一种新颖的模拟电路故障特征提取的诊断方法.pdfVIP

祝文婀等：一种新颖的模拟电路故障特征提取与诊断方法 一种新颖的模拟电路故障特征提取与诊断方法 祝文姬何怡刚 (湖南大学电气与信息工程学院长沙市410082) E·mail：wenjiz@yahoo．ca 摘 要：本文提出了一种基于小波变换、傅赢叶变换与神经网络相结合的模拟电路故障诊断新方法。该 法使用小波变换和傅立叶变换对模拟电路在各种故障状态下进行特征的提取，即首先对电路在各种故障状 态下的节点电压信号进行小波变换以将干扰信号(如噪声)除去，防止不相关的能量混在有效信号中，然后 采用傅立叶变换进行分析，得到有效信号频谱，提取其能最值再经主元分析与归一化处理后作为故障特征。 考虑概率型神经网络具有结构简单、训练速度快、追加样本容易的特点，本义提出了采用这种神经网络来 实现故障的定位。本文详述了其诊断原理及诊断步骤，并通过电路诊断实例，验证了所提方法的有效性。 关键词：模拟电路，故障诊断，小波变换，傅立叶变换，径向基网络，概率型网络 1 引言 模拟电路故障诊断自20世纪60年代以来取得了不少的成就，提出了许多方法【l培l，但是 由于模拟电路故障现象的多样性、元件参数具有较大的离散性与广泛的非线性等原因，增 加了模拟电路故障诊断的难度，至今无论在理论上还是方法上均未完全成熟，距实用尚有 相当的距离。近年来随着智能技术的不断深入与发展，利用神经网络解决各种模式分类问 题已引起了科研工作者的广泛关注。概率型神经网络是是径向基网络的一种变化形式[9-10J， 它结合了径向基函数网络的优点，特别适合与处理模式分类问题，与目前较为广泛应用于 模拟电路故障诊断的BP网络方法相比，这种方法避免了冗长的迭代计算和陷入局部极值的 可能，使学习速度比通常的BP算法快几十倍甚至上百倍[9-10J。 利用神经网络进行故障的模式识别中，故障特征的提取具有非常重要的作用。傅立叶 变换(Fourier 瞬态故障信号时，是把瞬态奇异信号的频域信息分配给整个频域范围内的 其他分量，即傅立叶变换没有时间分辨率而有很好的频率分辨率。小波变换已广泛应 F．AminianpJ已将小波变换(Wavelet 换，提取其低频信号并作PCA分析后，作为各故障状态的特征并输入到神经网络以定位故 障。但是，小波变换是直接将信号的高频成分作为噪声成分舍弃，可能导致信号有效成分 的损失，而且小波变换对频域的划分太过粗糙，甚至还存在频率混叠现象。 针对这个问题，本文将傅立叶变换和小波变换结合起来，充分利用各自的优势，提出 将傅立叶变换和小波变换用于模拟电路故障特征的提取，以得到更全面、更准确的时频信 息。同时考虑到概率型神经网络的优势，本文将卜．述所提取的故障特征输入这种网络中实 现故障的定位，与BP刚络相比具有故障分辨率高的特点。 2基于WT-FT的故障特征提取方法 2．1傅立叶变换 傅立叶变换是信号分析和信号处理技术的理论基础【11-121，它的基本思想是将信号分解 祝文姬等：一种新颖的模拟电路故障特征提取与诊断力‘法 成一。系列不同频率的连续正弦波的叠加，即信号厂(工)的傅立叶变换为 F(缈)=I厂(f)矿J耐以 (1) 从式(1)可以看出，傅立叶变换是把信号从时域变换到频域，然而信号没有时间局部信 息，即从一一到oo之间，没有任何时间分辨特性，而在频域上是完全局部化的，能够看到时 域上的每一个止弦波的单一频域。 实际上，模拟电路发生故障时，所测得的响应信号中含有非平稳或时变信息，而这些 信息往往反映了电路运行的状态，因此了解它们的局部特性是很罩要的。为了观察响应信 号的局部特性，同时研究信号在时间域和频率域里的特点，引入短时傅立叶变换(STFT)， 其基本思想是：将信号划分成许多小的时间问隔，用傅立叶变换分析每个时间间隔，从而 确定该时间间隔存在的频率。这种变换方法是把非平稳信号看成是一系列平稳过程的叠加， 具有一定时间分辨率，对于弥补FT的不足起到了一定的作用。而且窗函数的选择会对最终 的结果产生较大的影响，不同的窗函数具有不同的性能和应用于不同的情况。但是STFT的 时一频窝大小固定，而且时间分辨率与频率分辨率之间的矛盾无法克服，故并没有很好的解 决时．频局部化问题，应用于实际特征