楊 超 潘 強 周晶晶 熊 波

(海軍工程大學(xué)電子工程學(xué)院 武漢 430033)

?

基于輸出電壓和電源電流的模擬電路故障診斷*

楊 超 潘 強 周晶晶 熊 波

(海軍工程大學(xué)電子工程學(xué)院 武漢 430033)

為了提高模擬電路故障診斷的準確率,要盡可能的采集有效故障樣本信息作為BP神經(jīng)網(wǎng)絡(luò)的輸入。提出利用輸出電壓和電源電流信息融合的方法進行模擬電路故障診斷。收集輸出電壓和電源電流的故障樣本集,然后作為BP神經(jīng)網(wǎng)絡(luò)的輸入對網(wǎng)絡(luò)進行訓(xùn)練和判斷。利用不同故障對輸出電壓和電源電流的影響不同,能減少故障特征的重疊,提高模擬電路的故障診斷正確率。仿真結(jié)果表明利用輸出電壓和電源電流信息融合的方法比單純利用輸出電壓或電源電流進行診斷準確率和速度都有明顯提高。

信息融合; BP神經(jīng)網(wǎng)絡(luò); 模擬電路; 故障診斷

Class Number TP391

1 引言

隨著電子技術(shù)的高速發(fā)展,模擬電路的復(fù)雜度和密集度不斷增長,對于電子設(shè)備或系統(tǒng)的可靠性有著直接的制約。近年來,神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展是其越來越多的應(yīng)用在模擬電路的故障診斷過程中,并且作為神經(jīng)網(wǎng)絡(luò)輸入的電路故障特征尤為重要,直接影響著模擬電路故障診斷的正確率。通常所用的電路故障特征方法有兩種:一是選取動態(tài)電源電流隨著各種故障狀態(tài)下的特征信息作為神經(jīng)網(wǎng)絡(luò)的輸入[1]。二是選取電路的輸出電壓在輸出曲線上提取若干的參數(shù)作為對應(yīng)的信息作為故障特征,當電路發(fā)生故障時,輸出響應(yīng)的曲線與正常狀態(tài)下有所偏差,對應(yīng)信息的變化即反映故障特征,將這些信息作為神經(jīng)網(wǎng)絡(luò)的輸入[2]。

由于故障特征時有重疊,制約了故障診斷的準確率。本文提出基于輸出電壓和電源電流的特征提取和關(guān)聯(lián)融合的方法,用于BP神經(jīng)網(wǎng)絡(luò)對模擬電路故障診斷。仿真表明,此法構(gòu)造出來的樣本集可以更好地對故障進行識別,對于提高故障的診斷率有明顯的效果[3]。

2 BP神經(jīng)網(wǎng)絡(luò)

由于BP神經(jīng)網(wǎng)絡(luò)具有較好的泛化能力,很適合于判斷電路狀態(tài)屬于哪種故障類型的分類問題,因此,本文將采用BP神經(jīng)網(wǎng)絡(luò)來實現(xiàn)模擬電路的故障診斷。

BP神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)的模擬電路故障診斷過程[4]為:

1) 數(shù)據(jù)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(yīng)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(shù)序列的絕對值之和為元素組成故障特征向量;

2) BP網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)。根據(jù)電路故障特征向量維數(shù)和電路故障模式,確定BP網(wǎng)絡(luò)的輸入與輸出層節(jié)點數(shù)目。假設(shè)對采樣信號進行N層小波分解,獲得N+1維的故障特征向量,即網(wǎng)絡(luò)輸入層節(jié)點數(shù)目為N+1;如果待測電路有M種故障模式,則輸出層節(jié)點數(shù)目為M;隱層神經(jīng)元數(shù)目[7]預(yù)選取為(N和M分別為輸入/輸出層數(shù)目,a=1～10),若在網(wǎng)絡(luò)訓(xùn)練過程中不能滿足要求,則逐個增加(或減少)隱層神經(jīng)元數(shù)目;

