錢 偉，王海濱，楊 江

（中國民用航空飛行學院 飛機修理廠，四川 廣漢 618300）

相對數(shù)字電路故障診斷，模擬電路故障由于元件大多具有容差與非線性效應，使得模擬電路故障更加復雜。模擬電路故障診斷技術自上世紀70年代至今，已經取得了很多成熟的技術辦法。其中人工智能技術的發(fā)展使更多的工程師將神經網(wǎng)絡、專家系統(tǒng)、模糊理論、傳感器信息融合技術、粗糙集理論等應用到模擬電路故障診斷技術中，為模擬電路故障診斷提供了新的途徑。小波變換因為在時頻域都具有很好的局域化觀察特性，已廣泛應用于機械、電力等動態(tài)系統(tǒng)的突變故障診斷，但用于模擬電路故障診斷還不多見。神經網(wǎng)絡具有很好的自主學習特性，將神經網(wǎng)絡與小波分析的局部特征參量結合起來，能夠同時具有良好的容錯性及多分辨率特性。文獻［8］采用了小波神經網(wǎng)絡對各測試點信號用小波變換進行故障診斷，而實際工作中要得到所有測試點的采樣數(shù)據(jù)工作量相當繁雜。采用緊致小波神經網(wǎng)絡結構，以電路的最終響應信號作為原始采樣信號，通過小波變換提取小波系數(shù)特征參量作為診斷的輸入向量。由于設計的診斷法無需對各個測試點進行采樣，因此極大的降低工作量。本文通過實例給出了小波變換提取特征向量的小波神經網(wǎng)絡容差電路故障診斷方法，結果表明基于小波參量的神經網(wǎng)絡具有很好的故障分辨率。

1 小波神經網(wǎng)絡故障診斷步驟

基于小波分析提取特征參量的容差電路神經網(wǎng)絡故障診斷方法主要分為以下步驟：

1.1 小波分解

用標準信號源對電路網(wǎng)絡進行若干次響應測試，然后對響應信號進行小波分解，提取響應信號在不同頻段上的分量，實現(xiàn)信號特征的分離。因為在容差電路診斷中需要進行多分辨率分析，所以需要提取響應信號在不同頻段上的高頻系數(shù)作為小波系數(shù)。

1.2 特征提取

1.3 神經網(wǎng)絡訓練

將上述提取大量響應信號的特征作為訓練樣本，訓練樣本的目標輸出確定方法為：假設模擬電路有M種故障模式，即故障1，故障2，...，故障m，網(wǎng)絡的輸出為｛y1，y2，...，yj，...，yk，...，ym｝，若電路故障定義為出于種類j，使yj＝1，其余元素值為零，即神經網(wǎng)絡輸出量表示為｛0，0，...，1，...，0，...，0｝；然后將訓練后的神經網(wǎng)絡誤差、閾值及權值存于存儲器中。

1.4 檢驗診斷

用檢驗樣本檢驗故障神經網(wǎng)絡的聚類正確性，然后就可將待診斷故障響應信號分解后的的特征量輸入給訓練好的神經網(wǎng)絡，網(wǎng)絡輸出向量即為故障分類定位點。

2 診斷實例

圖1為一個帶通運放，用此電路作為診斷分析實例，設元件容錯為0－10%，電源與信號激勵容差為0，只考慮單故障狀態(tài)。以脈寬周期為1ms的窄帶脈沖為激勵源，幅度為1V作為激勵脈沖。經靈敏度分析，共確定6個元件為待診斷元件，加上正常狀態(tài)共7種工作狀態(tài)。采用的神經網(wǎng)絡為單隱層BP網(wǎng)絡，訓練算法采用BP神經網(wǎng)絡L－M優(yōu)化算法，隱層和輸出層的傳遞函數(shù)分別為tansig和purelin函數(shù)，網(wǎng)絡的要求精度為0.001。

