内容发布更新时间 : 2024/11/17 14:43:21星期一 下面是文章的全部内容请认真阅读。

龙源期刊网 http://www.qikan.com.cn

基于小波神经网络的模拟电路故障诊断方法研究

作者：周晶晶 吴文全 许炎义 孙金明 来源：《现代电子技术》2015年第06期

龙源期刊网 http://www.qikan.com.cn

摘 ;要： 小波变换是一种时频分析方法，具有多分辨率特性，被誉为数学显微镜，而BP神经网络具有较好的泛化能力，很适合于判断电路状态属于哪种故障类型的分类问题。本文将二者结合起来，采用基于小波神经网络的模拟电路故障诊断方法。应用小波变换对模拟电路幅频响应的采样信号进行故障特征提取，然后利用BP神经网络对各种状态下的特征向量进行分类决策，实现模拟电路的故障诊断。通过对电路进行仿真，证明该方法能够实现故障检测及定位，具有准确率高的特点。

关键词： 小波变换; 模拟电路故障诊断; 神经网络; 故障特征提取

中图分类号： TN710?34 ; ; ; ; ; ; ; ; ; 文献标识码： A ; ; ; ; ; ; ; ; ; ; ; ; ; ;文章编号： 1004?373X（2015）06?0036?03

Method of Analog Circuit Fault Diagnosis based on wavelet neural network ZHOU Jing?jing， WU Wen?quan， XU Yan?yi， SUN Jin?ming

（School of Electronic Engineering， Naval Engineering Niversity， Wuhan 430033， China） Abstract： Wavelet transform is a time?frequency analysis method， which has

multi?resolution feature， is honoured as mathematical microscope， and is suitable for judging what type of fault the circuit status belongs to. In this paper， the analog circuit fault diagnosis method based on wavelet neural network is used. Wavelet transform is adopted to extract the fault features of the sampling signal from amplitude?frequency response of the analog circuit. BP neural network is utilized to classify the feature vectors under various states and realize fault diagnosis of

龙源期刊网 http://www.qikan.com.cn

analog circuits. Simulation results of the circuit show that this scheme is feasible and has many powerful virtues， such as accurate fault detection and positioning.

Keywords： wavelet transform; analog circuit fault diagnosis; neural network; fault feature extraction 0 ;引 ;言

随着科学技术的不断进步，电子电路已经应用，据相关统计，电路故障的80%来自于模拟电路部分，即模拟电路的可靠性决定了整个系统的可靠性[1]。因此，模拟电路的故障诊断与可靠性设计的重要性不言而喻。通常的诊断方法[2?3]是从电路的输出响应曲线上提取其特征向量，当电路出现故障时，输出响应曲线与正常状态有所差异，通过分析曲线及其数据的变化来反映其故障特征，再通过上述的方法进行故障诊断。

本文采用小波神经网络实现故障的诊断，首先对研究电路进行仿真，对各种故障状态下的幅频响应曲线利用小波变换提取其特征参数集，该数据集包含了元件在无容差状态下的电路数据和有容差状态下的电路数据，然后构造BP神经网络进行故障的诊断分类。经实验证明，本文所用方法对所研究电路故障有很高的识别率。 1 ;小波神经网络方法 1.1 ;小波变换特征提取

在模拟电路的故障诊断中，通常利用小波变换对电路的输出响应曲线进行数据的预处理，提取其故障特征参数。小波变换的定义是把某一个被称为基本小波的函数做位移b后，再在不同尺度a下与待分析的信号x（t）做内积[4]，即： [WTxa，b=1a-∞+∞xtφ·t-badt， ;a>0]

式中：a为频率参数;b为时间参数。通过改变时间和频率参数，将得到不同的尺度来评估信号在不同的时间频率段的系数。这些系数表征了原始信号在这些小波函数上投影的大小。从信号分析的角度看，小波分解是将待分析信号通过两组滤波器，得到信号的高频信号和低频信号，同时，对低频信号的进一步分解，可以得到下一尺度函数上的低频信号及高频信号，且长度均为原信号长度的一半，即在滤波后进行了采样。将采样后的信息做为信号的特征参数。具体步骤为：

（1） 对采样信号进行5层离散小波分解，得到从第1层到第5层，共6个小波分解系数序列 （A5，D5，D4，D3，D2，D1）;

（2） 特征向量构成。以各层小波分解系数的绝对值最大值为元素构成特征向量，即（max（A5），max（D5），max（D4），max（D3），max（D2），max（D1））;