障是人工智能技術(shù)應(yīng)用的重要分支。檢測(cè)信號(hào)的統(tǒng)計(jì)特征值，分析電路設(shè)備的工作狀態(tài)，判斷電路運(yùn)行狀態(tài)和成因。但是通用的電路故障診斷方法存在檢測(cè)精度不高，電路元件之間相互耦合，導(dǎo)致電路故障具有多層性[4]。

為了提高電路故障的診斷準(zhǔn)確性，提出小波變換和神經(jīng)網(wǎng)絡(luò)的電路故障診斷方法，仿真實(shí)驗(yàn)結(jié)果表明，本文方法提高了電路故障檢測(cè)的準(zhǔn)確度。

1 模擬電路故障匹配過(guò)程分析

模擬電路故障檢測(cè)診斷的原理示意框圖如圖1所示。分析圖1的診斷過(guò)程可以得知，診斷電路故障首先是進(jìn)行信息測(cè)量，采用信號(hào)檢測(cè)方法對(duì)電路輸出的電信號(hào)進(jìn)行特征分析和故障特征提取，結(jié)合小波變換方法進(jìn)行特征檢測(cè)和狀態(tài)識(shí)別，從而對(duì)故障原因部位和趨勢(shì)做出分類判別[5]。

對(duì)于模擬電路輸出故障數(shù)據(jù)的數(shù)據(jù)集采用瞬時(shí)頻率特征分析方法，得到故障信息測(cè)量數(shù)據(jù)集為[p（t），]模擬電路的沖激響應(yīng)特征向量為[hi（t）]，采用光電式轉(zhuǎn)速傳感器采集信號(hào)，得到輸出電路的測(cè)譜信息為[npi（t）]。電路的主控振蕩輸出信號(hào)表示為：

3 電路故障診斷的實(shí)現(xiàn)

3.1 神經(jīng)網(wǎng)絡(luò)分類器設(shè)計(jì)

在提取電路故障特征的基礎(chǔ)上，采用神經(jīng)網(wǎng)絡(luò)分類器分類故障。利用三層神經(jīng)網(wǎng)絡(luò)結(jié)果進(jìn)行分類器設(shè)計(jì)[7?8]，如圖2所示。

取三層BP神經(jīng)網(wǎng)絡(luò)作為學(xué)習(xí)網(wǎng)絡(luò)，結(jié)構(gòu)為[2×3×1]結(jié)構(gòu)，分別為輸入層、隱含層和輸出層，其中輸入層輸入電路的小波時(shí)間尺度為二維特征；它的隱含層有三個(gè)神經(jīng)元，分別為比例元、積分元和微分元，進(jìn)行故障特征的訓(xùn)練，輸出層輸入故障類別，在任意時(shí)刻[t，]對(duì)于BP神經(jīng)網(wǎng)絡(luò)輸入層第[j]個(gè)神經(jīng)元，其輸入電路故障特征信息[netj]等于隱含層的連接權(quán)重輸出量[x1，x2，…，xn]分別乘上權(quán)重值[w1j，w2j，…，wnj]后的總和，即電路故障診斷的神經(jīng)網(wǎng)絡(luò)分類器輸入層信息參量為：

5 結(jié) 語(yǔ)

通過(guò)診斷電路故障，提高電路系統(tǒng)的穩(wěn)定性，電路故障診斷方法是檢測(cè)電路設(shè)備的有關(guān)參數(shù)，并進(jìn)行狀態(tài)特征分析，實(shí)現(xiàn)對(duì)電路設(shè)備運(yùn)行狀態(tài)、故障原因、部位和故障發(fā)生趨勢(shì)的判斷。為了提高電路故障的診斷準(zhǔn)確性，提出基于小波變換和神經(jīng)網(wǎng)絡(luò)的電路故障診斷方法，實(shí)驗(yàn)結(jié)果表明，本文方法提高了電路故障診斷的正確率，具有廣泛的應(yīng)用前景。

注：本文通訊作者為馬力。

參考文獻(xiàn)

[1] 楊俊，周丙寅，張毅，等.基于遞歸圖分析的壓縮機(jī)故障診斷方法研究[J].計(jì)算機(jī)與數(shù)字工程，2013，41（6）：984?986.

[2] 尹剛，張英堂，李志寧，等.基于MSPCA的缸蓋振動(dòng)信號(hào)特征增強(qiáng)方法研究[J].振動(dòng)與沖擊，2013，32（6）：143?147.

[3] 李兵，徐榕，賈春寧，等.基于自適應(yīng)形態(tài)提升小波與改進(jìn)非負(fù)矩陣分解的發(fā)動(dòng)機(jī)故障診斷方法[J].兵工學(xué)報(bào)，2013，34（3）：353?360.

[4] 劉聰，李穎暉，吳辰，等.基于魯棒自適應(yīng)滑模觀測(cè)器的多故障重構(gòu)[J].控制與決策，2016，31（7）：1219?1224.

[5] 張曉戎，王程成，胡光波，等.混沌差分優(yōu)化數(shù)據(jù)聚類及在故障診斷中的應(yīng)用[J].壓縮機(jī)技術(shù)，2013（6）：16?20.

[6] 劉聰，李穎暉，劉勇智，等.采用高階終端滑模觀測(cè)器的執(zhí)行器未知故障重構(gòu)[J].西安交通大學(xué)學(xué)報(bào)，2015，49（9）：135?142.

[7] 宋建華.具有溫度補(bǔ)償?shù)腁PD數(shù)控偏壓電路[J].光學(xué)與光電技術(shù)，2013，11（2）：12?15.

[8] 馮穎，張合，張祥金，等.激光探測(cè)系統(tǒng)雪崩管實(shí)時(shí)補(bǔ)償研究[J].南京理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2010，34（6）：787?791.