模擬電路軟故障診斷的動(dòng)態(tài)電流測試方法

彭澤武, 黃劍文, 馮歆堯, 李奇遠(yuǎn), 李寧, 汪樟垚

(1.廣東電網(wǎng)有限責(zé)任公司，廣東 廣州 510620；2. 湖南大學(xué) 電氣與信息工程學(xué)院，湖南 長沙 410082)

電力系統(tǒng)測控的準(zhǔn)確是保證電力系統(tǒng)安全穩(wěn)定運(yùn)行的一大關(guān)鍵，因此電力系統(tǒng)測控裝置的性能至關(guān)重要。電力系統(tǒng)測控裝置除了有單片機(jī)、數(shù)字信號(hào)處理器外，還包含大量模擬集成電路，如用于數(shù)據(jù)采集的模數(shù)轉(zhuǎn)換器電路、用于濾波及信號(hào)處理的濾波器電路等。這些模擬集成電路的可靠性直接影響到電力系統(tǒng)測控裝置能否正常運(yùn)行，而目前模擬集成電路設(shè)計(jì)和工藝水平不斷發(fā)展，集成電路的集成度和復(fù)雜度也不斷提高，使得模擬電路的故障診斷問題變得越來越復(fù)雜。隨著以人工神經(jīng)網(wǎng)絡(luò)為代表的智能技術(shù)的不斷發(fā)展和深入，模擬電路故障診斷方法也朝著智能化的方向發(fā)展[1]。文獻(xiàn)[2]提出了一種組合判斷分析的方法，它結(jié)合電路開關(guān)兩側(cè)電壓差、回路電流以及輔助觸點(diǎn)，對(duì)直流電源系統(tǒng)進(jìn)行在線檢測與故障診斷。文獻(xiàn)[3]提出了一種基于多層前向神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷新方法，應(yīng)用小波變換、主成分分析，將診斷的電路進(jìn)行模塊劃分。文獻(xiàn)[4]提出一種結(jié)合小波包分解、粒子群算法與神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷新方法，利用小波包分解來實(shí)現(xiàn)故障特征的提取,利用粒子群算法來優(yōu)化方向傳播神經(jīng)網(wǎng)絡(luò)(back-propagation network,BP)。文獻(xiàn)[5]提出了一種基于松散小波神經(jīng)網(wǎng)絡(luò)的模擬電路軟故障診斷方法，應(yīng)用多分辨率分析、小波包分析和主元分析進(jìn)行故障特征提取。文獻(xiàn)[6]從電路阻抗變化引起電路節(jié)點(diǎn)電壓變化的角度出發(fā)，提出了基于遺傳算法和神經(jīng)網(wǎng)絡(luò)結(jié)合的模擬電路軟故障診斷方法。文獻(xiàn)[7]將電路響應(yīng)的峰值和信息熵作為故障特征輸入到神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)非線性電路故障的分類。文獻(xiàn)[8]結(jié)合網(wǎng)絡(luò)撕裂法、區(qū)間故障狀態(tài)描述，提出了直流模擬電路軟故障模糊神經(jīng)網(wǎng)絡(luò)診斷方法。文獻(xiàn)[9]結(jié)合非對(duì)稱AdaBoost算法，提出了基于鄰近支持向量機(jī)的模擬電路集成故障診斷方法，提高故障定位和泛化能力。文獻(xiàn)[10]提出了基于馬氏距離的支持向量機(jī)用于模擬電路故障診斷，實(shí)現(xiàn)模擬電路的多故障診斷。文獻(xiàn)[11]提出一種基于one-against-rest支持向量機(jī)分類器的混合故障字典決策策略，解決模擬電路的故障診斷和定位問題。文獻(xiàn)[12]提出結(jié)合主成分分析和極限學(xué)習(xí)機(jī)的故障診斷方法，對(duì)模擬電路進(jìn)行故障診斷和健康管理。文獻(xiàn)[13]設(shè)計(jì)了一種依賴于數(shù)據(jù)分布的新型支持向量機(jī)用于模擬電路故障診斷，該方法通過融合數(shù)據(jù)的先驗(yàn)分布信息來增強(qiáng)算法的抗干擾能力。文獻(xiàn)[14]提出一種將局部均值分解多尺度熵和極限學(xué)習(xí)機(jī)相結(jié)合的方法提高模擬電路故障診斷的精度。

