浅谈模拟电路故障诊断的小波方法

基于小波理论与LSSVM的模拟集成电路故障诊断方法基于小波理论与LSSVM的模拟集成电路故障诊断方法随着集成电路技术的不断发展，集成电路故障诊断及解决方法也逐渐成为研究的热点。

模拟集成电路故障诊断方法的研究具有重要的理论意义和实际应用价值。

在现实应用中，模拟集成电路面临着种类繁多的故障类型和复杂的故障环境，因此提出一种高效准确的故障诊断方法对于确保集成电路的可靠性和可用性至关重要。

本文提出一种基于小波理论与LSSVM的模拟集成电路故障诊断方法。

该方法利用小波理论的多尺度分析能力来提取模拟电路信号的重要特征，通过特征提取和转换，实现故障诊断的准确性和有效性。

首先，该方法采用小波变换对模拟电路故障信号进行特征提取。

小波变换是一种时频变换方法，可以将信号分解为不同频率的子信号，并分析它们在时间和频率上的特征。

通过选择适当的小波基函数和合适的尺度，可以将主要的故障特征凸显出来。

在这个过程中，需要选择合适的小波基函数和确定尺度。

接下来，本方法采用支持向量机（Support Vector Machine，SVM）中的一种变体——Least Squares Support Vector Machine（LSSVM）进行故障诊断。

SVM是一种非线性分类器，可以通过高维空间中的超平面划分不同类别的样本。

LSSVM相较于传统的SVM模型，在计算复杂度上具有较大的优势。

LSSVM通过优化求解出一个线性方程，将数据映射到高维特征空间中，以实现对集成电路故障状态的判定和识别。

最后，本方法将小波特征和LSSVM相结合，实现对模拟集成电路故障的诊断。

具体而言，对于给定的故障信号，首先使用小波变换提取其特征，得到多尺度的小波系数。

然后，将这些特征作为输入数据，利用LSSVM进行训练和测试。

通过调整超参数和模型选择，可以得到最佳的分类结果，进而实现对集成电路故障的准确诊断。

本方法的实验结果表明，基于小波理论与LSSVM的模拟集成电路故障诊断方法具有较高的准确性和鲁棒性。

第 ３ １卷第 １ 期 ２０１２年 ３月
计
算
技
术
与 自 动
化
Ｖｏ１ ３ Ｎｏ ． １． ．１
Ｍ ａ． ２０ １２ ｒ
Ｃ ｍ ｐ ｔｎ ｃ ｎ ｌ ｇ ｎ ｔ ｍａ ｉｎ ｏ ｕ ｉ ｇ Ｔｅ ｈ ｏｏ Ｙ ａ ｄ Ａｕ ｏ ｔｏ
文 章 编 号 ：０３ １９ ２ １ ）１ ０Ｏ ４ １０ —６ ９ （０ ２ ０ 一ｏ ６ 一０
ｃ ｒ ｕ ｔｆ ｕ ｔｄ ａ ｎ ｓｓ ｉｃ ｉ ａ ｌ ｉｇ ｏ ｉ．
Ｋｅ ｒ ｓ ｗａ ｅｅ ｎ ｌ ｓｓ ｓ ｐ ｏ ｔｖ ｃｏ ｃ ｉ ｅ ｑ ａ ｒ ｔ ｉｎ ｌ ａ ａｏ ｉｃ ｉ ；ａ ｌ ｄ ａ ｎ ｓｓ ｙ ｗｏ ｄ ： ｖ ｌｔａ ａ ｙ ｉ ； ｕ ｐ ｒ ｅ ｔ ｒｍａ ｈｎ ； ｕ ｄ ａ ｅ ｓｇ ａ ； ｎ ｌ ｇ ｃ ｒ ｕｔ ｆ ｕ ｔ ｉｇ ｏ ｉ
算 量大 、 时 性 差 。文 献 ［ ］提 出 的基 于遗 传 算 实 ２
１ 引 言
在模 拟 电路 中 ， 元件 参数 以及输 入激励 和输 出
响 应都 是连 续量 ， 导致模 拟 电路 的故 障模型 比较复
法、 小波 变换 及 神 经 网络 的模 拟 电 路故 障 诊 断 方 法， 无法解 决故 障维 数 过高 、 特征 不 明 显 对诊 断效
基 于 小 波 分 析 和 支 持 向 量 机 的 模 拟 电 路 故 障 诊 断
刘 东平 ， 董 俊 ， 秀英 ， 凯 平 蒲 胡
（３９ 队 ， 南 济源 ６ ８８部 河 ４４ ５） ５ ６０ ’
摘
要： 针对 模 拟 电路 故 障诊 断 ， 用 基 于 小波 分析 和 支持 向量机 的 诊 断测 试 方 法 ， 方 波信 号作 为 输 入 采 将

ｐｃｅ ｔ ｎｆｒ （ ＷＰ ）ｏ ｃｍ ｌｅｗ ｖｌｔ ａｋｔｒ ｓ ｒ （Ｗｆ ）ａ ｒｐｏｅｓｒ ｔ ｒ ，ｈ ｓｏｓ ｉ ａ ｏ ａ ｇｃ ｃｉ ａｋｔｒ ｓ ｍ Ｏ Ｔ ｒｎ ｏ ｐｅ ａｅ ｃｅ ｔ ｆ ａ ｏ ｉ ｔ ｅｐ ａ ｏ ｎ ｍ Ｉ ｒ ｓ ｅｒｃｓｏ．Ａ ｓ ｔ ｒ ｐｎｅ ｇｌ ｆ ｌ ｉ ｕ ｒ ｐ ｉ ｆ ｔ ｅｅ ｓｎ ａ ｏ ｒ ｔ ｎ
处理 和不完全小 波包 变换 （ＷＰ ）预处理 Ｂ Ｉ Ｔ Ｐ神经网络算 法。首先对模 拟电路 的响应信号用这 两种方 法进行 预处理 ，然 后 计算预处理后信号各个频段上 的归一化 能量 ，把 归一 化的能量 作为训练样 本送给 Ｂ Ｐ网络进行训 练 ，有效减少 了 Ｂ Ｐ网络 的 输入节点和 隐层节点 的个数 ，从而减小 了神 经网络的规模 ，降低 了计算 的复 杂度 ，加快 了网络 的训练 和收敛速度 。仿真实 验表 明此方法能够快速有效 的对模拟 电路 的故 障进行诊 断和定 位。 关键词 ：模拟电路 ；故障诊断 ；最优小波包变换 ；不完全小波包变换 ；能量归一化 ；Ｂ Ｐ网络
Ａｂ ｔａ ｔ Ｔ ｉ ｐ ｐ ｒｐ ｅ ｅ ｔ ｗ ｍｐ ｏ ｅ Ｐ ｎ ｕ ａ ｅｗ ｒ ｔｏ ｓ ｏ ｕ ｔ ｉｇ ｏ ｉ ｆｒａ ａｏ ｉ ｕ ｔ ｕ ｉ ｇ ｏ ｔ ａ ａ ｅｅ ｓｒｃ ： ｈｓ ａ ｅ ｒ ｓ ｎ ｓｔ ｏ ｉ ｒ ｖ ｄ Ｂ ｅ ｒ ｌ ｔ ｏ ｋ ｍｅｈ ｄ ｆｆ ｌ ｄ ａ ｎ ｓｓ ｏ ｎ ｇ ｃｒ ｉ ， ｓｎ ｐ ｉ ｌｗ ｖ ｌ ｔ ｎ ａ ｌ ｃ ｍ
ｍａ ｉａ ｉｎ；ＢＰ ｕｒ ｔ ｒ ｌ ｚ ｔｏ ｎｅ ａ ｎｅｗｏ ｋ ｌ
１ 引言
张维强 徐晨 宋 国乡
（． １ 深圳 大学智能科学计算研究所 ， 广东 深圳 ５８ ６ ； ． １０ ０ ２ 西安 电子科技大学理学院 ， 陕西 西安 ７０ ７ ） １０ １ 摘 要 ：提 出了基 于小 波包预处理 的神经网络模 拟电路故 障诊 断方法 的两种 改进方 法 ：最 优小 波包变换 （ ＷＰ Ｏ Ｔ）预

谈小波与神经网络在模拟电路故障诊断中的应用摘要:本文对模拟电路提出了一种基于小波与神经网络辅助式结合的故障诊断方法。

该方法用小波变换作为模拟电路故障信号的预处理器,大大减少神经网络的输入数目,简化神经网络结构和减少它的训练时间,提高辨识故障能力。

文中在介绍该故障诊断方法的基本原理后,还给出了小波函数及故障特征选择的方法。

关键词:小波与神经网络模拟电路故障诊断模拟电路故障诊断在理论上可概括为:在已知网络拓扑结构、输入激励和故障响应或可能已知部分元件参数的情况下,求故障元件的参数和位置。

尽管目前模拟电路故障诊断理论和方法都取得了不少成就,但是由于模拟电路测试和诊断有其自身困难,进展比较缓慢。

其主要困难有:模拟电路中的故障模型比较复杂,难以作简单的量化;模拟电路中元件参数具有容差,增加了故障诊断的难度;在模拟电路中广泛存在着非线性问题,为故障的定位诊断增加了难度;在一个实用的模拟电路中,几乎无一例外地存在着反馈回路,仿真时需要大量的复杂计算;实际的模拟电路中可测电压的节点数非常有限,导致可用于作故障诊断的信息量不够充分,造成故障定位的不确定性和模糊性。

而小波神经网络则因其利于模拟人类处理问题的过程、容易顾及人的经验且具有一定的学习能力等特点,所以在这一领域得到了广泛应用。

一、基于小波-神经网络诊断的基本思想基于神经网络的模拟电路故障诊断方法的基本原理是将所有电路故障仅由一组特征表示,神经网络在训练期间学习这组特征。

这些特征与相关的故障分类一起作为神经网络的输入-输出对,神经网络通过调整它的权重和偏差,学习期望的输入-输出关系,然后在测试阶段输入一组特征给网络,确定故障类别。

本文选择BPNN,利用小波分析具有在时域和频域的良好局部性和对信号有较强的特征提取功能[4-5]。

在过程上先用小波变换对模拟电路的故障信号进行预处理,提取信号的小波特征,再将故障特征量输入至神经网络处理。

数据经过小波变换的压缩,有效地减少神经网络的输入层单元数。

基于小波分解和模糊聚类的模拟电路软故障
诊断
1 小波分解和模糊聚类技术
小波分解和模糊聚类技术是当今最先进的故障诊断技术，主要应
用于电子模拟电路的故障诊断。

小波分解和模糊聚类技术可以用来检
测模拟电路中的隐含故障，使模拟电路故障诊断更加精确。

2 小波分解
小波分解技术是做模拟电路故障诊断的一项关键技术，它主要是
利用小波分解输入的数据，将其分解成若干个高频信号和低频信号，
从而得到更为精确的信号特征。

在故障诊断过程中，小波分解技术可
以发现和提取出故障信号被混淆的噪声，从而提高故障诊断的准确性。

3 模糊聚类技术
模糊聚类技术是一种数据分析技术，它可以分析从系统中获取的
大量数据，并进行模糊分类，从而发掘系统内的隐藏故障上的特征。

在模拟电路的故障诊断过程中，模糊聚类技术可以有效地识别出模拟
电路中的隐含故障，从而提高故障诊断的准确性和效率。

4 小波分解和模糊聚类技术在模拟电路软故障诊断中的应用
小波分解和模糊聚类技术在模拟电路软故障诊断中应用十分有效，主要作用就是可以提高模拟电路故障诊断的准确性和效率。

