辛健　馬力

摘 要： 模擬電路的元件較多，相互之間的耦合性較強，容易發(fā)生故障。為了提高電路故障的診斷準確性，提出小波變換和神經網絡的電路故障診斷方法。首先采用小波變換方法提取電路故障信息特征，然后采用神經網絡分類提取的故障特征量實現(xiàn)對電路故障的診斷和分類識別，最后通過仿真實驗進行性能測試，結果表明，該方法提高了電路故障檢測的準確度，具有較好的實際應用價值。

關鍵詞： 小波變換； 神經網絡； 電路故障診斷； 故障特征量

中圖分類號： TN711?34； TP277 文獻標識碼： A 文章編號： 1004?373X（2017）05?0174?04

Abstract： The multiple components of the analog circuit have strong coupling among them， and it is prone to failure. In order to improve the accuracy of the circuit fault diagnosis， a circuit fault diagnosis method based on wavelet transform and neural network is proposed. The wavelet transform method is used to extract the information feature of the circuit fault. The neural network is used to classify and extract the fault feature quantity to realize the circuit fault diagnosis， and classification and recognition. The performance was tested with the simulation experiment. The results show that the method has improved the accuracy of the circuit fault detection， and has superior practical application value.

Keywords： wavelet transform； neural network； circuit fault diagnosis； fault feature quantity

0 引 言

模擬電路廣泛應用在大型電子設備系統(tǒng)中，模擬電路由大規(guī)模的集成和分立電子元件構成，電子元器件之間容易出現(xiàn)漏焊和耦合，電路的故障發(fā)生率較高。有效診斷模擬電路故障是保障電子系統(tǒng)可靠穩(wěn)定工作的基礎。電路故障診斷原理是檢測電路設備的有關參數(shù)，并進行狀態(tài)特征分析，實現(xiàn)對電路設備運行狀態(tài)、故障原因、部位和故障發(fā)生趨勢的判斷[1]。

當前常用的電路故障診斷方法有信號檢測方法、模式識別方法、專家系統(tǒng)方法、神經網絡方法等[2?3]。采用模式識別方法判斷電路的工況狀態(tài)，診斷電路故障是人工智能技術應用的重要分支。檢測信號的統(tǒng)計特征值，分析電路設備的工作狀態(tài)，判斷電路運行狀態(tài)和成因。但是通用的電路故障診斷方法存在檢測精度不高，電路元件之間相互耦合，導致電路故障具有多層性[4]。

為了提高電路故障的診斷準確性，提出小波變換和神經網絡的電路故障診斷方法，仿真實驗結果表明，本文方法提高了電路故障檢測的準確度。

1 模擬電路故障匹配過程分析

模擬電路故障檢測診斷的原理示意框圖如圖1所示。分析圖1的診斷過程可以得知，診斷電路故障首先是進行信息測量，采用信號檢測方法對電路輸出的電信號進行特征分析和故障特征提取，結合小波變換方法進行特征檢測和狀態(tài)識別，從而對故障原因部位和趨勢做出分類判別[5]。

對于模擬電路輸出故障數(shù)據(jù)的數(shù)據(jù)集采用瞬時頻率特征分析方法，得到故障信息測量數(shù)據(jù)集為[p（t），]模擬電路的沖激響應特征向量為[hi（t）]，采用光電式轉速傳感器采集信號，得到輸出電路的測譜信息為[npi（t）]。電路的主控振蕩輸出信號表示為：

3 電路故障診斷的實現(xiàn)

3.1 神經網絡分類器設計

在提取電路故障特征的基礎上，采用神經網絡分類器分類故障。利用三層神經網絡結果進行分類器設計[7?8]，如圖2所示。

取三層BP神經網絡作為學習網絡，結構為[2×3×1]結構，分別為輸入層、隱含層和輸出層，其中輸入層輸入電路的小波時間尺度為二維特征；它的隱含層有三個神經元，分別為比例元、積分元和微分元，進行故障特征的訓練，輸出層輸入故障類別，在任意時刻[t，]對于BP神經網絡輸入層第[j]個神經元，其輸入電路故障特征信息[netj]等于隱含層的連接權重輸出量[x1，x2，…，xn]分別乘上權重值[w1j，w2j，…，wnj]后的總和，即電路故障診斷的神經網絡分類器輸入層信息參量為：

5 結 語

通過診斷電路故障，提高電路系統(tǒng)的穩(wěn)定性，電路故障診斷方法是檢測電路設備的有關參數(shù)，并進行狀態(tài)特征分析，實現(xiàn)對電路設備運行狀態(tài)、故障原因、部位和故障發(fā)生趨勢的判斷。為了提高電路故障的診斷準確性，提出基于小波變換和神經網絡的電路故障診斷方法，實驗結果表明，本文方法提高了電路故障診斷的正確率，具有廣泛的應用前景。

注：本文通訊作者為馬力。

參考文獻

[1] 楊俊，周丙寅，張毅，等.基于遞歸圖分析的壓縮機故障診斷方法研究[J].計算機與數(shù)字工程，2013，41（6）：984?986.

[2] 尹剛，張英堂，李志寧，等.基于MSPCA的缸蓋振動信號特征增強方法研究[J].振動與沖擊，2013，32（6）：143?147.

[3] 李兵，徐榕，賈春寧，等.基于自適應形態(tài)提升小波與改進非負矩陣分解的發(fā)動機故障診斷方法[J].兵工學報，2013，34（3）：353?360.

[4] 劉聰，李穎暉，吳辰，等.基于魯棒自適應滑模觀測器的多故障重構[J].控制與決策，2016，31（7）：1219?1224.

[5] 張曉戎，王程成，胡光波，等.混沌差分優(yōu)化數(shù)據(jù)聚類及在故障診斷中的應用[J].壓縮機技術，2013（6）：16?20.

[6] 劉聰，李穎暉，劉勇智，等.采用高階終端滑模觀測器的執(zhí)行器未知故障重構[J].西安交通大學學報，2015，49（9）：135?142.

[7] 宋建華.具有溫度補償?shù)腁PD數(shù)控偏壓電路[J].光學與光電技術，2013，11（2）：12?15.

[8] 馮穎，張合，張祥金，等.激光探測系統(tǒng)雪崩管實時補償研究[J].南京理工大學學報（自然科學版），2010，34（6）：787?791.