[发明专利]基于小波包分析和Hopfield网络的模拟电路故障诊断方法

说明书

技术领域

本发明涉及模拟电路故障诊断方法，具体涉及一种基于小波包分析和Hopfield网络的模拟电路故障诊断方法。

背景技术

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:some results and a comparison between a fuzzy approach and radial basis function networks.IEEE Trans.Instrum.Meas.,2002,51(2):196-202.；Spina R,Upadhyaya S.Linear circuit fault diagnosis using neuromorphic analyzer.IEEE Trans.Circuits Syst.II，1997,44(3):188-196.；Maidon Y,Jervis B W,Fouillat,Lesage P S.Using artificial neural networks or lagrange interpolation to characterize the faults in an analog circuit:an experimental study.IEEE Trans.Instrum.Meas.,1999,48(5):932-938.；Negnevitsky M,Pavlovsky V.Neural networks approach to 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,Farzan A.A modular fault-diagnostic system for analog electronic circuits using neural 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 based analog circuit fault diagnosis using wavelet transform as preprocessor.IEEE Trans.CircuitsSyst.II，Analog Digit.Signal Process.,2000,47(2):151-156.将主元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(1):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: