一种基于多尺度卷积神经网络的模拟电路故障诊断方法技术

本发明专利技术提出一种基于多尺度卷积神经网络的模拟电路故障诊断方法，包括以下步骤：（1）通过PSPICE仿真软件获取电路的一维时域响应信号，将采集到的时域响应信号作为MS

【技术实现步骤摘要】
一种基于多尺度卷积神经网络的模拟电路故障诊断方法


[0001]本专利技术涉及机器学习及电子电路工程领域，具体涉及一种基于多尺度卷积神经网络的模拟电路故障诊断方法。

技术介绍

[0002]在现代社会中，电子电路系统及装备在信息通讯、电子消费医疗护理、制造工业、乃至军事工业等领域均发挥了极为重要的作用。据统计，模拟电路占电子设备中数模混合电路的20%，而故障发生率占了数模混合故障的80%，因此模拟电路对于电子电路系统的稳定运行至关重要。模拟电路的故障分为硬故障和软故障。软故障是指由于元件值超出了标称值的正常范围引发电路出现故障，因为软故障的组件值偏差及性能下降不如硬故障那么明显，因此软故障的诊断相比硬故障更具难度。开展针对模拟电路的软故障诊断方法研究有助于推动电子研发技术及制作工业的发展、提高电子设备的维修效率和降低经济损失。
[0003]针对模拟电路故障，开发了多种特征提取方法。从提取特征的角度来看，一般分为直接对获取的原始时域信号进行特征提取或经过时频转换后对频域信号特征进行特征提取。但是，在实际故障诊断过程中发现，若只通过利用电路故障响应中的时域响应信息来作为故障样本进行网络模型的训练，会忽视电路故障的频域信息，从而导致样本特征信息不完整，进一步影响诊断精度。基于此，很多研究人员把目光由故障的时域特征信息转向了数据的频域特征信息，由此衍生出了利用傅里叶变换、短时傅里叶变换、小波包变换等时频变换的方法，通过这些方法将原始的一维时许序列转换为二维的频谱图，再通过将数据转换得到的二维频谱图输送入二维的卷积神经网络结构中进行训练，同构训练好的网络模型来提取二维图像信息中的频域特征信息，特征提取完成之后再将平铺好的特征信息输送进分类器中完成故障分类诊断。这种方法虽然考虑到了原始数据的频域信息，但往往又忽略了数据的时域特征信息，还是会造成网络模型提取出的特征信息不够完整，进而影响网络结构的故障诊断性能。
[0004]基于以上论述，提出了基于多尺度卷积神经网络的模拟电路故障诊断方法，该方法通过将在一维卷积神经网络结构中训练提取出的时域特征信息和在二维卷积神经网络结构中训练提取出的频域特征信息进行拼接，将拼接后的特征向量输入Softmax中，兼顾原始数据的时域特征信息和频域特征信息，以达到更好地的故障诊断结果。该网络结构相比于其他基于深度学习的模拟电路故障诊断方法的模型，结构层次较浅，但是双分支的CNN结构弥补了特征信息挖掘过程特征信息泄露的问题，从而实现较浅的网络结构也可以达到很好的故障诊断结果。

