CN101819253A - 一种基于概率神经网络的容差电路故障诊断方法 - Google Patents

Abstract

一种基于概率神经网络的容差电路故障诊断方法，其包括以下步骤：选取脉冲信号源作为待测故障电路的激励；故障电路进行蒙特卡罗分析，获取待测故障电路幅频响应信号；对电路幅频响应信号进行三层小波包分解，获得幅频响应信号低频、高频系数，对小波包分解系数进行阈值量化，再根据最低层的低频小波包分解系数和经过阈值量化处理的高频小波包系数，进行小波包重构，完成小波包消噪处理；根据小波包重构后得到的低、高频系数，求出响应信号的频带能量，并以频带能量构成故障特征向量；故障特征向量输入概率神经网络故障分类器，实现电路故障诊断。本发明故障诊断正确率高，结构简单，训练时间短，容错性高，外推能力强。

Description

一种基于概率神经网络的容差电路故障诊断方法

技术领域

本发明涉及一种容差电路故障诊断方法，尤其是涉及一种基于概率神经网络的容差电路故障诊断方法。

背景技术

在过去的几十年中，数字电子电路的故障诊断理论和方法已经发展得比较成熟，而对于模拟电子电路，由于元件具有容差以及电路广泛存在的非线性和噪声问题，使其发展比较缓慢。然而，随着科学技术的飞速发展，电子电路的集成化程度日益提高，模拟电子电路和数字/模拟混合信号电路的广泛使用，以及对现代电子系统提出的高可靠性要求，使模拟电子电路的测试与故障诊断成为一个急需解决的问题。

小波分析作为一种新的时频分析方法已被应用于模拟电子电路故障诊断中的特征提取，但通常的处理方法是只对信号低频分量进行分解，忽略了高频分量，因此，在提取信号的低频系数作为故障特征时，损失了高频分量中的许多有用信息，导致故障诊断正确率不高。

神经网络具有并行处理、自适应、自学习和联想记忆等能力，将其应用于故障诊断已成为智能诊断技术中的一个重要方法。通常的模拟电子电路故障诊断中采用常规前向反馈神经网络(BP神经网络)作为故障分类器，但对于多故障特征输入的诊断问题，常规前向反馈神经网络(BP神经网络)存在结构复杂、训练时间长、收敛速度慢和易陷入局部最优等缺点，致使诊断时间长，故障辨识率不高。

发明内容

本发明的目的在于克服现有技术存在的上述缺陷，提供一种故障诊断正确率高，结构简单，训练时间短，容错性高，外推能力强的基于概率神经网络的容差电路故障诊断方法。

本发明的技术方案包括以下步骤：

(1)选取脉冲信号源作为待测故障电路的激励源，电路中故障元件采用故障模型代替，非故障元件在容差范围内变化；

(2)利用HSPICE软件对故障电路进行蒙特卡罗(Monte Carlo)分析，获取待测故障电路的幅频响应信号；

(3)对电路的幅频响应信号进行三层小波包分解，获得幅频响应信号的低频系数和高频系数，对小波包分解系数进行阈值量化，再根据最低层的低频小波包分解系数和经过阈值量化处理的高频小波包系数，进行小波包重构，完成小波包消噪处理；

(4)根据小波包重构后得到的低频系数和高频系数，求出各故障状态下输出响应信号的频带能量，并以频带能量构成故障特征向量；

(5)将故障特征向量输入概率神经网络故障分类器，实现对电路故障诊断。

所述步骤(3)中的小波函数为：

u_n(t)＝2^-j/2u_n(2^-jt-k)，n∈Z₊，j，k∈Z                    (1)

式中j，k分别为尺度因子和平移量，t为函数变量，u_n(t)为小波函数，n为调制参数或振荡参数，Z₊为正整数域，Z为整数域。

步骤(4)中各故障状态下输出响应信号的频带能量E_3j(j＝0，1，…，7)计算公式为：

$E_{3j}=\∫{|S}_{3j}{\left(t\right)|}^2\mathrm{dt}=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\left|x_{\mathrm{jk}}\right|}^2,j=\mathrm{0,1},\·\·\·,7,k=\mathrm{1,2},\·\·\·,n---\left(2\right)$

