FFT-CNN-GRU模拟电路故障诊断方法研究

刘伊鹏，徐万洲，杨 青

(沈阳理工大学 自动化与电气工程学院，沈阳 110159)

数字电路和模拟电路是电路系统的重要组成部分。与数字电路相比，模拟电路要解决内部干扰问题，且结构比较复杂，其研究进展远落后于数字电路。随着现代工业的发展，数字电路和模拟电路结合使用已是大势所趋，电路的复杂程度也大幅度提高，导致电路发生故障的几率也有所增加。电路系统在运行期间发生意外电路故障，会严重损害企业的经济利益和人身安全。模拟电路发生故障的概率远大于数字电路，资料显示[1]，数字电路的应用程度达到80%左右，但大约80%的故障由模拟电路引起，模拟电路对整个电路系统有重要影响，对其故障的研究日益受到关注。

深度学习对数据有强大的学习能力，相比于浅层学习的深度架构，其克服了在训练上出现的难度问题。近年来，学者们开始将深度学习方法运用于模拟电路故障诊断方面的研究。文献[2-3]将卷积神经网络应用在模拟电路故障诊断中，将收集的一维数据直接作为一维卷积输入进行特征提取，保证原始数据的基本特征，防止数据丢失，再使用分类器进行故障分类。文献[4]使用卷积神经网络(Convolutional Neural Network，CNN)提取特征，然后采用支持向量机(Support Vector Machine，SVM)进行故障分类。

由于模拟电路存在元件容差等问题，导致原始故障数据之间区分不明显，故需对数据进行预处理。目前常用的预处理方法是小波变换[5-6]，其难点是小波基的选取，小波基选择不当会影响故障诊断性能。快速傅里叶变换则可将原始信号从时域转换到频域，使特征变得更加明显，且快速傅里叶方法不需要小波基函数的选取。

本文采用快速傅里叶变换对一维数据进行预处理，该处理过程无需参数的定义；再将得到的一维数据作为卷积神经网络和门控循环单元的输入，对故障类型进行识别，并验证该方法的诊断效果。

1 FFT-CNN-GRU方法

1.1 快速傅里叶变换(FFT)

快速傅里叶变换(Fast Fourier Transform，FFT)将时域信号无法体现的信息在频域信号中体现出来，其本质为离散傅里叶的一种优化算法，可简化计算量，加快计算速度。其原理为：以大小为fs的频率对原始故障信号进行采样，采样点数为N，经过FFT之后，将得到N个复数点，每个复数对应一个频率值，每个点的相位代表频率分量的相位，每个点的幅值代表频率分量的幅值。

1.2 CNN模型

CNN是神经网络算法的一种[7]，其在图像处理方面效果非常显著，得到广泛应用，也被用于处理一维数据。卷积层、池化层和全连接层为CNN的主要模块。卷积层主要是将目标对象输入层的信息进行局部区域的特征提取，多个卷积单元构成卷积层，卷积层对数据进行提取；池化层对数据进行特征降维，去除冗余信息，降低过拟合风险；全连接层在卷积神经网络中起到分类作用，其每一层均由许多神经元组成，每个神经元并不独立存在，其与下一层的神经元进行一一相连，可将得到的特征图展开平铺进行运算，对特征图谱达到更好的分类效果。CNN结构如图1所示。

图1 CNN结构图

1.3 GRU模型

门控循环单元(Gate Recurrent Unit，GRU)是长短期记忆网络(Long Short-Term Memory，LSTM)的升级，但在结构上大大简化。LSTM通过门控来记忆重要信息，同时选择忘记非重要信息。GRU减少了参数，加快了收敛速度，可更好地解决梯度消失问题[8-9]。GRU的更新门和重置门控制最终留下的有用信息，且不会随时间变化而清除以前的信息，其更新门等同于LSTM的遗忘门和输入门。GRU结构如图2所示。

图2 GRU结构图

GRU公式如下。

zt=σ(wz·[ht-1，xt])

(1)

式中：zt为更新门；σ为sigmod函数；wz为更新门的权重参数；xt为当前时刻的输入；ht-1为上一时刻的输出。

rt=σ(wr·[ht-1，xt])

(2)

式中：rt为复位门；wr为复位门的权重参数。

h′t=tanh(wh·[rt*ht-1，xt])

(3)

式中：h′t为当前时刻的待定输出；wh为待定输出的权重参数。

ht=(1-zt)*ht-1+zt*h′t

(4)

式中ht为当前时刻的输出。

1.4 FFT-CNN-GRU算法

本文采用的CNN-GRU模型属于融合模型，包括FFT、CNN和GRU三个部分。其结构如图3所示。

图3 FFT-CNN-GRU结构图

由图3可见，应用FFT-CNN-GRU算法时，首先采用FFT对数据预处理，然后采用卷积神经网络对数据进行特征提取，池化层对数据进行二次特征提取，相当于降采样的过程，最后将降维后的数据作为GRU的输入训练模型，由softmax分类器完成最后的分类。利用CNN网络局部特征能力的优点及GRU网络对数据的挖掘能力，搭建CNN-GRU的故障诊断模型，该模型同时具备时间、空间的特征[10]。

2 实验部分

为验证本文提出的故障诊断方法，实验中将状态变量滤波器电路[11]作为待测电路，如图4所示。仿真实验以Multisim14作为实验平台，数据预处理采用Matlab2018a完成，故障模型的搭建由python3.6完成。

图4 状态变量滤波器

设置电阻和电容的故障正常值分别为：R1=R2=R3=R4=R5=10kΩ；R6=3kΩ；R7=7kΩ；C1=C2=20nF。将该电路的R1、R2、R5、C1、C2作为单故障检测元器件，考虑元件本身的容差变化，设置电阻容差为5%，电容容差为10%，若浮动超过容差的50%时为元件故障。具体故障类别与故障值如表1所示。

表1 故障类别与故障值

利用Multisim软件建立模拟电路，被测电路的激励信号设为500Hz-1V交流激励。设置某一元件为故障状态，其余元件为正常状态，采用蒙特卡洛分析法在输出节点采集电路的电压信号，获取各元件故障时电路输出的电压信号数据。

采用蒙特卡洛分析时，每种故障进行100次分析，得到900组样本数据，随机抽取70%为训练集、20%为测试集、10%为验证集。将该方法与其他方法进行对比，结果如表2所示。

表2 故障诊断结果对比表

由表2可见，本文采用的FFT-CNN-GRU方法在故障诊断中取得较高的准确率，明显优于其他方法，说明其在模拟电路故障诊断中可行。

将FFT-CNN-GRU模拟电路故障诊断方法应用到状态变量滤波器电路，为验证该模型的有效性，设置模型的迭代次数为500次，通过训练得到准确率曲线和损失变化曲线如图5和图6所示。

图5 迭代收敛曲线图

图6 损失函数曲线

由图5和图6可见，当迭代次数达到110左右时，准确率可达到97%左右；迭代次数达到320左右时，损失函数曲线达到稳定状态，说明本文采用的模型训练速度较快，故障诊断精度高，可有效应用于模拟电路的故障诊断。

3 结论

采用FFT-CNN-GRU对模拟电路进行故障诊断，将故障诊断的预处理、特征提取和分类相结合，对状态变量滤波器电路得到的仿真数据集进行验证，结果表明FFT-CNN-GRU方法优于传统机器学的方法，在模拟电路故障诊断中可达到良好的效果。后续研究中可引入其他算法来优化网络模型，进一步地提高故障诊断准确率。