劉伊鵬，徐萬(wàn)洲，楊 青

(沈陽(yáng)理工大學(xué) 自動(dòng)化與電氣工程學(xué)院，沈陽(yáng) 110159)

數(shù)字電路和模擬電路是電路系統(tǒng)的重要組成部分。與數(shù)字電路相比，模擬電路要解決內(nèi)部干擾問題，且結(jié)構(gòu)比較復(fù)雜，其研究進(jìn)展遠(yuǎn)落后于數(shù)字電路。隨著現(xiàn)代工業(yè)的發(fā)展，數(shù)字電路和模擬電路結(jié)合使用已是大勢(shì)所趨，電路的復(fù)雜程度也大幅度提高，導(dǎo)致電路發(fā)生故障的幾率也有所增加。電路系統(tǒng)在運(yùn)行期間發(fā)生意外電路故障，會(huì)嚴(yán)重?fù)p害企業(yè)的經(jīng)濟(jì)利益和人身安全。模擬電路發(fā)生故障的概率遠(yuǎn)大于數(shù)字電路，資料顯示[1]，數(shù)字電路的應(yīng)用程度達(dá)到80%左右，但大約80%的故障由模擬電路引起，模擬電路對(duì)整個(gè)電路系統(tǒng)有重要影響，對(duì)其故障的研究日益受到關(guān)注。

深度學(xué)習(xí)對(duì)數(shù)據(jù)有強(qiáng)大的學(xué)習(xí)能力，相比于淺層學(xué)習(xí)的深度架構(gòu)，其克服了在訓(xùn)練上出現(xiàn)的難度問題。近年來(lái)，學(xué)者們開始將深度學(xué)習(xí)方法運(yùn)用于模擬電路故障診斷方面的研究。文獻(xiàn)[2-3]將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用在模擬電路故障診斷中，將收集的一維數(shù)據(jù)直接作為一維卷積輸入進(jìn)行特征提取，保證原始數(shù)據(jù)的基本特征，防止數(shù)據(jù)丟失，再使用分類器進(jìn)行故障分類。文獻(xiàn)[4]使用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)提取特征，然后采用支持向量機(jī)(Support Vector Machine，SVM)進(jìn)行故障分類。

由于模擬電路存在元件容差等問題，導(dǎo)致原始故障數(shù)據(jù)之間區(qū)分不明顯，故需對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。目前常用的預(yù)處理方法是小波變換[5-6]，其難點(diǎn)是小波基的選取，小波基選擇不當(dāng)會(huì)影響故障診斷性能?？焖俑道锶~變換則可將原始信號(hào)從時(shí)域轉(zhuǎn)換到頻域，使特征變得更加明顯，且快速傅里葉方法不需要小波基函數(shù)的選取。

本文采用快速傅里葉變換對(duì)一維數(shù)據(jù)進(jìn)行預(yù)處理，該處理過程無(wú)需參數(shù)的定義；再將得到的一維數(shù)據(jù)作為卷積神經(jīng)網(wǎng)絡(luò)和門控循環(huán)單元的輸入，對(duì)故障類型進(jìn)行識(shí)別，并驗(yàn)證該方法的診斷效果。

1 FFT-CNN-GRU方法

1.1 快速傅里葉變換(FFT)

快速傅里葉變換(Fast Fourier Transform，F(xiàn)FT)將時(shí)域信號(hào)無(wú)法體現(xiàn)的信息在頻域信號(hào)中體現(xiàn)出來(lái)，其本質(zhì)為離散傅里葉的一種優(yōu)化算法，可簡(jiǎn)化計(jì)算量，加快計(jì)算速度。其原理為：以大小為fs的頻率對(duì)原始故障信號(hào)進(jìn)行采樣，采樣點(diǎn)數(shù)為N，經(jīng)過FFT之后，將得到N個(gè)復(fù)數(shù)點(diǎn)，每個(gè)復(fù)數(shù)對(duì)應(yīng)一個(gè)頻率值，每個(gè)點(diǎn)的相位代表頻率分量的相位，每個(gè)點(diǎn)的幅值代表頻率分量的幅值。

1.2 CNN模型

CNN是神經(jīng)網(wǎng)絡(luò)算法的一種[7]，其在圖像處理方面效果非常顯著，得到廣泛應(yīng)用，也被用于處理一維數(shù)據(jù)。卷積層、池化層和全連接層為CNN的主要模塊。卷積層主要是將目標(biāo)對(duì)象輸入層的信息進(jìn)行局部區(qū)域的特征提取，多個(gè)卷積單元構(gòu)成卷積層，卷積層對(duì)數(shù)據(jù)進(jìn)行提??；池化層對(duì)數(shù)據(jù)進(jìn)行特征降維，去除冗余信息，降低過擬合風(fēng)險(xiǎn)；全連接層在卷積神經(jīng)網(wǎng)絡(luò)中起到分類作用，其每一層均由許多神經(jīng)元組成，每個(gè)神經(jīng)元并不獨(dú)立存在，其與下一層的神經(jīng)元進(jìn)行一一相連，可將得到的特征圖展開平鋪進(jìn)行運(yùn)算，對(duì)特征圖譜達(dá)到更好的分類效果。CNN結(jié)構(gòu)如圖1所示。

圖1 CNN結(jié)構(gòu)圖

1.3 GRU模型

門控循環(huán)單元(Gate Recurrent Unit，GRU)是長(zhǎng)短期記憶網(wǎng)絡(luò)(Long Short-Term Memory，LSTM)的升級(jí)，但在結(jié)構(gòu)上大大簡(jiǎn)化。LSTM通過門控來(lái)記憶重要信息，同時(shí)選擇忘記非重要信息。GRU減少了參數(shù)，加快了收斂速度，可更好地解決梯度消失問題[8-9]。GRU的更新門和重置門控制最終留下的有用信息，且不會(huì)隨時(shí)間變化而清除以前的信息，其更新門等同于LSTM的遺忘門和輸入門。GRU結(jié)構(gòu)如圖2所示。

