小波變換和神經網絡的電路故障診斷

何東中 貢麗霞 白艷萍

摘? 要： 傳統的電路故障診斷方法診斷波形圖與實際波形差異較大，診斷準確率低。為了解決上述問題，基于小波變換和神經網絡設計一種新的電路故障診斷方法。設定小波分解包，通過小波變換提取出故障特征，利用神經網絡對原始信號進行離散小波變換，獲得時頻矩陣，分析能量變化特點，確定二維時頻信息，根據不同故障類型的映射關系實現診斷。實驗結果表明，基于小波變換和神經網絡的電路故障診斷方法得到的波形與實際波形十分接近，能夠精準地檢測出電路故障。

關鍵詞： 電路故障診斷; 小波變換; 神經網絡; 故障特征提取; 時頻信息確定; 診斷效果檢測

中圖分類號： TN710.4?34; TP18? ? ? ? ? ? ? ? ? 文獻標識碼： A? ? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2020）10?0030?03

Circuit fault diagnosis based on wavelet transform and neural network

HE Dongzhong1， GONG Lixia1， BAI Yanping2

（1. Shijiazhuang Tiedao University Sifang College， Shijiazhuang 051132， China; 2. North University of China， Taiyuan 030051， China）

Abstract： The diagnostic waveform obtained by the traditional circuit fault diagnosis method has a large difference with the actual waveform， and its diagnostic accuracy is low. Therefore， a new circuit fault diagnosis method based on wavelet transform and neural network is designed. The wavelet decomposition packet is set， so that the fault feature is extracted by means of the wavelet transform， and the discrete wavelet transform for the original signal is conducted by the neural network to obtain the time?frequency matrix， analyze the characteristic of energy change， determine the two?dimensional time?frequency information， and thus realize the diagnosis according to the mapping relationship of different fault types. The waveform obtained by the circuit fault diagnosis method based on wavelet transform and neural network is compared with the actual waveform. The experimental result show that the waveform is very close to the actual waveform， and the methoc can diagnose the circuit fault accurately.

Keywords： circuit fault diagnosis; wavelet transform; neural network; fault feature extraction; time?frequency information determination; diagnostic effect detection

0? 引? 言

電路由電源、開關、連接導線、電子器件組成，是電子設備基本元件之一，為人們生活帶來了極大的方便。但這些電子器件之間容易出現漏焊，進而引發電路故障[1]。電路故障診斷是保障電子設備正常穩定工作的基礎，傳統診斷方法采用自動測試設備ATE進行系統與裝置的故障檢測診斷，該方法對于定位、極板的維護、使用有很大難度，準確性不高[2]。

小波分析法能更加精確地對信號做出局部描述以及故障提取[3]。為提高電路診斷準確性，本文提出一種基于小波變換和神經網絡的電路故障診斷方法，以小波變換電路故障提取為基礎，確定特征向量，利用DWT技術充分展現信號中所攜帶的時頻特點，構建時頻矩陣并輸入到CNN中，分層自動提取二維碼時頻特征，從而有效診斷電路中的故障。

1? 基于小波變換的電路故障特征提取

以小波分析法為基礎，將信號分解到不同頻段，這些頻段上包含著相應的故障信息，對采取收集的電壓信號進行分解，得到需要的特征向量，提取出電路故障[4]。故障特征提取流程如圖1所示。

對于任意一個函數f（t）∈L3（R）都可以利用一個基本小波通過伸縮和平移運算后與f（t）內積得出：

[Wfa，b=f，ψt=a12fxψ1-badx] （1）

式中：[ψt]是母小波函數;a為伸縮因子;b為平行因子。通過對信號的小波變換進行時頻分析，觀察在某一時間t對應某一a的成分[5]。

通過均分頻域的濾波器將信號分為高頻和低頻兩個子帶，保留高頻部分，對低頻部分繼續均分，一直均分到函數所表示的低通濾波器[5]。分析出小波后，對小波包進行分解，在多分辨分析基礎上，將高頻部分進一步細分，自適應性地選擇合適頻段，與信號頻譜匹配，提高時頻分辨率[6]。小波包三層分解如圖2所示。

提取信號分別表示為AAA3，DAA3，ADA3，DDA3，AAD3，DAD3，ADD3，DDD3，其中A表示低頻，B表示高頻，字母后面的數字表示小波包分解的層數。小波包分解的關系式為S=AAA3+DAA3+ADA3+DDA3+AAD3+DAD3+ADD3+DDD3。根據分解關系式提取電路的故障特征[7]。

2? 基于神經網絡算法的電路故障診斷

神經網絡通過自適應的多層特征提取層，采取非監督方式實現二維碼信息的抽象分布式特征表達，目前CNN主要運用于電路故障診斷領域[8]。利用CNN對電路故障進行診斷時，必須將二維時頻信息充分展現，信號S變換對高頻帶分辨率模糊不清，所以用DWT分離故障信號的頻帶，以便提高故障診斷效率。通過提取二維碼時頻特點診斷電路故障，CNN機構模型見圖3。

圖3中，輸入信號為二維時頻信號，F1為數積層，G1為下采集層，F1和G1交替出現并不斷提取信號信息，并在鏈接層形成時頻信號的分布特征表達[9]。CNN包括輸入信號由低層到高層變換的前向傳播和將預分類結果與期望結果的誤差反向傳播。前向傳播過程可實現對故障信號特征的自動提取并進行欲分類假設。假設CNN網絡第1層，即視為數積層，其后層作為分析層，經過非線性激活函數對輸入的線性組合進行計算，從而得到這一分析層的神經輸出[10]。通過不斷迭代，對網絡中自適應參數應用梯度下降法進行調整，得出一系列可自適應數積核，降低到最小限度，最后得到想要的自適應數積核。診斷過程如圖4所示。

