周家萍

（興義民族師范學(xué)院，貴州興義，562400）

1 模擬電路故障改進小波包分析診斷方法設(shè)計

■1.1 基于小波包分析提取模擬電路故障特征

為解決故障訓(xùn)練偏置值變化導(dǎo)致的故障診斷偏差問題，本文設(shè)計的方法利用改進小波包分析重構(gòu)了模擬電路故障信號，提取了模擬電路的故障特征。小波包分析是一種特殊的信號處理技術(shù)，其可根據(jù)不同的濾波頻率選取濾波器，從而有效地獲取信號特征值。在模擬電路出現(xiàn)故障時，信號的能量會出現(xiàn)不同程度的改變，因此可根據(jù)故障信號的能量變化關(guān)系完成故障診斷。首先可采集模擬電路的故障信號進行小波包分解，按照高～低頻的順序提取信號特征，獲取不同故障信號的頻率系數(shù)，此時的小波包分解示意圖由圖1 所示。

圖1 故障信號小波包分解示意圖

由圖1 可知，通過多層分解可快速獲取故障信號的高頻系數(shù)，從而進一步進行模擬電路故障診斷。

待故障信號小波包分解完畢，可使用重構(gòu)函數(shù)重構(gòu)模擬電路故障特征信號，首先需要設(shè)置一個重構(gòu)節(jié)點，提取小波包分解系數(shù)，此時可生成一個高頻信號表達式，可將相應(yīng)的故障信號能量輸入其中，從而得到各個離散點的故障信號幅值。

待上述步驟完畢后，構(gòu)造故障特征向量。經(jīng)過多次測試發(fā)現(xiàn)，當(dāng)模擬電路存在故障時，原始信號的能量逐漸升高，因此可根據(jù)該特點構(gòu)造有效的故障特征向量。為了提高診斷的效率，需要對預(yù)設(shè)的故障診斷網(wǎng)絡(luò)進行歸一化處理，即利用小波包變換特性對故障特征向量進行改進，從而完成故障特征向量歸一化。

在故障特征提取的過程中，如果小波包分解層數(shù)不足，則無法獲取模擬電路中的全部故障特征，影響最終的故障診斷結(jié)果。不僅如此，還會導(dǎo)致故障診斷特征向量的維度激增，降低故障診斷效率，因此本文設(shè)計的模擬電路故障診斷方法使用三成小波包分解，生成故障特征向量。

在針對實際的模擬電路故障進行故障診斷時，為了獲取盡量多的故障特征，降低總計算量，需要使用Harr 小波作為母函數(shù)，進行故障解析處理，Harr 小波函數(shù)的特征如圖2 所示。

圖2 Ha rr 小波函數(shù)特征

由圖2 可知，Harr 小波函數(shù)具有對稱性，可獲取較多電路特征，提高故障特征的提取效率，待特征提取完畢后，需要進一步計算故障特征向量的絕對誤差。待計算完畢后即可排除絕對誤差，從而提高模擬電路故障診斷的有效性。

■1.2 構(gòu)建模擬電路故障診斷模型

結(jié)合上文提取的模擬電路故障特征可結(jié)合一維卷積神經(jīng)網(wǎng)絡(luò)，構(gòu)建模擬電路故障診斷模型。經(jīng)過分析發(fā)現(xiàn)，診斷的模擬電路故障受各個輸出層影響存在較高的損失誤差，若無法有效更新故障診斷網(wǎng)絡(luò)的權(quán)重和權(quán)值則最終的診斷精度也會受到影響，因此，本文設(shè)計的方法從一維神經(jīng)網(wǎng)絡(luò)入手，構(gòu)建了故障診斷模型。

一維神經(jīng)網(wǎng)絡(luò)具有較強的權(quán)值共享特性，可將模擬電路信號轉(zhuǎn)化為一維故障信號，再使用LetNet-5 完成有效改進。此時構(gòu)建的模擬電路故障診斷模型如圖3 所示。

圖3 模擬電路故障診斷模型

由圖3 可知，上述模擬電路故障診斷模型分為卷積層、池化層、輸入層、特征提取層、平坦層，以及分類層。卷積層是該診斷模型較核心的模塊，其可使用綜合權(quán)重計算法處理樣本數(shù)據(jù)。采集到樣本數(shù)據(jù)后，卷積核可進行有效的卷積運算，確保卷積核權(quán)值處于一定的范圍內(nèi)。

為降低故障診斷計算復(fù)雜度，降低診斷損耗，該模型使用局部連接法獲取了故障診斷參數(shù)，進行了非線性激活。此時可假設(shè)某卷積層的輸入值、樣本個數(shù)以及相關(guān)維度，進行數(shù)字化描述，生成診斷閾值，從而完成卷積層計算。