對(duì)于模擬集成電路而言，電源電流是一個(gè)重要的參數(shù)，可以從對(duì)其進(jìn)行分析得到反映電路參數(shù)、結(jié)構(gòu)特征的信息。若電路發(fā)生故障，導(dǎo)致電路參數(shù)或結(jié)構(gòu)發(fā)生變化，電源電流也將隨之發(fā)生相應(yīng)的變化，這是電路故障信息的重要反映。目前基于電流測試的模擬集成電路故障診斷方法的研究不多，主要集中在結(jié)合小波預(yù)處理的神經(jīng)網(wǎng)絡(luò)故障辨識(shí)方法。文獻(xiàn)[15]提出一種基于小波包分解的電流測試方法，用于單個(gè)補(bǔ)償式互補(bǔ)金屬氧化物半導(dǎo)體(complementary metal-oxide semiconductor，CMOS)運(yùn)放的故障診斷。文獻(xiàn)[16]則利用小波變換建立故障字典, 提出基于小波神經(jīng)網(wǎng)絡(luò)的方法實(shí)現(xiàn)模擬電路故障診斷。文獻(xiàn)[17]針對(duì)混合信號(hào)電路的測試，提出了基于小波分析的故障診斷方法。

目前模擬集成電路故障診斷方法的研究主要集中在基于電壓的測試方法方面，并取得了豐富的成果。但通過測量測試點(diǎn)的電壓來提取電路特征實(shí)現(xiàn)故障診斷，診斷的效果與測試點(diǎn)的選取有關(guān)，一般通過增加測點(diǎn)以及采用測點(diǎn)優(yōu)選算法提高故障診斷的準(zhǔn)確性。隨著集成電路集成度與復(fù)雜度不斷提高，可利用的測試管腳有限，測試點(diǎn)的選擇越來越難，給測試和診斷帶來極大困難。而基于芯片電流的測試方法則不存在這一限制，但目前相關(guān)研究還不是很成熟。為進(jìn)一步提高上述電流測試方法的性能，本文研究一種模擬電路動(dòng)態(tài)電流測試方法來實(shí)現(xiàn)中小規(guī)模模擬電路的軟故障診斷。該算法采用結(jié)合小波分析、聚類分析和神經(jīng)網(wǎng)絡(luò)的處理方法，同時(shí)考慮到了電流中的穩(wěn)態(tài)部分與瞬態(tài)部分，進(jìn)一步從特征提取和神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)效率等方面提高電流測試方法的性能。通過對(duì)中小規(guī)模模擬電路進(jìn)行軟故障診斷仿真實(shí)驗(yàn)，結(jié)果表明了該方法的有效性。

1 結(jié)合小波分析、聚類分析和神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)電流測試方法

對(duì)于上述測量電壓方法存在的困難，采用電流的測試方法可以解決這一問題。電流與電壓測量不同，可以僅通過少量電源點(diǎn)電流信息推算出整體電路情況，對(duì)任意集成電路電源節(jié)點(diǎn)的測量仍然是方便的。因此，對(duì)模擬集成電路電源電流測試方法的研究有重要意義。

從元件的角度劃分，模擬電路的故障分為硬故障與軟故障。硬故障指電路中元件發(fā)生了短路或開路，而軟故障指元件參數(shù)超出了元件的容差范圍，多由元件老化、變質(zhì)和環(huán)境變化引起，雖然會(huì)引起系統(tǒng)性能的變化但又不至于導(dǎo)致系統(tǒng)失效。一般而言，硬故障可以看成軟故障的極限形式，因此，可以通過研究軟故障診斷方法來解決硬故障診斷的問題。

