[发明专利]一种基于多尺度卷积神经网络的模拟电路故障诊断方法

说明书

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，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域响应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。本发明可以增强模拟电路故障诊断中特征提取的信息完整度，进一步提高故障诊断准确率，有效地检测出模拟电路的各类故障。

技术领域

本发明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。

背景技术

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。

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。

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。

发明内容

本发明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。

本发明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；