基于遺傳小波神經網絡的模擬電路故障診斷方法

楊清志，謝斌

(亳州職業技術學院，安徽 亳州 236800)

基于遺傳小波神經網絡的模擬電路故障診斷方法

楊清志，謝斌

(亳州職業技術學院，安徽 亳州 236800)

針對模擬電路故障診斷常用方法各有利弊的現狀，提出了采用遺傳算法、神經網絡與小波分析相結合的診斷方法，通過在BP神經網絡對模擬電路進行故障診斷過程中使用小波分析和遺傳算法剔除電路信號中冗余信息，以提高故障診斷的準確率及縮短故障診斷時間.仿真實例結果表明該方法在模擬電路故障診斷中不失為一種有效方法.

模擬電路；故障診斷；遺傳算法；神經網絡；小波分析

0 引 言

模擬電路故障診斷由于其重要性一直是一個非常熱門的研究方向，自1960年至今經過50余年的研究與發展，已取得了長足的進步，但仍未達到成熟階段.雖然在電子整機中模擬電路所占比例少，但實際工程應用中的作用卻非常重要.隨著科技進步，各種電子產品電路設計也越來越復雜.由于模擬電路自身的復雜性和多樣性，使得其故障診斷也越來越困難[1]，目前常用的模擬電路故障診斷方法主要有遺傳算法(Genetic Algorithm)、BP(back-propagation)神經網絡、小波變換等.遺傳算法是美國科學家J.Holland在1975年最先提出的一種借鑒生物進化規律演化而來的算法，其優點是擅長于全局尋優，適合于處理復雜的、非線性問題[2].BP神經網絡采用分層結構，誤差反傳，其分類和記憶能力較好.但BP神經網絡診斷大規模系統芯片時會存在網絡收斂速度慢，容易導致局部極值等缺陷.倘若將遺傳算法和神經網絡相結合，則既可實現全局尋優，亦可局部尋優，從而有助于解決模擬電路故障診斷問題，此算法也是目前模擬電路故障診斷中比較好的學習訓練方法.此外，在信號處理中小波變換分析方法也是國際公認的權威方法.小波變換是時域-頻域的局部變換，局部特性較好，且具有多分辨分析特性，在模擬電路故障診斷中可有效實現樣本訓練，完成故障特征采樣.

綜合考慮各種算法的優缺點，本文采用基于遺傳算法、小波變換與BP神經網絡相結合實現模擬電路故障診斷的研究方法[3].

1 故障診斷理論與方法

1.1 小波變換神經網絡

用小波變換來分析模擬電路故障是上世紀80年代提出的，本世紀開始廣泛使用的一種方法，其局部特性好，適用于在小規模范圍內處理時頻局部特性.小波變化實質是一個數學函數的逼近問題，是通過一個基本函數的不同尺度平移和伸縮來實現的[4]：

(1)

經傅里葉變換可得小波頻域表達式：

(2)

BP神經網絡即誤差反傳網絡，用于模擬電路故障診斷相對較早，主要用在處理大規模問題上，其指導思想是通過一個目標函數的最小化來實現.這個目標函數是：

(3)

最小化則是通過梯度下降法來計算(詳細算法見參考文獻[5])：

(4)

而小波分析與神經網絡的結合即為小波神經網絡[6]，分為三層，小波函數存在于隱含層，信號只向前傳遞，而誤差信號反向傳遞，其拓撲結構如圖1所示：

圖1 小波神經拓撲結構

它繼承了兩者的優點，具有時-頻局部特性、自主學習能力和較強的冗余能力，可用于部分模擬電路故障診斷.但具體應用于模擬電路故障診斷問題時還存在一些問題，比如收斂速度慢，小波神經網絡結構的訓練需要技巧，易收斂于局部最小值以及診斷出錯等.針對這些問題，采用遺傳算法結合小波神經網絡來分析，不失為一種有效的方法.

1.2 遺傳算法

1.2.1 遺傳算法概述

自1975年Michigan教授提出遺傳算法以來，經過40年的發展，技術已經比較成熟，目前廣泛應用于各領域故障診斷的難題.該算法是從選擇、交叉和變異三個算子中對參數編碼字符串進行不斷的尋優，選用的目標函數不需連續、可導，其問題的解決總是不斷的進行復制、交叉和變異，直至得到全局最優解[7].但遺傳算法的最大缺點是未成熟便收斂.而神經網絡優點在于信息的自組織、自學習能力強，可以通過結合神經網絡改進算法使其具有很好自學習能力和魯棒性，既能實現遺傳算法的全局尋優能力，又具有神經網絡的優點:魯棒性和學習能力強.基于上述原因，本文采用了遺傳算法優化BP神經網絡實現模擬電路故障的診斷.

