專利名稱：基于小波包分析和Hopfield網(wǎng)絡(luò)的模擬電路故障診斷方法
技術(shù)領(lǐng)域：
本發(fā)明涉及模擬電路故障診斷方法，具體涉及一種基于小波包分析和Hopfield網(wǎng)絡(luò)的模擬電路故障診斷方法。
背景技術(shù)：
在系統(tǒng)與外界之間的信號輸入輸出中，模擬電路起著關(guān)鍵作用。以控制系統(tǒng)為 例，不論其控制器是否被數(shù)字技術(shù)所取代，該系統(tǒng)都需要從外界的傳感器獲取輸入信號，并通過執(zhí)行器來產(chǎn)生實(shí)際輸出。對模擬信號所進(jìn)行的傳輸、濾波、放大、轉(zhuǎn)換是許多復(fù)雜系統(tǒng)必備的基本功能。因此，模擬電路的可靠性是影響諸多復(fù)雜工業(yè)系統(tǒng)可靠性的重要因素之一，對模擬電路開展的故障診斷也一直是電子工業(yè)領(lǐng)域的研究重點(diǎn)。事實(shí)上，由于故障模型的缺乏、電路元件自身的非線性和容限影響，模擬電路是最不穩(wěn)定的可測系統(tǒng)，其故障診斷仍然面臨許多問題。例如外界噪聲的出現(xiàn)、無故障元件偏離其允許容限程度的未知性以及軟故障發(fā)生位置的不確定性(軟故障是指元件負(fù)載超出某一容限，雖未燒毀但嚴(yán)重影響電路實(shí)際功能；硬故障是指元件燒毀或者由于其他原因而損壞.)都將影響模擬電路故障診斷的準(zhǔn)確性。針對上述問題，國內(nèi)外諸多學(xué)者在過去的十多年內(nèi)，對系統(tǒng)級、電路板級、芯片級的模擬電路進(jìn)行了大量重要的研究工作。這些研究主要采用小波分析和神經(jīng)網(wǎng)絡(luò)分別作為故障特征提取和故障分類的核心技術(shù)。文獻(xiàn)公開了相關(guān)技術(shù)，例如Catelani M, FortA. Soft fault detection and isolation in analog circuits: someresults and a comparison between a fuzzy approach and radial basis functionnetworks. IEEE Trans. Instrum.Meas.，2002，51 (2) :196-202. ；Spina R，UpadhyayaS. Linear circuit fault diagnosis using neuromorphic analyzer.IEEE Trans.Circuits Syst. II，1997，44(3) : 188-196. ；Maidon Y, Jervis B W, Fouillat, Lesage PS.Using artificial neural networks or lagrange interpolation to characterizethe faults in an analog circuit:an experimental study. IEEE Trans. Instrum.Meas.，1999，48(5):932-938. ；Negnevitsky M，Pavlovsky V. Neural networks approachto online identification of multiple failures of protection systems. IEEE Trans.Power Delivery，2005，20 (2) :588-594.均直接將未經(jīng)任何處理的電路輸出響應(yīng)作為神經(jīng)網(wǎng)絡(luò)的輸入，診斷準(zhǔn)確性較低、網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜、訓(xùn)練時間長；又如Mehran A, FarzanA. A modular fault-diagnostic system for analog electronic circuits usingneural networks with wavelet transform as a preprocessor. IEEE Trans. Instrum.Meas.