基于输出电压和电源电流的模拟电路故障诊断*

杨 超 潘 强 周晶晶 熊 波

(海军工程大学电子工程学院 武汉 430033)



基于输出电压和电源电流的模拟电路故障诊断*

杨 超 潘 强 周晶晶 熊 波

(海军工程大学电子工程学院 武汉 430033)

为了提高模拟电路故障诊断的准确率,要尽可能的采集有效故障样本信息作为BP神经网络的输入。提出利用输出电压和电源电流信息融合的方法进行模拟电路故障诊断。收集输出电压和电源电流的故障样本集,然后作为BP神经网络的输入对网络进行训练和判断。利用不同故障对输出电压和电源电流的影响不同,能减少故障特征的重叠,提高模拟电路的故障诊断正确率。仿真结果表明利用输出电压和电源电流信息融合的方法比单纯利用输出电压或电源电流进行诊断准确率和速度都有明显提高。

信息融合; BP神经网络; 模拟电路; 故障诊断

Class Number TP391

1 引言

随着电子技术的高速发展,模拟电路的复杂度和密集度不断增长,对于电子设备或系统的可靠性有着直接的制约。近年来,神经网络技术的发展是其越来越多的应用在模拟电路的故障诊断过程中,并且作为神经网络输入的电路故障特征尤为重要,直接影响着模拟电路故障诊断的正确率。通常所用的电路故障特征方法有两种:一是选取动态电源电流随着各种故障状态下的特征信息作为神经网络的输入[1]。二是选取电路的输出电压在输出曲线上提取若干的参数作为对应的信息作为故障特征,当电路发生故障时,输出响应的曲线与正常状态下有所偏差,对应信息的变化即反映故障特征,将这些信息作为神经网络的输入[2]。

由于故障特征时有重叠,制约了故障诊断的准确率。本文提出基于输出电压和电源电流的特征提取和关联融合的方法,用于BP神经网络对模拟电路故障诊断。仿真表明,此法构造出来的样本集可以更好地对故障进行识别,对于提高故障的诊断率有明显的效果[3]。

2 BP神经网络

由于BP神经网络具有较好的泛化能力,很适合于判断电路状态属于哪种故障类型的分类问题,因此,本文将采用BP神经网络来实现模拟电路的故障诊断。

BP神经网络网络的模拟电路故障诊断过程[4]为:

1) 数据采集与故障特征提取。在待测电路运行于不同故障模式时,采集电路输出响应信号(如电压、电流等信号),对其离散化后,进行N层小波分解,以各层小波分解系数序列的绝对值之和为元素组成故障特征向量;

2) BP网络结构参数。根据电路故障特征向量维数和电路故障模式,确定BP网络的输入与输出层节点数目。假设对采样信号进行N层小波分解,获得N+1维的故障特征向量,即网络输入层节点数目为N+1;如果待测电路有M种故障模式,则输出层节点数目为M;隐层神经元数目[7]预选取为(N和M分别为输入/输出层数目,a=1～10),若在网络训练过程中不能满足要求,则逐个增加(或减少)隐层神经元数目;

3) 训练BP网络。为了让BP网络能够识别电路的故障模式,首先必须对网络进行训练。以故障特征向量为训练样本输入向量,训练样本输出向量确定方法为:设电路有M种故障模式,即模式1、模式2、…、模式j、…、模式k、…、模式M,网络输出{y1,y2,…,yj,…,yk,…,yM},若电路状态处于模式j,则令yj=1,其余为0,网络输出向量为{0,0,…,1,…,0,…,0},若电路状态同时处于模式j和模式k,则网络输出向量为{0,0,…,1,…,1,…,0}。因此BP网络可实现模拟电路的单、多故障诊断。本文主要进行模拟电路的单故障诊断,利用故障字典中的大量训练样本对网络进行训练,达到所期望的误差目标;