現(xiàn)階段，基于電流測試的模擬集成電路軟故障診斷方法主要集中在結(jié)合小波預(yù)處理的神經(jīng)網(wǎng)絡(luò)故障辨識(shí)方法?，F(xiàn)有利用小波變換分解電流提取故障特征再結(jié)合神經(jīng)網(wǎng)絡(luò)進(jìn)行故障辨識(shí)的電流測試方法大多通過增加小波分解層數(shù)、多小波或小波包分解等方法來提高軟故障診斷效果，但存在故障特征向量維數(shù)大、影響計(jì)算速度和后續(xù)神經(jīng)網(wǎng)絡(luò)訓(xùn)練效果等問題。

此外，對(duì)于模擬集成電路軟故障診斷，采用電流測試的方法時(shí)，如果單一采用穩(wěn)態(tài)電流或瞬態(tài)電流測試，不能有效提高故障覆蓋率。而采用包含全部電流的動(dòng)態(tài)電流測試方法，測量電源完整的電流信號(hào)，則能兼顧靜態(tài)電流測試和瞬態(tài)電流測試兩者的故障覆蓋率，提高模擬電路電流測試的有效性。電路的靜態(tài)電流信號(hào)和瞬態(tài)電流信號(hào)具有不同的特性，因此要采用合適的分析方法處理被測電路的動(dòng)態(tài)電流信號(hào)，從中提取出電路的故障信息。同時(shí)，由于模擬信號(hào)電路本身的一些特點(diǎn)，如模擬元件的容差、非線性等，以及電路元件可能在多處同時(shí)發(fā)生軟故障等，導(dǎo)致了電路部分模式在故障特征空間內(nèi)的相互交叉、重疊，由此造成軟故障診斷的模糊性和不確定性。故障模式識(shí)別是模擬信號(hào)電路智能軟故障診斷技術(shù)中最關(guān)鍵的問題，只要解決了故障模式準(zhǔn)確分類的問題，模擬信號(hào)電路的診斷問題不難解決。

為了改善以上問題，可以采用結(jié)合小波分析、聚類分析和神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)電流測試方法。采用動(dòng)態(tài)電流的測試方法，可以提高模擬電路電流測試的有效性。利用小波變換，可以有效保存與處理動(dòng)態(tài)電流信號(hào)中豐富的信息，并在將各頻段相對(duì)能量作為故障特征向量后，能大大降低特征向量的維數(shù)和計(jì)算量，同時(shí)保留盡可能多的故障信息。對(duì)故障特征向量樣本集進(jìn)行聚類分析，可以減少由模擬元件的容差、非線性等造成的軟故障診斷的模糊性和不確定性帶來的影響，進(jìn)一步的改善樣本質(zhì)量。再將聚類后的樣本集輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，從而提高神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)效率，使中小規(guī)模模擬電路軟故障診斷的準(zhǔn)確性與效率都有了較大的提升。

因此，本文采用結(jié)合小波分析、聚類分析和神經(jīng)網(wǎng)絡(luò)的處理方法，先用小波分析方法從被測電路的動(dòng)態(tài)電流信號(hào)中提取電路的故障特征向量，再采用聚類分析和神經(jīng)網(wǎng)絡(luò)技術(shù)，以此實(shí)現(xiàn)軟故障診斷的動(dòng)態(tài)電流測試方法，從特征提取和神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)效率等方面提高電流測試方法的性能。

2 基于小波分析的動(dòng)態(tài)電流信號(hào)故障特征提取

基于動(dòng)態(tài)電流測試的電路軟故障診斷，首先需要對(duì)被測電路的動(dòng)態(tài)電流信號(hào)進(jìn)行分析，從中提取包含被測電路故障特征的信息，也就是確定被測電路的故障特征參數(shù)。由于小波分析在信號(hào)處理方面的突出表現(xiàn)，考慮采用小波分析方法處理動(dòng)態(tài)電流信號(hào)，得到被測電路的故障特征向量。

對(duì)動(dòng)態(tài)電流采樣后得到的信號(hào)為離散序列，因此采用離散小波變換算法對(duì)采樣后的動(dòng)態(tài)電流信號(hào)進(jìn)行分解。動(dòng)態(tài)電流信號(hào)分解的流程如圖1所示。