，2007，5 (5) : 1546-1554，照故障種類把模擬電路劃分成不同模塊，每個模塊對應(yīng)一個神經(jīng)網(wǎng)絡(luò)，并將各模塊的輸出響應(yīng)進(jìn)行主元分析以作為神經(jīng)網(wǎng)絡(luò)的輸入，提高了故障診斷的準(zhǔn)確性，但增加了網(wǎng)絡(luò)開銷；再如Aminian M, Aminian F. Neural network basedanalog circuit fault diagnosis using wavelet transform as preprocessor.IEEETrans. CircuitsSyst. II, Analog Digit. Signal Process. , 2000, 47 (2) : 151-156.將主兀分析處理后的電路響應(yīng)的低頻小波系數(shù)作為故障特征提交給神經(jīng)網(wǎng)絡(luò)，雖提高診斷的準(zhǔn)確性，但對網(wǎng)絡(luò)的復(fù)雜性未作實(shí)質(zhì)性改進(jìn)；另外，“模擬電路故障診斷的多小波神經(jīng)網(wǎng)絡(luò)算法，， 王軍鋒，張維強(qiáng)，宋國鄉(xiāng).電工技術(shù)學(xué)報(bào)，2006，21 (I) :33-36.是通過計(jì)算小波系數(shù)的能量值，并將其作為候選故障特征降低了神經(jīng)網(wǎng)絡(luò)的復(fù)雜性，但能量數(shù)值很小，特征區(qū)分不明顯。此外，綜合上述方法，現(xiàn)有技術(shù)存在以下問題I)小波分析無疑是提取特征有效方法之一，但上述方法在提取小波系數(shù)時，考慮到在隨后故障分類中神經(jīng)網(wǎng)絡(luò)的復(fù)雜性，通常舍棄了信號的細(xì)節(jié)信息而選取代表信號基本結(jié)構(gòu)的近似小波系數(shù)作為候選特征。從信息完整的角度來說，被丟棄的細(xì)節(jié)系數(shù)對特征信息的完整表達(dá)是有價值的，在提取特征時有必要將其考慮在內(nèi)。 2)為降低神經(jīng)網(wǎng)絡(luò)的復(fù)雜性，上述方法大多采用PCA進(jìn)行數(shù)據(jù)降維，但該方法使用的條件是數(shù)據(jù)對象應(yīng)滿足一定的統(tǒng)計(jì)特征。實(shí)際采集的數(shù)據(jù)是否具備該統(tǒng)計(jì)特征，加之提取到的主元同樣是以舍棄部分特征信息作為代價的，不得不考慮這項(xiàng)技術(shù)在提取最優(yōu)候選特征時的合理性與有效性。3)前饋網(wǎng)絡(luò)(如BP、RBF)在上述方法中作為故障分類的主要工具被廣泛應(yīng)用，此類網(wǎng)絡(luò)完成從輸入空間到輸出空間的固定權(quán)值映射，并不具備動態(tài)特性，使得這類網(wǎng)絡(luò)對個別器件的故障(尤其軟故障)有可能不靈敏，導(dǎo)致故障漏報(bào)的出現(xiàn).而動態(tài)遞歸網(wǎng)絡(luò)受統(tǒng)計(jì)力學(xué)的啟發(fā)，利用反饋方法使網(wǎng)絡(luò)初始狀態(tài)和過去狀態(tài)在非線性單元中能進(jìn)行一系列處理，在恰當(dāng)選擇權(quán)值的前提下，網(wǎng)絡(luò)在顯示穩(wěn)定狀態(tài)的同時還能產(chǎn)生并存儲時空模式，因而有望在故障分類(本質(zhì)為模式識別)中取得良好效果。

發(fā)明內(nèi)容
