基于改进小波包分析的模拟电路故障诊断方法

2023-09-27 14:21周家萍
电子制作 2023年17期
关键词:波包故障诊断卷积

周家萍

(兴义民族师范学院,贵州兴义,562400)

1 模拟电路故障改进小波包分析诊断方法设计

■1.1 基于小波包分析提取模拟电路故障特征

为解决故障训练偏置值变化导致的故障诊断偏差问题,本文设计的方法利用改进小波包分析重构了模拟电路故障信号,提取了模拟电路的故障特征。小波包分析是一种特殊的信号处理技术,其可根据不同的滤波频率选取滤波器,从而有效地获取信号特征值。在模拟电路出现故障时,信号的能量会出现不同程度的改变,因此可根据故障信号的能量变化关系完成故障诊断。首先可采集模拟电路的故障信号进行小波包分解,按照高~低频的顺序提取信号特征,获取不同故障信号的频率系数,此时的小波包分解示意图由图1 所示。

图1 故障信号小波包分解示意图

由图1 可知,通过多层分解可快速获取故障信号的高频系数,从而进一步进行模拟电路故障诊断。

待故障信号小波包分解完毕,可使用重构函数重构模拟电路故障特征信号,首先需要设置一个重构节点,提取小波包分解系数,此时可生成一个高频信号表达式,可将相应的故障信号能量输入其中,从而得到各个离散点的故障信号幅值。

待上述步骤完毕后,构造故障特征向量。经过多次测试发现,当模拟电路存在故障时,原始信号的能量逐渐升高,因此可根据该特点构造有效的故障特征向量。为了提高诊断的效率,需要对预设的故障诊断网络进行归一化处理,即利用小波包变换特性对故障特征向量进行改进,从而完成故障特征向量归一化。

在故障特征提取的过程中,如果小波包分解层数不足,则无法获取模拟电路中的全部故障特征,影响最终的故障诊断结果。不仅如此,还会导致故障诊断特征向量的维度激增,降低故障诊断效率,因此本文设计的模拟电路故障诊断方法使用三成小波包分解,生成故障特征向量。

在针对实际的模拟电路故障进行故障诊断时,为了获取尽量多的故障特征,降低总计算量,需要使用Harr 小波作为母函数,进行故障解析处理,Harr 小波函数的特征如图2 所示。

图2 Ha rr 小波函数特征

由图2 可知,Harr 小波函数具有对称性,可获取较多电路特征,提高故障特征的提取效率,待特征提取完毕后,需要进一步计算故障特征向量的绝对误差。待计算完毕后即可排除绝对误差,从而提高模拟电路故障诊断的有效性。

■1.2 构建模拟电路故障诊断模型

结合上文提取的模拟电路故障特征可结合一维卷积神经网络,构建模拟电路故障诊断模型。经过分析发现,诊断的模拟电路故障受各个输出层影响存在较高的损失误差,若无法有效更新故障诊断网络的权重和权值则最终的诊断精度也会受到影响,因此,本文设计的方法从一维神经网络入手,构建了故障诊断模型。

一维神经网络具有较强的权值共享特性,可将模拟电路信号转化为一维故障信号,再使用LetNet-5 完成有效改进。此时构建的模拟电路故障诊断模型如图3 所示。

图3 模拟电路故障诊断模型

由图3 可知,上述模拟电路故障诊断模型分为卷积层、池化层、输入层、特征提取层、平坦层,以及分类层。卷积层是该诊断模型较核心的模块,其可使用综合权重计算法处理样本数据。采集到样本数据后,卷积核可进行有效的卷积运算,确保卷积核权值处于一定的范围内。

为降低故障诊断计算复杂度,降低诊断损耗,该模型使用局部连接法获取了故障诊断参数,进行了非线性激活。此时可假设某卷积层的输入值、样本个数以及相关维度,进行数字化描述,生成诊断阈值,从而完成卷积层计算。

上述模拟电路故障诊断模型可根据模拟电路内部的输出阈值变化关系快速生成激活函数,进行一维信号卷积。池化层指的是采样层,其保留了卷积层提取的模拟电路故障特征,进行集中处理,降低故障诊断的复杂度。本文可使用max-poolling 池化法保留基础故障特征,提取重要的故障特征信息,从而完成故障采样处理。池化层可进行最大池化运算,获取最佳的模拟电路故障诊断结果,运算示意图如图4 所示。

图4 最大池化层运算示意图

由图4 可知,经过池化运算输出的池化核明显变小,模拟电路故障特征模型中的激活函数是一种非线性数学函数,其可以有效地转变输入输出信号,但其也存在一个缺点,当自变量处于极值时,其容易出现梯度消失问题,导致模拟电路故障诊断的效率降低。除此之外,在故障诊断训练的过程中还容易出现过拟合问题,因此,本文设计的模拟电路故障诊断模型选取Relu 函数作为卷积运算函数,从而有效地进行非线性分类。

全连接层可以对上述步骤提取的信号进行分类识别,在模拟电路故障特征信号输入前,需要预先进行扁平化处理,确保其属于一维向量,从而输入全连接层。待上述步骤完成后,可以通过softmax 层输出分类结果,获取存在故障的电路节点。

softmax 层的输出值为非负数,满足故障诊断的概率分布关系,因此,每个神经元对应的类别也不一致。为了使上述模拟电路故障诊断模型尽量满足电路的真实运行关系,本文设计的方法选取输出值较高的类别进行集中预测,确定损失函数与真实之间的差异关系,再进行评估处理,得到有效的诊断交叉熵值。模拟电路故障诊断模型在训练过程中各个诊断节点具备反向传播关系,因此本文结合模型的反向传播原则对诊断函数进行求导,从而得出有效的偏置导数。