它有效地
排除了故障信号的噪声，提高了故障的鉴别精度，准确确定了故障的位置以及故障原因，使模拟电路的软故障诊断变得更加精确、可靠。

优化 Ｂ Ｐ神经 网络 的模 拟 电路 故 障诊 断方法 。该 方法使 用 小波作 为预 处理工具 ， Ｐ Ａ 分析 和 归一化 后提 取 输 经 Ｃ
出信号的能量信息作为特征向量 ， 用遗传 Ｂ Ｐ神经网络作为故障识别器， 对模拟电路故障进行诊断。与传统 Ｂ Ｐ 神经网络相比较 ， 结果表明， 该方法可明显改善神经网络结构、 高故障诊断的精度和速度。 提 关键词 ：模拟 电路 ；故障诊断；小波分析 ；遗传算法；神经网络
第 ２ 卷第 １ ８ ２期 ２１ ０ １年 １ 源自月计 算 机 应 用 研 究
Ａｐ ｌ ａｉｎ Ｒｅｅ ｒｈ ｏ ｏ ｕｅｓ ｐｉ ｔ ｓ ａｃ ｆＣ ｍｐ ｔｒ ｃ ｏ
Ｖｏ ． ８ Ｎｏ １ １２ ． ２ Ｄｅ ．２ １ ｃ ０１
基 于 小 波 分 析 和 遗 传 神 经 网络 的 模 拟 电路 故 障诊 断 方 法 水
模拟 电路测试 和故障诊断 自 ２ ０世纪 ６ 代以来 ， 直是 ０年 一 研究 的热 门领域 ， 由于 电路规模大 ， 但 模拟系统集成度低 ， 电路
ｔ ｇ ａ ｄ ｏｈ ｒｓ ｏｔ ｏ ｎ ｓ ｔ ｉ ｐ ｐ ｒ ｅ ｅ ｏ ｅ ｖ ｌ ｔ ｅ ｏ ｏ ｉ ｏ ｎ ａ ｅ ｐ ｒ ａ ｈ ｆｒａ ａｏ ｉ ｕ ｔ． ｓｎ ｅ ｉ ｎ ｔ ｅ ｈ ｒｃ ｍｉ ｇ ， ｓ ａ ｅ ｖ ｌｐ ｄ ａｗａ ｅ ｅ ｃ ｍｐ ｓｔ ｎ ａ ｄ ＧＡ ｂ ｓ ｄ ａ ｐ ｏ ｃ ｎ ｌｇｃ ｒ ｉ Ｕ ｉ ｇ ｔ ｎ ｈ ｄ ｄ ｉ ｏ ｃ ｓ ｈ ｗ ｖ ｌｔｄ ｃ ｍｐ ｓ ｉｎ ａ ｒ ｐ ｏ ｅ ｓ ｒ ｅ ｔａ ｔ ｄ ｔ ｅ ｆａｕ ｅ ｉ ｆｒ ｔ ｎ ｂ ａ ｅｅ ｅ ｎ ｉ ｎ ｎ ｐｉ ｚ ｄ Ｂ ｙ ＧＡ． ａ ｅ ｅ ｅ ｏ ｏ ｉ ｏ ｓａ ｐ ｅ ｒ ｃ ｓ ｏ ， ｘ ｒｃ ｅ ｈ ｅ ｔ ｒ ｎｏ ｍａｉ ｙ ｗ ｖ ｌｔｄ — ｏｓ ｇ ａ ｄ ｏ ｔ ｔ ｏ ｉ ｍｉｅ Ｐ ｂ Ａ ｃ ｍｐ ｒｓ ｎ ｏ ｕ ｏ ｋ ｗｉ Ｐ ｏ ａ ｉｏ ｆｏ ｒｗ ｒ ｔ Ｂ ＮＮ， ｉ ｈ ｒｖ ａｓｔａ ｉ ｗ ｒ ｍｐ ｏ ｅ ｅｗｏ ｋ ｓ ｕ ｔｒ ｎ ｎ ｒ ａ ｅｆｕ ｔ ｉｇ ｏ ｉ ｒ ｃ— ｈ ｗｈ ｃ ｅ ｅ ｔｔ ｓ ｏ ｋ ｉ ｒ ｖ ｓｎ ｔ ｒ ｔ ｃｕ ｅ ａ ｄ ｉ ｃ ｅ ｓ ａ ｌ ｄ ａ ｎ ｓｓｐ ｅ ｉ ｌ ｈ ｈ ｒ ｓｏ ｎ ｅｏ ｉ 。 ｉｎ ａ ｄ ｖ ｌｃｔ ｙ

关键词：小波变换；模拟电路故障诊断；神经网络；故障特征提取
中图分类号：TN710⁃34
文章编号：1004⁃373X（2015）06⁃0036⁃03
文献标识码：A
Method of Analog Circuit Fault Diagnosis based on wavelet neural network
障特征，再通过上述的方法进行故障诊断。
本文采用小波神经网络实现故障的诊断，首先对研
究电路进行仿真，对各种故障状态下的幅频响应曲线利
用小波变换提取其特征参数集，该数据集包含了元件在
无容差状态下的电路数据和有容差状态下的电路数据，
然后构造 BP 神经网络进行故障的诊断分类。经实验证
明，本文所用方法对所研究电路故障有很高的识别率。
第6期
周晶晶，等：基于小波神经网络的模拟电路故障诊断方法研究
（1）对采样信号进行 5 层离散小波分解，得到从第
1 层到第 5 层，共 6 个小波分解系数序列（A5，D5，D4，D3，
D2，D1）；
（2）特征向量构成。以各层小波分解系数的绝对
37
OrCAD/PSpice 10.5 软 件 进 行 建 模 及 仿 真 。 如 图 1 所
示。在电路各个故障模式下（包含正常情况）进行 50 次
WT x ( a, b ) = 1
a
∫
+∞
-∞
x ( t ) φ·æ t - b ö dt, a > 0
è a ø
式中：a 为频率参数；b 为时间参数。通过改变时间和频
率参数，将得到不同的尺度来评估信号在不同的时间频
率段的系数。这些系数表征了原始信号在这些小波函
数上投影的大小。从信号分析的角度看，小波分解是将

