基于遗传小波神经网络的模拟电路故障诊断方法

杨清志，谢斌

(亳州职业技术学院，安徽 亳州 236800)

基于遗传小波神经网络的模拟电路故障诊断方法

杨清志，谢斌

(亳州职业技术学院，安徽 亳州 236800)

针对模拟电路故障诊断常用方法各有利弊的现状，提出了采用遗传算法、神经网络与小波分析相结合的诊断方法，通过在BP神经网络对模拟电路进行故障诊断过程中使用小波分析和遗传算法剔除电路信号中冗余信息，以提高故障诊断的准确率及缩短故障诊断时间.仿真实例结果表明该方法在模拟电路故障诊断中不失为一种有效方法.

模拟电路；故障诊断；遗传算法；神经网络；小波分析

0 引 言

模拟电路故障诊断由于其重要性一直是一个非常热门的研究方向，自1960年至今经过50余年的研究与发展，已取得了长足的进步，但仍未达到成熟阶段.虽然在电子整机中模拟电路所占比例少，但实际工程应用中的作用却非常重要.随着科技进步，各种电子产品电路设计也越来越复杂.由于模拟电路自身的复杂性和多样性，使得其故障诊断也越来越困难[1]，目前常用的模拟电路故障诊断方法主要有遗传算法(Genetic Algorithm)、BP(back-propagation)神经网络、小波变换等.遗传算法是美国科学家J.Holland在1975年最先提出的一种借鉴生物进化规律演化而来的算法，其优点是擅长于全局寻优，适合于处理复杂的、非线性问题[2].BP神经网络采用分层结构，误差反传，其分类和记忆能力较好.但BP神经网络诊断大规模系统芯片时会存在网络收敛速度慢，容易导致局部极值等缺陷.倘若将遗传算法和神经网络相结合，则既可实现全局寻优，亦可局部寻优，从而有助于解决模拟电路故障诊断问题，此算法也是目前模拟电路故障诊断中比较好的学习训练方法.此外，在信号处理中小波变换分析方法也是国际公认的权威方法.小波变换是时域-频域的局部变换，局部特性较好，且具有多分辨分析特性，在模拟电路故障诊断中可有效实现样本训练，完成故障特征采样.

综合考虑各种算法的优缺点，本文采用基于遗传算法、小波变换与BP神经网络相结合实现模拟电路故障诊断的研究方法[3].

1 故障诊断理论与方法

1.1 小波变换神经网络

用小波变换来分析模拟电路故障是上世纪80年代提出的，本世纪开始广泛使用的一种方法，其局部特性好，适用于在小规模范围内处理时频局部特性.小波变化实质是一个数学函数的逼近问题，是通过一个基本函数的不同尺度平移和伸缩来实现的[4]：

(1)

经傅里叶变换可得小波频域表达式：

(2)

BP神经网络即误差反传网络，用于模拟电路故障诊断相对较早，主要用在处理大规模问题上，其指导思想是通过一个目标函数的最小化来实现.这个目标函数是：

(3)

最小化则是通过梯度下降法来计算(详细算法见参考文献[5])：

(4)

而小波分析与神经网络的结合即为小波神经网络[6]，分为三层，小波函数存在于隐含层，信号只向前传递，而误差信号反向传递，其拓扑结构如图1所示：

图1 小波神经拓扑结构

它继承了两者的优点，具有时-频局部特性、自主学习能力和较强的冗余能力，可用于部分模拟电路故障诊断.但具体应用于模拟电路故障诊断问题时还存在一些问题，比如收敛速度慢，小波神经网络结构的训练需要技巧，易收敛于局部最小值以及诊断出错等.针对这些问题，采用遗传算法结合小波神经网络来分析，不失为一种有效的方法.

1.2 遗传算法

1.2.1 遗传算法概述

自1975年Michigan教授提出遗传算法以来，经过40年的发展，技术已经比较成熟，目前广泛应用于各领域故障诊断的难题.该算法是从选择、交叉和变异三个算子中对参数编码字符串进行不断的寻优，选用的目标函数不需连续、可导，其问题的解决总是不断的进行复制、交叉和变异，直至得到全局最优解[7].但遗传算法的最大缺点是未成熟便收敛.而神经网络优点在于信息的自组织、自学习能力强，可以通过结合神经网络改进算法使其具有很好自学习能力和鲁棒性，既能实现遗传算法的全局寻优能力，又具有神经网络的优点:鲁棒性和学习能力强.基于上述原因，本文采用了遗传算法优化BP神经网络实现模拟电路故障的诊断.

1.2.2 遗传算法优化BP神经网络

BP神经网络由于其数学描述精确、处理过程清晰、自主学习能力强、方法易于实现等优点而被广泛用于故障诊断[8].但随着电子信息技术的发展，电路故障诊断越来越复杂，BP神经网络逐渐暴露出收敛速度慢，极其容易陷入局部最优值等缺陷.而遗传算法是基于全局优化算法，采用遗传算法优化BP神经网络，结合两者各自优点：利用自然选择和自然遗传设计神经网络可以寻找网络最优连接权.同时也能够获得最好的网络结构，处理问题时避免冗余信息的干扰从而大大提高问题解决能力，网络结构的设计不需依靠成熟的经验.因此，优化的神经网络可以实现绝大多数模拟电路故障的诊断.利用遗传算法优化神经网络流程图如图2所示：