3) 訓(xùn)練BP網(wǎng)絡(luò)。為了讓BP網(wǎng)絡(luò)能夠識別電路的故障模式,首先必須對網(wǎng)絡(luò)進行訓(xùn)練。以故障特征向量為訓(xùn)練樣本輸入向量,訓(xùn)練樣本輸出向量確定方法為:設(shè)電路有M種故障模式,即模式1、模式2、…、模式j(luò)、…、模式k、…、模式M,網(wǎng)絡(luò)輸出{y1,y2,…,yj,…,yk,…,yM},若電路狀態(tài)處于模式j(luò),則令yj=1,其余為0,網(wǎng)絡(luò)輸出向量為{0,0,…,1,…,0,…,0},若電路狀態(tài)同時處于模式j(luò)和模式k,則網(wǎng)絡(luò)輸出向量為{0,0,…,1,…,1,…,0}。因此BP網(wǎng)絡(luò)可實現(xiàn)模擬電路的單、多故障診斷。本文主要進行模擬電路的單故障診斷,利用故障字典中的大量訓(xùn)練樣本對網(wǎng)絡(luò)進行訓(xùn)練,達到所期望的誤差目標;

4) 診斷結(jié)果輸出。把待測電路的故障特征向量輸入經(jīng)過訓(xùn)練的BP網(wǎng)絡(luò),得到輸出結(jié)果,即可判斷電路故障模式。

3 基于信息融合技術(shù)的神經(jīng)網(wǎng)絡(luò)故障診斷

信息融合技術(shù)旨在利用多源數(shù)據(jù)的互補性和冗余性來提高結(jié)果信息的質(zhì)量,從多方面獲得關(guān)于同一電路的多維信息,處理故障診斷中的不確定問題,提高故障診斷的準確率。本文首先檢測電路工作的電源電流和輸出電壓,然后利用小波變化對數(shù)據(jù)進行預(yù)處理并進行特征層的融合,最后利用神經(jīng)網(wǎng)絡(luò)理論進行故障定位,并對診斷結(jié)果進行詳細的分析。

基于信息融合的神經(jīng)網(wǎng)絡(luò)故障診斷模型如圖1所示[5]。

圖1 神經(jīng)網(wǎng)絡(luò)信息融合診斷模型

3.1 信號采集

信號采集時進行模擬電路信息融合的基礎(chǔ)和前提。無論微電子技術(shù)如何發(fā)展,集成電路的供電電源和輸出端口是必需的,測量也十分方便。因此本文選取電源電流和輸出電壓傳感器的信號來進行診斷。

3.2 特征提取

在模擬電路故障診斷過程中,從多傳感器系統(tǒng)得到反映待測電路的運行狀態(tài)信息,這些信息含有大量的冗余,會對后繼的處理帶來龐大的計算量,從而影響診斷速度和效率。在多傳感器信息融合過程中,為減少計算量,需要對采集信號預(yù)處理,實現(xiàn)特征提取。

待測電路發(fā)生故障,輸出波形曲線必將發(fā)生相應(yīng)的變化,蘊含著大量的故障類信息,來判別與之對應(yīng)的電路故障模式,可通過直接提取波形幅值作為特征值,來描述電路狀態(tài)曲線。

3.3 歸一化

作為特征的各種參數(shù),其物理意義各不相同,且幅值大小很不一致,有時甚至相差幾個數(shù)量級,采用正態(tài)分布函數(shù)f(x)=e-(x-a)2對樣本數(shù)據(jù)進行歸一化,其中a為電路正常狀態(tài)下測試點的特征值[6]。

3.4 特征關(guān)聯(lián)

在應(yīng)用神經(jīng)網(wǎng)絡(luò)信息融合分類器對多傳感器特征信息分類進行融合前,必須對特征向量進行關(guān)聯(lián)處理[7]。文中將電源電流與輸出電壓的特征矢量進行間隔交叉合并,形成聯(lián)合特征向量,作為神經(jīng)網(wǎng)絡(luò)的輸入。其聯(lián)合特征向量集為