4) 诊断结果输出。把待测电路的故障特征向量输入经过训练的BP网络,得到输出结果,即可判断电路故障模式。

3 基于信息融合技术的神经网络故障诊断

信息融合技术旨在利用多源数据的互补性和冗余性来提高结果信息的质量,从多方面获得关于同一电路的多维信息,处理故障诊断中的不确定问题,提高故障诊断的准确率。本文首先检测电路工作的电源电流和输出电压,然后利用小波变化对数据进行预处理并进行特征层的融合,最后利用神经网络理论进行故障定位,并对诊断结果进行详细的分析。

基于信息融合的神经网络故障诊断模型如图1所示[5]。

图1 神经网络信息融合诊断模型

3.1 信号采集

信号采集时进行模拟电路信息融合的基础和前提。无论微电子技术如何发展,集成电路的供电电源和输出端口是必需的,测量也十分方便。因此本文选取电源电流和输出电压传感器的信号来进行诊断。

3.2 特征提取

在模拟电路故障诊断过程中,从多传感器系统得到反映待测电路的运行状态信息,这些信息含有大量的冗余,会对后继的处理带来庞大的计算量,从而影响诊断速度和效率。在多传感器信息融合过程中,为减少计算量,需要对采集信号预处理,实现特征提取。

待测电路发生故障,输出波形曲线必将发生相应的变化,蕴含着大量的故障类信息,来判别与之对应的电路故障模式,可通过直接提取波形幅值作为特征值,来描述电路状态曲线。

3.3 归一化

作为特征的各种参数,其物理意义各不相同,且幅值大小很不一致,有时甚至相差几个数量级,采用正态分布函数f(x)=e-(x-a)2对样本数据进行归一化,其中a为电路正常状态下测试点的特征值[6]。

3.4 特征关联

在应用神经网络信息融合分类器对多传感器特征信息分类进行融合前,必须对特征向量进行关联处理[7]。文中将电源电流与输出电压的特征矢量进行间隔交叉合并,形成联合特征向量,作为神经网络的输入。其联合特征向量集为

P= [VmaxA5,ImaxA5,VmaxD1,ImaxD1,

VmaxD2,ImaxD2,VmaxD3,ImaxD3,

VmaxD4,ImaxD4,VmaxD5,ImaxD5]

3.5 神经网络信息融合分类器

在模拟电路故障诊断中,采用误差反向传播算法的多层感知器(简称BP神经网络)应用最为广泛。本文神经网络信息融合中心采用具有输入层、隐层、输出层的单隐层BP网络的拓扑结构[8]。

4 故障诊断实例

为了验证文中方法在诊断时的时效性和收敛速度的快慢,电路仿真选取Sallen-Key二阶带通滤波器如图2,电路中电阻和电容的容差均取10%。首先对电路进行灵敏度分析,经灵敏度测试,当R2、R3、C1、C2发生变化时,对输出波形影响最为明显。因此设定软故障:R2+50%(F1)、R2-50%(F2)、R3+50%(F3)、R3-50%(F4)、C1+50%(F5)、C1-50%(F6)、C2+50%(F7)、C2-50%(F8)、正常(F9)一共9个故障。

图2 Sallen-Key二阶带通滤波器

4.1 故障特征提取

采用Pspice10.5仿真软件对电路施加一个激励信号,然后对上述九种软故障设定进行仿真实验。考虑到电阻和电容的容差,对每种状态进行50次MC(蒙特卡洛)分析,分别对输出电压和电源电流进行,其中30次进行用来训练网络,20次用来对网络进行测试。分别对电源电流和输出电压进行5层haar小波分解,求得每层分解得到的各个频带信号的能量,经归一化和特征向量关联后得到融合故障特征向量作为神经网络的输入。按照上述方法进行处理,得到表1输出电压各故障状态的部分候选故障特征,表2电源电流各故障状态的部分候选故障特征。

4.2 神经网络的构建和训练

构建一个输入神经元数目为12,输出神经元目标为9,隐层神经元为13。设定学习速度为0.01,训练目标为0.01,训练算法采用自适应速率的附动加量法,当隐层神经元为13的时候,所用的训练次数为1028,寻来误差曲线如图3所示。