式中S_3j为三层小波包重构后的信号，j为小波包重构信号的个数，k为重构信号的离散点幅值求和变量，t为积分变量，x_jk为S_3j的离散点的幅值，n为三层小波重构信号S_3j的离散点总个数。

定义E′_3j＝(E_3j)^1/2(j＝0，1，…，7)，则故障特征向量T的构造为：

T＝[E′₃₀，E′₃₁，E′₃₂，E′₃₃，E′₃₄，E′₃₅，E′₃₆，E′₃₇]       (3)

小波包分析是从小波分析延伸出来的一种同时对信号高、低频分量进行分解的方法。

本发明将信号的高、低频分量作为故障特征，以提高故障的辨识精度。由于模拟电子电路发生故障时，电路输出信号经小波包分解后各尺度函数空间的频带能量会发生相应的变化，本发明在小波分析信号处理技术的基础上，采用小波包分析对模拟电子电路的输出信号进行分解和重构，获取信号的高、低频系数并滤除信号中的噪声，求取相应频带的频带能量作为电路的故障特征，建立基于“小波包频带能量-故障特征”的概率神经网络(PNN)故障诊断系统辨识方法，克服应用小波分析时通常只对低频分量进行处理而忽略高频分量致使信息丢失的问题，利用概率神经网络(PNN)构建故障模式分类器，结构简单、训练快捷，容错性高，外推能力强，检测与定位准确率高，速度快，克服了电路故障诊断BP神经网络故障分类器结构复杂、训练时间长、收敛速度慢和易陷入局部最优等缺点。

本发明方法能够对待测电路可及节点电压或支路电流信号进行处理，适合于电路复杂、可及节点少甚至只有一个输出节点可及的电子电路故障诊断问题。

附图说明

图1为本发明实施例诊断方法流程框图；

图2为三层小波包分解结构图；

图3为概率神经网络(PNN)结构框图；

图4为本发明的应用实例1电子电路；

图5为本发明的应用实例2电子电路。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

参照图1，本实施例包括以下步骤：

(1)首先执行步骤101，选取脉冲信号源作为待测电路的激励源，电路中故障元件采用故障模型代替，非故障元件在容差范围内变化：

(2)执行步骤102，利用HSPICE软件对故障电路进行蒙特卡罗(MonteCarlo)分析，获取待测故障电路的幅频响应信号；

(3)执行步骤103，对电路的幅频响应信号进行三层小波包分解，获得幅频响应信号的低频系数和高频系数；再对每一个小波包分解系数，选择一个恰当的阈值并对系数进行阈值量化，根据最低层的低频小波包分解系数(一般不做阈值化处理)和经过阈值量化处理的高频小波包系数，进行小波包重构，完成小波包消噪处理；

小波包分析是小波分析的进一步发展，在信号分解过程中对高、低频信号进行同时分解，其中小波函数为：

u_n(t)＝2^-j/2u_n(2^-jt-k)，n∈Z₊，j，k∈Z              (1)

式中j，k分别为尺度因子和平移量，t为函数变量，u_n(t)为小波函数，n为调制参数或振荡参数，Z₊为正整数域，Z为整数域。

u_n(t)满足下列表达式：

$\left\{\begin{array}{c}{u}_{2n}\left(t\right)=\sqrt{2}\underset{k}{\mathrm{\Σ}}{h}_k{u}_n(2t-k)\\ u_{2n+1}\left(t\right)=\sqrt{2}\underset{k}{\mathrm{\Σ}}{g}_k{u}_n(2t-k)\end{array}\right.---\left(4\right)$

式中k为平移量，n为调制参数或振荡参数，t为函数变量。当n＝0，

为尺度函数，n＝1，u₁(t)＝ψ(t)为母小波，{h_k}和{g_k}分别为低通和高通滤波器系数，小波包的分解算法为：

$\left\{\begin{array}{c}{d}_k^{j+\mathrm{1,2}n}=\underset{l\∈Z}{\mathrm{\Σ}}{h}_{2l-k}{d_l}^{j,n}\\ d_k^{j+\mathrm{1,2}n+1}=\underset{l\∈Z}{\mathrm{\Σ}}{g}_{2l-k}{d_l}^{j,n}\end{array}\right.,k\∈Z---\left(5\right)$