P= [VmaxA5,ImaxA5,VmaxD1,ImaxD1,

VmaxD2,ImaxD2,VmaxD3,ImaxD3,

VmaxD4,ImaxD4,VmaxD5,ImaxD5]

3.5 神經(jīng)網(wǎng)絡(luò)信息融合分類器

在模擬電路故障診斷中,采用誤差反向傳播算法的多層感知器(簡稱BP神經(jīng)網(wǎng)絡(luò))應(yīng)用最為廣泛。本文神經(jīng)網(wǎng)絡(luò)信息融合中心采用具有輸入層、隱層、輸出層的單隱層BP網(wǎng)絡(luò)的拓撲結(jié)構(gòu)[8]。

4 故障診斷實例

為了驗證文中方法在診斷時的時效性和收斂速度的快慢,電路仿真選取Sallen-Key二階帶通濾波器如圖2,電路中電阻和電容的容差均取10%。首先對電路進行靈敏度分析,經(jīng)靈敏度測試,當R2、R3、C1、C2發(fā)生變化時,對輸出波形影響最為明顯。因此設(shè)定軟故障:R2+50%(F1)、R2-50%(F2)、R3+50%(F3)、R3-50%(F4)、C1+50%(F5)、C1-50%(F6)、C2+50%(F7)、C2-50%(F8)、正常(F9)一共9個故障。

圖2 Sallen-Key二階帶通濾波器

4.1 故障特征提取

采用Pspice10.5仿真軟件對電路施加一個激勵信號,然后對上述九種軟故障設(shè)定進行仿真實驗?？紤]到電阻和電容的容差,對每種狀態(tài)進行50次MC(蒙特卡洛)分析,分別對輸出電壓和電源電流進行,其中30次進行用來訓(xùn)練網(wǎng)絡(luò),20次用來對網(wǎng)絡(luò)進行測試。分別對電源電流和輸出電壓進行5層haar小波分解,求得每層分解得到的各個頻帶信號的能量,經(jīng)歸一化和特征向量關(guān)聯(lián)后得到融合故障特征向量作為神經(jīng)網(wǎng)絡(luò)的輸入。按照上述方法進行處理,得到表1輸出電壓各故障狀態(tài)的部分候選故障特征,表2電源電流各故障狀態(tài)的部分候選故障特征。

4.2 神經(jīng)網(wǎng)絡(luò)的構(gòu)建和訓(xùn)練

構(gòu)建一個輸入神經(jīng)元數(shù)目為12,輸出神經(jīng)元目標為9,隱層神經(jīng)元為13。設(shè)定學(xué)習(xí)速度為0.01,訓(xùn)練目標為0.01,訓(xùn)練算法采用自適應(yīng)速率的附動加量法,當隱層神經(jīng)元為13的時候,所用的訓(xùn)練次數(shù)為1028,尋來誤差曲線如圖3所示。

為檢驗經(jīng)過訓(xùn)練的網(wǎng)絡(luò)的故障診斷效果,用測試樣本對網(wǎng)絡(luò)進行測試。測試結(jié)果如表3所示。

圖3 BP網(wǎng)絡(luò)訓(xùn)練誤差曲線

Vmax(A5)Vmax(D1)Vmax(D2)Vmax(D3)Vmax(D4)Vmax(D5)NF0.80210.08900.32490.05760.02630.0000R2↑0.65700.23500.16370.06420.14000.0245R2↓0.50030.13230.05740.03570.21200.0353R3↑0.65430.05220.18780.03410.21260.0473R3↓0.73590.08420.23310.03430.14360.0437C1↑0.61370.03420.10210.03590.20640.0383C1↓0.80110.10930.28710.15680.05560.0122C2↑0.71180.16730.20970.09900.14660.0437C2↓0.59140.19640.06660.05610.21060.0403

表2 電源電流各故障狀態(tài)的部分候選故障特征

表3 訓(xùn)練和測試結(jié)果數(shù)據(jù)表

為了比較多傳感器信息融合診斷結(jié)果與單傳感器神經(jīng)網(wǎng)絡(luò)的分類情況,又分別構(gòu)建以電源電流和輸出電壓為特征參數(shù)的兩個神經(jīng)網(wǎng)絡(luò)[9],其診斷結(jié)果如表4所示。

