基于小波神经网络的模拟电路故障诊断改进

智慧职教官网

基于小波神经网络的模拟电路故障诊断改进孙必伟潘强王怀龙(海军工程大学电子工程学院武汉430033 )

摘要：在利用神经网络进行模拟电路故障诊断的过程中，表征故障特征的网络输入是关键，小波变换时结合频率局部化和多尺度分析等特性，通过小波变换在故障特征提取的同时解决模拟电路的输出响应PSPICE和MATLAB之间的数据通信问题，提出了处理蒙特卡罗分析产生的所有训练样本输入一个神经网络避免了用纠缠训练的方法训练多个神经网络。 利用神经网络对各种故障模式进行分类，实现模拟电路的故障诊断并与传统的BP网络故障诊断方法进行比较。 仿真结果表明，该方法能实现故障的检测与定位、诊断的准确性率显著提高，适用于模拟电路的故障诊断。关键词：小波神经网络； 模拟电路； 故障诊断； 故障的特征中图分类编号： TP183文献识别代码： a

improvementmethodsforfaultdiagnosisofanalogcircuitsbasedonwaveletneuralnetworksSunBiwei PanQiang WangHuailong(电子工程咨询委员会，NavalUniversityofEngineering，Wuhan430033 ) )。

abstract:intheprocessofusingneuralnetworkforfaultdiagnosisofanalogcircuits，thenetworkinput whichepresentsfaultsignatureisveryimportant.combiningthetwofeaturesoftime-frequencylocationandmultiple-scaleanalysisofwavelettransform，obtainthefaultfeaturesofanalogcircuitoutputbywavelettransform，Sowillbothtogetherandthecollecteddatawaspreprocessedbywavelettransformtogenerate，and also solvesthe datacommunicationproblemsbetweenpspiceandmatlab.amethodisproposedthatinputalltreatmenttrainingsmpleswhichareproducedbymonte-carloanalysistooneneuralnetwork，whichavoidstrainingmultipleneuralnetworks.thenrealizedfaultdiagnosisofanalogcircuitsbyneuralnetworktoclassifythevariousfaultmodes。comparedwithetraditionalmethodwhichonlyusesbpneuralnetworktodiagnose，simulationresultsshowthatthisethodispropitiousforfaultdiagnosisofanalogcircuitswhichcanrealizefaultdetectionandlocalization，andaccuracyateofdiagnosisimprovedsignificantlyKeywords:waveletneuralnetworks； analogcircuits； 故障诊断； 故障功能本文于2011年8月收到。

引言0

随着电子技术的飞速发展，故障诊断越来越受到人们的青睐的重视，特别是模拟电路的故障诊断，其复杂度和密集度不同断增长[1]，模拟电路测试困扰着集成电路的工业生产发展的技术瓶颈[2-3]直接制约着电子设备和系统的可靠性性行为。 近年来，神经网络发展迅速，其自身所具有的大规模的并行处理、自适应学习等特性[4]在模拟电路的

在故障诊断中[5]，作为神经网络输入的电路故障的特征特别明显由于其重要性，直接影响着网络性能和诊断准确率。 小波变换由于具有时频局部化特性，对故障特征提取非常有效，可以深刻地反映电路工作的各种状态的本质。 本文讨论了小波变换与神经网络耦合，以被测电路的输出响应为原始信号，通过通过蒙特卡罗分析得到的电路各种故障状态的多组采样信号小波变换处理后，提取各层小波分解系数序列，求出其能量的值，将每个状态对应的多个故障特征输入到一个神经网络中中，通过对网络的训练，提高了网络故障特征的覆盖率。仿真结果表明，该方法能准确识别故障，实现故障的检测及分类，正确率高。1 PSPICE和MATLAB之间的数据通信电路的输出响应从模拟软件PSPICE输出 401

孙必伟等：基于小波神经网络的模拟电路故障诊断改进第十一期，小波变换通过MAＴＬＡＢ来实现，要将电路的输

出波形 用 ＭＡＴＬＡＢ 进 行 处 理，势 必 要 解 决 ＰＳＰＩＣＥ 与ＭＡＴＬＡＢ之间的数据通信问题［６］。根据 ＰＳＰＩＣＥ 输出数据方式的不同有不同的 ＭＡＴＬＡＢ导入方式：图形方式和矢量方式。矢量方式的图像只含有图像的简单形状、灰度及颜色，因此对 ＰＳＰＩＣＥ 的输出图像采用矢量方式来处理更为恰当和简便，步骤如下：（１）首先将 ＰＳＰＩＣＥ 的输出波形进行数据采样，可保存为文本文件。数据采样的方法为：在 Ｐｒｏｂｅ窗口内选择菜单 Ｆｉｌｅ目录下的 Ｅｘｐｏｒｔ，如果是存为文本文件，则选择Ｅｘｐｏｒｔ下的 Ｔｅｘｔ。输入后缀为ｔｘｔ的文件名，选择存盘路径，单击 ＯＫ，则完成了输出波形的数据采集。（２）将上一步保存的文本文件转化为 ＭＡＴＬＡＢ数据文件，即．ｍａｔ文件。