式中j，k分别为尺度因子和平移量，n为调制参数或振荡参数，

为尺度j下某子空间下的系数，

和

为尺度j+1下的相应系数，即通过

和滤波器系数{h_k}与{g_k}求出和

l为小波包变换的平移量，Z为整数域。

因此，由与

可求出

即小波包的重构算法为：

$d_l^{j,n}=\underset{k\∈Z}{\mathrm{\Σ}}[h_{l-2k}{d}_k^{j+\mathrm{1,2}n}+g_{l-2k}{d}_k^{j+\mathrm{1,2}n+1}]---\left(6\right)$

式中j，k分别为尺度因子和平移量，n为调制参数或振荡参数，l为小波包变换的平移量。

图2为三层小波包分解结构，图中X_i、j表示第i层的第j个结点，其中i＝0，1，2，3，j＝0，1，2，…，7，每个结点都代表一定的信号特征。其中，X_0,0结点代表原始信号，X_1，0代表小波包分解的第一层低频系数，X₁₁小波包分解的第一层的高频系数，其它依次类推。

(4)执行步骤104，利用小波包重构后的低、高频系数，求出各故障状态下输出响应信号的频带能量，并以频带能量构成故障特征向量；

响应信号的频带能量计算公式为：

$E_{3j}=\∫{|S}_{3j}{\left(t\right)|}^2\mathrm{dt}=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\left|x_{\mathrm{jk}}\right|}^2,j=\mathrm{0,1},\·\·\·,7,k=\mathrm{1,2},\·\·\·,n---\left(2\right)$

式中S_3j为小波包分解系数X_3j的重构信号，j为小波包重构信号的个数，k为重构信号的离散点幅值求和变量，t为积分变量，x_jk为S_3j的离散点的幅值，n为三层小波重构信号S_3j的离散点总个数。

定义E′_3j＝(E_3j)^1/2(j＝0，1，…，7)，因电路发生故障时，其输出信号的小波包频带能量值也会发生变化，因此，采用频带能量构成故障特征向量为：

 T＝[E′₃₀，E′₃₁，E′₃₂，E′₃₃，E′₃₄，E′₃₅，E′₃₆，E′₃₇]            (3)

(5)将故障特征向量输入概率神经网络故障分类器，实现对电路故障诊断；

参照图3，概率神经网络(PNN)由输入层、模式层、求和层和输出层组成，输入层待分类样本向量X{x_l，l＝1，2，…p}(其中l为下标量，p为输入样本维数)直接连接到模式层，通过模式层的加权求和并经过激励函数求得输出为：

$z_{\mathrm{ij}}\left(X\right)=\frac{1}{{\left(2\mathrm{\π}\right)}^{p/2}{\mathrm{\σ}}^p}\exp \left[\frac{-{(X-x_{\mathrm{ij}})}^T(X-x_{\mathrm{ij}})}{2{\mathrm{\σ}}^2}\right],i=\mathrm{1,2},\·\·\·,m,j=\mathrm{1,2},\·\·\·,N_i---\left(7\right)$

其中，z_ij为模式层第i类第j个样本的输出，i为模式类别数，m为模式类别总量，j为某一类模式的样本数，T表示矩阵转置，N_i为属i类训练样本向量总个数，p为输入样本向量的维数，σ为平滑参数，x_ij为i类第j个样本向量，在网络中作为权值。求和层将对应于训练样本中同一类模式层传来的变量进行累加，其表达式为：

$f_i\left(X\right)=\frac{1}{N_i}\frac{1}{{\left(2\mathrm{\π}\right)}^{p/2}{\mathrm{\σ}}^p}\underset{j=1}{\overset{N_i}{\mathrm{\Σ}}}\exp \left[\frac{-{(X-x_{\mathrm{ij}})}^T(X-x_{\mathrm{ij}})}{2{\mathrm{\σ}}^2}\right]---\left(8\right)$