基于小波分析的故障诊断算法小波分析在故障诊断领域中起着重要的作用。

本文将介绍基于小波分析的故障诊断算法及其应用。

小波分析是信号处理中的一种重要方法，它将信号分解为具有不同频率和时间分辨率特征的子信号。

通过对这些子信号的分析，可以有效地提取信号中的特征信息。

在故障诊断中，信号通常来自于机械或电子设备，例如振动信号、电流信号等。

这些信号携带了设备的运行状态和故障特征。

传统的故障诊断方法通常采用基于频域或时域的特征提取方法，但是这些方法往往无法捕捉到信号中的时频特征。

1.信号准备：首先，需要采集待诊断的信号数据。

这可以是从传感器中实时采集的信号，或者是从历史数据中提取的离线信号。

2. 小波分解：将采集到的信号通过小波变换分解为多个子信号。

小波变换可以采用不同类型的小波函数，常用的有Daubechies小波、Haar 小波等。

3.特征提取：对每个子信号进行特征提取。

这可以包括时域和频域的特征，例如均值、方差、功率谱等。

也可以采用更高级的特征提取方法，例如熵、能量等。

4.故障识别：采用分类算法对提取的特征进行故障识别。

可以使用传统的机器学习算法，例如支持向量机（SVM）、决策树、随机森林等。

也可以采用深度学习算法，例如卷积神经网络（CNN）等。

5.故障定位：对识别到的故障进行定位。

根据特征提取得到的结果，可以判断故障发生的位置和类型。

可以通过设备的物理结构和设计参数来辅助定位。

基于小波分析的故障诊断算法在实际应用中取得了不错的效果。

例如，在机械故障诊断中，可以通过振动信号的小波分解和特征提取来判断机械设备的故障类型，例如轴承故障、齿轮故障等。

在电力设备中，可以通过电流信号的小波分解和特征提取来判断电器设备的故障类型，例如电机故障、电缆故障等。

总之，基于小波分析的故障诊断算法能够有效地提取信号中的故障特征，实现对设备故障的自动识别和定位。

这种算法具有较好的鲁棒性和准确性，在实际应用中具有广泛的应用前景。

模拟电路故障及人工智能诊断方法浅谈摘要：模拟电路故障诊断是电路分析理论中的一个前沿领域，由于模拟电路的集成度较低，同数字电路相比，发展速度相对较慢。

本文主要对模拟电路的故障进行了阐述，探讨了几种现代模拟电路故障诊断的主要方法分析与研究思路。

关键词：模拟电路故障诊断专家系统神经网络小波变换随着电子技术的飞速发展,集成电路的应用覆盖了社会的方方面面,电子设备在家用、通信、测量、自动控制、运输、科研等领域得到广泛的运用。

同时，半导体、集成电路技术的发展使得电路系统的规模急速加大。

在满足需求的同时，设备发生故障的可能性与复杂性也在相应增加。

但集成电路模拟部分故障难于分析与诊断的问题在很大程度上限制了它的开发维修成本与实际工作效应。

在模拟电路发生故障后，要求能及时将故障诊断出来，以便检修、调试和替换。

1、模拟电路故障的特点由于模拟信号是大小随时间连续变化的信号它与数字信号有较大的不同。

模拟电路本身的特性决定了它的诊断要困难和复杂得多。

模拟电路产生故障的原因主要来自设计、制造和使用三方面。

一部分故障是由于设计不当而引起的，另一些故障是由于制造工艺的缺陷而造成的，还有一些故障则是在长期的使用过程中由于元器件磨损、老化、疲劳等原因造成的。

电路发生故障时，其特征与正常状态时相比有所变化，引入故障特征的概念是为了表示这种变化。

故障特征可以有各种不同的表现形式，比如可以是电路在不同时间间隔或不同频率下的输入输出信号；也可以是电路节点上或电路的外部连接点上的交流或直流电压；还可以是线性电路的传递函数或其他相关函数。

此外，还有电路的红外特征，即以电路元器件发生故障前后表面温度的变化作为特征量。

2、现代模拟电路故障诊断理论和方法目前，常见的人工智能技术主要包括专家系统、神经网络、小波变换、模糊理论、传感器信息融合、基于Agent技术、基于粗糙集理论等。

(1)专家系统在模拟电路故障诊断中的典型应用是基于产生式规则的系统，其基本工作原理是：首先把专家知识及诊断经验用规则表示出来，形成故障诊断专家系统的知识库，进而根据报警信息对知识库进行推理，诊断出故障元件。

