基于小波分析神經網絡的模擬電路 故障診斷方法

1、基于小波分析神經網絡的模擬電路故障診斷方法王恒華1 彭良玉2(1,2.湖南師范大學物理與信息科學學院,湖南長沙,410081摘要: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A Method for Fault Diagnosis of Analog Circuits Based on Neural

2、Network Wavelet Analysis 意思不對應Wang Henghua 1 Peng Liangyu 2(1,2.College of Physics and Information Science,Hunan Normal University, Changsha 410081,China Abstract : A new method for fault diagnosis of analogue circuits based on neural network information fusion technique about the absolute value sum

3、 of decomposed coefficients and energy fault features of each frequency band. the fault features of signal are extracted from wavelet decomposition and are normalized and are connected as vector. this features of vector are inputted BP neural network and trained. the realization of the proposed meth

4、od is expounded by using practical circuit. the simulation results demonstrate the effectiveness of the proposed method.Key words : Wavelet analysis; Neural network; Analogue circuits; Fault diagnosis1 引言模擬電路故障診斷是近代電路理論的一個前沿領域,其基礎理論研究始于20世紀70年代初的元件可解性問題的研究,現已發(fā)展成為網絡理論中公認的第三個分支。由于模擬電路中的輸入輸出響應都是連續(xù)量;電路元

5、器件參數具有很大的離散性,即具有容錯;以及模擬電路中廣泛存在的非線性等原因,給其故障診斷帶來很大的困難。由于神經網絡具有良好的學習和泛化能力,近年來成為研究的熱點。文獻1,2中將模擬電路中的可及節(jié)點的電壓作為輸入訓練神經網絡,然后利用被測電路的節(jié)點電壓測試神經網絡以定位故障元件,這使得軟故障診斷成為了可能?，F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。文獻3-5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,針對上述問題,文中提出了一種可用于多故障診斷的改進方法。該方法首先對電路進行靈敏度分析,確定電路的敏感元件和電路的測試點5,然后對其節(jié)點進行小波分

6、析,提取各頻帶信號的系數序列的絕對值之和和能量特征作為特征信號,經歸一化和向量關聯后輸入神經網絡進行訓練,然后對訓練好的神經網絡進行性能測試,實驗結果表明該方法的有效性和可行性。2 故障特征提取和處理 2.1 連續(xù)小波變換將任意L 2(R 空間中的函數f (t 在小波基下展開,即為函數f (t 的連續(xù)小波變換(Continue Wavelet Transform ,CWT ,其表達式為:(,(,(*(1,t WTa f t t f t dt R fa a-= 公式字體太小 由以上公式定義可知,小波變換具有尺度a 和平移兩個參數,所以函數一經小波變換,就意味著將一個時間函數投影到二維的時間、尺度

7、相平面上,有利于提取信號函數的某些本質特征。對信號進行小波分解,選擇合適的小波函數非常重要。由于haar 小波函數具有不連續(xù)自然性質的緊支撐性和零對稱性,具有良好的時間局部性, haar 小波函數非常適合從具有窄寬度和快速變化特征信號中提取特征,符合模擬電路沖擊響應信號的特征,且計算簡單。Haar 小波函數定義為:112( (2112x x x - 0= 1公式字體太小在故障特征提取過程中,要選擇適當的小波分解層數6,若分解層數過少,不能有效提取故障特征;若分解層數過多,則特征向量維數大,將影響診斷速度。因而文中選擇haar 小波進行5層小波分解提取故障特征。2.2 多分辨分析的故障特征提取模

8、擬電路故障一般都是軟故障,利用小波變換來提取各頻帶的故障信息,分解過程用Mallat 算法實現,而軟故障信號的變化是比較微小的,可以用高頻分解的部分來反映信號的變化,故可以將故障信號的各層系數序列進行絕對值求和,并按尺度順序排列,作為模擬電路的故障特征向量7,8。具體步驟如下:a 對信號進行N 層Mallat 分解,得到N+1個小波分解系數序列:d 1, d 2 , d n , d n+1 ; b 對各層系數序列求絕對值之和,則有11n j D d j i i +=,其中:n 為序列d j 中分量的個數;j 為分解層數。c 特征向量構成,按尺度順序,以各層小波分解系數序列的絕對值之和為元素作為

9、特征向量: D n , D 3, D 2, D 1;d 作為特征的各種參數,其物理意義各不相同,且幅值大小很不一致,有時甚至相差幾個數量級,因而在特征向量融合前進行歸一化處理.文中把系數序列求絕對值之和歸一化到0,1,數據歸一化按照下式進行處理:'D D j 2.3能量分布特征提取從濾波角度看,正交小波分解信號是通過一個低通和一個高通濾波器來進行濾波,實現概貌與細節(jié)信號的提取。即如果信號的頻率為,則一層小波分解后就得到兩個頻帶的信號:(00.5和(0.5-1。同樣的,經過多層小波分解后,就可以得到各個頻帶的小波系數,各層小波系數就構成了頻帶信號的能量,基于小波分解的能量故障特征提取步驟

10、如下:a 首先對信號進行小波包分解和信號重構,設S ij 是原始信號S 經過小波包分解后第i 層的第j 個節(jié)點的小波包分解系數,則總信號1n S S ij j =;b 設S ij 對應的能量為E ij ,則有Pr.,21i i i EE E n =,22(1ni i E S dt d j j jk k =,其中;d jk (k=1,2,n,n=2i 表示重構信號S ij 的離散點的幅值.c 則故障特征向量為P r ,Pr .,21i i iE E E n=; d 文中把各頻段的能量值歸一化到-1,1,數據歸一化按照下式進行處理: 2m ax m in 'm axE E E j E j