自主招生在线

（３）波形重现。通过上面的步骤，文本文件已经转化为．ｍａｔ文件并保存，接下来就可以通过 ＭＡＴＬＡＢ对数据进行读取，重现波形。若ｘ为二维矩阵，在 ＭＡＴＬＡＢ中输入语句ｐｌｏｔ（ｘ（：，１），ｘ（：，２）），此图形即可重现，然后可对图形进行后续处理。２ 小波神经网络

２．１ 小波神经网络的结合方式［７－１０］（１）松散型结合，即将小波变换作为神经网络的预处理器，为神经网络提供输入特征向量。（２）紧致型结合，小波和神经网络直接融合，即小波函数和尺度函数形成神经元。

传统的紧致型小波神经网络一般被应用于基于工作点电压的模拟电路故障诊断，本文采用的是松散型小波神经网络，它一般被应用于基于波形信号的模拟电路故障诊断。２．２ 小波变换及小波特征量的提取小波变换是将一基本的小波母函数φ（ｔ）做位移τ和尺度变换ａ后，再与待测信号ｆ（ｔ）做内积，表达式如下：ＷＴ（ａ，τ）＝ １

槡ａ∫＋∞－∞

ｆ（ｔ）φ＊ ｔ－τ（ ） ａ ｄｔ （１）

式中：ａ＞０，小波变换不同于傅里叶变换的地方在于小波基具有平移和尺度两个参数，所以待测信号一经小波变换，就意味着将一个时间函数投影到二维的时间—尺度相平面上，有利于提取信号函数的本质特征，所以小波变换适合用于对故障特征的提取［１１］。上式中，令ａ＝２ｊ，τ＝ｋ２ｊ，（ｊ，ｋ）∈ Ｚ２ ，则可得二进小波变换，将信号ｆ（ｔ）分解为不同尺度上的低频和高频部分：Ｃｊ（ｎ）＝ ∑Ｎ－１

ｋ＝０

ｆ（ｋ）ｇ（２ｎ－ｋ） （２）Ｄｊ（ｎ）＝ ∑Ｎ－１ｋ＝０

ｆ（ｋ）ｈ（２ｎ－ｋ） （３）

在对信号进行 Ｎ 层小波分解的时候，保留每一层的高频部分，对低频部分进一步分解，最后得到第一到第 Ｎ 层的高频分解系数序列和第Ｎ 层的低频分解系数序列，例如３层小波分解如图１所示。图１ ３层小波分解结构图

由图１可以看出，３层小波分解后，产生了３个高频分

解系 数 序 列 （ｃＤ１、ｃＤ２、ｃＤ３）和 一 个 低 频 分 解 系 数 序 列（ｃＡ３）。将被测电路的输出响应进行小波分解，提取各层小波分解系数序列的能量值作为故障特征向量，即为神经网络的输入，具体步骤如下：

（１）对电路输出的故障信号采样序列进行Ｎ 层小波分解，得到各层的高频分解系数序列及第 Ｎ 层低频分解系数序列，然后对其进行重构，得到重构后的分解 系 数序 列：（ＡＮ，Ｄ１，Ｄ２，…，ＤＮ）；（２）通过分解系数序列求得能量值［９］，即对分解系数序列进行绝对值求和；

（３）构造特征向量，将所求得的系数序列能量组合，即

Ｆ＝ （ＥＡＮ，ＥＤ１，ＥＤ２，…，ＥＤＮ），将其作为特征向量输入神经网络。（４）将特征向量归一化，形成训练和测试样本。２．３ 小波神经网络故障诊断原理

小波神经网络故障诊断的过程为：电路的输出响应经过小波变换之后，将故障特征量输入给神经网络，通过训练神经网络，达到故障分类及模式识别的目的，实现故障诊断。原理如图２所示，具体诊断过程在下面的实例中将具体给出。