上述模擬電路故障診斷模型可根據(jù)模擬電路內(nèi)部的輸出閾值變化關(guān)系快速生成激活函數(shù)，進行一維信號卷積。池化層指的是采樣層，其保留了卷積層提取的模擬電路故障特征，進行集中處理，降低故障診斷的復(fù)雜度。本文可使用max-poolling 池化法保留基礎(chǔ)故障特征，提取重要的故障特征信息，從而完成故障采樣處理。池化層可進行最大池化運算，獲取最佳的模擬電路故障診斷結(jié)果，運算示意圖如圖4 所示。

圖4 最大池化層運算示意圖

由圖4 可知，經(jīng)過池化運算輸出的池化核明顯變小，模擬電路故障特征模型中的激活函數(shù)是一種非線性數(shù)學(xué)函數(shù)，其可以有效地轉(zhuǎn)變輸入輸出信號，但其也存在一個缺點，當(dāng)自變量處于極值時，其容易出現(xiàn)梯度消失問題，導(dǎo)致模擬電路故障診斷的效率降低。除此之外，在故障診斷訓(xùn)練的過程中還容易出現(xiàn)過擬合問題，因此，本文設(shè)計的模擬電路故障診斷模型選取Relu 函數(shù)作為卷積運算函數(shù)，從而有效地進行非線性分類。

全連接層可以對上述步驟提取的信號進行分類識別，在模擬電路故障特征信號輸入前，需要預(yù)先進行扁平化處理，確保其屬于一維向量，從而輸入全連接層。待上述步驟完成后，可以通過softmax 層輸出分類結(jié)果，獲取存在故障的電路節(jié)點。

softmax 層的輸出值為非負(fù)數(shù)，滿足故障診斷的概率分布關(guān)系，因此，每個神經(jīng)元對應(yīng)的類別也不一致。為了使上述模擬電路故障診斷模型盡量滿足電路的真實運行關(guān)系，本文設(shè)計的方法選取輸出值較高的類別進行集中預(yù)測，確定損失函數(shù)與真實之間的差異關(guān)系，再進行評估處理，得到有效的診斷交叉熵值。模擬電路故障診斷模型在訓(xùn)練過程中各個診斷節(jié)點具備反向傳播關(guān)系，因此本文結(jié)合模型的反向傳播原則對診斷函數(shù)進行求導(dǎo)，從而得出有效的偏置導(dǎo)數(shù)。

若模擬電路故障診斷模型得出的偏置導(dǎo)數(shù)不滿足池化層的診斷要求需要進一步進行采樣運算，僅需計算特征區(qū)域以外的偏置導(dǎo)數(shù)即可。模擬電路故障診斷模型的反向傳播過程可以分成兩個部分，第一步進行診斷激活，生成相關(guān)的故障診斷激活函數(shù)，第二步在生成的故障診斷激活函數(shù)中輸入導(dǎo)向參數(shù)，從而得出有效的故障診斷偏置梯度。經(jīng)過多次訓(xùn)練發(fā)現(xiàn)，此時，受模型的更新作用影響，整體的診斷損失偏高，因此本文使用RMSprop、AdaGrad 優(yōu)化框架對上述模型進行了優(yōu)化訓(xùn)練，對模型的偏置梯度和診斷均值進行了動態(tài)調(diào)整，從而完成了模擬電路故障診斷模型的參數(shù)優(yōu)化。使用上述設(shè)計的模擬電路故障診斷模型可有效解決故障診斷過程中出現(xiàn)的網(wǎng)絡(luò)訓(xùn)練退化問題，在最大程度上提高了模擬電路的故障診斷精度。

2 實驗

為了驗證設(shè)計的基于改進小波包分析的模擬電路故障診斷方法的實際診斷效果本文搭建了實驗平臺，將其與文獻一、文獻二兩種模擬電路故障診斷方法對比，進行實驗，如下：

■2.1 實驗準(zhǔn)備

結(jié)合模擬電路故障診斷需求，本文預(yù)先設(shè)計了有效的實驗方案。在實驗過程中，輸入的模擬電路故障信號必須具有較強的傳遞能力，能通過較少的實驗節(jié)點得出最終的實驗結(jié)果，提高實驗的有效性。因此，本文根據(jù)實驗?zāi)M電路故障信號的激勵傳遞原則設(shè)計了故障診斷實驗流程，如圖5 所示。