1.2.2 遺傳算法優化BP神經網絡

BP神經網絡由于其數學描述精確、處理過程清晰、自主學習能力強、方法易于實現等優點而被廣泛用于故障診斷[8].但隨著電子信息技術的發展，電路故障診斷越來越復雜，BP神經網絡逐漸暴露出收斂速度慢，極其容易陷入局部最優值等缺陷.而遺傳算法是基于全局優化算法，采用遺傳算法優化BP神經網絡，結合兩者各自優點：利用自然選擇和自然遺傳設計神經網絡可以尋找網絡最優連接權.同時也能夠獲得最好的網絡結構，處理問題時避免冗余信息的干擾從而大大提高問題解決能力，網絡結構的設計不需依靠成熟的經驗.因此，優化的神經網絡可以實現絕大多數模擬電路故障的診斷.利用遺傳算法優化神經網絡流程圖如圖2所示：

圖2 遺傳算法優化BP網絡算法流程

1.2.3 基于遺傳小波神經網絡的模擬電路故障診斷算法

用遺傳算法來優化BP神經網絡，就是模擬生物的遺傳和進化理論，對網絡的權值和閾值進行優化調整，作為遺傳基因組合成染色體(每條染色體都與一個權值-閾值組合體對應).然后對染色體多次交叉、變異，“優勝劣汰”，直至尋得小于預定網絡誤差的染色體.遺傳算法擅長全局搜索，但此進化方法在速度上要遜于BP神經網絡算法或其它的訓練算法.而BP神經網絡算法擅長局部搜索，故將遺傳算法與BP神經網絡算法結合，進行神經網絡的混合訓練是一可行的途徑，充分利用遺傳算法全局性特點去搜尋最佳的網絡連接權和網絡結構.例如網絡的隱節點數、隱層數等.最后再利用小波變化的方法，來進行模擬電路故障診斷的數學描述.

這種利用小波變換，遺傳算法及神經網絡相結合的模擬電路故障診斷流程如圖3所示.

圖3 遺傳小波神經網絡故障診斷流程圖

2 故障診斷實例

為了驗證該方法的有效性,對圖4所示的的L-F濾波器進行電路故障診斷與測試.電路圖中各元件參數標稱值:R1=R2=…R13=10kΩ,C1=C4=0.01μF,C2=C3=0.02μF，電路故障診斷過程如下：

圖4 L-F濾波器電路

步驟1，建立故障狀態表：采用PSPISE對待測電路進行瞬態分析，選取該電路Vin為測試信號輸入點,Vout為電路響應測試節點,選幅值為10伏的激勵源作為測試信號對正常狀態的L-F濾波器電路進行交流分析, 得到正常狀態下及各種故障狀態下各測試節點的電壓值；

步驟2，樣本集的訓練：通過PSPISE軟件仿真可知，元器件R1、R2、R4、R5和C2數值發生變化時,對電路輸出的波形造成明顯影響，考慮軟故障:R1+50%(F1)、R1-50%(F2)、R2+50%(F3)、R2-50%(F4)、R4+50%(F5)、R4-50%(F6)、R5+50%(F7)、R5-50%(F8)和C2+50%(F9)、C2-50%(F10)，共10種故障模式，0(正常)、1(故障).如輸出為:1000000000表示故障R1+50%，其它元器件正常；0000000000表示電路狀態正常.通過故障模式頻率響應曲線仿真出相應電壓值(原始故障特征值)作為樣本輸入向量，故障類型對應編碼作為樣本輸出向量，輸入向量與輸出向量對應的即為原始樣本集,見表1.

表1 原始樣本集

故障模式輸入向量V0．1KV1KV1．5KV2KV3K輸出向量故障類型正常5．00004．96263．37271．20370．20730000000000F0R1+50%3．33333．31172．20180．73200．13141000000000F1R1-50%10．0009．91906．51692．24060．43240100000000F2R2+50%6．00005．98704．55151．26120．21390010000000F3R2-50%3．33123．25311．25640．70740．15300001000000F4R4+50%3．99813．93712．23460．74460．14100000100000F5R4-50%6．66956．39795．36032．83530．47320000010000F6R5+50%4．99894．85824．55391．94490．34920000001000F7R5-50%4．98983．47651．27640．43740．09320000000100F8C2+50%4．99814．35631．96520．62750．12250000000010F9C2-50%4．99754．65084．50323．05570．52910000000001F10

步驟3，利用遺傳算法對BP神經網絡進行優化：BP神經網絡采用原始樣本集訓練會影響到準確率和樣本訓練速度，電路故障診斷中通常采用歸一化處理，得到如表2所示的特征向量.此輸入向量作為BP神經網絡的輸入序列，故障模式對應的編碼作為BP神經網絡的輸出序列，構造電路故障診斷所需的網絡樣本集，亦即建立故障字典.