技术实现思路

[0005]本专利技术要解决的技术问题是，针对现有模拟电路故障诊断研究中存在的不足，提供一种基于多尺度卷积神经网络的模拟电路故障诊断方法，采用双分支的网络模型结构，同时提取时域特征信息和频域和频域特征信息，增强了故障特征信息的提取能力，进一步
提高故障诊断的准确率，有效地检测出模拟电路地各类故障。
[0006]本专利技术为解决上述技术问题所采用的技术方案是：一种基于多尺度卷积神经网络的模拟电路故障诊断方法，包括以下步骤：（1）通过PSPICE仿真软件获取电路的一维时域响应信号，将采集到的时域响应信号作为MS
‑
CNN模型中1D
‑
CNN部分的输入；（2）将获取的模拟电路的一维时序信号通过短时傅里叶变换转化为二维电路频谱图，作为MS
‑
CNN模型中2D
‑
CNN部分的输入；（3）利用TensorFlow框架搭建包含1D
‑
CNN和2D
‑
CNN的多尺度卷积神经网络（MS
‑
CNN）诊断模型；（4）将一维时域信号样本及二维的电路频谱图像样本输送进MS
‑
CNN网络进行训练，设置训练参数，进行向前传播训练和参数优化，将模型训练到最优程度；（5）将测试数据集输送入训练好的MS
‑
CNN模型，进行故障诊断，验证模型的诊断性能，选择诊断准确率作为模型的评价指标。
[0007]按上述方案，所述步骤（1）中，利用PSPICE电路仿真软件，绘制电路，设置故障元件故障容差
±
50%，利用蒙特卡洛分析，给被测电路输入端脉冲激励，激励源选择峰值为5V，持续时间为10us的单脉冲信号，其中电阻和电容的容差设置为5%，输出端采样电压信号，得到一维的时域响应数据，作为MS
‑
CNN模型中1D
‑
CNN部分的输入；
[0008]按上述方案，所述步骤（2）中，利用短时傅里叶变换（STFT)，建立一个将信号从时域转换到频域的桥梁，可以将电路的时域响应信号转换为频域信号，其频谱图可用于分析电路性能。短时傅里叶变换将信号视为一系列短信号的叠加，并将信号划分为几个小的时间间隔进行进一步分析。这些频率显示频谱如何随着时间变化。利用时间窗函数，对时间窗内的信号执行傅里叶变换，以获得信号的时变频谱。对于给定的连续时间信号s(t)∈L2（R），其STFT表示如下所示：其中，τ代表时间偏移参数，h(t)代表时间宽度以t为中心滑动的窗函数。窗函数参数的确定会影响生成的电路频谱图，因此故障信息的丰富度也不同，本专利技术最终选择汉明窗函数，表示如下：其中，a0=0.53836，更精确来说是25/46，N为时间窗宽度。按上述方案，所述步骤（3）中，利用TensorFlow框架搭建包含1D
‑
CNN和2D
‑
CNN的多尺度卷积神经网络（MS
‑
CNN）诊断模型。该网络模型结构如附图2所示。MS
‑
CNN是一个双分支的并联CNN模型，两个分支分别为1D
‑
CNN和2D
‑
CNN模型，分别用于处于一维时域信号和二维频谱图象信号，通过双分支结构分别得到电路故障特征的时域及频域特征信息，弥补了由于特征信息缺失导致的诊断精度不足的问题。两个分支结构都是由2组卷积+最大池化的组合，经过特征平铺后将提取到的始于特征信息和频域特征信息拼接为一维向量，然后将拼接好的特征信息输送入softmax层完成故障分类。其中，1D
‑
CNN中的卷积及池化过程可表示为：
其中，N
l
‑1代表第（l
‑
1）个输出量，代表位于第l个卷积池化块的第k个神经元中的偏差，是第l个卷积池化块的第k个神经元的内核，代表第l
‑
1个卷积池化块出第i个神经元的输出，conv1D是1D卷积云端，f(
·
)表示卷积层的激活函数。池化层位于卷积层之后，其输出可表示为：其中，ss表示下采样操作。对于2D
‑
CNN来说，22
‑
CNN的卷积及池化过程和1D的类似，只不过卷积过程不是以多个一维向量的形式表示，而是以多个二维图象形式表示。其中卷积层包含了大量的卷积核，也称之为滤波器。输入通过一组权重进行卷积，形成特征图。同一滤波器中的所有神经元共享权重，这降低了CNN的计算复杂性本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.本发明提出一种基于多尺度卷积神经网络的模拟电路故障诊断方法，其特征在于，该方法包括以下步骤：通过PSPICE仿真软件获取电路的一维时域响应信号，将采集到的时域响应信号作为MS
‑
CNN模型中1D
‑
CNN部分的输入；将获取的模拟电路的一维时序信号通过短时傅里叶变换转化为二维电路频谱图，作为MS
‑
CNN模型中2D
‑
CNN部分的输入；利用TensorFlow框架搭建包含1D
‑
CNN和2D
‑
CNN的多尺度卷积神经网络（MS
‑
CNN）诊断模型；将一维时域信号样本及二维的电路频谱图像样本输送进MS
‑
CNN网络进行训练，设置训练参数，进行向前传播训练和参数优化，将模型训练到最优程度；将测试数据集输送入训练好的MS
‑
CNN模型，进行故障诊断，验证模型的诊断性能，选择诊断准确率作为模型的评价指标。2.根据权利要求1所述的基于多尺度卷积神经网络的模拟电路故障诊断方法，其特征在于，所述步骤（1）中，利用PSPICE电路仿真软件，绘制电路，设置故障元件故障容差范围，利用蒙特卡洛分析，给被测电路输入端脉冲激励，输出端采样电压信号，得到一维的时域响应数据，作为MS
‑
CNN模型中1D
‑
CNN部分的输入。3.根据权利要求1所述的基于多尺度卷积神经网络的模拟电路故障诊断方法，其特征在于，所述步骤（...

【专利技术属性】
技术研发人员：尚玉玲，叶晓静，阎德劲，曾丽珍，韦淞译，苏欣，李春泉，候杏娜，周谨倬，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：