針對現(xiàn)有技術(shù)存在的上述問題，本發(fā)明解決的技術(shù)問題是如何較為完整地獲取故障響應(yīng)的有用信息；如何有效的刻畫故障特征，使得特征彼此之間區(qū)別明顯；如何更加快速準(zhǔn)確地實(shí)現(xiàn)故障分類，而提供一種采用小波包分析和Hopfield網(wǎng)絡(luò)分別作為故障特征提取和故障分類的方法應(yīng)用于模擬電路的故障診斷。解決上述技術(shù)問題，本發(fā)明采用的技術(shù)方案如下一種基于小波包分析和Hopfield網(wǎng)絡(luò)的模擬電路故障診斷方法，其特征在于，包括數(shù)據(jù)獲取、特征提取與故障分類三步驟，具體為數(shù)據(jù)獲取將模擬電路的輸出響應(yīng)分別通過SPICE仿真與連接在實(shí)際電路終端的數(shù)據(jù)采集板，進(jìn)行數(shù)據(jù)采樣以獲得理想輸出響應(yīng)數(shù)據(jù)集和實(shí)測輸出響應(yīng)數(shù)據(jù)集；特征提取將理想與實(shí)測的電路輸出響應(yīng)分別作為訓(xùn)練與測試數(shù)據(jù)集進(jìn)行小波包分解，這些分解的小波系數(shù)通過能量計(jì)算而得到的能量值構(gòu)成相應(yīng)故障的特征向量；故障分類各樣本的特征向量經(jīng)過Hopfield編碼后提交給Hopfield網(wǎng)絡(luò)以實(shí)現(xiàn)準(zhǔn)確、迅速的故障分類。相比現(xiàn)有技術(shù)，本發(fā)明具有如下有益效果本發(fā)明通過小波包分解較為完整地獲取故障信號的有用信息，通過能量計(jì)算將故障信息映射到能量空間，進(jìn)而更加精細(xì)地刻畫故障特征(各種故障特征之間以及故障特征與正常特征之間的區(qū)別非常明顯)，通過Hopfield網(wǎng)絡(luò)自動實(shí)現(xiàn)快速準(zhǔn)確地故障分類。
還通過數(shù)據(jù)采集板和SPICE仿真分別獲取模擬電路的實(shí)際輸出響應(yīng)和理想輸出響應(yīng)后，將兩類信號在小波包機(jī)制下完整分解。由Hopfield特殊的自聯(lián)想記憶，信號的近似信息和細(xì)節(jié)信息并不能直接提交給該網(wǎng)絡(luò)進(jìn)行模式識別。并定義了一種新的能量函數(shù)來計(jì)算各小波系數(shù)的能量值，并將這些能量值合并成向量以作為故障特征。在完成對各故障特征向量的Hopfield編碼后，將故障編碼提交給Hopfield網(wǎng)絡(luò)以實(shí)現(xiàn)準(zhǔn)確的故障分類。本發(fā)明方法中，模擬電路在理想和實(shí)際故障情形下的輸出響應(yīng)分別通過SPICE仿真及電路終端的數(shù)據(jù)采集板所采集；故障電路輸出響應(yīng)通過小波包完整分解，各尺度小波系數(shù)的能量值由一個新定義的能量函數(shù)進(jìn)行計(jì)算；由小波能量值所構(gòu)成的理想與實(shí)測故障特征向量經(jīng)Hopfield編碼后被分別作為聯(lián)想記憶的記憶原型與記憶起始點(diǎn)，在自聯(lián)想記憶驅(qū)動下，實(shí)測模擬電路故障的編碼被Hopfield神經(jīng)網(wǎng)絡(luò)準(zhǔn)確分類。Sallen-Key濾波器的軟故障診斷及非線性整流電路的硬故障診斷的數(shù)值實(shí)驗(yàn)結(jié)果顯示。本發(fā)明方法對具有微弱幅值響應(yīng)的硬故障與具有較大幅值響應(yīng)的軟故障采取的故障特征預(yù)處理效果較好，新定義的能量函數(shù)與編碼規(guī)則對模擬電路的故障診斷準(zhǔn)確性影響顯著。對線性電路和非線性電路的軟、硬故障的數(shù)值實(shí)驗(yàn)表明本發(fā)明方法模擬電路的故障響應(yīng)與正常響應(yīng)特征之間的區(qū)別，以及各故障響應(yīng)特征之間的區(qū)別相當(dāng)明顯，特征向量充分涵蓋了各類故障本質(zhì)信息；對各故障特征的Hopfield編碼使得通過Hopfield網(wǎng)絡(luò)所進(jìn)行的故障診斷具備準(zhǔn)確、迅速的效果。


圖I是故障診斷方法的體系結(jié)構(gòu)示意圖；圖2是小波包分析圖；