11、E -=其中:E max =max(E;E min =min(E;2.4 特征向量關聯處理在應用神經網絡信息融合分類器對特征信息進行融合處理前,必須對特征向量進行關聯處理。文中將系數序列的絕對值之和和能量分布的特征矢量進行合成。實現各特征矢量間隔交叉合并,形成聯合特征向量,作為神經網絡的輸入。其聯合特征向量集為:555544332211,ca d d d d d P ca E d E d E d E d E d E =2.5 小波神經網絡故障診斷方法利用小波神經網絡方法實現模擬電路故障診斷,本質上是將不同的故障模式進行分類,以定位故障元件。本文通過對測試節(jié)點電壓的波形進行小波分析,獲取故障信息

12、,提取特征向量,從特征向量中抽取出元件的故障征兆,作為神經網絡的輸入空間,進行模式分類,從而實現故障元件的定位。小波分析神經網絡故障診斷流程如圖1所示。 圖1 故障診斷流程圖(1訓練樣本和特征提取。首先根據電路的結構,選取最佳測試節(jié)點。針對各種典型故障情況,對測試節(jié)點電壓進行小波分析,提取故障特征,然后對故障特征進行歸一化和特征關聯處理,以得故障信息的特征向量。 (2神經網絡的設計及訓練。本文神經網絡采用3層BP 網絡結構,若電路元件的狀態(tài)數為k ,測試節(jié)點為m ,小波分解層數為N ,則神經網絡的輸入節(jié)點數目為(N+1m ,輸出節(jié)點數為k ,隱層神經元數目為a (a 為010中的一整數。神經網

13、絡的訓練方法采用LM 算法的訓練方法。用- (3故障診斷。電路實際測量信號經過特征提取,歸一化和特征關聯處理后,輸入訓練好的神經網絡,網絡對應的輸出即為故障元件。3 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,對圖2所示的中心頻率為23kHz 的Sallen-Key 二階壓控電壓源帶通濾波器進行仿真實驗9。本文研究的是當元件超過其正常容差變化范圍發(fā)生的軟故障。其中各元件的標稱值均在圖中標出,電路中各個電阻值容差取5%,電容容差取10%。因為有些元件參數變化對輸出信號的影響不大,所以在診斷之前先進行靈敏度分析,文中選取C 1,C 2,R 2,R 3共8種軟故障10和一種正常模式

14、進行診斷。 可以換個頻率仿真 采用Pspice10.5仿真軟件對電路施加脈沖激勵信號,其參數為:起始值V 1=1mV ,脈動值V 2=5mV ,初始延時T D =0.2us ,上升時間T R =0.1us ,下降時間T F =1us ,周期T PER =6us ,脈沖寬度P w =3us .取V o 為測試點,將故障分為兩類:R,R和C,C,其中表示偏大,表示偏小,加上正常狀態(tài)共計9種單軟故障狀態(tài),故障狀態(tài)采用二進制編碼表征,具體參見表1。考慮到電阻和電容容差,我們對每種狀態(tài)分別進行30次MC (蒙特卡洛分析,其中隨機取20次用來訓練網絡,隨機取10次用來對網絡進行性能測試。對輸出信號進行5層

15、haar 小波分解,求得每層分解得到的系數序列絕對值之和和各個頻帶信號的能量,經歸一化和特征向量關聯后得到融合特征向量作為神經網絡的輸入。用Matlab7.0提供的神經網絡工具箱建立BP 神經網絡,神經網絡采用三層BP 網絡結構。神經網絡的輸入節(jié)點為12個,輸出神經元個數為4個,傳遞函數為purelin ,隱層神經元為9個,傳遞函數為tansig ,經過多次調整,神經網絡采用LM 算法的訓練方法,目標誤差為0.01,網絡經過66次訓練調整后達到了期望的均方誤差,誤差變化曲線如圖3所示。 誤差步長1010101010圖2 23kHz Sallen-Key帶通濾波器圖3 單故障誤差變化曲線對訓練好

16、的神經網絡進行單軟故障性能測試。總測試樣本的平均正確診斷率達96.08%,診斷結果如表1所示?？v坐標“誤差”在圖3里轉一個方向表1 單軟故障測試樣本的神經網絡診斷結果 本文以圖2所示的電路進行多軟故障仿真實驗,對訓練好的神經網絡進行多軟故障性能測試。故障狀態(tài)采用二進制編碼表征,具體參見表2?？紤]到電阻和電容容差,我們對每種狀態(tài)分別進行50次MC(蒙特卡洛分析,其中隨機取40次用來訓練網絡,隨機取10次用來對網絡進行性能測試。目標誤差為0.01,網絡經過184次訓練調整后達到了期望的均方誤差?？倻y試樣本的平均正確診斷率達94.35%,診斷結果如表2所示。表2 多軟故障測試樣本的神經網絡診斷結果4

17、 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。樣本信號經過這種預處理后,剔除了信號中的冗余信號,能夠有效減少小波網絡的輸入節(jié)點和隱層節(jié)點的個數,從而減小了神經網絡的規(guī)模,降低計算的復雜度,加快網絡的訓練速度。仿真實驗表明本文的方法能夠有效地解決了單軟故障和多軟故障的故障診斷問題,顯著提高了故障診斷結果的精度.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。參考文獻1 Spain R,Upadhyaya S.Linear circuit fault diagnosis us

18、ing neuromorphic analyzersJ.IEEE trans.Circuits,1997,44(3:1881963 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(8:67704 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(1:166-1685 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(743-466 何怡剛,祝文姬,周炎濤,劉美容.基于粒子群算法的模擬電路故障診斷方法J.電工技術學報,2010,25(6:163-1707 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J.中國科技論文在線9 王軍鋒,張維強,宋國鄉(xiāng). 模擬電路故障診