圖2 GRU結(jié)構(gòu)圖

GRU公式如下。

zt=σ(wz·[ht-1，xt])

(1)

式中：zt為更新門；σ為sigmod函數(shù)；wz為更新門的權(quán)重參數(shù)；xt為當(dāng)前時(shí)刻的輸入；ht-1為上一時(shí)刻的輸出。

rt=σ(wr·[ht-1，xt])

(2)

式中：rt為復(fù)位門；wr為復(fù)位門的權(quán)重參數(shù)。

h′t=tanh(wh·[rt*ht-1，xt])

(3)

式中：h′t為當(dāng)前時(shí)刻的待定輸出；wh為待定輸出的權(quán)重參數(shù)。

ht=(1-zt)*ht-1+zt*h′t

(4)

式中ht為當(dāng)前時(shí)刻的輸出。

1.4 FFT-CNN-GRU算法

本文采用的CNN-GRU模型屬于融合模型，包括FFT、CNN和GRU三個(gè)部分。其結(jié)構(gòu)如圖3所示。

圖3 FFT-CNN-GRU結(jié)構(gòu)圖

由圖3可見，應(yīng)用FFT-CNN-GRU算法時(shí)，首先采用FFT對(duì)數(shù)據(jù)預(yù)處理，然后采用卷積神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)進(jìn)行特征提取，池化層對(duì)數(shù)據(jù)進(jìn)行二次特征提取，相當(dāng)于降采樣的過程，最后將降維后的數(shù)據(jù)作為GRU的輸入訓(xùn)練模型，由softmax分類器完成最后的分類。利用CNN網(wǎng)絡(luò)局部特征能力的優(yōu)點(diǎn)及GRU網(wǎng)絡(luò)對(duì)數(shù)據(jù)的挖掘能力，搭建CNN-GRU的故障診斷模型，該模型同時(shí)具備時(shí)間、空間的特征[10]。

2 實(shí)驗(yàn)部分

為驗(yàn)證本文提出的故障診斷方法，實(shí)驗(yàn)中將狀態(tài)變量濾波器電路[11]作為待測(cè)電路，如圖4所示。仿真實(shí)驗(yàn)以Multisim14作為實(shí)驗(yàn)平臺(tái)，數(shù)據(jù)預(yù)處理采用Matlab2018a完成，故障模型的搭建由python3.6完成。

圖4 狀態(tài)變量濾波器

設(shè)置電阻和電容的故障正常值分別為：R1=R2=R3=R4=R5=10kΩ；R6=3kΩ；R7=7kΩ；C1=C2=20nF。將該電路的R1、R2、R5、C1、C2作為單故障檢測(cè)元器件，考慮元件本身的容差變化，設(shè)置電阻容差為5%，電容容差為10%，若浮動(dòng)超過容差的50%時(shí)為元件故障。具體故障類別與故障值如表1所示。

表1 故障類別與故障值

利用Multisim軟件建立模擬電路，被測(cè)電路的激勵(lì)信號(hào)設(shè)為500Hz-1V交流激勵(lì)。設(shè)置某一元件為故障狀態(tài)，其余元件為正常狀態(tài)，采用蒙特卡洛分析法在輸出節(jié)點(diǎn)采集電路的電壓信號(hào)，獲取各元件故障時(shí)電路輸出的電壓信號(hào)數(shù)據(jù)。

采用蒙特卡洛分析時(shí)，每種故障進(jìn)行100次分析，得到900組樣本數(shù)據(jù)，隨機(jī)抽取70%為訓(xùn)練集、20%為測(cè)試集、10%為驗(yàn)證集。將該方法與其他方法進(jìn)行對(duì)比，結(jié)果如表2所示。

表2 故障診斷結(jié)果對(duì)比表

由表2可見，本文采用的FFT-CNN-GRU方法在故障診斷中取得較高的準(zhǔn)確率，明顯優(yōu)于其他方法，說明其在模擬電路故障診斷中可行。

將FFT-CNN-GRU模擬電路故障診斷方法應(yīng)用到狀態(tài)變量濾波器電路，為驗(yàn)證該模型的有效性，設(shè)置模型的迭代次數(shù)為500次，通過訓(xùn)練得到準(zhǔn)確率曲線和損失變化曲線如圖5和圖6所示。

圖5 迭代收斂曲線圖

圖6 損失函數(shù)曲線

由圖5和圖6可見，當(dāng)?shù)螖?shù)達(dá)到110左右時(shí)，準(zhǔn)確率可達(dá)到97%左右；迭代次數(shù)達(dá)到320左右時(shí)，損失函數(shù)曲線達(dá)到穩(wěn)定狀態(tài)，說明本文采用的模型訓(xùn)練速度較快，故障診斷精度高，可有效應(yīng)用于模擬電路的故障診斷。

3 結(jié)論

采用FFT-CNN-GRU對(duì)模擬電路進(jìn)行故障診斷，將故障診斷的預(yù)處理、特征提取和分類相結(jié)合，對(duì)狀態(tài)變量濾波器電路得到的仿真數(shù)據(jù)集進(jìn)行驗(yàn)證，結(jié)果表明FFT-CNN-GRU方法優(yōu)于傳統(tǒng)機(jī)器學(xué)的方法，在模擬電路故障診斷中可達(dá)到良好的效果。后續(xù)研究中可引入其他算法來(lái)優(yōu)化網(wǎng)絡(luò)模型，進(jìn)一步地提高故障診斷準(zhǔn)確率。