基于小波分析神经网络的模拟电路 故障诊断方法

《基于小波分析神经网络的模拟电路 故障诊断方法》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、基于小波分析神经网络的模拟电路故障诊断方法王恒华1彭良玉2(1，2.湖南师范大学物理与信息科学学院，湖南长沙，410081)摘要: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AMethodforFaultDiagnosi

2、sofAnalogCircuitsBasedonNeuralNetworkWaveletAnalysis意思不对应WangHenghua1PengLiangyu2(1，2.CollegeofPhysicsandInformationScience,HunanNormalUniversity,Changsha410081,China)Abstract:Anewmethodforfaultdiagnosisofanaloguecircuitsbasedonneuralnetworkinformationfusiont

3、echniqueabouttheabsolutevaluesumofdecomposedcoefficientsandenergyfaultfeaturesofeachfrequencyband.thefaultfeaturesofsignalareextractedfromwaveletdecompositionandarenormalizedandareconnectedasvector.thisfeaturesofvectorareinputtedBPneuralnetworkandtrained.ther

4、ealizationoftheproposedmethodisexpoundedbyusingpracticalcircuit.thesimulationresultsdemonstratetheeffectivenessoftheproposedmethod.Keywords:Waveletanalysis;Neuralnetwork;Analoguecircuits;Faultdiagnosis1引言模拟电路故障诊断是近代电路理论的一个前沿领域,其基础理论研究始于20世纪70年代初的元件可解性问题的研究,现已

5、发展成为网络理论中公认的第三个分支。由于模拟电路中的输入输出响应都是连续量;电路元器件参数具有很大的离散性,即具有容错;以及模拟电路中广泛存在的非线性等原因,给其故障诊断带来很大的困难。由于神经网络具有良好的学习和泛化能力,近年来成为研究的热点。文献[1,2]中将模拟电路中的可及节点的电压作为输入训练神经网络,然后利用被测电路的节点电压测试神经网络以定位故障元件,这使得软故障诊断成为了可能。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。文献[3-5]提出了对故障信号进行小波变

6、换预处理的单故障诊断方法，针对上述问题，文中提出了一种可用于多故障诊断的改进方法。该方法首先对电路进行灵敏度分析，确定电路的敏感元件和电路的测试点[5]，然后对其节点进行小波分析，提取各频带信号的系数序列的绝对值之和和能量特征作为特征信号，经归一化和向量关联后输入神经网络进行训练，然后对训练好的神经网络进行性能测试，实验结果表明该方法的有效性和可行性。2故障特征提取和处理2.1连续小波变换将任意L2(R)空间中的函数f(t)在小波基下展开，即为函数f(t)的连续小波变换（ContinueWaveletTransf

7、orm，CWT），其表达式为:公式字体太小5由以上公式定义可知，小波变换具有尺度a和平移τ两个参数，所以函数一经小波变换，就意味着将一个时间函数投影到二维的时间、尺度相平面上，有利于提取信号函数的某些本质特征。对信号进行小波分解，选择合适的小波函数非常重要。由于haar小波函数具有不连续自然性质的紧支撑性和零对称性，具有良好的时间局部性,haar小波函数非常适合从具有窄宽度和快速变化特征信号中提取特征,符合模拟电路冲击响应信号的特征,且计算简单。Haar小波函数定义为：公式字体太小在故障特征提取过程中，要选择适当

8、的小波分解层数[6]，若分解层数过少，不能有效提取故障特征；若分解层数过多，则特征向量维数大，将影响诊断速度。因而文中选择haar小波进行5层小波分解提取故障特征。2.2多分辨分析的故障特征提取模拟电路故障一般都是软故障，利用小波变换来提取各频带的故障信息，分解过程用Mallat算法实现，而软故障信号的变化是比较微小的，可以用高频分解的部分来反映信号的变化，故可以将故障信