圖1 小波分解過程Fig.1 Wavelet decomposition process

設(shè)被測電路動(dòng)態(tài)電流原始采樣信號(hào)為C0，則相應(yīng)的離散小波分解為：

(1)

(2)

式中：h0(n)和h1(n)為由小波函數(shù)所構(gòu)造的濾波器組。h0(n)為低通濾波器，信號(hào)通過該濾波器后，可以得到原始信號(hào)的近似，即低頻概貌信號(hào)；h1(n)為高通濾波器，信號(hào)通過該濾波器后，可以提取出原始信號(hào)的細(xì)節(jié)，即高頻細(xì)節(jié)信號(hào)；cj+1,k為j+1尺度下的低頻概貌信號(hào)的第k個(gè)系數(shù)，而dj+1,k為j+1尺度下的高頻細(xì)節(jié)信號(hào)的第k個(gè)系數(shù)。

進(jìn)行一次變換后，可繼續(xù)利用上述算法，對(duì)得到的原始信號(hào)的近似即低頻概貌信號(hào)進(jìn)行進(jìn)一步的分解變換。每一次進(jìn)行分解變換后，原始信號(hào)都將會(huì)被分解成概貌系數(shù)cA和細(xì)節(jié)系數(shù)cD，然后低頻概貌再作為原始信號(hào)，繼續(xù)按此分解下去。這樣就實(shí)現(xiàn)了動(dòng)態(tài)電流信號(hào)的多重小波分解，把原始信號(hào)分解到幾個(gè)不同頻段上，可以得到小波系數(shù)

c={cAn,cDn,cDn-1,…,cD2,cD1}.

(3)

式中：n為小波分解的層數(shù)；cAn為第n層分解后低頻概貌分量的分解系數(shù)；cDn為第n層分解后高頻細(xì)節(jié)分量對(duì)應(yīng)的系數(shù)；cDn-1,…,cD2,cD1則分別為第n-1層到第1層小波分解的高頻細(xì)節(jié)分量對(duì)應(yīng)的系數(shù)。式(3)的小波系數(shù)能反映動(dòng)態(tài)電流信號(hào)的特征和變化趨勢，從中可以提取出被測電路的故障特征向量。

在小波變換的實(shí)際軟故障診斷工程應(yīng)用中，小波分解的層數(shù)是一個(gè)重要問題。小波分解層數(shù)少的話，得到的小波系數(shù)可能無法完全反映故障特征，影響診斷效果。增加小波分解的層數(shù)，則能使小波系數(shù)更全面地反映故障特征，提高診斷效果。如果直接將多重小波分解后的系數(shù)作為故障特征向量的話，分解層數(shù)過多，則特征向量維數(shù)大，影響計(jì)算速度，不利于后續(xù)的軟故障診斷。下面從能量與故障關(guān)系的角度，提取電路的故障特征向量。

電路中出現(xiàn)故障時(shí)，電路的穩(wěn)態(tài)電流、瞬態(tài)電流將會(huì)不同，不僅電路動(dòng)態(tài)電流信號(hào)的幅頻特性、相頻特性會(huì)有變化，在相同頻帶內(nèi)故障電路的動(dòng)態(tài)電流信號(hào)的能量與正常電路的動(dòng)態(tài)電流信號(hào)相比也會(huì)有較大差別。動(dòng)態(tài)電流信號(hào)各頻率成份的能量譜同樣包含豐富的故障信息，某一頻率或某幾種頻率成份總能量的改變即表明某一故障模式的發(fā)生。因此，可以根據(jù)動(dòng)態(tài)電流信號(hào)各頻率成份能量在不同頻段的分布特征來構(gòu)造動(dòng)態(tài)電流測試的電路故障特征向量。

由式(3)所示的小波多重分解，將第i層小波分解后高頻段的小波系數(shù)記為

{si1,si2,…,sij,…,sim}.

(4)

式中：m為該頻段的采樣點(diǎn)數(shù);sij為第i層小波分解后高頻段的第j個(gè)系數(shù)。則該頻段的能量

(5)

對(duì)于n層小波分解，被測電路動(dòng)態(tài)電流信號(hào)在各頻段的能量記為

{E1,E2,…,En,En+1}.