若模拟电路故障诊断模型得出的偏置导数不满足池化层的诊断要求需要进一步进行采样运算,仅需计算特征区域以外的偏置导数即可。模拟电路故障诊断模型的反向传播过程可以分成两个部分,第一步进行诊断激活,生成相关的故障诊断激活函数,第二步在生成的故障诊断激活函数中输入导向参数,从而得出有效的故障诊断偏置梯度。经过多次训练发现,此时,受模型的更新作用影响,整体的诊断损失偏高,因此本文使用RMSprop、AdaGrad 优化框架对上述模型进行了优化训练,对模型的偏置梯度和诊断均值进行了动态调整,从而完成了模拟电路故障诊断模型的参数优化。使用上述设计的模拟电路故障诊断模型可有效解决故障诊断过程中出现的网络训练退化问题,在最大程度上提高了模拟电路的故障诊断精度。

2 实验

为了验证设计的基于改进小波包分析的模拟电路故障诊断方法的实际诊断效果本文搭建了实验平台,将其与文献一、文献二两种模拟电路故障诊断方法对比,进行实验,如下:

■2.1 实验准备

结合模拟电路故障诊断需求,本文预先设计了有效的实验方案。在实验过程中,输入的模拟电路故障信号必须具有较强的传递能力,能通过较少的实验节点得出最终的实验结果,提高实验的有效性。因此,本文根据实验模拟电路故障信号的激励传递原则设计了故障诊断实验流程,如图5 所示。

图5 模拟电路故障诊断实验流程

由图5 可知,在信号预处理过程中,需要将输入的信号转换成统一格式,降低故障信号特征的处理难度。除此之外,为降低实验误差,提高实验效率,还需利用相关算法剔除冗余数据,将现有的实验故障信号简化,进行智能分类,从而输出最终的实验结果。

在实验过程中,模拟电路故障信号可以使用FTWTWPT 等方式进行处理,再利用相关的分类器得出实验结果,但在上述过程中,需要不断进行故障特征提取。为了降低故障电路信号分辨率对实验结果造成的影响,本文选取EWT作提取不同的信号特征分量,此时可以设计实验诊断框架,如图6 所示。

图6 故障诊断实验框架

由图6 可知,在实验开始前,首先需要选取实验测点,连接模拟的实验元件,输入预设的故障信号,其次需要采集测点输出的实验信号进行数据预处理,从而输出最终的实验结果。此时可构建仿真模拟电路模型,如图7 所示。

图7 仿真故障模型

结合图7 的电路连接方式,可以预设故障模式及相关参数如表1 所示。

表1 故障模式及相关参数

由表1 可知,上述故障模式可通过Multisim 软件输入至实验平台,从而有效地进行仿真实验。初始的激励信号电压幅度为10V,需要进行若干次Monte Carlo 完成故障熵值分解,确保预设的故障模式满足后续的实验需求。

本实验选取K4e 锐龙5000 计算机作为实验平台,其内存为128GB,操作类型为64 位,处理器频率为2.4GHz,在实验蒙特卡洛分析完毕后可使用Windows 作为仿真工具,在Python 环境下完成信号预处理,从而得到最终的实验结果。为了降低实验的难度,本文使用模拟法预设激励位置及测点,可根据电路的脉冲关系排除扫频响应信号从而降低故障诊断实验的难度,此时待上述测点布置完毕后即可进行后续的实验。

■2.2 实验结果与讨论

结合上述的实验准备,可以进行后续的模拟电路故障诊断实验,即分别使用本文设计的模拟电路故障改进小波包分析诊断方法,文献一的基于K-means 聚类与概率神经网络的诊断方法,以及文献二的基于改进的VMD 和SVM 的诊断方法进行模拟电路故障诊断实验,为了满足实验的随机性要求,本文随机从预设的10 种故障中抽取两组(⋆F02⋆F09)故障,输入故障信号,此时记录三种方法诊断的故障特征幅值,实验结果如图8 所示。

图8 实验结果

由图8 可知,在模拟电路相同的运行条件下,本文设计的模拟电路故障改进小波包分析诊断方法诊断的故障特征幅值与预设故障特征幅值一致,能有效诊断出⋆F02⋆F09两种故障,文献一的基于K-means 聚类与概率神经网络的诊断方法以及文献二的基于改进的VMD 和SVM 的诊断方法诊断的故障特征幅值与预设故障特征幅值偏差较大,无法诊断出⋆F02⋆F09 两种故障。上述实验结果证明,本文设计的模拟电路故障改进小波包分析诊断方法的诊断效果较好,具有可靠性,有一定的应用价值。

3 结束语

综上所述,在信息化背景下,我国的数字化技术飞速发展,各种各样的数字电路应运而生。模拟电路是一种重要的数字电路,其在计算机领域应用较广泛,受模拟电路动态参数变化影响,其内部的电流、电压波动较大,极易出现模拟电路故障,影响其正常运行,带来较高的运行损耗,因此,本文基于改进小波包分析设计了一种全新的模拟电路故障诊断方法。进行实验,结果表明设计的模拟电路故障诊断方法的诊断效果较好,可靠性较高,有一定的应用价值,为推动数字电路的发展作出了一定的贡献。

猜你喜欢
波包故障诊断卷积
基于3D-Winograd的快速卷积算法设计及FPGA实现
从滤波器理解卷积
基于小波包Tsallis熵和RVM的模拟电路故障诊断
基于傅里叶域卷积表示的目标跟踪算法
基于小波包变换的电力系统谐波分析
因果图定性分析法及其在故障诊断中的应用
小波包理论与图像小波包分解
一种基于卷积神经网络的性别识别方法
基于LCD和排列熵的滚动轴承故障诊断
基于小波包的全信息解调方法及其应用