输出层根据Bayes决策准则对输入样本向量X判别类别，其表达式为：

C(X)＝argmax{f_i(X)}，i＝1，2，…，m                  (9)

式中i为模式类别数，m为模式类别总量。

本发明应用实施例：

应用实施例1 参照图4，Sallen-Key带通滤波器电路，电阻和电容值的容差范围分别为5％和10％，故障元件为C₁，C₂，R₂和R₃，设置故障类别为NF(No-fault)，C₁↑，C₁↓，C₂↑，C₂↓，R₂↑，R₂↓，R₃↑和R₃↓，其中↑和↓表示元件故障值大于或小于标称值的50％，其它元件在容差范围内变化。采用幅度为10V，脉冲宽度为10μs单脉冲作为电路激励，通过本发明中提出的故障特征提取方法求得不考虑容差时的频带能量特征值如表1所示，由表可知，该方法能够有效地区分不同故障。对每种故障模式及正常模式各进行80次蒙特卡罗分析，其中40次蒙特卡罗分析获得的频带能量值对PNN进行训练，余下40次对诊断系统进行性能测试，测试结果表明故障诊断的正确率达到100％。

表1Sallen-Key带通滤波器不考虑容差时的频带能量

故障元件	标称值	故障值	E′3,0	E′3,1	E′3,2	E′3,3	E′3,4	E′3,5	E′3,6	E′3,7
											NF	-	-	19.4606	0.5604	0.2799	0.0183	0.1399	0.0091	0.0046	0.0005
C1↑	5nF	8nF	24.8703	0.7246	0.3619	0.0238	0.1809	0.0119	0.0059	0.0006
											C1↓	5nF	2nF	10.7919	0.2709	0.1353	0.0078	0.0676	0.0039	0.0019	0.0002
C2↑	5nF	10nF	12.8194	0.3467	0.1732	0.0101	0.0866	0.0051	0.0025	0.0002
											C2↓	5nF	2nF	29.7314	0.8211	0.4101	0.0267	0.2050	0.0133	0.0067	0.0007
R2↑	3kΩ	5kΩ	18.5354	0.4490	0.2243	0.0113	0.1121	0.0056	0.0028	0.0002
											R2↓	3kΩ	2kΩ	21.2713	0.7757	0.3870	0.0363	0.1934	0.0181	0.0090	0.0015
R3↑	2kΩ	4kΩ	38.5568	1.5960	0.7955	0.0890	0.3974	0.0444	0.0220	0.0044
											R3↓	2kΩ	1kΩ	10.1145	0.2173	0.1086	0.0052	0.0543	0.0026	0.0013	0.0001

应用实施例2本例将考虑一个复杂电路，四运放高通滤波器电路如图5所示，电阻和电容的容差范围分别为5％和10％，设置故障类型为NF(No-fault)，C₁↑，C₁↓，C₂↑，C₂↓，R₁↑，R₁↓，R₂↑，R₂↓，R₃↑，R₃↓，R₄↑和R₄↓，其中↑和↓表示元件故障值大于或小于标称值的50％，其它元件在容差范围内变化。仍采用与示例1中相同的激励源，利用本发明中的特征提取方法获得不考虑容差时的频带能量值为表2所示，由表可看出，频带能量特征值能够有效区别不同的故障类型。同样对各故障模式及正常模式进行80次蒙特卡罗分析，40次蒙特卡罗分析对应求得的故障特征用于训练PNN，其余40次用于性能测试，诊断正确率为99.3％，其中R₄↓故障类出现4次误诊断为C₂↓故障类，但整体诊断性能仍然比较好。

