本发明专利技术提供一种基于小波包分析和Hopfield网络的模拟电路故障诊断方法，包括数据获取：将模拟电路的输出响应分别通过SPICE仿真与连接在实际电路终端的数据采集板，进行数据采样以获得理想输出响应数据集和实测输出响应数据集；特征提取：将理想与实测的电路输出响应分别作为训练与测试数据集进行小波包分解,这些分解的小波系数通过能量计算而得到的能量值构成相应故障的特征向量；故障分类：各样本的特征向量经过Hopfield编码后提交给Hopfield网络以实现准确、迅速的故障分类。本发明专利技术方法对具有微弱幅值响应的硬故障与具有较大幅值响应的软故障采取的故障特征预处理效果较好,新定义的能量函数与编码规则对模拟电路的故障诊断准确性影响显著。
【技术实现步骤摘要】
本专利技术涉及模拟电路故障诊断方法，具体涉及一种。
技术介绍
在系统与外界之间的信号输入输出中，模拟电路起着关键作用。以控制系统为 例，不论其控制器是否被数字技术所取代，该系统都需要从外界的传感器获取输入信号，并通过执行器来产生实际输出。对模拟信号所进行的传输、滤波、放大、转换是许多复杂系统必备的基本功能。因此，模拟电路的可靠性是影响诸多复杂工业系统可靠性的重要因素之一，对模拟电路开展的故障诊断也一直是电子工业领域的研究重点。事实上，由于故障模型的缺乏、电路元件自身的非线性和容限影响，模拟电路是最不稳定的可测系统，其故障诊断仍然面临许多问题。例如外界噪声的出现、无故障元件偏离其允许容限程度的未知性以及软故障发生位置的不确定性(软故障是指元件负载超出某一容限，虽未烧毁但严重影响电路实际功能；硬故障是指元件烧毁或者由于其他原因而损坏.)都将影响模拟电路故障诊断的准确性。针对上述问题，国内外诸多学者在过去的十多年内，对系统级、电路板级、芯片级的模拟电路进行了大量重要的研究工作。这些研究主要采用小波分析和神经网络分别作为故障特征提取和故障分类的核心技术。文献公开了相关技术，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.均直接将未经任何处理的电路输出响应作为神经网络的输入，诊断准确性较低、网络结构复杂、训练时间长；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，照故障种类把模拟电路划分成不同模块，每个模块对应一个神经网络，并将各模块的输出响应进行主元分析以作为神经网络的输入，提高了故障诊断的准确性，但增加了网络开销；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.将主兀分析处理后的电路响应的低频小波系数作为故障特征提交给神经网络，虽提高诊断的准确性，但对网络的复杂性未作实质性改进；另外，“模拟电路故障诊断的多小波神经网络算法，， 王军锋，张维强，宋国乡.电工技术学报，2006，21 (I) :33-36.是通过计算小波系数的能量值，并将其作为候选故障特征降低了神经网络的复杂性，但能量数值很小，特征区分不明显。此外，综合上述方法，现有技术存在以下问题I)小波分析无疑是提取特征有效方法之一，但上述方法在提取小波系数时，考虑到在随后故障分类中神经网络的复杂性，通常舍弃了信号的细节信息而选取代表信号基本结构的近似小波系数作为候选特征。从信息完整的角度来说，被丢弃的细节系数对特征信息的完整表达是有价值的，在提取特征时有必要将其考虑在内。 2)为降低神经网络的复杂性，上述方法大多采用PCA进行数据降维，但该方法使用的条件是数据对象应满足一定的统计特征。实际采集的数据是否具备该统计特征，加之提取到的主元同样是以舍弃部分特征信息作为代价的，不得不考虑这项技术在提取最优候选特征时的合理性与有效性。3)前馈网络(如BP、RBF)在上述方法中作为故障分类的主要工具被广泛应用，此类网络完成从输入空间到输出空间的固定权值映射，并不具备动态特性，使得这类网络对个别器件的故障(尤其软故障)有可能不灵敏，导致故障漏报的出现.而动态递归网络受统计力学的启发，利用反馈方法使网络初始状态和过去状态在非线性单元中能进行一系列处理，在恰当选择权值的前提下，网络在显示稳定状态的同时还能产生并存储时空模式，因而有望在故障分类(本质为模式识别)中取得良好效果。
技术实现思路
针对现有技术存在的上述问题，本专利技术解决的技术问题是如何较为完整地获取故障响应的有用信息；如何有效的刻画故障特征，使得特征彼此之间区别明显；如何更加快速准确地实现故障分类，而提供一种采用小波包分析和Hopfield网络分别作为故障特征提取和故障分类的方法应用于模拟电路的故障诊断。解决上述技术问题，本专利技术采用的技术方案如下一种，其特征在于，包括数据获取、特征提取与故障分类三步骤，具体为数据获取将模拟电路的输出响应分别通过SPICE仿真与连接在实际电路终端的数据采集板，进行数据采样以获得理想输出响应数据集和实测输出响应数据集；特征提取将理想与实测的电路输出响应分别作为训练与测试数据集进行小波包分解，这些分解的小波系数通过能量计算而得到的能量值构成相应故障的特征向量；故障分类各样本的特征向量经过Hopfield编码后提交给Hopfield网络以实现准确、迅速的故障分类。相比现有技术，本专利技术具有如下有益效果本专利技术通过小波包分解较为完整地获取故障信号的有用信息，通过能量计算将故障信息映射到能量空间，进而更加精细地刻画故障特征(各种故障特征之间以及故障特征与正常特征之间的区别非常明显)，通过Hopfield网络自动实现快速准确地故障分类。还通过数据采集板和SPICE仿真分别获取模拟电路的实际输出响应和理想输出响应后，将两类本文档来自技高网...
【技术保护点】
基于小波包分析和Hopfield网络的模拟电路故障诊断方法，其特征在于，包括数据获取、特征提取与故障分类三步骤，具体步骤为：数据获取：将模拟电路的输出响应分别通过SPICE仿真与连接在实际电路终端的数据采集板，进行数据采样以获得理想输出响应数据集和实测输出响应数据集；特征提取：将理想与实测的电路输出响应分别作为训练与测试数据集进行小波包分解,这些分解的小波系数通过能量计算而得到的能量值构成相应故障的特征向量；故障分类：各样本的特征向量经过Hopfield编码后提交给Hopfield网络以实现准确、迅速的故障分类。
【技术特征摘要】
【专利技术属性】
技术研发人员：柴毅，李鹏华，邱逸峰，熊庆宇，魏善碧，张可，
申请(专利权)人：重庆大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。