教育教学质量

型的ＩＴＣ’９７［１２－１３］国际标准电路中的 ＬＦ 滤波器（ｌｅａｐ－ｆｒｏｇｆｉｌｔｅｒ），各元件的标称值如图３所示：图３ Ｌ－Ｆ滤波器

　　由于元件具有容差，进行诊断的时候需要考虑这个因素，设定电阻的容差为１０％，电容的容差为５％，在待测电路电源的选择上，选取幅值为１０Ｖ 的脉冲激励信号，对输出响应进行０～３ｍｓ的采样，共采集７７个数据，采用ｈａａｒ小波对采样信号进行５层小波分解，一共得到６个小波分解系数序列｛Ａ５、Ｄ１、Ｄ２、Ｄ３、Ｄ４、Ｄ５｝。通过灵敏度分析发现，当Ｒ１、Ｒ２、Ｒ４、Ｒ５和Ｃ２变化时，对输出波形Ｖｏｕｔ 影响较为明显，因此考虑软故障：Ｒ１－５０％（Ｆ１）、Ｒ２＋５０％（Ｆ２）、Ｃ２－５０％（Ｆ３）、Ｃ２＋５０％（Ｆ４），加上正常状态（Ｆ０）一共５种故障模式，故障模式采用常见的“ｎ－１”表示法，即０正常，１故障。为构造训练和测试样本集，对电路每种故障状态进行３０次蒙特卡罗分析，其中２０次作为训练样本，１０次作为测试样本，电路正常情况下的采样信号曲线如图４所示。图４ 电路无故障情况下３０次蒙特卡罗分析· ６０１ ·

　　　　　　　　孙必伟 等：基于小波神经网络的模拟电路故障诊断改进 第１１期　　以其中一种情况为例，用ｈａａｒ小波对采样信号ｘ进行５层小波分解，程序如下：

［Ｃ，Ｌ］＝ ｗａｖｅｄｅｃ（ｘ，５，‘ｈａａｒ’）；ｃＡ５＝ａｐｐｃｏｅｆ（Ｃ，Ｌ，‘ｈａａｒ’，５）；Ａ５＝ ｗｒｃｏｅｆ（‘ａ’，Ｃ，Ｌ，‘ｈａａｒ’，５）；ｃＤ１＝ｄｅｔｃｏｅｆ（Ｃ，Ｌ，‘ｈａａｒ’，１）；Ｄ１＝ ｗｒｃｏｅｆ（‘ｄ’，Ｃ，Ｌ，‘ｈａａｒ’，１）；……ｃＤ５＝ｄｅｔｃｏｅｆ（Ｃ，Ｌ，‘ｈａａｒ’，５）；Ｄ５＝ ｗｒｃｏｅｆ（‘ｄ’，Ｃ，Ｌ，‘ｈａａｒ’，５）；

提取 低 频 系 数 用 ａｐｐｃｏｅｆ 函 数，提 取 高 频 系 数 用ｄｅｔｃｏｅｆ 函数，重构系数序列用ｗｒｃｏｅｆ 函数。通过上面的程序可得到各层小波分解系数序列，如图５所示。图５ ５层小波分解结果

由此可以求出各层小波分解系数序列的能量值，作为神经网络的输入，同时可以确定神经网络的结构，由于是５层小波分解，所以输入层神经元数目为 ６，故障模式有 ５种，所以输出层神经元数目为４，此处选用ＢＰ神经网络，经过多次测试，隐层神经元的数目确定为１３，即网络的结构为６－１３－４，训练函数采用附加动量自适应速率梯度下降法，隐层传递函数为ｔａｎｓｉｇ，输出层传递函数为ｐｕｒｅｌｉｎ，学习速率为０．０１，训练目标为０．０１，将每种故障模式对应的２０次训练样本输入ＢＰ网络进行训练，网络经过４３０２次训练达到目标要求，如图６所示。图６ ＢＰ网络训练曲线

然后分别将训练样本和测试样本输入到训练好的神

经网络中，即可得出诊断的 正确 率。为了 将 结果 进 行比较，同时采用传统方法，即只使用 ＢＰ网络进行故障诊断，此方法采用１０Ｖ 的交流源作为激励信号，在电路的输出频响曲线上，选取不同频段对应的电压值作为原始故障特征，当电路发生故障时，输出波形与正常状态有所差异，因此可通过故障曲线提取原始故障特征值来反映这些差异。同样用 ＢＰ网络进行训练，然后将训练样本和测试样本输入训练好的网络中检验，结果对比如表１所示。表１ 对比故障诊断结果诊断方法 故障模式 训练样本 测试样本

总数 正确数 正确率 总数 正确数 正确率 平均正确率ＢＰ网络故障诊断

正常 ２０ １４ ７０％ １０ ６ ６０％Ｒ１－５０％ ２０ １９ ９５％ １０ ９ ９０％Ｒ２＋５０％ ２０ １３ ６５％ １０ ５ ５０％Ｃ２－５０％ ２０ １９ ９５％ １０ ９ ９０％Ｃ２＋５０％ ２０ １５ ７５％ １０ ５ ５０％经小波预处理后的ＢＰ网络故障诊断