基于神經網絡進行故障診斷時，首先離散小波對原始信號進行變換，構建時頻矩陣;再由CNN對時頻矩陣中不同時間、不同頻率的能量變化特點進行逐層無監督自適應的學習，獲取二維時頻信息以便掌握故障信息;最終通過建立softmax分類層確定神經網絡層數和每個樣本對應的函數損失值來診斷電路故障，彌補傳統模式識別缺陷。

3? 實驗研究

3.1? 實驗目的

為驗證方法的有效性，與傳統檢測方法進行對比，通過對SKF的6205?2RS型深溝球軸承電路的故障來進行驗證，設定實驗。

3.2? 實驗數據

本文在軸承各個訓練點布置故障，內圈的故障直徑為0.22 mm、外圈的故障直徑為8.47 mm、滾動處的故障直徑為0.44 mm、滾筒的深度為0.34 mm。列舉出8種故障狀態，故障點如圖5所示。

將故障分為兩種：一種是不同故障類型，相同故障程度;另一種是相同故障類型，不同故障程度。將8種故障點的診斷結果分成4組，每組選取5個數據作為樣本，剩下的為訓練樣本。

3.3? 實驗結果和分析

3.3.1? 故障信號波形檢測結果

圖6、圖7表示了不同方法檢測的軸承部件在不同故障狀態下的故障信號的時域波形。故障在運用本文方法檢測的時頻表達中所呈現的比傳統方法檢測的時頻特征更清晰易懂。觀察圖中，正常狀態下軸承信號的能量主要集中在低頻段，而電路在不同的程度下，整個過程呈現明顯的能量波動，散發出的能量都分布在頻率范圍較寬的高頻帶上。實驗電路在不同的故障程度分布的能量存在著明顯的差異，各頻率范圍內，能量強度和能量波動歷經隨著時間的增加故障程度診斷更加準確，電路振動能量隨著頻率波動診斷時間減少。本文方法比傳統在時域診斷電路故障方法診斷得更加準確，故障表現得更加突出明了，可以更好地得出故障波形。

3.3.2? 基于神經網絡的故障診斷準確率測試

CNN網絡由輸入層、卷積層、池化層三部分組成。CNN網絡中的卷積層就是對輸入圖像矩陣和卷積核矩陣各個位置的元素相乘。池化層是對輸入的各個矩陣進行壓縮，讓輸入的矩陣維度變小。本文實驗采用平均池化的方式進行診斷準確率檢測，傳統方法和本文小波變換電路故障診斷方法的準確率繪圖如圖8所示。

根據圖8可知，傳統方法在進行電路故障診斷時誤差很大，尤其是隨著迭代次數的增加，這種誤差結果越來越大;而本文研究的方法精確度遠遠高于傳統方法。這個實驗結果證明了所提方法的故障診斷方法平均準確率比傳統的故障診斷方法的平均準確率高，所以小波變化故障診斷方法是具有科學性的，值得去學習、發展、應用。

4? 結? 語

本文旨在小波變換電路故障提取的基礎上利用DWT技術充分展現信號中所攜帶的時頻特點，構建時頻矩陣并輸入到CNN中，分層自動提取二維碼時頻特征，將所攜帶的時頻矩陣輸入CNN中進行二維時頻特征的分層自動提取實現電路故障診斷。基于小波?神經網絡的故障診斷法故障檢測率與故障隔離率都能夠準確地進行網絡故障診斷，解決了測試需要多個測試點的麻煩，本文只需要一個測試點時就需設置一個監測點，便于電路故障診斷。通過分析其波形特征就能進行網絡故障診斷。實驗驗證說明基于人工智能的故障診斷方法更加準確。

參考文獻

[1] 辛健，馬力.小波變換和神經網絡的電路故障診斷[J].現代電子技術，2017，40（5）：174?177.

[2] 況璟，何怡剛，鄧芳明，等.基于交叉小波變換和主元分析的電力電子電路故障特征提取[J].電測與儀表，2017，54（11）：1?7.

[3] 陳仁祥，黃鑫，楊黎霞.基于卷積神經網絡和離散小波變換的滾動軸承故障診斷[J].振動工程學報，2018，31（5）：883?891.

[4] 徐永勤，高亞東，李清龍.基于小波變換和神經網絡的直升機旋翼不平衡故障診斷方法[J].南京航空航天大學學報，2017，49（2）：212?218.

[5] 王驍賢，張保華，陸思良.基于連續小波變換和卷積神經網絡的無刷直流電機故障診斷[J].機械與電子，2018，36（6）：46?49.

[6] 路軍.基于小波變換和RBF神經網絡的機械故障診斷[J].天津冶金，2018（2）：39?42.

[7] 張文靜，張磊，劉明.基于小波和BP神經網絡的風力機齒輪箱故障診斷[J].自動化技術與應用，2017，36（6）：1?4.

[8] 劉繼軍.電氣設備故障診斷方法和技術研究[J].機電工程技術，2017，22（1）：66?67.

[9] 崔騰飛，許章平，劉成洲，等.基于小波分析的神經網絡基坑變形預測模型[J].北京測繪，2018，32（9）：20?23.

[10] 王青山，梁得亮，杜錦華.交流穩壓電源的改進神經網絡PID控制[J].電機與控制學報，2017，21（2）：1?9.