基于小波变换的容差电路故障诊断

钱 伟，王海滨，杨 江

（中国民用航空飞行学院 飞机修理厂，四川 广汉 618300）

相对数字电路故障诊断，模拟电路故障由于元件大多具有容差与非线性效应，使得模拟电路故障更加复杂。模拟电路故障诊断技术自上世纪70年代至今，已经取得了很多成熟的技术办法。其中人工智能技术的发展使更多的工程师将神经网络、专家系统、模糊理论、传感器信息融合技术、粗糙集理论等应用到模拟电路故障诊断技术中，为模拟电路故障诊断提供了新的途径。小波变换因为在时频域都具有很好的局域化观察特性，已广泛应用于机械、电力等动态系统的突变故障诊断，但用于模拟电路故障诊断还不多见。神经网络具有很好的自主学习特性，将神经网络与小波分析的局部特征参量结合起来，能够同时具有良好的容错性及多分辨率特性。文献［8］采用了小波神经网络对各测试点信号用小波变换进行故障诊断，而实际工作中要得到所有测试点的采样数据工作量相当繁杂。采用紧致小波神经网络结构，以电路的最终响应信号作为原始采样信号，通过小波变换提取小波系数特征参量作为诊断的输入向量。由于设计的诊断法无需对各个测试点进行采样，因此极大的降低工作量。本文通过实例给出了小波变换提取特征向量的小波神经网络容差电路故障诊断方法，结果表明基于小波参量的神经网络具有很好的故障分辨率。

1 小波神经网络故障诊断步骤

基于小波分析提取特征参量的容差电路神经网络故障诊断方法主要分为以下步骤：

1.1 小波分解

用标准信号源对电路网络进行若干次响应测试，然后对响应信号进行小波分解，提取响应信号在不同频段上的分量，实现信号特征的分离。因为在容差电路诊断中需要进行多分辨率分析，所以需要提取响应信号在不同频段上的高频系数作为小波系数。

1.2 特征提取

1.3 神经网络训练

将上述提取大量响应信号的特征作为训练样本，训练样本的目标输出确定方法为：假设模拟电路有M种故障模式，即故障1，故障2，...，故障m，网络的输出为｛y1，y2，...，yj，...，yk，...，ym｝，若电路故障定义为出于种类j，使yj＝1，其余元素值为零，即神经网络输出量表示为｛0，0，...，1，...，0，...，0｝；然后将训练后的神经网络误差、阈值及权值存于存储器中。

1.4 检验诊断

用检验样本检验故障神经网络的聚类正确性，然后就可将待诊断故障响应信号分解后的的特征量输入给训练好的神经网络，网络输出向量即为故障分类定位点。

2 诊断实例

图1为一个带通运放，用此电路作为诊断分析实例，设元件容错为0－10%，电源与信号激励容差为0，只考虑单故障状态。以脉宽周期为1ms的窄带脉冲为激励源，幅度为1V作为激励脉冲。经灵敏度分析，共确定6个元件为待诊断元件，加上正常状态共7种工作状态。采用的神经网络为单隐层BP网络，训练算法采用BP神经网络L－M优化算法，隐层和输出层的传递函数分别为tansig和purelin函数，网络的要求精度为0.001。

以C2发生故障为例，电容值由0.02μF变为0.04μF，对电路进行10次蒙托卡诺分析所获得Vout电压的瞬态响应信号如图2所示，In表示激励信号，Normal表示正常输出，Fault表示故障信号输出。在Matlab中，利用Morlet小波对故障响应信号out.txt文件进行8尺度小波分解，图3为提取响应信号故障特征参量的程序算法，当C2正常时，通过小波变换提取高频系数作为特征参量的一组特征向量为［332.6231 235.9043 162.1876 113.6783 87.7643 53.2897 38.9827 24.1874］，当C2软故障时变成0.04μF，其小波特征参量输入特征向量变成［4.8934 7.3489 9.1987 12.9867 14.7869 14.7645 20.1879 20.3042］，两组特征向量在趋势及数值上明显不同。均方误差设定为0.01，通过对故障训练样本进行训练，在6276次训练调整后，网络达到训练精度，神经网络结构确定为8×11×8。

图1 带通运放电路

图2 蒙特卡罗电路响应实验

用相同的故障特征法，在设定的故障下，分别进行20次蒙特卡罗分析，提取20组故障样本共140组样本作为检验样本进行故障判定测试。根据经验设置门限值为0.3，即若实际输出与相应模式的期望输出值误差的绝对值在0.3以内，则认为诊断正确。同样以C2为例，其期望输出向量［0，1，0，0，0，0］。限于篇幅，表1给出了其中的5组测试输出结果。对总的140组测试样本统计，诊断正确样本总数为136组，故障诊断率为97%，具有较高分辨率。

表1 C2故障模式测试样本实际输出

0 0.0189 0.1023 0.1872 0.1867 0.2107 0 0.0138 0.0876 0.0934 0.2017 0.1869 0 0.0327 0.1237 0.2013 0.0876 0.2376

图3 小波分析提取特征参量程序流程

3 结语

通过仿真实验结果表明，以电路的相应信号作为原始信号，通过小波变换提取高频系数作为特征向量，经PCA分析和归一化后形成训练特征向量，经训练后的BP神经网络后能具有很好的故障分辨率。

［1］陈圣俭，洪炳熔，王月芳，等.可诊断容差模拟电路软故障的新故障字典法［J］.电子学报，2000，28（2）：127－129.

［2］Liang G C，He Y G.A fault identification approach for analog circuits using fuzzy neural network mixed with genetic algorithms［J］.IEEE Proc.Intelligent Systems and Signal Processing，2003（2）：1267－1272.

［3］崔莼，罗先觉，邱关源.基于模糊规则神经分类器的模拟电路故障诊断法［J］.微电子学，1997，27（1）：32－36.

［4］吴今培，肖健华.智能故障诊断与专家系统［M］.北京：北京科学出版社，1997.

［5］Aminian F，Aminian M，Collins H.W.Analog fault diagnosis of actual circuits using neural networks［J］.IEEE Trans.Instum.Means，2002，51（3）：544－550.

［6］林京.连续小波变换及其在滚动轴承故障诊断中的应用［J］.西安交通大学学报，1999，22（11）：108－110.

［7］张彦宁，康龙云，周世琼，等.小波分析应用于风力发电预测控制系统中的风速预测［J］.太阳能学报，2008，29（5）：520－524.

［8］谭阳红，叶佳卓.模拟电路故障诊断的小波方法［J］.电子与信息学报，2006（9）：1748－1751.

［9］韩力群.人工神经网络理论、设计及应用［M］.北京：化学工业出版社，2002：53－54.

［10］胡昌华.基于 MATLAB的系统分析与设计－小波分析［M］.西安：西安电子科技大学出版社，1999.