基于小波分析的模拟电路故障诊断探讨
2020-11-16刘泽江
刘泽江
摘要:近年来,经济的发展,促进我国科技水平的提升。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。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。本文就基于小波分析的模拟电路故障诊断展开探讨。
关键词:小波变换;模拟电路故障诊断;神经网络
引言
随着电子科学与电子技术深入发展,电子系统和设备广泛普及于人们的日常生活中,及时准确的发现电子设备存在的故障问题,是设备安全稳定运行的重要保障。资料显示,电路故障多发生于模拟电路部分,基于模拟电路的故障诊断具有重要的研究和应用价值。模拟电路故障诊断中,准确定位故障类型是重要的评价标准,提取的故障特征关系到故障知识库的构建,分类算法通过故障特征来定位故障类型,提取出能有效区分故障类型的故障特征是故障诊断效果有力的保障,也是模拟电路故障诊断研究的难点和关键问题。
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,即:
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(A 5,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昀大值为元素构成特征向量,即(max(A 5),max(D 5),max(D 4),max(D 3),max(D2),max(D 1));(3)归一化处理。指通过变换处理将网络输入数据限制在[-1,1]区间内,从而避免大的动态变化。
2基于小波分析的模拟电路故障诊断
2.1测试信号预处理
测试信号经小波分解后提取低频系数能量作为候选故障征兆集,进而经归一化、PCA分析预测处理后构造故障特征向量。每路测试信号都需进行预处理,从而得到各自对应的特征向量。预处理过程减少了噪声对诊断结果的干扰,降低了故障特征维数,从而简化了神经网络分类器的复杂度。
2.2特征提取
模拟电路在故障发生时,通常由于信噪比极小,故障所带来的信号变化体现并不明显,常规的信号分析手段难以在大量数据信息中提取出故障特征。小波包分解是一种小波分析手段,将原始信号数据分解为高频部分和低频部分,并同时分解新生成的高频和低频分量,对高频部分隐含的特征信息进行充分挖掘,提升了小波变换在高频部分的分辨率,克服了小波分解无法解析高频带特征的缺点。利用小波包分解提取电路故障数据的高频和低频特征,通过直接组合的方式构成特征向量,用于故障诊断模型的训练。
2.3数据采集与故障特征提取
在待测电路运行于不同故障模式时,采集电路输出响应信号(如电压、电流等信号),对其离散化后,进行 N层小波分解,以各层小波分解系数序列的绝对值之和为元素组成故障特征向量。
2.4克隆选择算法与故障诊断
克隆选择算法用于故障诊断大致通过 3个阶段完成:(1)准备故障样本数据。(2)输入样本数据对算法进行训练,得到各个故障模式的聚类中心。(3)通过聚类中心实现对故障样本数据的分类,确定出故障类型。故障诊断过程的算法实现,提取的克隆选择算法。并针对算法具体步骤中存在的两点问题进行了改进:(1)亲和度计算,在个体与种群中心相同的情况下会出现计算溢出。改进方法是将步骤 3中的亲和度计算方法修改为:f=1/(1+d)。(2)故障诊断时的判决条件是设定统一的判定半径,这会造成故障拒分、多分,而且存在判定半径的大小本身难以确定的情况。本文改进方法是取消了诊断中的判定半径,直接根据故障个体到故障中心的昀小距离来判定所属故障类。(即分别计算测试样本与所有聚类中心的距离 D,根据昀小距离 D认定测试样本所属故障类别。)
2.5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昀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。昀后再利用小波变化的方法,來进行模拟电路故障诊断的数学描述。
结语
基于小波分析的模拟电路诊断系统可以在一定程度上满足故障诊断的需要,并为小波分析应用于故障诊断领域提供了参考。但是基于小波分析的故障诊断方法仍有完善空间,需要进一步的探讨和研究。
参考文献
[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,2018(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,2018.
[3]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,2018(03):15-16.