小波变换和神经网络的电路故障诊断
辛健 马力
摘 要： 模拟电路的元件较多，相互之间的耦合性较强，容易发生故障。为了提高电路故障的诊断准确性，提出小波变换和神经网络的电路故障诊断方法。首先采用小波变换方法提取电路故障信息特征，然后采用神经网络分类提取的故障特征量实现对电路故障的诊断和分类识别，最后通过仿真实验进行性能测试，结果表明，该方法提高了电路故障检测的准确度，具有较好的实际应用价值。
关键词： 小波变换； 神经网络； 电路故障诊断； 故障特征量
中图分类号： TN711?34； TP277 文献标识码： A 文章编号： 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
模拟电路广泛应用在大型电子设备系统中，模拟电路由大规模的集成和分立电子元件构成，电子元器件之间容易出现漏焊和耦合，电路的故障发生率较高。有效诊断模拟电路故障是保障电子系统可靠稳定工作的基础。电路故障诊断原理是检测电路设备的有关参数，并进行状态特征分析，实现对电路设备运行状态、故障原因、部位和故障发生趋势的判断[1]。
当前常用的电路故障诊断方法有信号检测方法、模式识别方法、专家系统方法、神经网络方法等[2?3]。采用模式识别方法判断电路的工况状态，诊断电路故障是人工智能技术应用的重要分支。检测信号的统计特征值，分析电路设备的工作状态，判断电路运行状态和成因。但是通用的電路故障诊断方法存在检测精度不高，电路元件之间相互耦合，导致电路故障具有多层性[4]。
为了提高电路故障的诊断准确性，提出小波变换和神经网络的电路故障诊断方法，仿真实验结果表明，本文方法提高了电路故障检测的准确度。
1 模拟电路故障匹配过程分析
模拟电路故障检测诊断的原理示意框图如图1所示。分析图1的诊断过程可以得知，诊断电路故障首先是进行信息测量，采用信号检测方法对电路输出的电信号进行特征分析和故障特征提取，结合小波变换方法进行特征检测和状态识别，从而对故障原因部位和趋势做出分类判别[5]。
对于模拟电路输出故障数据的数据集采用瞬时频率特征分析方法，得到故障信息测量数据集为[p（t），]模拟电路的冲激响应特征向量为[hi（t）]，采用光电式转速传感器采集信号，得到输出电路的测谱信息为[npi（t）]。电路的主控振荡输出信号表示为：
3 电路故障诊断的实现
3.1 神经网络分类器设计
在提取电路故障特征的基础上，采用神经网络分类器分类故障。利用三层神经网络结果进行分类器设计[7?8]，如图2所示。
取三层BP神经网络作为学习网络，结构为[2×3×1]结构，分别为输入层、隐含层和输出层，其中输入层输入电路的小波时间尺度为二维特征；它的隐含层有三个神经元，分别为比例元、积分元和微分元，进行故障特征的训练，输出层输入故障类别，在任意时刻[t，]对于BP神经网络输入层第[j]个神经元，其输入电路故障特征信息[netj]等于隐含层的连接权重输出量[x1，x2，…，xn]分别乘上权重值[w1j，w2j，…，wnj]后的总和，即电路故障诊断的神经网络分类器输入层信息参量为：
5 结 语
通过诊断电路故障，提高电路系统的稳定性，电路故障诊断方法是检测电路设备的有关参数，并进行状态特征分析，实现对电路设备运行状态、故障原因、部位和故障发生趋势的判断。为了提高电路故障的诊断准确性，提出基于小波变换和神经网络的电路故障诊断方法，实验结果表明，本文方法提高了电路故障诊断的正确率，具有广泛的应用前景。
注：本文通讯作者为马力。
参考文献
[1] 杨俊，周丙寅，张毅，等.基于递归图分析的压缩机故障诊断方法研究[J].计算机与数字工程，2013，41（6）：984?986.
[2] 尹刚，张英堂，李志宁，等.基于MSPCA的缸盖振动信号特征增强方法研究[J].振动与冲击，2013，32（6）：143?147.
[3] 李兵，徐榕，贾春宁，等.基于自适应形态提升小波与改进非负矩阵分解的发动机故障诊断方法[J].兵工学报，2013，34（3）：353?360.
[4] 刘聪，李颖晖，吴辰，等.基于鲁棒自适应滑模观测器的多故障重构[J].控制与决策，2016，31（7）：1219?1224.
[5] 张晓戎，王程成，胡光波，等.混沌差分优化数据聚类及在故障诊断中的应用[J].压缩机技术，2013（6）：16?20.
[6] 刘聪，李颖晖，刘勇智，等.采用高阶终端滑模观测器的执行器未知故障重构[J].西安交通大学学报，2015，49（9）：135?142.
[7] 宋建华.具有温度补偿的APD数控偏压电路[J].光学与光电技术，2013，11（2）：12?15.
[8] 冯颖，张合，张祥金，等.激光探测系统雪崩管实时补偿研究[J].南京理工大学学报（自然科学版），2010，34（6）：787?791.
