基于小波包變換的FED驅動電路故障診斷

林雪芬，郭太良，姚劍敏，林志賢，徐 勝

（福州大學 物理與信息工程學院，福建 福州 350002）

0 引言

由于模擬電路故障診斷過程龐大、繁瑣，元件容差帶來的不確定誤差以及眾多非線性因素等[1]容易影響故障診斷結果。采用一般的故障診斷方法存在一定的局限性，如基于馮·諾依曼計算機的故障字典法只能檢測單硬故障，K故障法僅適用于線性電路，且受網絡拓撲的限制。基于神經網絡的故障診斷法克服了這些問題。

目前，人工神經網絡日益成熟并且大量運用于模擬電路故障診斷中，如BP網絡、Hopfield網絡和自組織網絡。但對于FED驅動電路這種自主研制的規模較大的電路，僅采用如BP神經網絡進行故障診斷，存在輸入數目太多、結構規模大、訓練時間太長等不足[2]。采用小波與神經網絡相結合的方法，有效減少了神經網絡的輸入單元數，提高了網絡的預測能力，可以很好地解決這些問題。本文采用小波包變換來提取模擬電路故障信號的特征，并通過歸一化處理，將能量樣本作為神經網絡的輸入，減小了神經網絡的輸入數目，從而簡化了神經網絡的結構。

1 基于小波包變換的FED驅動電路信號特征

1.1 小波包變換

目前，基于小波分析對電路的故障診斷方法中，大多都是對低頻信號進行分解，而FED驅動電路信號的能量很多集中在高頻部分，小波包變換是在小波分解的基礎上，將高頻系數繼續分解，因此使用小波包分解更合適[3]。小波包的系數為

小波包分解實際上是對上層所有的子帶都進行劃分，對輸出的電壓信號進行高頻分解，不但保留了小波分解的多分辨率特性，而且充分利用了輸出信號的細節信息，成為有效的特征向量，從而提高了準確率。

1.2 FED驅動電路信號特征

FED驅動電路的行板掃描脈沖信號非常短，信號的局部特性較明顯[4]。在靠近脈沖的時刻，信號的能量比較大，而在遠離脈沖的時刻，信號的主要成分是平穩噪聲以及低頻干擾，信號能量較小。在FED驅動電路系統中，檢測到的電阻容差的信號波形，在時域看來有時是非常相似的，通過小波包系數提供了許多有用的信息，完成特征信號的提取，確定故障信號。圖1為電路在正常信號和故障信號下的波形特征。

從圖1可以看出，信號的幅值和下降沿的變化速度有著極大的區別，運用小波包基提取信號在0.05～1.00 ms時間段的信息具有重要的意義。

圖1 FED驅動電路輸出電壓信號正常和故障時的波形特征

把小波函數看作平滑函數的導數，|Wa1f(t)|的極值點對應信號快變化點和慢變化點的位置[5]，通過對Wa2f(t)的值能判定拐點的位置，因此采用局部極值點對信號進行檢測可以有效提取信號的特征信息。

2 信號的能量特征提取與故障識別

2.1 信號的能量特征提取

FED驅動電路的信號具有窄寬度和快速變化的特征，選擇db2小波包對電壓信號進行N層的小波包分解，分解成2N個子頻帶，取第N層尺度函數空間上的低頻分解系數序列和高頻分解系數序列[6]，各小波包分解系數序列的能量為

當系統發生故障時，會對各個頻帶內的能量產生較大的影響[7]，因此以能量為元素構造反映故障的特征向量T，T的構造如下

則T=(E1′,E2′,E3′,…）就是歸一化后的故障特征向量。

2.2 故障識別

人工神經網絡具有學習、記憶、識別和推理等功能，適合用作故障狀態分類器。在人工神經網絡的實際應用中，絕大部分的神經網絡模型采用BP網絡及其變化形式。BP網絡是一種多層前饋型神經網絡，又稱誤差反向傳播算法網絡。FED驅動電路故障診斷流程圖如圖2所示。

