基于小波分析和信息融合的模拟故障诊断

摘 要 本文提出了利用故障信号各频带的系数序列的绝对值之和，和能量特征作为特征信号经神经网络信息融合的模拟电路故障诊断新方法。该方法先对采样后的故障信号进行小波分解，提取故障特征信号经归一化和向量关联后作为特征向量输入BP神经网络进行训练诊断。通过电路诊断实例，阐述了该方法的具体实现，验证了所提方法的有效性。

关键词 小波分析 神经网络 模拟电路 故障诊断

中图分类号：TN710 文献标识码：A

0 引言

模拟电路故障诊断是近代电路理论的一个前沿领域，模拟电路中具有很多的非线性元件，输入输出响应不像数字电路，都是连续量，电路元器件的参数具有离散性，这些客观条件都给故障诊断带来了很大的困难。

随着科技的进步，神经网络以其良好的学习和泛化能力成了研究者注意的重点，越来越多地被利用到故障诊断中。文献①提出了对故障信号进行小波变换预处理的单故障诊断方法。现有软故障诊断研究中，大多数是单故障诊断，针对电路中的多故障诊断所做的研究并不多见，而现在大规模的集成电路的出现，要求我们的改进方法越来越全面，本文提出了一种可以用于单软故障和多故障诊断的改进方法。我们首先对电路的各元器件进行灵敏度分析，②然后对所得到的响应数据进行小波分析，提取各频带信号的能量特征和系数序列的绝对值之和作为所研究的电路的特征信号，经归一化处理和向量关联后输入神经网络进行训练，然后进行性能测试，从实验反映的结果来看，该方法具有有效性和可行性。

1 小波理论与小波函数

2 故障特征提取和处理

2.1 多分辨分析故障特征提取

多分辨分析的基本原理就是构造一组函数空间，并且其闭包则逼近，其中所有的函数都是所构造空间的标准化正交基，形象点说，应用到特征提取中，就像人眼看待事物一样，如果距离物体比较远，即尺度较大，则视野宽、分辨能力低，只能观察事物的概貌而看不清局部细节；若距离物体较近，即尺度较小，那么视野就窄而分辨能力高，可以观察到事物的局部细节却无法概览全貌。利用多分辨分析的优点，我们用Mallat算法提取各频带的故障信息，由于在模拟电路中，软故障信号的变化是十分微小的，而我们要很细致的反映信号的变化，我们就只能依靠高频分解的部分所得反馈信息，所以我们将故障信号的各层系数序列进行绝对值求和，将所得到的值按尺度顺序排列，构成一组反映电路故障的特征向量。④

2.2 能量分布特征提取

（1）信号采集与提取特征。根据所选电路，利用Pspice10.5仿真软件，对电路进行模拟仿真，选择最佳的测试点（本文案例选取输出节点为测试点），针对各种故障，提取数据，尔后对所得数据进行小波分析，用上一章所述方法，得到我们所需的特征向量。

（3）故障诊断。对于有故障的电路，我们用实际测量的信号，经特征提取-归一化处理-特征关联系列处理之后，输入我们已经训练好的神经网络，根据所对应的故障状态，我们就可以定位故障元件。

4 故障诊断实例

为了验证本文方法在诊断时的有效性和收敛速度的快慢，我们选取图2所示电路进行仿真实验。各元件的值如图标示，由于元件都具有容差，在本电路中我们选取电容容差为10%，电阻值容差为5%。对电路先进行灵敏度分析，选取对电路性能影响较大的元件为研究对象。

5 结束语

本文采用了基于小波变换各频带的系数序列的绝对值之和和能量特征归一化预处理的小波神经网络信息融合的新方法对模拟电路故障进行了诊断。从诊断实例我们可以看出，样本信号经过这种预处理后，剔除了信号中的冗余信号，有效减少神经网络的输入节点和隐层节点的个数，从网络的规模上有所减小，降低计算的复杂度，实验结果表明该方法具有诊断速度快，诊断准确率高的特点，并提高了辨识故障类别的能力。

注释

① 陈炜，冯玉光.一种基于小波神经网络的故障诊断方法[J].电子工程师，2005.31（8）：67-70.

② 刘美华，彭良玉.基于小波分析和信息融合技术的故障诊断[J].微电子学与计算机，2009.26（1）：166-168.

③ 禹旺兵，彭良玉，禹恒州.基于小波分析和神经网络的模拟电路故障诊断方法[J].微电子学与计算机，2007.24（7）：43-46.

④ 姚俊华，李迅波.模拟电路软故障诊断方法的研究[D].西安：电子科技大学，2010.

⑤ 秦志强，黄继达，王晨宇，郑标. MATLAB结合PSPICE 在模拟电路故障特征提取中的应用[D].江苏：中国矿业大学，2009.

⑥ 贾新章，郝跃，OrCAD/PSPICE实用教程[M].西安：西安电子科技大学出版社，1999：118-128.

⑦ 李明亮.基于神经网络的模拟电路故障诊断方法研究[D].北京：中国地质大学，2007.

⑧ 周开利，康耀红.神经网络模型及其MATLAB仿真程序设计[M].清华大学出版社.