小波變換和神經(jīng)網(wǎng)絡(luò)的電路故障診斷

何東中 貢麗霞 白艷萍

摘? 要： 傳統(tǒng)的電路故障診斷方法診斷波形圖與實(shí)際波形差異較大，診斷準(zhǔn)確率低。為了解決上述問題，基于小波變換和神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)一種新的電路故障診斷方法。設(shè)定小波分解包，通過小波變換提取出故障特征，利用神經(jīng)網(wǎng)絡(luò)對(duì)原始信號(hào)進(jìn)行離散小波變換，獲得時(shí)頻矩陣，分析能量變化特點(diǎn)，確定二維時(shí)頻信息，根據(jù)不同故障類型的映射關(guān)系實(shí)現(xiàn)診斷。實(shí)驗(yàn)結(jié)果表明，基于小波變換和神經(jīng)網(wǎng)絡(luò)的電路故障診斷方法得到的波形與實(shí)際波形十分接近，能夠精準(zhǔn)地檢測(cè)出電路故障。

關(guān)鍵詞： 電路故障診斷; 小波變換; 神經(jīng)網(wǎng)絡(luò); 故障特征提取; 時(shí)頻信息確定; 診斷效果檢測(cè)

中圖分類號(hào)： TN710.4?34; TP18? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼： A? ? ? ? ? ? ? ? ? ? ? 文章編號(hào)： 1004?373X（2020）10?0030?03

Circuit fault diagnosis based on wavelet transform and neural network

HE Dongzhong1， GONG Lixia1， BAI Yanping2

（1. Shijiazhuang Tiedao University Sifang College， Shijiazhuang 051132， China; 2. North University of China， Taiyuan 030051， China）

Abstract： The diagnostic waveform obtained by the traditional circuit fault diagnosis method has a large difference with the actual waveform， and its diagnostic accuracy is low. Therefore， a new circuit fault diagnosis method based on wavelet transform and neural network is designed. The wavelet decomposition packet is set， so that the fault feature is extracted by means of the wavelet transform， and the discrete wavelet transform for the original signal is conducted by the neural network to obtain the time?frequency matrix， analyze the characteristic of energy change， determine the two?dimensional time?frequency information， and thus realize the diagnosis according to the mapping relationship of different fault types. The waveform obtained by the circuit fault diagnosis method based on wavelet transform and neural network is compared with the actual waveform. The experimental result show that the waveform is very close to the actual waveform， and the methoc can diagnose the circuit fault accurately.

Keywords： circuit fault diagnosis; wavelet transform; neural network; fault feature extraction; time?frequency information determination; diagnostic effect detection

0? 引? 言

電路由電源、開關(guān)、連接導(dǎo)線、電子器件組成，是電子設(shè)備基本元件之一，為人們生活帶來了極大的方便。但這些電子器件之間容易出現(xiàn)漏焊，進(jìn)而引發(fā)電路故障[1]。電路故障診斷是保障電子設(shè)備正常穩(wěn)定工作的基礎(chǔ)，傳統(tǒng)診斷方法采用自動(dòng)測(cè)試設(shè)備ATE進(jìn)行系統(tǒng)與裝置的故障檢測(cè)診斷，該方法對(duì)于定位、極板的維護(hù)、使用有很大難度，準(zhǔn)確性不高[2]。

小波分析法能更加精確地對(duì)信號(hào)做出局部描述以及故障提取[3]。為提高電路診斷準(zhǔn)確性，本文提出一種基于小波變換和神經(jīng)網(wǎng)絡(luò)的電路故障診斷方法，以小波變換電路故障提取為基礎(chǔ)，確定特征向量，利用DWT技術(shù)充分展現(xiàn)信號(hào)中所攜帶的時(shí)頻特點(diǎn)，構(gòu)建時(shí)頻矩陣并輸入到CNN中，分層自動(dòng)提取二維碼時(shí)頻特征，從而有效診斷電路中的故障。