(6)

式中：E1，E2，…，En依次為第1層高頻段、第2層高頻段和第n層高頻段能量，而En+1則為第n層低頻段能量。

當(dāng)電路出現(xiàn)故障時(shí)，會(huì)影響信號(hào)能量在各頻段內(nèi)的分布。因此，在式(6)的基礎(chǔ)上，定義各頻段的相對(duì)能量

(7)

式中：Eri為第i頻段的相對(duì)能量，而Ei則為第i頻段的能量。根據(jù)式(7)分別計(jì)算各頻段的相對(duì)能量，便可得到如下集合

{Er1,Er2,…,Ern,Ern+1}.

(8)

將式(8)所示的、以相對(duì)能量為元素構(gòu)造的向量作為動(dòng)態(tài)電流測試的故障特征向量，用于后續(xù)的電路軟故障診斷。

采用小波變換對(duì)待測電路的動(dòng)態(tài)電流信號(hào)進(jìn)行小波分解，并將各頻段相對(duì)能量作為故障特征向量，可以在大大降低特征向量的維數(shù)和計(jì)算量的同時(shí)保留盡可能多的故障信息，有利于提高軟故障診斷的效率。

3 故障特征向量聚類

本文提出的動(dòng)態(tài)電流測試的方法，在利用小波變換提取被測電路的故障特征參數(shù)后，下一步是將其輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行模式分類，以實(shí)現(xiàn)中小規(guī)模模擬電路的軟故障診斷。

采用神經(jīng)網(wǎng)絡(luò)，可以通過一定數(shù)量的樣本集輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練獲取不同故障下的檢測和定位信息，以此來進(jìn)行軟故障診斷。基本原理：所有故障類別均用一組唯一的特征向量表示，將故障特征向量作為神經(jīng)網(wǎng)絡(luò)的輸入，與其對(duì)應(yīng)的故障類別組成神經(jīng)網(wǎng)絡(luò)的輸出，以此進(jìn)行神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)。神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)好后，輸入不同電路故障類型下的特征向量，即可輸出對(duì)應(yīng)的故障類型，達(dá)到診斷故障的目的。

考慮到軟故障所引起的模擬電路的容差特性，不直接將各故障狀態(tài)所對(duì)應(yīng)的各頻段相對(duì)能量組成的故障特征向量作為樣本集訓(xùn)練神經(jīng)網(wǎng)絡(luò)，而是先采用聚類分析對(duì)訓(xùn)練樣本質(zhì)量進(jìn)行改善。使用聚類的方法，能得到各種故障的典型特征，減少因模擬元件的容差、非線性等造成的模糊性和不確定性。本文采用基于歐氏距離的向量聚類方法，具體步驟如下：

樣本集中各特征向量之間的歐氏距離

圖2 訓(xùn)練樣本預(yù)處理流程Fig.2 Preprocessing of training samples

從圖2可知：

步驟1，定義參考向量集V={V1,V2,…,Vl}，初始令V={V1},V1=X1,l=1,k=1。

(10)

設(shè)置聚類系數(shù)ε，如果關(guān)系度與聚類系數(shù)滿足R≥ε，則認(rèn)為Vm和Xk相似，兩者屬于同一類向量，進(jìn)行步驟3；如果R<ε，則認(rèn)為Vm和Xk不相似，繼續(xù)考慮參考向量集中的下一個(gè)參考向量，計(jì)算其是否與Xk相似。如果參考向量集中的每一個(gè)參考向量都不與Xk相似，則往參考向量集中增加一個(gè)參考向量，即令V={V,Xk},l=l+1。

步驟3，令k=k+1，如果k>p，進(jìn)行下一步，否則返回步驟2。

步驟4，基于最終參考集V={V1,V2,…,Vl}，計(jì)算樣本集中各向量與其的關(guān)系度，將每一個(gè)向量分類至與其最相似的參考向量集中。

步驟5，計(jì)算每一類向量的均值，其結(jié)果即為聚類分析結(jié)果中每一類的中心，聚類數(shù)目為參考向量集中向量數(shù)l。

采用上面的算法進(jìn)行聚類后，會(huì)產(chǎn)生l個(gè)聚類中心，其對(duì)應(yīng)與模擬電路中的l種故障。然后選取離各類別聚類中心比較近的向量作為訓(xùn)練樣本，輸入神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行訓(xùn)練。進(jìn)行聚類分析后，可以大大改善訓(xùn)練樣本的數(shù)據(jù)質(zhì)量，由此可以改善神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)質(zhì)量，提高神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)的學(xué)習(xí)效率。