图2 遗传算法优化BP网络算法流程

1.2.3 基于遗传小波神经网络的模拟电路故障诊断算法

用遗传算法来优化BP神经网络，就是模拟生物的遗传和进化理论，对网络的权值和阈值进行优化调整，作为遗传基因组合成染色体(每条染色体都与一个权值-阈值组合体对应).然后对染色体多次交叉、变异，“优胜劣汰”，直至寻得小于预定网络误差的染色体.遗传算法擅长全局搜索，但此进化方法在速度上要逊于BP神经网络算法或其它的训练算法.而BP神经网络算法擅长局部搜索，故将遗传算法与BP神经网络算法结合，进行神经网络的混合训练是一可行的途径，充分利用遗传算法全局性特点去搜寻最佳的网络连接权和网络结构.例如网络的隐节点数、隐层数等.最后再利用小波变化的方法，来进行模拟电路故障诊断的数学描述.

这种利用小波变换，遗传算法及神经网络相结合的模拟电路故障诊断流程如图3所示.

图3 遗传小波神经网络故障诊断流程图

2 故障诊断实例

为了验证该方法的有效性,对图4所示的的L-F滤波器进行电路故障诊断与测试.电路图中各元件参数标称值:R1=R2=…R13=10kΩ,C1=C4=0.01μF,C2=C3=0.02μF，电路故障诊断过程如下：

图4 L-F滤波器电路

步骤1，建立故障状态表：采用PSPISE对待测电路进行瞬态分析，选取该电路Vin为测试信号输入点,Vout为电路响应测试节点,选幅值为10伏的激励源作为测试信号对正常状态的L-F滤波器电路进行交流分析, 得到正常状态下及各种故障状态下各测试节点的电压值；

步骤2，样本集的训练：通过PSPISE软件仿真可知，元器件R1、R2、R4、R5和C2数值发生变化时,对电路输出的波形造成明显影响，考虑软故障: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种故障模式，0(正常)、1(故障).如输出为:1000000000表示故障R1+50%，其它元器件正常；0000000000表示电路状态正常.通过故障模式频率响应曲线仿真出相应电压值(原始故障特征值)作为样本输入向量，故障类型对应编码作为样本输出向量，输入向量与输出向量对应的即为原始样本集,见表1.

表1 原始样本集

故障模式输入向量V0．1KV1KV1．5KV2KV3K输出向量故障类型正常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

步骤3，利用遗传算法对BP神经网络进行优化：BP神经网络采用原始样本集训练会影响到准确率和样本训练速度，电路故障诊断中通常采用归一化处理，得到如表2所示的特征向量.此输入向量作为BP神经网络的输入序列，故障模式对应的编码作为BP神经网络的输出序列，构造电路故障诊断所需的网络样本集，亦即建立故障字典.

表2 归一化的样本集

故障模式输入向量输出向量故障类型正常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

步骤4，用训练好的BP神经网络对测试样本分类，完成在故障字典中的自动查询.

为了验证本文所提出遗传算法优化的BP神经网络的模拟电路故障诊断能力，用遗传算法优化的BP神经网络对图2中的L-F滤波器电路进行样本集训练，然后用训练好的故障特征样本集来诊断其测试样本集，遗传算法中选择种群规模为100，进化代数为80，BP算法采用中动量系数为0.95，学习速度为0.01.用该方法进行样本诊断的部分结果如表3所示.由表3可见，本方法继承了BP神经网络故障分类能力的优点，同时样本训练时间大大缩短，收敛速度明显快于传统BP神经网络.

表3 故障诊断结果

样本输入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样本输出-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诊断结果F0F2F4F8F9

3 结 论

本文针对传统BP神经网络实现模拟电路故障诊断的不足，提出遗传算法优化BP神经网络实现故障诊断.该方法保留BP神经网络故障诊断的优点，实现全局寻优，同时简化网络结构，缩短了样本训练的时间，避免了依赖于经验选择网络结构的不足，从而提高故障识别能力和速度，改善了电路故障诊断的精度.诊断实例表明遗传算法和神经网络的结合实现模拟电路故障的诊断，具有较高的故障诊断率和较快的收敛速度，在实际工程中具有一定的应用价值.

[1]崔金魁，胡国兵，于新刚.模拟电路故障诊断的神经网络优化方法综述[J].电子科技，2014(02)：134.

[2]李敏强,寇纪淞,李丹,等.遗传算法的基本理论与应用[M].北京:科学出版社,2002.

[3]彭良玉，王恒华.基于小波神经网络的模拟电路故障诊断方法及LabVIEW实现[J].微电子学与计算机，2013(05)：72-75.

[4]李权,赵晋芳.几种图像去噪算法研究[J].商丘师范学院学报，2015(03)：30.

[5]谭检平.基于遗传算法和神经网络的模拟电路故障诊断方法研究[D].长沙：湖南师范大学，2014：15-16.

[6]邢广成,强天伟.人工神经网络的发展与应用[J].科技风 ,2012(15)：65-66.

[7李倩,方木云, 吴元.基于改进遗传算法的多项目网络资源优化[J].商丘师范学院学报,2011(12):68.

[8]马成才，顾晓东.基于神经网络组与故障分级的故障诊断[J].系统工程与电子技术,2009(01):225.

[责任编辑：王军]

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高等教育振兴计划(No.2013cgtg040)

杨清志(1974—)，男，安徽肥东人，亳州职业技术学院讲师，工程师，硕士，主要从事电路与系统的研究.

TM13

A

1672-3600(2015)12-0051-05