1? 基于小波變換的電路故障特征提取

以小波分析法為基礎(chǔ)，將信號(hào)分解到不同頻段，這些頻段上包含著相應(yīng)的故障信息，對(duì)采取收集的電壓信號(hào)進(jìn)行分解，得到需要的特征向量，提取出電路故障[4]。故障特征提取流程如圖1所示。

對(duì)于任意一個(gè)函數(shù)f（t）∈L3（R）都可以利用一個(gè)基本小波通過伸縮和平移運(yùn)算后與f（t）內(nèi)積得出：

[Wfa，b=f，ψt=a12fxψ1-badx] （1）

式中：[ψt]是母小波函數(shù);a為伸縮因子;b為平行因子。通過對(duì)信號(hào)的小波變換進(jìn)行時(shí)頻分析，觀察在某一時(shí)間t對(duì)應(yīng)某一a的成分[5]。

通過均分頻域的濾波器將信號(hào)分為高頻和低頻兩個(gè)子帶，保留高頻部分，對(duì)低頻部分繼續(xù)均分，一直均分到函數(shù)所表示的低通濾波器[5]。分析出小波后，對(duì)小波包進(jìn)行分解，在多分辨分析基礎(chǔ)上，將高頻部分進(jìn)一步細(xì)分，自適應(yīng)性地選擇合適頻段，與信號(hào)頻譜匹配，提高時(shí)頻分辨率[6]。小波包三層分解如圖2所示。

提取信號(hào)分別表示為AAA3，DAA3，ADA3，DDA3，AAD3，DAD3，ADD3，DDD3，其中A表示低頻，B表示高頻，字母后面的數(shù)字表示小波包分解的層數(shù)。小波包分解的關(guān)系式為S=AAA3+DAA3+ADA3+DDA3+AAD3+DAD3+ADD3+DDD3。根據(jù)分解關(guān)系式提取電路的故障特征[7]。

2? 基于神經(jīng)網(wǎng)絡(luò)算法的電路故障診斷

神經(jīng)網(wǎng)絡(luò)通過自適應(yīng)的多層特征提取層，采取非監(jiān)督方式實(shí)現(xiàn)二維碼信息的抽象分布式特征表達(dá)，目前CNN主要運(yùn)用于電路故障診斷領(lǐng)域[8]。利用CNN對(duì)電路故障進(jìn)行診斷時(shí)，必須將二維時(shí)頻信息充分展現(xiàn)，信號(hào)S變換對(duì)高頻帶分辨率模糊不清，所以用DWT分離故障信號(hào)的頻帶，以便提高故障診斷效率。通過提取二維碼時(shí)頻特點(diǎn)診斷電路故障，CNN機(jī)構(gòu)模型見圖3。

圖3中，輸入信號(hào)為二維時(shí)頻信號(hào)，F(xiàn)1為數(shù)積層，G1為下采集層，F(xiàn)1和G1交替出現(xiàn)并不斷提取信號(hào)信息，并在鏈接層形成時(shí)頻信號(hào)的分布特征表達(dá)[9]。CNN包括輸入信號(hào)由低層到高層變換的前向傳播和將預(yù)分類結(jié)果與期望結(jié)果的誤差反向傳播。前向傳播過程可實(shí)現(xiàn)對(duì)故障信號(hào)特征的自動(dòng)提取并進(jìn)行欲分類假設(shè)。假設(shè)CNN網(wǎng)絡(luò)第1層，即視為數(shù)積層，其后層作為分析層，經(jīng)過非線性激活函數(shù)對(duì)輸入的線性組合進(jìn)行計(jì)算，從而得到這一分析層的神經(jīng)輸出[10]。通過不斷迭代，對(duì)網(wǎng)絡(luò)中自適應(yīng)參數(shù)應(yīng)用梯度下降法進(jìn)行調(diào)整，得出一系列可自適應(yīng)數(shù)積核，降低到最小限度，最后得到想要的自適應(yīng)數(shù)積核。診斷過程如圖4所示。