Ｋｅ ｗｔ ｄ ：ａ ｌ ｄ ａ ｎ ｓｓ ｙ ｒ ｓ ｆ ｕ ｔ ｉｇ ｏ ｉ ；ｗａ ｅ ｅ ｒ ｎ ｆ ｒ ；ｐ ｉｃ ｐ ｅ ｃ ｍｐ ｎ ｎ ｎ ｌ ｓｓ ｖ ｌ ｔｔａ ｓ ｏ ｍ ｒｎ ｉ ｌ ｏ ｏ ｅ ｔａ ａｙ ｉ ；ｗａ ｅ ｅ ｅ ｒ ｌ ｅ ｗｏ ｋ ｖ ｌ ｔｎ ｕ ａ ｔ ｒ ｎ
Ａｂ ｔａ ｔ Ｔｈｓｐ ｐ ｒｐ ｅｅ ｔ ｅ ｆｕｔｄａ ｎ ｓｓ ｍｅｈ ｄ ｂ ｓ ｄ ｏ ｎａ ｄ ｅ ｖ ｌｔｎ ｕ ａ ｅｗｏ ｋ ｆｒ ａ ａｏ ｓｒ ｃ ： ｉ ａ ｅ ｒ ｓｎ ｓａ ｎ ｗ ａ ｌ ｉｇ ｏ ｉ ｔ ｏ ａ ｅ ｎ ｉ ｌｙ ｍｏ ｌｗａ ｅｅ ｅ ｒ ｌｎ ｔ ｒ ｏ ｎ ｌｇ
ｔａｎｎ ｎ ｅ ｔ ｇｗａ ｅｅ ｅ ｒ ｌｎ ｔ ｒ ｔ ｈ ｒｐ ｏ ｅ ｓｄ ｆｕ ｔｃ ａａ ｔｒｓｉ ｄ ｔ． Ｅｘ ｅ ｉ ｎａ ｉｎ ｉｄｃ ｔｓ ｒｉｉｇ ａ ｄ ｔｓｉ ｖ ｌｔｎ ｕ ａ ｅｗｏ ｋ ｗｉ ｔｅｐ ｅ ｒ ｃ ｓｅ ａ ｌ ｈ ｒｃｅｉｔ ａａ ｎ ｈ ｃ ｐ ｒｍｅ ｔｔ ｎ ｉａｅ ｏ ｔ ｔｔｅｍｅｈ ｓｆｓｅ ｒｉｉｇ ｓ ｅ ｄ ａ ｄ ｈｇ ｅ ｉｇ ｏ ｉ ｎｃ ｔ ａｅｔ ａ ｅ ｅａ ｅ ｒ ｌ ｅｗｏ ｋ ｍｅｈ ｄ ａ ｈ ｈ ｔ ｏ ｈ ａ ｔｒｔａｎｎ ｐ ｅ ｎ ｉｈ ｒｔ ｒ ｔｏ ． ｄ ａ ｎ
ｃｒ ｕ ｔ Ｔｈ ｔ ｏ ｓ ｓ ｗａ ｅ ｅ ｒ ｎ ｆ ｒ ａ ｄ ｐ ｉ ｃｐ ｅ ｃ ｍｐ ｎ ｎ ｎ ｌｓｓ ｔ ｒ ｐ ｏ ｅ ｓ ｆ ｕ ｔ ｓｇ ａ ， ａ ｔ ｒ ｒ ｉｃ ｉ ． ｅ ｍｅ ｈ ｄ ｕ ｅ ｖ ｌ ｔ ｔａ ｓ ｏ ｍ ｎ ｒｎ ｉ ｌ ｏ ｏ ｅ ｔ ａ ａ ｙ ｉ ｏ ｐ ｅ ｒ ｃ ｓ ａ ｌ ｉｎ ｌ ｆｅ ｗａ ｄ

性映射后达到故障检测 的 目的。本方法 与文献 ［， 】 比，具 ６ ７相
有故 障分辨率高 的特 点。
２ 电路 响应 小波 分解 的容 差设 计
设 电 路 元件 的 参 数 满 足 正 态 分 布 ，响 应 ｏｔ的均 值 和 方 ｕ
差 可 以表 示 为
ｕｔ
ｏ ｏ ｕ，ａｔ ｔ ｕ
ｐ ｒｏ ｍａ ｃ ｆｆ ｎ ｔ ｎ ｌ ｎ ｉ ｈｅ ＮＴ Ｄｉｇ ｏ ｉ ｐ ｉ ｃｐ ｅ ｎ ｔ ｐ ｒ ｅ ｃ ｉ ｅ ． ｉ ａ ｌ， ｈ ｅ ｉｂ ｌ ｙ ｏ ｅ ｅ ｆ ｒ ｎ ｅ ｏ ｃ ｉ ａ ｄ ｗｅ ｇ ｔｄ Ｗ ｕ ｏ ａ ． ａ ｎ ｓ ｒ ｉ ｌｓａ ｄ ｓｅ ｓａ ｅ ｄ ｓ ｒｂ ｄ Ｆ ｎ ｌ ｔ ｅ ｒ ｌ ｉ ｔ ｆｔ ｓ ｎ ｙ ａ ｉ ｈ ｍｅ ｈ ｄ ｒ ｓ ｎ ｅ ｓｓ ｏ ｙ ｐ ａ ｔ ａ ｘ ｍｐ ｅ ． ｔ ｏ ｓｐ ｅ ｅ ｔｄ ｉ ｈ ｗｎｂ ｒ ｃ ｉ ｌ ａ ｌ ｓ ｃ ｅ Ｋ ｅ ｒ ｓ Ｆ ｕ ｔ ｉｇ ｏ ｉ， ａ ｏ ｕ ｉ ｕ ｔ， ｕ ａ ｅ ｗｏ ｋ ， ａ ｅ ｅ ａ ｓ ｏ ｍ ｙ ｗｏ ｄ ａ ｌ ｄ ａ ｎ ｓｓ Ａｎ ｌ ｇ ｅｃｒ ｉ Ｎｅ ｒ ｌ ｔ ｒ ｓ Ｗ ｖ ｌ ｔ ｃ ｓ ｎ Ｔｒ ｎ ｆ ｒ
维普资讯
ቤተ መጻሕፍቲ ባይዱ
第 ２ 卷第 ９ ８ 期 ２０ ０ ６年 ９月
电
子
与
信
息
学
报
Ｖｌ１ Ｎ ｏ． ０． ２８ ９
Ｊ ｎａ ｆＥｌ ｃｒ ｃ ｏｕｒ ｌｏ ｅ ｔｏｎｉｓ＆ Ｉ ｆ ｒ ａ ｉ ｃ ｏｌ ｙ ｎ ｏ ｍ ｔｏｎＴｅ ｈｎ ｏｇ
Ｓ ｐ．０ ６ ｅｔ ０ ２
１ 引言

