小波变换和神经网络的电路故障诊断

何东中 贡丽霞 白艳萍

摘  要： 传统的电路故障诊断方法诊断波形图与实际波形差异较大，诊断准确率低。为了解决上述问题，基于小波变换和神经网络设计一种新的电路故障诊断方法。设定小波分解包，通过小波变换提取出故障特征，利用神经网络对原始信号进行离散小波变换，获得时频矩阵，分析能量变化特点，确定二维时频信息，根据不同故障类型的映射关系实现诊断。实验结果表明，基于小波变换和神经网络的电路故障诊断方法得到的波形与实际波形十分接近，能够精准地检测出电路故障。

关键词： 电路故障诊断; 小波变换; 神经网络; 故障特征提取; 时频信息确定; 诊断效果检测

中图分类号： TN710.4?34; TP18                  文献标识码： A                      文章编号： 1004?373X（2020）10?0030?03

Circuit fault diagnosis based on wavelet transform and neural network

HE Dongzhong1， GONG Lixia1， BAI Yanping2

（1. Shijiazhuang Tiedao University Sifang College， Shijiazhuang 051132， China; 2. North University of China， Taiyuan 030051， China）

Abstract： The diagnostic waveform obtained by the traditional circuit fault diagnosis method has a large difference with the actual waveform， and its diagnostic accuracy is low. Therefore， a new circuit fault diagnosis method based on wavelet transform and neural network is designed. The wavelet decomposition packet is set， so that the fault feature is extracted by means of the wavelet transform， and the discrete wavelet transform for the original signal is conducted by the neural network to obtain the time?frequency matrix， analyze the characteristic of energy change， determine the two?dimensional time?frequency information， and thus realize the diagnosis according to the mapping relationship of different fault types. The waveform obtained by the circuit fault diagnosis method based on wavelet transform and neural network is compared with the actual waveform. The experimental result show that the waveform is very close to the actual waveform， and the methoc can diagnose the circuit fault accurately.

Keywords： circuit fault diagnosis; wavelet transform; neural network; fault feature extraction; time?frequency information determination; diagnostic effect detection

0  引  言

电路由电源、开关、连接导线、电子器件组成，是电子设备基本元件之一，为人们生活带来了极大的方便。但这些电子器件之间容易出现漏焊，进而引发电路故障[1]。电路故障诊断是保障电子设备正常稳定工作的基础，传统诊断方法采用自动测试设备ATE进行系统与装置的故障检测诊断，该方法对于定位、极板的维护、使用有很大难度，准确性不高[2]。

小波分析法能更加精确地对信号做出局部描述以及故障提取[3]。为提高电路诊断准确性，本文提出一种基于小波变换和神经网络的电路故障诊断方法，以小波变换电路故障提取为基础，确定特征向量，利用DWT技术充分展现信号中所携带的时频特点，构建时频矩阵并输入到CNN中，分层自动提取二维码时频特征，从而有效诊断电路中的故障。

1  基于小波变换的电路故障特征提取

以小波分析法为基础，将信号分解到不同频段，这些频段上包含着相应的故障信息，对采取收集的电压信号进行分解，得到需要的特征向量，提取出电路故障[4]。故障特征提取流程如图1所示。

对于任意一个函数f（t）∈L3（R）都可以利用一个基本小波通过伸缩和平移运算后与f（t）内积得出：

[Wfa，b=f，ψt=a12fxψ1-badx] （1）

式中：[ψt]是母小波函數;a为伸缩因子;b为平行因子。通过对信号的小波变换进行时频分析，观察在某一时间t对应某一a的成分[5]。

通过均分频域的滤波器将信号分为高频和低频两个子带，保留高频部分，对低频部分继续均分，一直均分到函数所表示的低通滤波器[5]。分析出小波后，对小波包进行分解，在多分辨分析基础上，将高频部分进一步细分，自适应性地选择合适频段，与信号频谱匹配，提高时频分辨率[6]。小波包三层分解如图2所示。

提取信号分别表示为AAA3，DAA3，ADA3，DDA3，AAD3，DAD3，ADD3，DDD3，其中A表示低频，B表示高频，字母后面的数字表示小波包分解的层数。小波包分解的关系式为S=AAA3+DAA3+ADA3+DDA3+AAD3+DAD3+ADD3+DDD3。根据分解关系式提取电路的故障特征[7]。

2  基于神经网络算法的电路故障诊断

神经网络通过自适应的多层特征提取层，采取非监督方式实现二维码信息的抽象分布式特征表达，目前CNN主要运用于电路故障诊断领域[8]。利用CNN对电路故障进行诊断时，必须将二维时频信息充分展现，信号S变换对高频带分辨率模糊不清，所以用DWT分离故障信号的频带，以便提高故障诊断效率。通过提取二维码时频特点诊断电路故障，CNN机构模型见图3。

图3中，输入信号为二维时频信号，F1为数积层，G1为下采集层，F1和G1交替出现并不断提取信号信息，并在链接层形成时频信号的分布特征表达[9]。CNN包括输入信号由低层到高层变换的前向传播和将预分类结果与期望结果的误差反向传播。前向传播过程可实现对故障信号特征的自动提取并进行欲分类假设。假设CNN网络第1层，即视为数积层，其后层作为分析层，经过非线性激活函数对输入的线性组合进行计算，从而得到这一分析层的神经输出[10]。通过不断迭代，对网络中自适应参数应用梯度下降法进行调整，得出一系列可自适应数积核，降低到最小限度，最后得到想要的自适应数积核。诊断过程如图4所示。