基于神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷時(shí)，首先離散小波對(duì)原始信號(hào)進(jìn)行變換，構(gòu)建時(shí)頻矩陣;再由CNN對(duì)時(shí)頻矩陣中不同時(shí)間、不同頻率的能量變化特點(diǎn)進(jìn)行逐層無監(jiān)督自適應(yīng)的學(xué)習(xí)，獲取二維時(shí)頻信息以便掌握故障信息;最終通過建立softmax分類層確定神經(jīng)網(wǎng)絡(luò)層數(shù)和每個(gè)樣本對(duì)應(yīng)的函數(shù)損失值來診斷電路故障，彌補(bǔ)傳統(tǒng)模式識(shí)別缺陷。

3? 實(shí)驗(yàn)研究

3.1? 實(shí)驗(yàn)?zāi)康?/p>

為驗(yàn)證方法的有效性，與傳統(tǒng)檢測(cè)方法進(jìn)行對(duì)比，通過對(duì)SKF的6205?2RS型深溝球軸承電路的故障來進(jìn)行驗(yàn)證，設(shè)定實(shí)驗(yàn)。

3.2? 實(shí)驗(yàn)數(shù)據(jù)

本文在軸承各個(gè)訓(xùn)練點(diǎn)布置故障，內(nèi)圈的故障直徑為0.22 mm、外圈的故障直徑為8.47 mm、滾動(dòng)處的故障直徑為0.44 mm、滾筒的深度為0.34 mm。列舉出8種故障狀態(tài)，故障點(diǎn)如圖5所示。

將故障分為兩種：一種是不同故障類型，相同故障程度;另一種是相同故障類型，不同故障程度。將8種故障點(diǎn)的診斷結(jié)果分成4組，每組選取5個(gè)數(shù)據(jù)作為樣本，剩下的為訓(xùn)練樣本。

3.3? 實(shí)驗(yàn)結(jié)果和分析

3.3.1? 故障信號(hào)波形檢測(cè)結(jié)果

圖6、圖7表示了不同方法檢測(cè)的軸承部件在不同故障狀態(tài)下的故障信號(hào)的時(shí)域波形。故障在運(yùn)用本文方法檢測(cè)的時(shí)頻表達(dá)中所呈現(xiàn)的比傳統(tǒng)方法檢測(cè)的時(shí)頻特征更清晰易懂。觀察圖中，正常狀態(tài)下軸承信號(hào)的能量主要集中在低頻段，而電路在不同的程度下，整個(gè)過程呈現(xiàn)明顯的能量波動(dòng)，散發(fā)出的能量都分布在頻率范圍較寬的高頻帶上。實(shí)驗(yàn)電路在不同的故障程度分布的能量存在著明顯的差異，各頻率范圍內(nèi)，能量強(qiáng)度和能量波動(dòng)歷經(jīng)隨著時(shí)間的增加故障程度診斷更加準(zhǔn)確，電路振動(dòng)能量隨著頻率波動(dòng)診斷時(shí)間減少。本文方法比傳統(tǒng)在時(shí)域診斷電路故障方法診斷得更加準(zhǔn)確，故障表現(xiàn)得更加突出明了，可以更好地得出故障波形。

3.3.2? 基于神經(jīng)網(wǎng)絡(luò)的故障診斷準(zhǔn)確率測(cè)試

CNN網(wǎng)絡(luò)由輸入層、卷積層、池化層三部分組成。CNN網(wǎng)絡(luò)中的卷積層就是對(duì)輸入圖像矩陣和卷積核矩陣各個(gè)位置的元素相乘。池化層是對(duì)輸入的各個(gè)矩陣進(jìn)行壓縮，讓輸入的矩陣維度變小。本文實(shí)驗(yàn)采用平均池化的方式進(jìn)行診斷準(zhǔn)確率檢測(cè)，傳統(tǒng)方法和本文小波變換電路故障診斷方法的準(zhǔn)確率繪圖如圖8所示。