4 測試流程

針對(duì)中小規(guī)模模擬集成電路的軟故障診斷，結(jié)合小波分析、聚類分析和神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)電流測試方法具體步驟如圖3所示。

圖3 測試流程Fig.3 Test flow

從圖3可知：

步驟1，對(duì)待測電路的各種軟故障狀態(tài)，如無故障、單故障、多故障進(jìn)行仿真分析，獲得各狀態(tài)下的動(dòng)態(tài)電流響應(yīng)信號(hào)。

步驟2，利用多重小波分解的方法將步驟1中獲得的電路動(dòng)態(tài)電流響應(yīng)信號(hào)進(jìn)行處理，得到各頻段的小波系數(shù)。

步驟3，由步驟2中獲得的小波系數(shù)，計(jì)算各頻段的相對(duì)能量，由此構(gòu)造故障特征向量。

步驟4，采用基于歐式距離的聚類算法對(duì)由各故障狀態(tài)所對(duì)應(yīng)的特征向量集進(jìn)行聚類，得到質(zhì)量改善的訓(xùn)練樣本集。

步驟5，根據(jù)特征向量維數(shù)、故障類別數(shù)量及訓(xùn)練樣本規(guī)模等因素設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)。

步驟6，將通過步驟4得到的訓(xùn)練樣本集輸入步驟5設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)，進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練。

步驟7，訓(xùn)練完成后，將測試樣本輸入神經(jīng)網(wǎng)絡(luò)中。如果輸出結(jié)果與期望一致，表明網(wǎng)絡(luò)能正確診斷電路故障；如果輸出結(jié)果與期望不一致，表明網(wǎng)絡(luò)不能正確診斷電路故障，則需增加樣本數(shù)量或改進(jìn)神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)，然后重復(fù)步驟6。

5 診斷實(shí)例

采用仿真實(shí)驗(yàn)的方法，對(duì)實(shí)例中小規(guī)模模擬電路進(jìn)行軟故障診斷，以分析驗(yàn)證本文所提出動(dòng)態(tài)電流測試方法的效果。以四階高通濾波器的測試電路高通濾波器為例進(jìn)行仿真分析，其電路結(jié)構(gòu)如圖4所示。

表2 高通濾波器診斷結(jié)果
Tab. 2 Diagnostic results of high pass filter

故障集NFC1↑C1↓C2↑C2↓R1↑R1↓R2↑R2↓R3↑R3↓R4↑R4↓NF100000000000000C1↑010000000000000C1↓00980200000000C2↑000100000000000C2↓000010000000000R1↑000001000000000R1↓000000100000000R2↑000000010000000R2↓00001000990000R3↑00002000098000R3↓000000000010000R4↑00001000000990R4↓000000000000100

圖4 高通濾波器結(jié)構(gòu)Fig.4 Struction of High pass filter

仿真電路在考慮容差的情況下進(jìn)行，電容容差變化范圍為±10%，電阻容差變化范圍為±10%。仿真中電路共有13種狀態(tài)，即正常狀態(tài)和12種故障狀態(tài)，電路元件的實(shí)驗(yàn)數(shù)據(jù)見表1。