在對FED驅動電路的行板高壓單元模塊進行故障診斷時，通過小波包變換對數據進行預處理，確定可能出現的故障狀態。將特征向量T輸入到神經網絡，并給定期望輸出[8]。神經網絡通過修改權值和閾值進行訓練學習，最后再收斂到允許的誤差范圍之內。訓練完成后，將實際測得的特征向量輸入到訓練過的神經網絡，用于識別故障。

3 實驗結果

將上述提到的方法運用于FED驅動電路的行板高壓單元模塊，電路圖如圖3所示。

FED的行板是768路，行掃描電壓是奇偶場，幀速60幀/秒（f/s），故采用幅度為12 V，寬度為1÷60÷（768÷2）=43.4 μs的窄帶脈沖作為激勵源，經過PSpice仿真，將仿真得到的波形數據導入Matlab中。對電路輸出電壓信號進行3層小波包變換，對各類故障進行容差分析并構成訓練樣本。圖4～圖6分別表示R3正常和故障時的原始信號和小波分解系數。

從圖4～圖6可以看出，小波分解系數的波形明顯不同，R3正常時的特征值為T=[99.175 9，0.6361，0.062 9，0.065 2，0.004 1，0.009 3，0.036 6，0.009 9]，R3=100 kΩ時的特征值為 T=[99.748 8，0.193 7，0.006 3，0.025 9，0.001 4，0.004 4，0.016 8，0.002 6]，R3=500 kΩ時的特征值為 T=[99.939 7，0.042 9，0.000 7，0.013 3，0.000 2，0.000 5，0.002 2，0.000 5]。當電路發生故障時，小波系數有明顯的變化。

電路的輸出電壓信號進行3層的小波包變換，將歸一化處理后的故障特征向量作為神經網絡的輸入[9]。根據文獻[10]的算法在Matlab中設計神經網絡。對神經網絡進行訓練，隱含層和輸出層的激勵函數為非線性Sigmoid函數。以8個輸入神經元，5個輸出神經元，12個隱含層神經元構造神經網絡。利用表1中的數據進行網絡訓練，不斷調整修正網絡權值和閾值，使誤差滿足要求。經過425次訓練后，訓練結果誤差小于目標誤差，數據見表1。

表1 測試樣本的各個頻段的能量分布表

將實際測得的數據輸入訓練過的神經網絡，測試結果符合實際測試信號對應的狀態，結果證明了利用小波包變換能夠有效地提取故障特征，并通過訓練后的神經網絡能夠對電路的故障診斷準確分類，診斷的正確識別率為87.17%。

4 小結

筆者提出了一種小波包變換和蟻群算法相結合的方法，并將其應用于FED的驅動電路故障診斷。通過小波包變換對樣本數據進行預處理，減少了冗余信號，因此減小了神經網絡的規模，縮短了故障診斷的時間，提高了故障的準確性。

[1]楊士元.模擬系統的故障診斷與可靠性設計[M].北京：清華大學出版社，1993.

[2]譚杰，謝勝曙，尹新.基于小波神經網絡的電路故障診斷方法[J].儀器儀表用戶，2006（6）：102-103.

[3]李峰，曹鵬，李春月，等.基于小波包變換和蟻群算法的紋理分類[J].計算機工程與應用，2009，45（28）：202-204.

[4]林志賢，郭太良.場致發射顯示器新型圖像驅動技術的研究[J].液晶與顯示，2009，24（5）：685-691.

[5]林志賢，郭太良，張麗凡.印刷型FED顯示器圖像校正模塊的設計[J].電視技術，2009，33（8）：30-32.

[6]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，2006，28（9）：1748-1751.

[7]魏蛟龍，王晴.基于小波包與量子神經網絡的容差模擬電路的軟故障診斷[J].微電子學與計算機，2009，26（5）：187-192.

[8]董長虹.Matlab神經網絡與應用[M].北京：國防工業出版社，2007.

[9]周志華，曹存根.神經網絡及其應用[M].北京：清華大學出版社，2004.

[10]葛哲學，沙威.小波分析理論與MATLABR2007實現[M].北京：電子工業出版社，2007.