圖3是離散Hopfield神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖；圖4是Sallen-Key帶通濾波器圖；圖5是非線性整流電路；圖6是Sallen-Key帶通濾波器的輸出響應(yīng)圖；圖7是非線性整流電路的輸出響應(yīng)圖；圖8是Sallen-Key帶通濾波器故的障特征子空間圖；圖9是非線性整流電路的障特征子空間圖；圖10是Sallen-Key帶通濾波器的實(shí)測故障特征編碼圖；圖11是Sallen-Key帶通濾波器的故障分類圖；圖12是非線性整流電路的實(shí)測故障特征編碼圖；圖13是非線性整流電路的故障分類圖。
具體實(shí)施例方式下面結(jié)合附圖和具體實(shí)施例對本發(fā)明作進(jìn)一步詳細(xì)說明。I、故障診斷方法如圖I所示，基于小波包分析和Hopfield網(wǎng)絡(luò)的模擬電路故障診斷方法，具體步驟為數(shù)據(jù)獲取將模擬電路的輸出響應(yīng)分別通過SPICE仿真與連接在實(shí)際電路終端的數(shù)據(jù)采集板，進(jìn)行數(shù)據(jù)采樣以獲得理想輸出響應(yīng)數(shù)據(jù)集和實(shí)測輸出響應(yīng)數(shù)據(jù)集；特征提取將理想與實(shí)測的電路輸出響應(yīng)分別作為訓(xùn)練與測試數(shù)據(jù)集進(jìn)行小波包分解，這些分解的小波系數(shù)通過能量計(jì)算而得到的能量值構(gòu)成相應(yīng)故障的特征向量；故障分類各樣本的特征向量經(jīng)過Hopfield編碼后提交給Hopfield網(wǎng)絡(luò)以實(shí)現(xiàn)準(zhǔn)確、迅速的故障分類。下面將對本發(fā)明故障診斷方法中的核心技術(shù)小波包分析、能量函數(shù)以及離散Hopfield神經(jīng)網(wǎng)絡(luò)(DHNN)作進(jìn)一步詳細(xì)說明。I. I小波包分析小波包分析由小波分析延伸而來.小波分析(參見[A]Shensa M J. The discrete wavelet transform:wedding the A trous and mallat algorithms. IEEE Trans.Sg. Proc.，1992，40(10) :2464-2482 ; [B] Lang M，Guo H, Odegard J E, Burrus C S. Noisereduction using an undecimated discrete wavelet transform. IEEETrans. Sig.Proc.，1996,3(1) : 10-12.)通過近似系數(shù)與細(xì)節(jié)系數(shù)將電路輸出響應(yīng)分別分解為低頻和高頻成分。該過程可由母小波的尺度變換與平移變換得到，即
r II \ I ((、y/ab(x) = ^=y/ --(I)
'K a )此處，Va，b(X)代表母小波函數(shù)，a與b分別表示小波變換的尺度和平移因子。電路響應(yīng)I (X)的小波系數(shù)可用下式表示C(a,b) = (i//a b [x)j{x)) =~~^dx{Z)為便于在計(jì)算機(jī)上高效運(yùn)算，工程中一般采用離散二進(jìn)制小波變換。它只需令上式中的尺度因子與平移因子分別為a=2^_和b=k2&ka，(k, j) G Z2就可得到。受多分辨思想的啟發(fā)，小波包分析將電路響應(yīng)I(X)在各個尺度上均分解為低頻的近似部分和高頻的細(xì)節(jié)部分，如圖2所不。I. 2能量計(jì)算與Hopfield編碼由于Hopfield網(wǎng)絡(luò)具有的自聯(lián)想記憶功能，經(jīng)小波包分解得到的電路響應(yīng)的小波系數(shù)不能直接提交給Hopfield網(wǎng)絡(luò)(該網(wǎng)絡(luò)是一種沒有持續(xù)輸入的特殊網(wǎng)絡(luò))。因此，要實(shí)現(xiàn)故障診斷，還需對各小波系數(shù)進(jìn)行預(yù)處理，即小波系數(shù)的能量計(jì)算與小波能量值的Hopfield編碼。本發(fā)明所定義的小波系數(shù)能量函數(shù)可表示為,;((、、-)) = #-lIr(X)II2^exp —C(f) j(3)這里，C(X)代表小波系數(shù)，I |C(X) I |2為小波系數(shù)的橢球范數(shù)，N為小波系數(shù)的長度。