表4 單傳感器與多傳感器結(jié)果比較

5 結(jié)語

文中研究了基于電源電流和輸出電壓的信息融合方法在模擬電路故障診斷中的應(yīng)用。利用神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練,通過小波分析后減少了冗余信息量,使得訓(xùn)練的效果和時間都有一定的提升,提高了故障診斷的準確率,通過與單傳感器神經(jīng)網(wǎng)絡(luò)分類進行比較,表明神經(jīng)網(wǎng)絡(luò)多傳感器信息融合技術(shù)有效的提升模擬電路故障診斷的準確性和可靠性[10]。此種方法在模擬電路的故障診斷中是可行的,提供了一種信息融合的方法,對模擬電路的故障診斷有著十分重要的意義。

[1] 方玉龍,呂洪善.利用小波分析的電流測試實現(xiàn)數(shù)?；旌想娐返墓收显\斷[J].常州工學(xué)院學(xué)報,2013,26(1):33-36.

[2] 謝宏,何怡剛,吳杰.基于小波一神經(jīng)網(wǎng)絡(luò)模擬電路故障診斷方法的研究[J].儀器儀表學(xué)報,2004,25(5):672-675.

[3] 王鵬宇,黃智剛.模糊理論與神經(jīng)網(wǎng)絡(luò)結(jié)合對模擬電路進行分層故障診斷[J].電子測量技術(shù),2002(1):7-9.

[4] 何怡剛,羅先覺,邱關(guān)源.基于神經(jīng)網(wǎng)絡(luò)的線性電路故障診斷非線性L1范數(shù)優(yōu)化方法[J].電子測量與儀器學(xué)報,1998,12(1):18-22.

[5] 劉美華,彭良玉.基于小波分析和信息融合技術(shù)的故障診斷[J].微電子學(xué)與計算機,2009,26(1):166-168.

[6] 潘強,楊超.基于多測試點多特征信息的模擬電路故障診斷[J].計算機測量與控制,2013,21(11):2931-2934.

[7] 謝永成,程延偉.基于特征層融合的模擬電路故障診斷方法[J].計算機工程與設(shè)計,2012,33(3):1170-1174.

[8] 王承,孫秀斌,謝永樂,等.基于神經(jīng)網(wǎng)絡(luò)信息融合技術(shù)的模擬電路故障診斷[J].電路與系統(tǒng)學(xué)報,2007,12(5):25-29.

[9] 謝濤,李煥慶,何怡剛,等.神經(jīng)網(wǎng)絡(luò)結(jié)合信息融合的模擬電路故障診斷.[J]電力系統(tǒng)及其自動化學(xué)報,2010,22(4):60-63.

[10] 王欣.基于神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷方法研究與實現(xiàn)[C]//2007西安電子科技大學(xué).

Fault Diagnosis of Analog Circuit Based on the Output Voltage and Electric Current

YANG Chao PAN Qiang ZHOU Jingjing XIONG Bo

(School of Electronic Engineering, Naval University of Engineering, Wuhan 430033)

In order to improve the accuracy of analog circuit fult diagnosis, more effective fault samples information need to be collected as far as possible as input of BP neural network. A method of using output voltage and electric current information fusion for analog circuit fault diagnosis is put forward. The output voltage and electric current of the fault sample set is collected and then as a BP neural network input of network training and judgment. Using different fault impact on output voltage and electric current is different, the fault characteristics of overlap is reduced and the accuracy of analog circuit fault diagnosis is improved. The simulation results show that the method using output voltage and electric current information fusion accuracy and speed are improved obviously than just using the output voltage or power supply current diagnosis.

information fusion, BP neural network, analog circuits, fault diagnosis

2014年12月7日,

2015年1月26日

楊超,男,碩士,研究方向:模擬電路的故障診斷、弱信號處理。

TP391

10.3969/j.issn1672-9730.2015.06.033