小波变换和神经网络的电路故障诊断
发布时间：2021-01-16 10:32
传统的电路故障诊断方法诊断波形图与实际波形差异较大,诊断准确率低。为了解决上述问题,基于小波变换和神经网络设计一种新的电路故障诊断方法。设定小波分解包,通过小波变换提取出故障特征,利用神经网络对原始信号进行离散小波变换,获得时频矩阵,分析能量变化特点,确定二维时频信息,根据不同故障类型的映射关系实现诊断。实验结果表明,基于小波变换和神经网络的电路故障诊断方法得到的波形与实际波形十分接近,能够精准地检测出电路故障。
【文章来源】：现代电子技术. 2020,43(10)北大核心
【文章页数】：4 页
【部分图文】：
电路故障特征提取流程
通过均分频域的滤波器将信号分为高频和低频两个子带，保留高频部分，对低频部分继续均分，一直均分到函数所表示的低通滤波器[5]。分析出小波后，对小波包进行分解，在多分辨分析基础上，将高频部分进一步细分，自适应性地选择合适频段，与信号频谱匹配，提高时频分辨率[6]。小波包三层分解如图2所示。提取信号分别表示为AAA3,DAA3,ADA3,DDA3,AAD3,DAD3,ADD3,DDD3，其中A表示低频，B表示高频，字母后面的数字表示小波包分解的层数。小波包分解的关系式为S=AAA3+DAA3+ADA3+DDA3+AAD3+DAD3+ADD3+DDD3。根据分解关系式提取电路的故障特征[7]。
神经网络通过自适应的多层特征提取层，采取非监督方式实现二维码信息的抽象分布式特征表达，目前CNN主要运用于电路故障诊断领域[8]。利用CNN对电路故障进行诊断时，必须将二维时频信息充分展现，信号S变换对高频带分辨率模糊不清，所以用DWT分离故障信号的频带，以便提高故障诊断效率。通过提取二维码时频特点诊断电路故障，CNN机构模型见图3。图3中，输入信号为二维时频信号，F1为数积层，G1为下采集层，F1和G1交替出现并不断提取信号信息，并在链接层形成时频信号的分布特征表达[9]。CNN包括输入信号由低层到高层变换的前向传播和将预分类结果与期望结果的误差反向传播。前向传播过程可实现对故障信号特征的自动提取并进行欲分类假设。假设CNN网络第1层，即视为数积层，其后层作为分析层，经过非线性激活函数对输入的线性组合进行计算，从而得到这一分析层的神经输出[10]。通过不断迭代，对网络中自适应参数应用梯度下降法进行调整，得出一系列可自适应数积核，降低到最小限度，最后得到想要的自适应数积核。诊断过程如图4所示。
【参考文献】：
期刊论文
[1]基于卷积神经网络和离散小波变换的滚动轴承故障诊断[J]. 陈仁祥,黄鑫,杨黎霞,汤宝平,余腾伟,周君. 振动工程学报. 2018(05)
[2]基于连续小波变换和卷积神经网络的无刷直流电机故障诊断[J]. 王骁贤,张保华,陆思良. 机械与电子. 2018(06)
[3]基于小波变换和RBF神经网络的机械故障诊断[J]. 路军. 天津冶金. 2018(02)
[4]基于小波分析的神经网络基坑变形预测模型[J]. 崔腾飞,许章平,刘成洲,李一凡. 北京测绘. 2018(03)
[5]基于小波和BP神经网络的风力机齿轮箱故障诊断[J]. 张文静,张磊,刘明. 自动化技术与应用. 2017(06)
[6]基于交叉小波变换和主元分析的电力电子电路故障特征提取[J]. 况璟,何怡刚,邓芳明,施天成. 电测与仪表. 2017(11)
[7]基于小波变换和神经网络的直升机旋翼不平衡故障诊断方法[J]. 徐永勤,高亚东,李清龙. 南京航空航天大学学报. 2017(02)
[8]电气设备故障诊断方法和技术研究[J]. 刘继军. 机电工程技术. 2017(01)
[9]小波变换和神经网络的电路故障诊断[J]. 辛健,马力. 现代电子技术. 2017(05)