基于神经网络进行故障诊断时，首先离散小波对原始信号进行变换，构建时频矩阵;再由CNN对时频矩阵中不同时间、不同频率的能量变化特点进行逐层无监督自适应的学习，获取二维时频信息以便掌握故障信息;最终通过建立softmax分类层确定神经网络层数和每个样本对应的函数损失值来诊断电路故障，弥补传统模式识别缺陷。

3  实验研究

3.1  实验目的

为验证方法的有效性，与传统检测方法进行对比，通过对SKF的6205?2RS型深沟球轴承电路的故障来进行验证，设定实验。

3.2  实验数据

本文在轴承各个训练点布置故障，内圈的故障直径为0.22 mm、外圈的故障直径为8.47 mm、滚动处的故障直径为0.44 mm、滚筒的深度为0.34 mm。列举出8种故障状态，故障点如图5所示。

将故障分为两种：一种是不同故障类型，相同故障程度;另一种是相同故障类型，不同故障程度。将8种故障点的诊断结果分成4组，每组选取5个数据作为样本，剩下的为训练样本。

3.3  实验结果和分析

3.3.1  故障信号波形检测结果

图6、图7表示了不同方法检测的轴承部件在不同故障状态下的故障信号的时域波形。故障在运用本文方法检测的时频表达中所呈现的比传统方法检测的时频特征更清晰易懂。观察图中，正常状态下轴承信号的能量主要集中在低频段，而电路在不同的程度下，整个过程呈现明显的能量波动，散发出的能量都分布在频率范围较宽的高频带上。实验电路在不同的故障程度分布的能量存在着明显的差异，各频率范围内，能量强度和能量波动历经随着时间的增加故障程度诊断更加准确，电路振动能量随着频率波动诊断时间减少。本文方法比传统在时域诊断电路故障方法诊断得更加准确，故障表现得更加突出明了，可以更好地得出故障波形。

3.3.2  基于神经网络的故障诊断准确率测试

CNN网络由输入层、卷积层、池化层三部分组成。CNN网络中的卷积层就是对输入图像矩阵和卷积核矩阵各个位置的元素相乘。池化层是对输入的各个矩阵进行压缩，让输入的矩阵维度变小。本文实验采用平均池化的方式进行诊断准确率检测，传统方法和本文小波变换电路故障诊断方法的准确率绘图如图8所示。

根据图8可知，传统方法在进行电路故障诊断时误差很大，尤其是随着迭代次数的增加，这种误差结果越来越大;而本文研究的方法精确度远远高于传统方法。这个实验结果证明了所提方法的故障诊断方法平均准确率比传统的故障诊断方法的平均准确率高，所以小波变化故障诊断方法是具有科学性的，值得去学习、发展、应用。

4  结  语

本文旨在小波变换电路故障提取的基础上利用DWT技术充分展现信号中所携带的时频特点，构建时频矩阵并输入到CNN中，分层自动提取二维码时频特征，将所携带的时频矩阵输入CNN中进行二维时频特征的分层自动提取实现电路故障诊断。基于小波?神经网络的故障诊断法故障检测率与故障隔离率都能够准确地进行网络故障诊断，解决了测试需要多个测试点的麻烦，本文只需要一个测试点时就需设置一个监测点，便于电路故障诊断。通过分析其波形特征就能进行网络故障诊断。实验验证说明基于人工智能的故障诊断方法更加准确。

参考文献

[1] 辛健，马力.小波变换和神经网络的电路故障诊断[J].现代电子技术，2017，40（5）：174?177.

[2] 况璟，何怡刚，邓芳明，等.基于交叉小波变换和主元分析的电力电子电路故障特征提取[J].电测与仪表，2017，54（11）：1?7.

[3] 陈仁祥，黄鑫，杨黎霞.基于卷积神经网络和离散小波变换的滚动轴承故障诊断[J].振动工程学报，2018，31（5）：883?891.

[4] 徐永勤，高亚东，李清龙.基于小波变换和神经网络的直升机旋翼不平衡故障诊断方法[J].南京航空航天大学学报，2017，49（2）：212?218.

[5] 王骁贤，张保华，陆思良.基于连续小波变换和卷积神经网络的无刷直流电机故障诊断[J].机械与电子，2018，36（6）：46?49.

[6] 路军.基于小波变换和RBF神经网络的机械故障诊断[J].天津冶金，2018（2）：39?42.

[7] 张文静，张磊，刘明.基于小波和BP神经网络的风力机齿轮箱故障诊断[J].自动化技术与应用，2017，36（6）：1?4.

[8] 刘继军.电气设备故障诊断方法和技术研究[J].机电工程技术，2017，22（1）：66?67.

[9] 崔腾飞，许章平，刘成洲，等.基于小波分析的神经网络基坑变形预测模型[J].北京测绘，2018，32（9）：20?23.

[10] 王青山，梁得亮，杜锦华.交流稳压电源的改进神经网络PID控制[J].电机与控制学报，2017，21（2）：1?9.