以C2發(fā)生故障為例，電容值由0.02μF變?yōu)?.04μF，對電路進行10次蒙托卡諾分析所獲得Vout電壓的瞬態(tài)響應信號如圖2所示，In表示激勵信號，Normal表示正常輸出，F(xiàn)ault表示故障信號輸出。在Matlab中，利用Morlet小波對故障響應信號out.txt文件進行8尺度小波分解，圖3為提取響應信號故障特征參量的程序算法，當C2正常時，通過小波變換提取高頻系數(shù)作為特征參量的一組特征向量為［332.6231 235.9043 162.1876 113.6783 87.7643 53.2897 38.9827 24.1874］，當C2軟故障時變成0.04μF，其小波特征參量輸入特征向量變成［4.8934 7.3489 9.1987 12.9867 14.7869 14.7645 20.1879 20.3042］，兩組特征向量在趨勢及數(shù)值上明顯不同。均方誤差設定為0.01，通過對故障訓練樣本進行訓練，在6276次訓練調整后，網(wǎng)絡達到訓練精度，神經網(wǎng)絡結構確定為8×11×8。

圖1 帶通運放電路

圖2 蒙特卡羅電路響應實驗

用相同的故障特征法，在設定的故障下，分別進行20次蒙特卡羅分析，提取20組故障樣本共140組樣本作為檢驗樣本進行故障判定測試。根據(jù)經驗設置門限值為0.3，即若實際輸出與相應模式的期望輸出值誤差的絕對值在0.3以內，則認為診斷正確。同樣以C2為例，其期望輸出向量［0，1，0，0，0，0］。限于篇幅，表1給出了其中的5組測試輸出結果。對總的140組測試樣本統(tǒng)計，診斷正確樣本總數(shù)為136組，故障診斷率為97%，具有較高分辨率。

表1 C2故障模式測試樣本實際輸出

0 0.0189 0.1023 0.1872 0.1867 0.2107 0 0.0138 0.0876 0.0934 0.2017 0.1869 0 0.0327 0.1237 0.2013 0.0876 0.2376

圖3 小波分析提取特征參量程序流程

3 結語

通過仿真實驗結果表明，以電路的相應信號作為原始信號，通過小波變換提取高頻系數(shù)作為特征向量，經PCA分析和歸一化后形成訓練特征向量，經訓練后的BP神經網(wǎng)絡后能具有很好的故障分辨率。

［1］陳圣儉，洪炳熔，王月芳，等.可診斷容差模擬電路軟故障的新故障字典法［J］.電子學報，2000，28（2）：127－129.

［2］Liang G C，He Y G.A fault identification approach for analog circuits using fuzzy neural network mixed with genetic algorithms［J］.IEEE Proc.Intelligent Systems and Signal Processing，2003（2）：1267－1272.

［3］崔莼，羅先覺，邱關源.基于模糊規(guī)則神經分類器的模擬電路故障診斷法［J］.微電子學，1997，27（1）：32－36.

［4］吳今培，肖健華.智能故障診斷與專家系統(tǒng)［M］.北京：北京科學出版社，1997.

［5］Aminian F，Aminian M，Collins H.W.Analog fault diagnosis of actual circuits using neural networks［J］.IEEE Trans.Instum.Means，2002，51（3）：544－550.

［6］林京.連續(xù)小波變換及其在滾動軸承故障診斷中的應用［J］.西安交通大學學報，1999，22（11）：108－110.

［7］張彥寧，康龍云，周世瓊，等.小波分析應用于風力發(fā)電預測控制系統(tǒng)中的風速預測［J］.太陽能學報，2008，29（5）：520－524.

［8］譚陽紅，葉佳卓.模擬電路故障診斷的小波方法［J］.電子與信息學報，2006（9）：1748－1751.

［9］韓力群.人工神經網(wǎng)絡理論、設計及應用［M］.北京：化學工業(yè)出版社，2002：53－54.

［10］胡昌華.基于 MATLAB的系統(tǒng)分析與設計－小波分析［M］.西安：西安電子科技大學出版社，1999.