通過式(3)計(jì)算得到的各小波系數(shù)能量值組合在一起就構(gòu)成了相應(yīng)的電路響應(yīng)特征向量。為提高診斷的快速性，這些特征向量還需按照一定規(guī)則進(jìn)行轉(zhuǎn)換。該轉(zhuǎn)換過程被為Hopfield編碼。其編碼規(guī)則可表述為當(dāng)實(shí)測數(shù)據(jù)的能量值大于或等于理想數(shù)據(jù)的能量值時，該能量值設(shè)置為“+1”，否則設(shè)置為“-I”。I. 3離散Hopfield神經(jīng)網(wǎng)絡(luò)Hopfield神經(jīng)網(wǎng)絡(luò)是一種異步非線性動態(tài)系統(tǒng)，系統(tǒng)的相空間由表示網(wǎng)絡(luò)原型狀態(tài)的穩(wěn)定點(diǎn)(吸引子)構(gòu)成，通過系統(tǒng)局部單元之間的相互作用，網(wǎng)絡(luò)的整體動態(tài)特性得以體現(xiàn)(集體涌現(xiàn))(參見Hopfield JJ. Neural networks and physical systems withemergent collective computational ability. In!Proceeding of the nationalacademyof science，USA，1982,79:2554-2558.)在網(wǎng)絡(luò)運(yùn)作過程中，提交給網(wǎng)絡(luò)的響應(yīng)為相空間的起始點(diǎn)，若起始點(diǎn)“接近”記憶檢索的穩(wěn)定點(diǎn)，則動態(tài)系統(tǒng)將隨時間演化并收斂于該記憶狀態(tài)(即系統(tǒng)狀態(tài)的相空間流收斂于該記憶狀態(tài))。從而動態(tài)系統(tǒng)產(chǎn)生適當(dāng)記憶。因此，Hopfield網(wǎng)絡(luò)可執(zhí)行在動態(tài)穩(wěn)定環(huán)境中模式識別(故障特征分類)的功能(參見[C]Zheng P，Zhang J,Tang W. Learning associative memories by error backpropagation.IEEE Trans. Neural Netw.，2011，22 (3) : 347-354.，[D] Davey N，Hunt S P，Adams R G. Highcapacity recurrent associative memories. Neurocomputing，2004，62:459-491。)典型的離散Hopfield神經(jīng)網(wǎng)絡(luò)(如圖3所示)的神經(jīng)元在架構(gòu)上釆用了 McMulloch-Pitts模型(參見[E]McCulloch W S, Pitts W. A logical calculus of the ideas immanent innervous activity. Bulletin ofmathematical biophysics, 1943，5 (11) : 115-133.)，其激活函數(shù)為硬限幅函數(shù)，從而網(wǎng)絡(luò)在任意時刻的狀態(tài)只能是“+I”或“-I”。對于圖3中的每一神經(jīng)元，線性組合器的輸出可表示為
權(quán)利要求
1.基于小波包分析和Hopfield網(wǎng)絡(luò)的模擬電路故障診斷方法，其特征在于，包括數(shù)據(jù)獲取、特征提取與故障分類三步驟，具體步驟為 數(shù)據(jù)獲取將模擬電路的輸出響應(yīng)分別通過SPICE仿真與連接在實(shí)際電路終端的數(shù)據(jù)采集板，進(jìn)行數(shù)據(jù)采樣以獲得理想輸出響應(yīng)數(shù)據(jù)集和實(shí)測輸出響應(yīng)數(shù)據(jù)集； 特征提取將理想與實(shí)測的電路 輸出響應(yīng)分別作為訓(xùn)練與測試數(shù)據(jù)集進(jìn)行小波包分解，這些分解的小波系數(shù)通過能量計(jì)算而得到的能量值構(gòu)成相應(yīng)故障的特征向量； 故障分類各樣本的特征向量經(jīng)過Hopfield編碼后提交給Hopfield網(wǎng)絡(luò)以實(shí)現(xiàn)準(zhǔn)確、迅速的故障分類。
