基于小波分析的模擬電路故障診斷探討

劉澤江

摘要：近年來，經濟的發展，促進我國科技水平的提升。隨著科學技術的不斷進步，電子電路已經應用，據相關統計，電路故障的80%來自于模擬電路部分，即模擬電路的可靠性決定了整個系統的可靠性。因此，模擬電路的故障診斷與可靠性設計的重要性不言而喻。通常的診斷方法是從電路的輸出響應曲線上提取其特征向量，當電路出現故障時，輸出響應曲線與正常狀態有所差異，通過分析曲線及其數據的變化來反映其故障特征，再通過上述的方法進行故障診斷。本文就基于小波分析的模擬電路故障診斷展開探討。

關鍵詞：小波變換;模擬電路故障診斷;神經網絡

引言

隨著電子科學與電子技術深入發展，電子系統和設備廣泛普及于人們的日常生活中，及時準確的發現電子設備存在的故障問題，是設備安全穩定運行的重要保障。資料顯示，電路故障多發生于模擬電路部分，基于模擬電路的故障診斷具有重要的研究和應用價值。模擬電路故障診斷中，準確定位故障類型是重要的評價標準，提取的故障特征關系到故障知識庫的構建，分類算法通過故障特征來定位故障類型，提取出能有效區分故障類型的故障特征是故障診斷效果有力的保障，也是模擬電路故障診斷研究的難點和關鍵問題。

1小波變換特征提取

在模擬電路的故障診斷中，通常利用小波變換對電路的輸出響應曲線進行數據的預處理，提取其故障特征參數。小波變換的定義是把某一個被稱為基本小波的函數做位移 b后，再在不同尺度 a下與待分析的信號 x（t）做內積，即：

式中：a為頻率參數;b為時間參數。通過改變時間和頻率參數，將得到不同的尺度來評估信號在不同的時間頻率段的系數。這些系數表征了原始信號在這些小波函數上投影的大小。從信號分析的角度看，小波分解是將待分析信號通過兩組濾波器，得到信號的高頻信號和低頻信號，同時，對低頻信號的進一步分解，可以得到下一尺度函數上的低頻信號及高頻信號，且長度均為原信號長度的一半，即在濾波后進行了采樣。將采樣后的信息做為信號的特征參數。具體步驟為：（1）對采樣信號進行 5層離散小波分解，得到從第 1層到第 5層，共 6個小波分解系數序列（A 5，D5，D4， D3，D2，D1）;（2）特征向量構成。以各層小波分解系數的絕對值昀大值為元素構成特征向量，即（max（A 5），max（D 5），max（D 4），max（D 3），max（D2），max（D 1））;（3）歸一化處理。指通過變換處理將網絡輸入數據限制在[-1，1]區間內，從而避免大的動態變化。

2基于小波分析的模擬電路故障診斷

2.1測試信號預處理

測試信號經小波分解后提取低頻系數能量作為候選故障征兆集，進而經歸一化、PCA分析預測處理后構造故障特征向量。每路測試信號都需進行預處理，從而得到各自對應的特征向量。預處理過程減少了噪聲對診斷結果的干擾，降低了故障特征維數，從而簡化了神經網絡分類器的復雜度。

2.2特征提取

模擬電路在故障發生時，通常由于信噪比極小，故障所帶來的信號變化體現并不明顯，常規的信號分析手段難以在大量數據信息中提取出故障特征。小波包分解是一種小波分析手段，將原始信號數據分解為高頻部分和低頻部分，并同時分解新生成的高頻和低頻分量，對高頻部分隱含的特征信息進行充分挖掘，提升了小波變換在高頻部分的分辨率，克服了小波分解無法解析高頻帶特征的缺點。利用小波包分解提取電路故障數據的高頻和低頻特征，通過直接組合的方式構成特征向量，用于故障診斷模型的訓練。

2.3數據采集與故障特征提取

在待測電路運行于不同故障模式時，采集電路輸出響應信號（如電壓、電流等信號），對其離散化后，進行 N層小波分解，以各層小波分解系數序列的絕對值之和為元素組成故障特征向量。

2.4克隆選擇算法與故障診斷

克隆選擇算法用于故障診斷大致通過 3個階段完成：（1）準備故障樣本數據。（2）輸入樣本數據對算法進行訓練，得到各個故障模式的聚類中心。（3）通過聚類中心實現對故障樣本數據的分類，確定出故障類型。故障診斷過程的算法實現，提取的克隆選擇算法。并針對算法具體步驟中存在的兩點問題進行了改進：（1）親和度計算，在個體與種群中心相同的情況下會出現計算溢出。改進方法是將步驟 3中的親和度計算方法修改為：f=1/（1+d）。（2）故障診斷時的判決條件是設定統一的判定半徑，這會造成故障拒分、多分，而且存在判定半徑的大小本身難以確定的情況。本文改進方法是取消了診斷中的判定半徑，直接根據故障個體到故障中心的昀小距離來判定所屬故障類。（即分別計算測試樣本與所有聚類中心的距離 D，根據昀小距離 D認定測試樣本所屬故障類別。）

2.5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昀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。昀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。

結語

基于小波分析的模擬電路診斷系統可以在一定程度上滿足故障診斷的需要，并為小波分析應用于故障診斷領域提供了參考。但是基于小波分析的故障診斷方法仍有完善空間，需要進一步的探討和研究。

參考文獻

[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，2018（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，2018.

[3]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，2018（03）：15-16.