表2四运放高通滤波器不考虑容差时的频带能量

故障元件	标称值	故障值	E′3,0	E′3,1	E′3,2	E′3,3	E′3,4	E′3,5	E′3,6	E′3,7
											NF	-	-	75.9550	3.9864	1.9727	0.4939	0.9837	0.2434	0.1143	0.0331
C1↑	5nF	10nF	81.3699	6.2266	3.0653	1.1224	1.5258	0.5483	0.2479	0.1110
											C1↓	5nF	2.5nF	73.0208	2.5777	1.2806	0.2108	0.6393	0.1048	0.0513	0.0143
C2↑	5nF	15nF	63.3632	2.0268	1.0091	0.1324	0.5040	0.0660	0.0325	0.0076
											C2↓	5nF	1.5nF	94.4157	9.4192	4.4798	1.3196	2.2140	0.6585	0.3407	0.3634
R1↑	6.2kΩ	15kΩ	108.2834	11.4333	5.7556	5.0606	2.8859	2.3931	0.8798	0.4966
											R1↓	6.2kΩ	3kΩ	58.2101	1.4221	0.7092	0.0724	0.3544	0.0361	0.0179	0.0034
R2↑	6.2kΩ	18kΩ	159.9909	5.2123	2.5955	0.3351	1.2964	0.1670	0.0823	0.0193
											R2↓	6.2kΩ	2kΩ	36.0779	3.3226	1.6344	0.8163	0.8138	0.3950	0.1701	0.0896
R3↑	6.2kΩ	12kΩ	39.2434	2.0596	1.0193	0.2552	0.5082	0.1257	0.0591	0.0171
											R3↓	6.2kΩ	2.7kΩ	174.4150	9.1539	4.5300	1.1341	2.2588	0.5588	0.2625	0.0760
R4↑	1.6kΩ	2.5kΩ	70.3936	3.0084	1.4918	0.2801	0.7444	0.1390	0.0675	0.0212

故障元件	标称值	故障值	E′3,0	E′3,1	E′3,2	E′3,3	E′3,4	E′3,5	E′3,6	E′3,7
											R4↓	1.6kΩ	500Ω	93.7584	8.5492	4.1569	1.7873	2.0646	0.8726	0.3990	0.2879

为了比较采用BP和PNN构建故障诊断辨识器的性能，表3对这两种不同网络构成的故障诊断系统进行了训练和辨识时间以及诊断正确率的比较，其结果如表3所示，其中Data1为示例1中的测试数据，Data2为示例2中的测试数据，由表可知，对于测试数据Data1，虽然诊断正确率相同，但PNN的训练和诊断时间比BP少很多，诊断速度更快；对于测试数据Data2，PNN的诊断正确率以及训练和诊断时间都优于BP，因此，采用PNN构建故障诊断系统是比较好的选择。示例中的诊断结果表明了本发明的有效性，而且本发明特别适合于被测电路可及节点少，甚至只有输出节点可及的电路故障诊断问题。

表3BP与PNN诊断性能比较

Claims (3)

1.一种基于概率神经网络的容差电路故障诊断方法，其特征在于，包括以下步骤：

(1)选取脉冲信号源作为待测故障电路的激励源，电路中故障元件采用故障模型代替，非故障元件在容差范围内变化；

(2)利用HSPICE软件对故障电路进行蒙特卡罗分析，获取待测故障电路的幅频响应信号；

(3)对电路的幅频响应信号进行三层小波包分解，获得幅频响应信号的低频系数和高频系数，对小波包分解系数进行阈值量化，再根据最低层的低频小波包分解系数和经过阈值量化处理的高频小波包系数，进行小波包重构，完成小波包消噪处理；

(4)根据小波包重构后得到的低、高频系数，求出各故障状态下输出响应信号的频带能量，并以频带能量构成故障特征向量；

(5)将故障特征向量输入概率神经网络故障分类器，实现对电路故障诊断。

2.根据权利要求1所述的基于概率神经网络的容差电路故障诊断方法，其特征在于，所述步骤(4)中各故障状态下输出响应信号的频带能量E_3j(j＝0，1，…，7)计算公式为：式中S_3j为三层小波包重构后的信号，j为小波包重构信号的个数，k为重构信号的离散点幅值求和变量，t为积分变量，x_jk为S_3j的离散点的幅值，n为三层小波重构信号S_3j的离散点总个数。

3.根据权利要求1或2所述的基于概率神经网络的容差电路故障诊断方法，其特征在于，定义E′_3j＝(E_3j)^1/2(j＝0，1，…，7)，则故障特征向量T的构造为：T＝[E′₃₀，E′₃₁，E′₃₂，E′₃₃，E′₃₄，E′₃₅，E′₃₆，E′₃₇]。

Images