Ａｂ ｔａ ｔ ｓｒ ｃ
Ａ ｅ ｍｅ ｈ ｄ ｏ ａ ｌ ｉｇ ｏ ｉ ｆａ ｌ ｇ ｃｒ ｕｉ ｂ ｓ ｄ ｏ ｎ ｗ ｔ ｏ ｆｆｕ ｔｄａ ｎ ｓｓ ｏ ｎａｏ ｉｃ ｔ ａ ｅ ｎ ｗａｖ ｌ ｔａ ｌｓｓａ ｄ ｎ ｒ ｌｎ ｔ ｒ ｓ ｐｒｓ ｎｅ ｎ ｔ ｓ ｐ ｐ ｒ Ｔｈ ｅ ｅ ｎａｙ ｉ ｎ ｅｕ ａ ｅｗｏ ｋ ｉ ｅ ｅ ｔｄ ｉ ｈｉ ａ ｅ ． ｅ
０ 引 言
随着 现代 电子 技 术 的 迅 速 发 展 ， 子 装 备 和 系 统 的 规 模 越 电
１ Ｐ ＰＣ Ｓ Ｉ Ｅ仿 真
Ｐ ＰＣ Ｓ ＩＥ是 一 款 由 美 国 Ｍｉｒ ｉ 公 司 推 出功 能 强 大 的 电 路 ｃｏ ｍ ｓ
来越 大 ， 其集成 度和复杂性 也在不 断提高 ， 系统 的维 护 、 理和 修
Ｋ ｙ ｒｓ ｅ ｗｏ ｄ
Ｐ ｉ ｕａ ｏ ｒｇ ｍ ｗｔ ｎ ｇａ ｄ Ｃ ｒ ｉ Ｅ ｐ ａ ｉ Ｐ Ｐ Ｃ Ｗａ ｅ ｔ ｎ ｙｉ Ｎ ｕａ ｎ ｔ ｏ Ｆ ｕｔ ｉｇ ｏｉ Ｃ Ｓｍ ｌ ｉ Ｐ ｏ ａ ｉ Ｉ ｔ ｔ ｉ ｕｔ ｍ ｈ ｓ ｔｎ ｒ ｈ ｅ ｅ ｒ ｃ ห้องสมุดไป่ตู้ ｓ（ Ｓ Ｉ Ｅ） ｖｌ ａ ｓ ｅ ｒｌ ｅ ｒ ｅａｌ ｓ ｗ ｋ ａ ｌ ｄａｎ ｓ ｓ
能 量作 为 故 障样 本 ； 后 利 用 神 经 网络 的并 行 处 理 结 构和 非 线 性 映 射 能 力 ， 现 故 障诊 断。 仿 真 实验 结 果 表 明该 方 法对 容 差 模 拟 电 最 实 路 故 障 定位 具 有 较 高 的 准 确 率 ， 模 拟 电路 故 障诊 断技 术 开 辟 了一 条 道 路 ， 模 拟 电路 故 障诊 断技 术 开辟 了一 条道 路 。 为 为

电路故障诊断中小波分析技术的应用摘要：电力在我国具有无比的重要意义。

如果失去了稳定的电力供应，将会有很多的企业无法进行生产，人民的正常生活也会受到干扰。

电力运输的过程当中，电路是绝对不能出现任何问题的。

在我国电路是具有及其重要的地位。

电路在运行的过程当中，如果出现了故障，就必须及时的进行处理。

接下来，我们将对小波分析技术在电路故障进程当中的应用情况进行介绍。

关键词：小波分析；神经网络；电路故障前言电路在中国电力运输行业占有重要地位。

如果没有电路的有效支持，我国的电力运输工作将难以有效进行下去。

为了保证电路的效果，我们需要严格管理电路的运行，并对它们进行实时的诊断，从而避免电路出现故障。

小波分析的方法对于针对电路故障来讲十分的有效，有着很强的现实意义。

因此，我们将对这种技术进行详细的分析，希望可以对相关的人员起到一定的指导作用。

1.小波神经网络的构建和具体应用1.1小波神经网络的结构我国的电路在供电事业当中的作用无比重要，因此，我们应当对电路的所有常见故障都进行了解，并进行定时的诊断分析，从而可以对这些故障进行应对。