正常 ２０ ２０ １００％ １０ １０ １００％Ｒ１－５０％ ２０ ２０ １００％ １０ １０ １００％Ｒ２＋５０％ ２０ ２０ １００％ １０ ９ ９０％Ｃ２－５０％ ２０ １９ ９５％ １０ ８ ８０％Ｃ２＋５０％ ２０ １９ ９５％ １０ ９ ９０％· ７０１ ·第３４卷 电 子 测 量 技 术

　　由表 １可知，原始故障特征经过小波变换预处理以后，诊断率由原来的７４％提高到９５％，正确率高，说明小波变换预处理对模拟电路故障诊断是可行的，不仅避免了测试点选取的问题，同时也解决了直接用 ＢＰ网络进行诊断时，在输出特性曲线上选取故障特征量不全面的问题。４ 结　　论

本文采用小波变换与神经网络相结合的方法，首先通过小波变换对待测电路的原始故障特征进行处理，然后运用神经网络对处理后的故障特征进行学习、训练，将蒙特卡罗分析后的所有训练样本经小波变换处理后输入到一个网络，这样训练后的网络对故障特征的覆盖率就高，易于检测和识别故障，最终达到故障诊断的目的，不仅正确率高且不需要用多个样本训练多个神经网络。通过实验仿真结果可以看出，相比于传统的神经网络诊断方法，经小波变换预处理后，诊断率提高到９５％，对模拟电路故障诊断提供了新的研究方向。［１］ 何尔利，翟正军．基于退火 ＢＰ神经网络的模拟电路故障诊断方法［Ｊ］．计算机测量与控制，２０１０，１８（１）：６７－６９．

［２］ 刘红．基于 ＡｄａＢｏｏｓｔ集成网络的模拟电路单软故障诊断［Ｊ］．仪器仪表学报，２０１０，３１（４）：８５１－８５５．［３］ 杨士元．模拟电路软故障诊断的研究［Ｊ］．微电子学与计算机，２００８，２５（１）：１－６．［４］ 陈冰．基于 ＢＰ 网络的容差模拟电路 故 障 诊 断 研 究［Ｊ］．电子测量技术，２００７，３０（５）：６１－６３．［５］ 杨士元，胡梅，王红．模拟电路软故障诊断的研究［Ｊ］．微电子学与计算机，２００８，２５（１）：１－８．［６］ 王欣．一种实现ＰＳｐｉｃｅ与 ＭＡＴＬＡＢ波形数据通信的方法［Ｊ］．电子科技，２００７（４）：１５－１７．［７］ 张蓉晖．小波神经网络及其在模拟电路诊断中的应用［Ｄ］．武汉：华中科技大学，２００８．［８］ 钱华明，王雯升．遗传小波神经网络及在电机故障诊断中的应用［Ｊ］．电子测量与仪器学报，２００９，２３（３）：８４－８９．

［９］ 李银军，张彦斌．基于小波神经网络的可更换电路单

元故障诊 断 ［Ｊ］．国 外 电 子 测 量 技 术，２０１０，２９（８）：３５－３８．

［１０］ 武志勇，刘东升．小波神经网络在液压装置压力测试中的应用［Ｊ］．电子测量技术，２０１０，３２（１２）：９７－１００．［１１］ 李维．基于小波变换的神经网络故障诊断［Ｊ］．大连工业大学学报，２０１０，２９（１）：５９－６１．［１２］ 谢涛．基于神经网络和小波变换的模拟电路故障诊断理论与方法［Ｄ］．长沙：湖南大学，２００７．［１３］ ＫＡＭＩＮＳＫＡＢ，ＡＲＡＢＩＫ，ＢＥＬＬＩ，ｅｔａｌ．ＡｎａｌｏｇａｎｄＭｉｘｅｄＳｉｇｎａｌＢｅｎｃｈｍａｒｋＣｉｒｃｕｉｔｓＦｉｒｓｔＲｅｌｅａｓｅ［Ｊ］．ＰｒｏｃｅｅｄｉｎｇｓｏｆＩｎｔｅｒｎａｔｉｏｎａｌＴｅｓｔＣｏｎｆｅｒｅｎｃｅ，１９９７：１８３－１９０．作 者 简 介

孙必伟，男，１９８７年出生，海军工程大学，硕士，主要研究方向为自适应信号处理与故障诊断。Ｅ－ｍａｉｌ：ｓｕｎｂｉｗｅｉ１９８７＠１６３．ｃｏｍ· ８０１ ·