表2 歸一化的樣本集

故障模式輸入向量輸出向量故障類型正常0．49530．49150．33100．11210．01150000000000F0R1+50%0．32710．32490．21280．06450．00391000000000F1R1-50%1．00000．99180．64840．21680．03420100000000F2R2+50%0．59620．59490．45000．11790．01220010000000F3R2-50%0．32680．31900．11740．06200．00600001000000F4R4+50%0．39420．38800．21620．06580．00480000100000F5R4-50%0．66380．63640．53170．27680．03840000010000F6R5+50%0．49520．48100．45030．18690．02580000001000F7R5-50%0．49430．34150．11940．034700000000100F8C2+50%0．49510．43030．18900．05390．00300000000010F9C2-50%0．49500．46000．44510．29900．04400000000001F10

步驟4，用訓練好的BP神經網絡對測試樣本分類，完成在故障字典中的自動查詢.

為了驗證本文所提出遺傳算法優化的BP神經網絡的模擬電路故障診斷能力，用遺傳算法優化的BP神經網絡對圖2中的L-F濾波器電路進行樣本集訓練，然后用訓練好的故障特征樣本集來診斷其測試樣本集，遺傳算法中選擇種群規模為100，進化代數為80，BP算法采用中動量系數為0.95，學習速度為0.01.用該方法進行樣本診斷的部分結果如表3所示.由表3可見，本方法繼承了BP神經網絡故障分類能力的優點，同時樣本訓練時間大大縮短，收斂速度明顯快于傳統BP神經網絡.

表3 故障診斷結果

樣本輸入0．49510．99980．32670．49410．49490．49180．99210．31870．34170．43040．33090．64820．11720．11910．18870．11180．21710．06180．03500．05420．01190．03430．00570．00100．0029樣本輸出-0．01330．98220．0148-0．01590．0298-0．02600．00860．00820．0064-0．00190．25950．02780．87220．0495-0．09770．0529-0．00110．00070．02390．00770．23760．0164-0．1110-0．00310．0033-0．1291-0．02740．05700．00360．1432-0．12910．0007-0．05210．9308-0．04090．0895-0．0075-0．00890．0165-0．02250．19730．0142-0．07930．0779-0．05190．02460．0123-0．02960．02080．8990診斷結果F0F2F4F8F9

3 結 論

本文針對傳統BP神經網絡實現模擬電路故障診斷的不足，提出遺傳算法優化BP神經網絡實現故障診斷.該方法保留BP神經網絡故障診斷的優點，實現全局尋優，同時簡化網絡結構，縮短了樣本訓練的時間，避免了依賴于經驗選擇網絡結構的不足，從而提高故障識別能力和速度，改善了電路故障診斷的精度.診斷實例表明遺傳算法和神經網絡的結合實現模擬電路故障的診斷，具有較高的故障診斷率和較快的收斂速度，在實際工程中具有一定的應用價值.

[1]崔金魁，胡國兵，于新剛.模擬電路故障診斷的神經網絡優化方法綜述[J].電子科技，2014(02)：134.

[2]李敏強,寇紀淞,李丹,等.遺傳算法的基本理論與應用[M].北京:科學出版社,2002.

[3]彭良玉，王恒華.基于小波神經網絡的模擬電路故障診斷方法及LabVIEW實現[J].微電子學與計算機，2013(05)：72-75.

[4]李權,趙晉芳.幾種圖像去噪算法研究[J].商丘師范學院學報，2015(03)：30.

[5]譚檢平.基于遺傳算法和神經網絡的模擬電路故障診斷方法研究[D].長沙：湖南師范大學，2014：15-16.

[6]邢廣成,強天偉.人工神經網絡的發展與應用[J].科技風 ,2012(15)：65-66.

[7李倩,方木云, 吳元.基于改進遺傳算法的多項目網絡資源優化[J].商丘師范學院學報,2011(12):68.

[8]馬成才，顧曉東.基于神經網絡組與故障分級的故障診斷[J].系統工程與電子技術,2009(01):225.

[責任編輯：王軍]

A fault diagnosis method for analog circuits based on genetic wavelet neural network

YANG Qingzhi, XIE Bin

(Bozhou Vocational and Technical College,Bozhou 236800,China)

In view of the current situation of the common method in fault diagnosis for analog circuits, each has advantages and disadvantages, the fault diagnosis method based on genetic algorithm, neural network and wavelet analysis is proposed, and the redundancy information is used to improve the accuracy of fault diagnosis and to shorten the time of fault diagnosis by using wavelet analysis and genetic algorithm in BP neural network.The simulation results show that the method is an effective method in fault diagnosis of analog circuits.

analoguc circuits； fault diagnosis；genetic algorithm； neural networks；Wavelet analysis

2015-09-23;

2015-10-14

安徽省2013高等教育振興計劃(No.2013cgtg040)

楊清志(1974—)，男，安徽肥東人，亳州職業技術學院講師，工程師，碩士，主要從事電路與系統的研究.

TM13

A

1672-3600(2015)12-0051-05