2.根據(jù)權(quán)利要求I所述基于小波包分析和Hopfield網(wǎng)絡(luò)的模擬電路故障診斷方法，其特征在于，所述小波包分解通過近似系數(shù)與細(xì)節(jié)系數(shù)將電路輸出響應(yīng)分別分解為低頻和高頻成分，該過程可由母小波的尺度變換與平移變換得到，即 此處，Va，b(x)代表母小波函數(shù)，a與b分別表示小波變換的尺度和平移因子； 電路響應(yīng)I(X)的小波系數(shù)可用下式表示 ) 為便于在計(jì)算機(jī)上高效運(yùn)算，工程中一般采用離散二進(jìn)制小波變換；它只需令上式中的尺度因子與平移因子分別為a=2^_和b=k2&ka，(k, j) G Z2就可得到； 所述能量計(jì)算與Hopfield編碼過程,包括 首先，定義小波系數(shù)能量函數(shù)為 這里，C(x)代表小波系數(shù)，I |C(X) I |2為小波系數(shù)的橢球范數(shù)，N為小波系數(shù)的長度；通過式(3)計(jì)算得到的各小波系數(shù)能量值組合在一起就構(gòu)成了相應(yīng)的電路響應(yīng)特征向量； Hopfield編碼規(guī)則為當(dāng)實(shí)測數(shù)據(jù)的能量值大于或等于理想數(shù)據(jù)的能量值時，該能量值設(shè)置為“+I”，否則設(shè)置為“-I”。
3.根據(jù)權(quán)利要求I所述基于小波包分析和Hopfield網(wǎng)絡(luò)的模擬電路故障診斷方法，其特征在于，所述離散Hopfield神經(jīng)網(wǎng)絡(luò)中的每一神經(jīng)元，線性組合器的輸出可表示為其中，X=[X1，X2,…，xn]T是網(wǎng)絡(luò)的狀態(tài)(提交給網(wǎng)絡(luò)的故障特征編碼)，e i是外部應(yīng)用閾值；對于i = 1,2,…，n，每一線性組合器輸出傳給對稱硬限幅激活函數(shù)與單元延遲元素；任意神經(jīng)元的單元延遲輸出Xi作為反饋給其他神經(jīng)元的輸入，但并不反饋給自己，即，當(dāng)i = j時，Wij=O,而其他神經(jīng)元的狀態(tài)可表示為 因此，網(wǎng)絡(luò)輸出的矢量形式為
全文摘要
本發(fā)明提供一種基于小波包分析和Hopfield網(wǎng)絡(luò)的模擬電路故障診斷方法，包括數(shù)據(jù)獲取將模擬電路的輸出響應(yīng)分別通過SPICE仿真與連接在實(shí)際電路終端的數(shù)據(jù)采集板，進(jìn)行數(shù)據(jù)采樣以獲得理想輸出響應(yīng)數(shù)據(jù)集和實(shí)測輸出響應(yīng)數(shù)據(jù)集；特征提取將理想與實(shí)測的電路輸出響應(yīng)分別作為訓(xùn)練與測試數(shù)據(jù)集進(jìn)行小波包分解,這些分解的小波系數(shù)通過能量計(jì)算而得到的能量值構(gòu)成相應(yīng)故障的特征向量；故障分類各樣本的特征向量經(jīng)過Hopfield編碼后提交給Hopfield網(wǎng)絡(luò)以實(shí)現(xiàn)準(zhǔn)確、迅速的故障分類。本發(fā)明方法對具有微弱幅值響應(yīng)的硬故障與具有較大幅值響應(yīng)的軟故障采取的故障特征預(yù)處理效果較好,新定義的能量函數(shù)與編碼規(guī)則對模擬電路的故障診斷準(zhǔn)確性影響顯著。
文檔編號G01R31/316GK102749573SQ201210264149
公開日2012年10月24日 申請日期2012年7月27日 優(yōu)先權(quán)日2012年7月27日
發(fā)明者張可, 李鵬華, 柴毅, 熊慶宇, 邱逸峰, 魏善碧 申請人:重慶大學(xué)