摘 要： 模拟电路的元件较多，相互之间的耦合性较强，容易发生故障。为了提高电路故障的诊断准确性，提出小波变换和神经网络的电路故障诊断方法。首先采用小波变换方法提取电路故障信息特征，然后采用神经网络分类提取的故障特征量实现对电路故障的诊断和分类识别，最后通过仿真实验进行性能测试，结果表明，该方法提高了电路故障检测的准确度，具有较好的实际应用价值。
关键词： 小波变换； 神经网络； 电路故障诊断； 故障特征量
中图分类号： TN711?34； TP277 文献标识码： A 文章编号： 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
模拟电路广泛应用在大型电子设备系统中，模拟电路由大规模的集成和分立电子元件构成，电子元器件之间容易出现漏焊和耦合，电路的故障发生率较高。有效诊断模拟电路故障是保障电子系统可靠稳定工作的基础。电路故障诊断原理是检测电路设备的有关参数，并进行状态特征分析，实现对电路设备运行状态、故障原因、部位和故障发生趋势的判断[1]。
当前常用的电路故障诊断方法有信号检测方法、模式识别方法、专家系统方法、神经网络方法等[2?3]。采用模式识别方法判断电路的工况状态，诊断电路故障是人工智能技术应用的重要分支。检测信号的统计特征值，分析电路设备的工作状态，判断电路运行状态和成因。但是通用的電路故障诊断方法存在检测精度不高，电路元件之间相互耦合，导致电路故障具有多层性[4]。
为了提高电路故障的诊断准确性，提出小波变换和神经网络的电路故障诊断方法，仿真实验结果表明，本文方法提高了电路故障检测的准确度。
1 模拟电路故障匹配过程分析
模拟电路故障检测诊断的原理示意框图如图1所示。分析图1的诊断过程可以得知，诊断电路故障首先是进行信息测量，采用信号检测方法对电路输出的电信号进行特征分析和故障特征提取，结合小波变换方法进行特征检测和状态识别，从而对故障原因部位和趋势做出分类判别[5]。
对于模拟电路输出故障数据的数据集采用瞬时频率特征分析方法，得到故障信息测量数据集为[p（t），]模拟电路的冲激响应特征向量为[hi（t）]，采用光电式转速传感器采集信号，得到输出电路的测谱信息为[npi（t）]。电路的主控振荡输出信号表示为：
3 电路故障诊断的实现
3.1 神经网络分类器设计
在提取电路故障特征的基础上，采用神经网络分类器分类故障。利用三层神经网络结果进行分类器设计[7?8]，如图2所示。
取三层BP神经网络作为学习网络，结构为[2×3×1]结构，分别为输入层、隐含层和输出层，其中输入层输入电路的小波时间尺度为二维特征；它的隐含层有三个神经元，分别为比例元、积分元和微分元，进行故障特征的训练，输出层输入故障类别，在任意时刻[t，]对于BP神经网络输入层第[j]个神经元，其输入电路故障特征信息[netj]等于隐含层的连接权重输出量[x1，x2，…，xn]分别乘上权重值[w1j，w2j，…，wnj]后的总和，即电路故障诊断的神经网络分类器输入层信息参量为：
5 结 语
通过诊断电路故障，提高电路系统的稳定性，电路故障诊断方法是检测电路设备的有关参数，并进行状态特征分析，实现对电路设备运行状态、故障原因、部位和故障发生趋势的判断。为了提高电路故障的诊断准确性，提出基于小波变换和神经网络的电路故障诊断方法，实验结果表明，本文方法提高了电路故障诊断的正确率，具有广泛的应用前景。
注：本文通讯作者为马力。
参考文献
[1] 杨俊，周丙寅，张毅，等.基于递归图分析的压缩机故障诊断方法研究[J].计算机与数字工程，2013，41（6）：984?986.
[2] 尹刚，张英堂，李志宁，等.基于MSPCA的缸盖振动信号特征增强方法研究[J].振动与冲击，2013，32（6）：143?147.
[3] 李兵，徐榕，贾春宁，等.基于自适应形态提升小波与改进非负矩阵分解的发动机故障诊断方法[J].兵工学报，2013，34（3）：353?360.
[4] 刘聪，李颖晖，吴辰，等.基于鲁棒自适应滑模观测器的多故障重构[J].控制与决策，2016，31（7）：1219?1224.
[5] 张晓戎，王程成，胡光波，等.混沌差分优化数据聚类及在故障诊断中的应用[J].压缩机技术，2013（6）：16?20.
[6] 刘聪，李颖晖，刘勇智，等.采用高阶终端滑模观测器的执行器未知故障重构[J].西安交通大学学报，2015，49（9）：135?142.
[7] 宋建华.具有温度补偿的APD数控偏压电路[J].光学与光电技术，2013，11（2）：12?15.
[8] 冯颖，张合，张祥金，等.激光探测系统雪崩管实时补偿研究[J].南京理工大学学报（自然科学版），2010，34（6）：787?791.