要想能够顺利的完成电路故障情况的诊断，我们需要寻找一种行之有效的算法，从而保证我们的诊断的正确率和效率。

小波神经网络的效果就十分不错。

在小波神经网络当中，结构十分关键。

小波神经网络的结构，直接决定了小波神经网络的有效性，以及这种算法能够服务什么样的电路。

因此，我们需要对小波神经网络的结构进行更加深入的研究，从而找到一种能够与当前的电路情况更加匹配的神经网络结构。

但是，按照现在的技术水平来讲，小波神经网络合理结构的搭建确实很有难度，存在着一些技术方面的问题。

这类问题严重影响到了诊断的效果。

并且，已经投入的神经网络结构的耐受性还是不够强，不能够很好与如此巨大的计算量相匹配。

由于高负荷的持续运作，神经网络的结构时常会因为信息量的巨大而没有办法发挥出作用，而造成严重的电路故障。

1.2小波神经网络的参数在小波神经网络的使用过程当中，相关参数的设置是重中之重。

ｐ ｓｄ ｏ ｅ ．Ｓ ｎ ｓ ｉａ ｎ ｕ ｏ ｔ ｅ ａ ａ ｏ ｉｃ ｉ ｗａ ｉ ｌ ｔ ｄ ａ ｄ ｉｓ ｏ ｔ ｕ ｓ ｓ ｍｐ ｅ ｎ ｔ ｏ ｉ ｏ ｃ ｌ ｃ ｉ ｕ ｏ ｄ ｌｉ ｐ ｔｔ ｈ ｎ ｌ ｇ ｃｒ ｕ ｔ ｓ ｓｍｕ ａ ｅ ｎ ｔ ｕ ｐ ｔｗａ ａ ｌｄ ｉ ｉ ｍｅ ｄ ｍａ ｎ ｔ ｏ ｌ ｔ ｅ
ｔ ｎｌｎ ａｒｍ ａ ｉ ｇ ａ ｄ ｅ ｒ ｌ ｉ ｈｅ ｎｏ ｉｅ ｐｐ ｎ ｎ ｇ ｎｅ ａｉ ｎｇ ｏｆＮｅｕ ａ ｅ ｗ ｏｒ ｚ ｒ ｌＮ ｔ ｋ，ａ ｍ ｅ ｈｏ ｆｆ ｕｌ ａ ｏｓｓ ｉ ｎａ ｏ ｅ ｃｒ ｕｉｓｉ ｏ ｔ ｄ ｏ ａ ｔｄｉｇｎ ｉ ｎ ａ ｌ ｇｕ ｉｃ ｔ ｓ ｐｒ —
２ Ｓ ｈ ｏ ｆ ｏ ｕｅ ｎ ｏ ． ｃ ｏ ｌ ｍｐ ｔ ｒ ｄ Ｃ ｍｍ ｕ ｉａｉｎ，Ｈｕ ａ ｉｅ ｓｔ ｏ Ｃ ａ ｎｃ ｔ ｏ ｍ ｎ Ｕｎ ｖ ｒｉ ｙ，Ｃ ａ ｇ ｈ １ ０ ２ Ｍ ｍ ）பைடு நூலகம்ｈ ｎ ｓ ａ４ ０ ８ ，Ｃ
Ａｂ ｔ ａ ｔ Ｃｏ ｉ ｉ ｇ ｔ ｅ ｔ —ｒ ｑ ｅ ｃ ｏ ａ ｉ ｎ ａ ｄ ｍｕ ｔ ｌ ・ ｃ ｌ ｎ ｌ ｚ ｔ ｎ ｏ ａ ｅｅ ｒ ｎ ｆ ｒ （ Ｔ）ｗｉ ｓｒ ｃ ： ｍｂｎ ｎ ｈ ｉ ｆｅ ｕ ｎ ｙ ｌ ｃ ｔ ｎ ｌｉ ｅ ｓ ａｅ ａ ａｙ ａ ｉ ｆ Ｗ ｖ ｌ ｔｔ ａ ｓ ｏ ｍ Ｗ ｍｅ ｏ ｐ ｏ ｔ ｈ
ｔａｉ ｎｇ ｄａ ａ ｆ ｕ ａ ｔ ｏ ｋ． Ｔ ｈ ｏ ｌ ｃ ｅ ｔ ａ ｏ ｅ ｓ ｄ ｂ Ｗ Ｔ ｏ ｄｒ ｗ ｎ ｇｙ ｆ ａ ｕｒ ｓ，ｉ ．，ｇｅ ｅ ａ ｅ ｒ ｎｉ ｔ ｏｒｎｅ ｒ ｌｎｅ ｗ ｒ ｅ ｃ ｌｅ ｔ ｄ ｄａ ａ ｗ ｓｐｒ ｃ ｓ ｅ ｙ ｔ ａ ｅ ｅｒ ｅ ｔ ｅ ｅ ｎ ｒ ｔ ｆ ｕｌ ｅ ｔ ｅ ． Ｆｅ ｕ ｅｖ ｃ ｏｒ ｎｄ ｅ ｔ ｉ ｓ ａ ｅ ｏｕ ｄ ｂ ｌｓ ｉｉｄ ｓｎｇ ｎｅ ｒ ｌｎｅ ｗ ｏ ｋ ｗ ｉｈ ｍ ｐｒ ｅ ａ ｔ ｆ ａ ｕｒ ｓ ａｔ ｒ ｅ ｔ ｓ ｕ ｅｒｃ ｒ ａｎ ｔ ｔ ｓｃ ｌ ｅ ｃａ ｓｆｅ ｕ ｉ ｕ ａ ｔ ｒ ｔ ｉ ｏｖ ｄ ＢＰ ｌ ｏ— ａｇ ｒｔ ． Ｕ ｓ ｎ ｉｈｍ ｉ ｇ ｗａｖ ｌｔｄｅ ｏｍ ｐ ｉｉ ｏ ｐｒ ｅ ｓ ｔ ｍ ｐ ｓ ｅ ｐｏｎ ｅ ｄ ａ ｔｃ ｌｙ ｅ ｅｅ ｃ ｏｓｔｏｎ ｔ ｏ ｓ ｈｅ ｉ ｕｌｅ ｒ ｓ ｃ ｓ ｒ ｓ ｉａ ｌ ｒ ｄｕｃ ｈ ｅ ｔ ｅ ｎｕｍ ｂｅ ｎ ｒｏｆｉｐｕｔｆ ｄ ｔ ｅ ｏ ｔ ｅ ａ ｔ ｈｅ Ｎ ｕｒ ｌＮｅ ｗｏｒ ｋ，ｓｍ ｐｌ ｙｉ ｔ ｃ ｔ ｃ ｕｒ ｎｄ ｍ ｉ ｎｉｉ ｔ ｒ ｉ ｎｇ ａ ｄ ｐｒ ｃ ｓ ｉ ｉ ｅ．Ｓｉ ｕ ａ ｉｎ ｅ ｕ ｔ ｉ ｉ ｎｇ ｉｓａｒ ｈｉｅ ｔ ｅ ａ ｎｉ ｚｎｇ ｉｓｔ ａｎｉ ｎ ｏ ｅ ｓｎｇ ｔｍ ｆ ｍ ｌ ｔｏ ｒ ｓ ｌｓ

基于小波分析技术的电路故障诊断摘要：电路一旦出现故障，在进行诊断时会出现故障部件定位较为困难，诊断率比较低的问题，要想解决电路诊断难的问题，我们提出采用小波技术进行因子分析，来模拟电路故障从而找出诊断的方法。