根據(jù)圖8可知，傳統(tǒng)方法在進(jìn)行電路故障診斷時(shí)誤差很大，尤其是隨著迭代次數(shù)的增加，這種誤差結(jié)果越來越大;而本文研究的方法精確度遠(yuǎn)遠(yuǎn)高于傳統(tǒng)方法。這個(gè)實(shí)驗(yàn)結(jié)果證明了所提方法的故障診斷方法平均準(zhǔn)確率比傳統(tǒng)的故障診斷方法的平均準(zhǔn)確率高，所以小波變化故障診斷方法是具有科學(xué)性的，值得去學(xué)習(xí)、發(fā)展、應(yīng)用。

4? 結(jié)? 語(yǔ)

本文旨在小波變換電路故障提取的基礎(chǔ)上利用DWT技術(shù)充分展現(xiàn)信號(hào)中所攜帶的時(shí)頻特點(diǎn)，構(gòu)建時(shí)頻矩陣并輸入到CNN中，分層自動(dòng)提取二維碼時(shí)頻特征，將所攜帶的時(shí)頻矩陣輸入CNN中進(jìn)行二維時(shí)頻特征的分層自動(dòng)提取實(shí)現(xiàn)電路故障診斷。基于小波?神經(jīng)網(wǎng)絡(luò)的故障診斷法故障檢測(cè)率與故障隔離率都能夠準(zhǔn)確地進(jìn)行網(wǎng)絡(luò)故障診斷，解決了測(cè)試需要多個(gè)測(cè)試點(diǎn)的麻煩，本文只需要一個(gè)測(cè)試點(diǎn)時(shí)就需設(shè)置一個(gè)監(jiān)測(cè)點(diǎn)，便于電路故障診斷。通過分析其波形特征就能進(jìn)行網(wǎng)絡(luò)故障診斷。實(shí)驗(yàn)驗(yàn)證說明基于人工智能的故障診斷方法更加準(zhǔn)確。

參考文獻(xiàn)

[1] 辛健，馬力.小波變換和神經(jīng)網(wǎng)絡(luò)的電路故障診斷[J].現(xiàn)代電子技術(shù)，2017，40（5）：174?177.

[2] 況璟，何怡剛，鄧芳明，等.基于交叉小波變換和主元分析的電力電子電路故障特征提取[J].電測(cè)與儀表，2017，54（11）：1?7.

[3] 陳仁祥，黃鑫，楊黎霞.基于卷積神經(jīng)網(wǎng)絡(luò)和離散小波變換的滾動(dòng)軸承故障診斷[J].振動(dòng)工程學(xué)報(bào)，2018，31（5）：883?891.

[4] 徐永勤，高亞東，李清龍.基于小波變換和神經(jīng)網(wǎng)絡(luò)的直升機(jī)旋翼不平衡故障診斷方法[J].南京航空航天大學(xué)學(xué)報(bào)，2017，49（2）：212?218.

[5] 王驍賢，張保華，陸思良.基于連續(xù)小波變換和卷積神經(jīng)網(wǎng)絡(luò)的無刷直流電機(jī)故障診斷[J].機(jī)械與電子，2018，36（6）：46?49.

[6] 路軍.基于小波變換和RBF神經(jīng)網(wǎng)絡(luò)的機(jī)械故障診斷[J].天津冶金，2018（2）：39?42.

[7] 張文靜，張磊，劉明.基于小波和BP神經(jīng)網(wǎng)絡(luò)的風(fēng)力機(jī)齒輪箱故障診斷[J].自動(dòng)化技術(shù)與應(yīng)用，2017，36（6）：1?4.

[8] 劉繼軍.電氣設(shè)備故障診斷方法和技術(shù)研究[J].機(jī)電工程技術(shù)，2017，22（1）：66?67.

[9] 崔騰飛，許章平，劉成洲，等.基于小波分析的神經(jīng)網(wǎng)絡(luò)基坑變形預(yù)測(cè)模型[J].北京測(cè)繪，2018，32（9）：20?23.

[10] 王青山，梁得亮，杜錦華.交流穩(wěn)壓電源的改進(jìn)神經(jīng)網(wǎng)絡(luò)PID控制[J].電機(jī)與控制學(xué)報(bào)，2017，21（2）：1?9.