圖5 模擬電路故障診斷實驗流程

由圖5 可知，在信號預(yù)處理過程中，需要將輸入的信號轉(zhuǎn)換成統(tǒng)一格式，降低故障信號特征的處理難度。除此之外，為降低實驗誤差，提高實驗效率，還需利用相關(guān)算法剔除冗余數(shù)據(jù)，將現(xiàn)有的實驗故障信號簡化，進行智能分類，從而輸出最終的實驗結(jié)果。

在實驗過程中，模擬電路故障信號可以使用FTWTWPT 等方式進行處理，再利用相關(guān)的分類器得出實驗結(jié)果，但在上述過程中，需要不斷進行故障特征提取。為了降低故障電路信號分辨率對實驗結(jié)果造成的影響，本文選取EWT作提取不同的信號特征分量，此時可以設(shè)計實驗診斷框架，如圖6 所示。

圖6 故障診斷實驗框架

由圖6 可知，在實驗開始前，首先需要選取實驗測點，連接模擬的實驗元件，輸入預(yù)設(shè)的故障信號，其次需要采集測點輸出的實驗信號進行數(shù)據(jù)預(yù)處理，從而輸出最終的實驗結(jié)果。此時可構(gòu)建仿真模擬電路模型，如圖7 所示。

圖7 仿真故障模型

結(jié)合圖7 的電路連接方式，可以預(yù)設(shè)故障模式及相關(guān)參數(shù)如表1 所示。

表1 故障模式及相關(guān)參數(shù)

由表1 可知，上述故障模式可通過Multisim 軟件輸入至實驗平臺，從而有效地進行仿真實驗。初始的激勵信號電壓幅度為10V，需要進行若干次Monte Carlo 完成故障熵值分解，確保預(yù)設(shè)的故障模式滿足后續(xù)的實驗需求。

本實驗選取K4e 銳龍5000 計算機作為實驗平臺，其內(nèi)存為128GB，操作類型為64 位，處理器頻率為2.4GHz，在實驗蒙特卡洛分析完畢后可使用Windows 作為仿真工具，在Python 環(huán)境下完成信號預(yù)處理，從而得到最終的實驗結(jié)果。為了降低實驗的難度，本文使用模擬法預(yù)設(shè)激勵位置及測點，可根據(jù)電路的脈沖關(guān)系排除掃頻響應(yīng)信號從而降低故障診斷實驗的難度，此時待上述測點布置完畢后即可進行后續(xù)的實驗。

■2.2 實驗結(jié)果與討論

結(jié)合上述的實驗準(zhǔn)備，可以進行后續(xù)的模擬電路故障診斷實驗，即分別使用本文設(shè)計的模擬電路故障改進小波包分析診斷方法，文獻一的基于K-means 聚類與概率神經(jīng)網(wǎng)絡(luò)的診斷方法，以及文獻二的基于改進的VMD 和SVM 的診斷方法進行模擬電路故障診斷實驗，為了滿足實驗的隨機性要求，本文隨機從預(yù)設(shè)的10 種故障中抽取兩組（?F02?F09）故障，輸入故障信號，此時記錄三種方法診斷的故障特征幅值，實驗結(jié)果如圖8 所示。

圖8 實驗結(jié)果

由圖8 可知，在模擬電路相同的運行條件下，本文設(shè)計的模擬電路故障改進小波包分析診斷方法診斷的故障特征幅值與預(yù)設(shè)故障特征幅值一致，能有效診斷出?F02?F09兩種故障，文獻一的基于K-means 聚類與概率神經(jīng)網(wǎng)絡(luò)的診斷方法以及文獻二的基于改進的VMD 和SVM 的診斷方法診斷的故障特征幅值與預(yù)設(shè)故障特征幅值偏差較大，無法診斷出?F02?F09 兩種故障。上述實驗結(jié)果證明，本文設(shè)計的模擬電路故障改進小波包分析診斷方法的診斷效果較好，具有可靠性，有一定的應(yīng)用價值。

3 結(jié)束語

綜上所述，在信息化背景下，我國的數(shù)字化技術(shù)飛速發(fā)展，各種各樣的數(shù)字電路應(yīng)運而生。模擬電路是一種重要的數(shù)字電路，其在計算機領(lǐng)域應(yīng)用較廣泛，受模擬電路動態(tài)參數(shù)變化影響，其內(nèi)部的電流、電壓波動較大，極易出現(xiàn)模擬電路故障，影響其正常運行，帶來較高的運行損耗，因此，本文基于改進小波包分析設(shè)計了一種全新的模擬電路故障診斷方法。進行實驗，結(jié)果表明設(shè)計的模擬電路故障診斷方法的診斷效果較好，可靠性較高，有一定的應(yīng)用價值，為推動數(shù)字電路的發(fā)展作出了一定的貢獻。