这种方法主要是通过对波形变化进行分析，从而发现故障的具体位置，是目前比较有效的一种方法，同时其技术的使用也相对简单。

其原理在于，在出现故障的位置小波的变化是很明显的，我们就能根据小波在不同位置的变化来找出故障的位置，这样才能更快的找出故障的位置从而进行处理。

关键词：小波分析；电路故障诊断；模拟电路前言因为人们越来越依赖电力的使用来维持生活水平，所以必须要保证电力供给，从而满足这种需要。

电力设备在其中发挥着重要的作用，所以应当提高其可靠性，避免发生故障问题。

但是故障是不可能完全避免的，因为外界的干扰因素总是存在，所以在预防的同时还应当不断完善相应技术。

诊断技术是指在设备出现故障后，及时对故障的种类进行判断，并采取合理措施进行解决的技术。

如果可以合理地将小波分析技术应用到其中，可以使故障诊断更加准确。

1.小波分析的概念及故障原因1.1小波的概念小波就是指有着衰减性的小的波形，这种波形因较为敏感，有着一点变化都可以采用函数的形式来表现出来，所以我们在进行小波分析时可以得到较为准确的数据，这也是我们采取小波来进行电路故障分析的原因。

小波分析一般都是针对局部的信号，通过对其进行合理的分析，就可以对电路的故障有具体的判断，并且其准确性比较高。

这主要是由于局部信号还与整体存在函数关系，所以可以反映出其中存在的问题。

在不知道故障位置的情况下，我们可以利用这种信号来建立函数模型，这种波形的变化有着一定的关系，我们能根据建立的函数模型来找出偏离的位置，这样就能准确的找出故障的位置。

1.2小波的故障特征提取对电路的故障分析采用小波技术进行模拟，这样我们在进行简单判断之后就可以靠着模拟出来的电路来进行故障分析。

也就是先利用小波技术进行故障波形的分析，因为小波的波形如果有变化是很容易被发现的，这样我们就能根据小波波形的变化来找出故障的部分，在这种分析的过程中我们都会建立函数的模型。

ｆ １ Ｏ ｘ ＜１ ＿ ／ ２
但 是 应 用小 波变 换 提 取 故 障 特征 时 ， 也 有一 定 的局 限 性 ， 小波 变 换一 般来 说 只对 原 始 信号 的 低频 部 分进 行 分解 ， 对 高频 部 分 没有 分解 ， 因而特 征 维数 低 ， 计 算 起来 较 为简 单 。 ４ 结束 语 多 年来 ， 模 拟 电路 故 障诊 断 一 直是 集 成 电子 工 业需 要 解 决 的一 个 重要 问题 之 一 。小波 方法 的出现 为模 拟 电路 故 障诊 断开 辟 了新 的 思路， 进一步推动 了模拟 电路故障诊 断理论和方法的发展 。未来也 会 有更 多 学者 投 入 到小 波方 法 的研 究 中来 ， 通 过 不 断 的实 践 验 证使 其理论更加完善 ， 具有更广泛的适用性， 为实现将来大规模 、 复杂度 更高的模拟 电路故障诊断提供更为有效 的方法。
随着近代 电子二 ｒ 业的迅猛发展 ， 模拟电路故障诊断技术在实际 应用中的重要性越发突出。由于模拟电路的元件参数具有容差 ， 因 而造 成 其 故 障模 式 呈 现 出多 种 多样 ， 复 杂程 度 也 越 来 越 高 ， 一 些 常 用的诊断方法在实际操作 中难以达到预期 的效果。当前 ， 小波分析 方 法 为模 拟 电路 故 障诊 断 提供 了一 条新 的途 径 ， 成 为 当前 研 究 的一 个 热 点 。笔 者 在此 领域 做 了一点 粗 浅 的工 作 ， 下 面 就小 波 方 法在 模 拟 电路 故 障诊 断 中的 应用 谈几 点 个人 的认 识 。
科技创新与应用 Ｉ ２ ０ １ ３ 年 第８ 期

科 技 创 新
浅谈小波方法在模拟电路故障诊 断中的应用
张 骞
（ 西华师范大学计算机学院 ， 四川 南充 ６ ３ ７ ３ ０ ０ ）

电力系统中基于小波变换的故障检测方法电力系统是人们生活和产业发展中不可或缺的一部分，其正常运行对社会经济的发展具有重要的意义。

然而，由于地域环境、设备老化等原因，电力系统经常出现各种各样的故障，给生产和生活带来很大的损失。

因此，在电力系统中，故障检测一直是研究的重点。

随着科技的飞速发展，小波变换逐渐成为了电力系统故障检测中常见的一种方法。

本文将对基于小波变换的电力系统故障检测方法进行详细介绍。

首先，我们将简单介绍小波变换的原理和前提，然后阐述小波变换在电力系统故障检测中的应用实例，最后讨论小波变换的局限性并提出可能的改进方向。

一、小波变换原理简介小波变换是信号处理领域的一种重要分析工具，它将信号分解成多个看起来“类似”的子信号。

这类似是指在时间上相邻的两个小波分量具有类似的频率范围和能量大小。

小波变换的目的是将原始信号分解为更易于分析和处理的小波子信号，以更好地了解信号的局部特征以及整体趋势。

小波变换的基本原理在时间和频率域上的特定区域内提取信号的不同部分，通过将波形传递给两个滤波器（分别是高通、低通滤波器），以从其他信号中提取出其特定的“信息”。

这意味着小波变换可以将信号分解成可以在不同时间和频率分辨率上分析的成分，尤其是对于非平稳信号，小波变换能更好地描述其特征。

因此在电力系统故障检测方面，小波变换的应用潜力得到了广泛的重视。

二、小波变换在电力系统故障检测中的应用实例基于小波变换的电力系统故障检测方法，一般是先对电力系统的电压或电流信号进行小波变换，然后在小波分量中检测故障信号。

在实际应用中，常采用不同的小波函数作为基函数，找出故障信号的小波系数，进而确定故障类型和相关的参数。

具体来说，一般涉及到以下几个过程：1、前期信号预处理。

特别是在信号中存在干扰时，采用傅里叶变换处理会降低系统的准确性。

2、小波分解中，不同的小波函数会对结果产生不同的影响。

因此，要根据实际应用场景选定合适的应用模型。

3、确定故障诊断指标。