为检验经过训练的网络的故障诊断效果,用测试样本对网络进行测试。测试结果如表3所示。

图3 BP网络训练误差曲线

Vmax(A5)Vmax(D1)Vmax(D2)Vmax(D3)Vmax(D4)Vmax(D5)NF0.80210.08900.32490.05760.02630.0000R2↑0.65700.23500.16370.06420.14000.0245R2↓0.50030.13230.05740.03570.21200.0353R3↑0.65430.05220.18780.03410.21260.0473R3↓0.73590.08420.23310.03430.14360.0437C1↑0.61370.03420.10210.03590.20640.0383C1↓0.80110.10930.28710.15680.05560.0122C2↑0.71180.16730.20970.09900.14660.0437C2↓0.59140.19640.06660.05610.21060.0403

表2 电源电流各故障状态的部分候选故障特征

表3 训练和测试结果数据表

为了比较多传感器信息融合诊断结果与单传感器神经网络的分类情况,又分别构建以电源电流和输出电压为特征参数的两个神经网络[9],其诊断结果如表4所示。

表4 单传感器与多传感器结果比较

5 结语

文中研究了基于电源电流和输出电压的信息融合方法在模拟电路故障诊断中的应用。利用神经网络进行训练,通过小波分析后减少了冗余信息量,使得训练的效果和时间都有一定的提升,提高了故障诊断的准确率,通过与单传感器神经网络分类进行比较,表明神经网络多传感器信息融合技术有效的提升模拟电路故障诊断的准确性和可靠性[10]。此种方法在模拟电路的故障诊断中是可行的,提供了一种信息融合的方法,对模拟电路的故障诊断有着十分重要的意义。

[1] 方玉龙,吕洪善.利用小波分析的电流测试实现数模混合电路的故障诊断[J].常州工学院学报,2013,26(1):33-36.

[2] 谢宏,何怡刚,吴杰.基于小波一神经网络模拟电路故障诊断方法的研究[J].仪器仪表学报,2004,25(5):672-675.

[3] 王鹏宇,黄智刚.模糊理论与神经网络结合对模拟电路进行分层故障诊断[J].电子测量技术,2002(1):7-9.

[4] 何怡刚,罗先觉,邱关源.基于神经网络的线性电路故障诊断非线性L1范数优化方法[J].电子测量与仪器学报,1998,12(1):18-22.

[5] 刘美华,彭良玉.基于小波分析和信息融合技术的故障诊断[J].微电子学与计算机,2009,26(1):166-168.

[6] 潘强,杨超.基于多测试点多特征信息的模拟电路故障诊断[J].计算机测量与控制,2013,21(11):2931-2934.

[7] 谢永成,程延伟.基于特征层融合的模拟电路故障诊断方法[J].计算机工程与设计,2012,33(3):1170-1174.

[8] 王承,孙秀斌,谢永乐,等.基于神经网络信息融合技术的模拟电路故障诊断[J].电路与系统学报,2007,12(5):25-29.

[9] 谢涛,李焕庆,何怡刚,等.神经网络结合信息融合的模拟电路故障诊断.[J]电力系统及其自动化学报,2010,22(4):60-63.

[10] 王欣.基于神经网络的模拟电路故障诊断方法研究与实现[C]//2007西安电子科技大学.

Fault Diagnosis of Analog Circuit Based on the Output Voltage and Electric Current

YANG Chao PAN Qiang ZHOU Jingjing XIONG Bo

(School of Electronic Engineering, Naval University of Engineering, Wuhan 430033)

In order to improve the accuracy of analog circuit fult diagnosis, more effective fault samples information need to be collected as far as possible as input of BP neural network. A method of using output voltage and electric current information fusion for analog circuit fault diagnosis is put forward. The output voltage and electric current of the fault sample set is collected and then as a BP neural network input of network training and judgment. Using different fault impact on output voltage and electric current is different, the fault characteristics of overlap is reduced and the accuracy of analog circuit fault diagnosis is improved. The simulation results show that the method using output voltage and electric current information fusion accuracy and speed are improved obviously than just using the output voltage or power supply current diagnosis.

information fusion, BP neural network, analog circuits, fault diagnosis

2014年12月7日,

2015年1月26日

杨超,男,硕士,研究方向:模拟电路的故障诊断、弱信号处理。

TP391

10.3969/j.issn1672-9730.2015.06.033