[10]交流稳压电源的改进神经网络PID控制[J]. 王青山,梁得亮,杜锦华. 电机与控制学报. 2017(02)
本文编号：2980668
【文章来源】：现代电子技术. 2020,43(10)北大核心
【文章页数】：4 页
【部分图文】：
电路故障特征提取流程
通过均分频域的滤波器将信号分为高频和低频两个子带，保留高频部分，对低频部分继续均分，一直均分到函数所表示的低通滤波器[5]。分析出小波后，对小波包进行分解，在多分辨分析基础上，将高频部分进一步细分，自适应性地选择合适频段，与信号频谱匹配，提高时频分辨率[6]。小波包三层分解如图2所示。提取信号分别表示为AAA3,DAA3,ADA3,DDA3,AAD3,DAD3,ADD3,DDD3，其中A表示低频，B表示高频，字母后面的数字表示小波包分解的层数。小波包分解的关系式为S=AAA3+DAA3+ADA3+DDA3+AAD3+DAD3+ADD3+DDD3。根据分解关系式提取电路的故障特征[7]。
神经网络通过自适应的多层特征提取层，采取非监督方式实现二维码信息的抽象分布式特征表达，目前CNN主要运用于电路故障诊断领域[8]。利用CNN对电路故障进行诊断时，必须将二维时频信息充分展现，信号S变换对高频带分辨率模糊不清，所以用DWT分离故障信号的频带，以便提高故障诊断效率。通过提取二维码时频特点诊断电路故障，CNN机构模型见图3。图3中，输入信号为二维时频信号，F1为数积层，G1为下采集层，F1和G1交替出现并不断提取信号信息，并在链接层形成时频信号的分布特征表达[9]。CNN包括输入信号由低层到高层变换的前向传播和将预分类结果与期望结果的误差反向传播。前向传播过程可实现对故障信号特征的自动提取并进行欲分类假设。假设CNN网络第1层，即视为数积层，其后层作为分析层，经过非线性激活函数对输入的线性组合进行计算，从而得到这一分析层的神经输出[10]。通过不断迭代，对网络中自适应参数应用梯度下降法进行调整，得出一系列可自适应数积核，降低到最小限度，最后得到想要的自适应数积核。诊断过程如图4所示。
【参考文献】：
期刊论文
[1]基于卷积神经网络和离散小波变换的滚动轴承故障诊断[J]. 陈仁祥,黄鑫,杨黎霞,汤宝平,余腾伟,周君. 振动工程学报. 2018(05)
[2]基于连续小波变换和卷积神经网络的无刷直流电机故障诊断[J]. 王骁贤,张保华,陆思良. 机械与电子. 2018(06)
[3]基于小波变换和RBF神经网络的机械故障诊断[J]. 路军. 天津冶金. 2018(02)
[4]基于小波分析的神经网络基坑变形预测模型[J]. 崔腾飞,许章平,刘成洲,李一凡. 北京测绘. 2018(03)
[5]基于小波和BP神经网络的风力机齿轮箱故障诊断[J]. 张文静,张磊,刘明. 自动化技术与应用. 2017(06)
[6]基于交叉小波变换和主元分析的电力电子电路故障特征提取[J]. 况璟,何怡刚,邓芳明,施天成. 电测与仪表. 2017(11)
[7]基于小波变换和神经网络的直升机旋翼不平衡故障诊断方法[J]. 徐永勤,高亚东,李清龙. 南京航空航天大学学报. 2017(02)
[8]电气设备故障诊断方法和技术研究[J]. 刘继军. 机电工程技术. 2017(01)
[9]小波变换和神经网络的电路故障诊断[J]. 辛健,马力. 现代电子技术. 2017(05)
[10]交流稳压电源的改进神经网络PID控制[J]. 王青山,梁得亮,杜锦华. 电机与控制学报. 2017(02)
本文编号：2980668
本文链接：https://www.wllwen.com/kejilunwen/dianzigongchenglunwen/2980668.html