用Pspice仿真軟件對(duì)待測電路進(jìn)行瞬態(tài)分析，采用蒙特卡羅法對(duì)每種故障模式進(jìn)行100次暫態(tài)仿真分析，再利用DB1小波函數(shù)，對(duì)仿真得到的動(dòng)態(tài)電流數(shù)據(jù)進(jìn)行多重小波分解，然后對(duì)分解的結(jié)果進(jìn)行處理，計(jì)算各頻段的相對(duì)能量，將其作為故障特征向量集，以此進(jìn)行聚類分析。聚類的結(jié)果作為訓(xùn)練樣本集，以此訓(xùn)練神經(jīng)網(wǎng)絡(luò)。由于電路狀態(tài)包括正常狀態(tài)以及表1中12個(gè)故障狀態(tài)，因此4位二進(jìn)制編碼即可表示出電路的13種狀態(tài)。設(shè)計(jì)4個(gè)輸出神經(jīng)元，16個(gè)隱含層神經(jīng)元，隱含層神經(jīng)元傳遞函數(shù)和輸出神經(jīng)元傳遞函數(shù)分別為tansig函數(shù)和logsig函數(shù)。網(wǎng)絡(luò)訓(xùn)練完成后，再將原始樣本輸入網(wǎng)絡(luò)測試，所得結(jié)果見表2。

表1 高通濾波器電路狀態(tài)集
Tab.1 Circuit state set of high pass filter

故障類型元件狀態(tài)標(biāo)稱值故障值F1C1↓5 nF2.5 nFF2C1↑5 nF10 nFF3C2↓5 nF2.5 nFF4C2↑5 nF10 nFF5R1↓6.2 kΩ3 kΩF6R1↑6.2 kΩ15 kΩF7R2↓6.2 kΩ2 kΩF8R2↑6.2 kΩ18 kΩF9R3↓6.2 kΩ2.7 kΩF10R3↑6.2 kΩ12 kΩF11R4↓1.6 kΩ0.5 kΩF12R4↑1.6 kΩ2.5 kΩ

注：表中符號(hào)↓代表元件故障值比標(biāo)稱值小，↑代表元件故障值高于標(biāo)稱值。

從表2可以看出，對(duì)C1↓進(jìn)行辨識(shí)時(shí)，有2次被誤判；在R2↓時(shí)，有1次被誤判；在R3(時(shí)，有2次被誤判；在R4(時(shí)，有1次被誤判；其他故障模式均能正常識(shí)別。上述實(shí)例電路的仿真結(jié)果驗(yàn)證了所提出的軟故障診斷方法進(jìn)行故障識(shí)別能取得很好的診斷效果。

6 結(jié)束語

電力系統(tǒng)測控中使用了大量模擬電路，模擬電路的故障可能導(dǎo)致測控失誤,及時(shí)診斷故障是維持電力系統(tǒng)安全穩(wěn)定運(yùn)行的一大保障。本文結(jié)合小波分析、聚類分析和神經(jīng)網(wǎng)絡(luò)，研究一種中小規(guī)模模擬集成電路軟故障診斷的動(dòng)態(tài)電流測試方法。對(duì)于模擬集成電路的電流測試，單一采用穩(wěn)態(tài)電流或瞬態(tài)電流測試的方法，不能有效提高故障覆蓋率。而采用動(dòng)態(tài)電流測試則可提高模擬電路電流測試的有效性。結(jié)合小波分析、聚類分析和神經(jīng)網(wǎng)絡(luò)，可以從特征提取和神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)效率等方面提高電流測試方法的性能。利用小波變換在時(shí)域和頻域的良好局部性和較強(qiáng)的特征提取功能，對(duì)待測電路的動(dòng)態(tài)電流信號(hào)進(jìn)行小波分解，將各頻段相對(duì)能量作為故障特征向量，既大大降低了特征向量的維數(shù)和計(jì)算量又保留了盡可能多的故障信息。然后對(duì)得到的故障特征向量樣本集進(jìn)行聚類分析，改善樣本質(zhì)量。再將聚類后的樣本集輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，由于聚類后的樣本質(zhì)量得到了改善，從而提高了神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)效率。采用所提方法對(duì)實(shí)例濾波器電路進(jìn)行軟故障診斷仿真實(shí)驗(yàn)，結(jié)果表明12種電路故障均取得了較高的故障識(shí)別率，驗(yàn)證了所提方法的有效性。后續(xù)擬進(jìn)一步研究小波基函數(shù)選擇和小波分解層次對(duì)故障診斷效果的影響，以及在此基礎(chǔ)上研究小波基函數(shù)和分解層次的優(yōu)選。