·1104 工程科学学报，第39卷，第7期 特征偏离度值，其中D4小波的特征偏离度最大，确 定为最优小波包基 a3 Ma4 Mal Mb Mg2]Melf Mhi Ia10000 Mb 0.4255 Ma18 Mf2 Me 19845 3/ d0.3455 0.9845 05827 [Ma9 1a0 Mal9' 1 Ma20 Mg 19134 Mh 0.850 0.8577 Mi 2.1021 Mk 0.2787 Mal3'1Ma14 Ma23 6th-order Chebyshev low-pass filter 图3六阶切比雪夫低通滤波器金属氧化物半导体电路 Fig.3 Sixth-order Chebyshev low-pass filter MOS circuit 表2Db4小波函数所提取的电路部分故障特征 Table 2 Fault feature of the circuit part extracted by wavelet function 故障模式 DI D2 D3 D4 D5 D6 D7 D8 无故障 0.4513 0.0174 0.3835 0.0181 0.0023 0.0004 0.1222 0.0048 Mdl↑ 0.4291 0.0723 0.3476 0.0221 0.0030 0.0013 0.1169 0.0076 Mdl↓ 0.4401 0.0120 0.3959 0.0209 0.0026 0.0004 0.1227 0.0054 Me2↑ 0.4433 0.0456 0.3609 0.0210 0.0028 0.0008 0.1188 0.0067 Me2↓ 0.4416 0.0127 0.3940 0.0208 0.0026 0.0004 0.1227 0.0054 Mfn↑ 0.4855 0.0051 0.3618 0.0198 0.0020 0.0004 0.1171 0.0084 MH↓ 0.4544 0.0096 0.3895 0.0167 0.0021 0.0003 0.1229 0.0044 Mgl↑ 0.4493 0.0213 0.3811 0.0185 0.0024 0.0004 0.1220 0.0050 Mgl 0.4541 0.0105 0.3889 0.0168 0.0021 0.0003 0.1227 0.0045 5↑ 0.4567 0.0096 0.3881 0.0161 0.0020 0.0003 0.1229 0.0043 M↓ 0.4790 0.0105 0.3711 0.0116 0.0019 0.0001 0.1226 0.0032 表34种小波基对应的特征偏离度 4.3实验结果及分析 Table 3 Characteristic deviation in four types of wavelet bases 经过对结构参数的不断调整，最终确定BP神经 故障模式 Harr Db2 Db3 Db4 网络的结构为8×10×11，设定神经网络训练的目标 Mdl↑ 0.2185 0.7538 0.0979 0.7763 误差为0.001，种群规模设定为95，交叉概率P。设为 Mdl↓ 0.0158 0.0302 0.0469 0.1963 0.2,变异概率Pm设为0.09，遗传代数为120.如图4 Me2↑ 0.1135 0.2163 0.0286 0.2227 所示，经过遗传算法优化后的BP神经网络只需经过 Me2↓ 0.0102 0.0236 0.0381 0.1351 13次的训练学习即可达到预设的训练精度.适应度曲 M↑ 0.2694 0.1824 0.0468 0.2196 线如图5所示. 0.0081 0.0131 0.0027 0.0632 将测试样本输入已经训练好的遗传算法优化的 Mgl↑ 0.0010 0.0034 0.0005 0.0029 BP神经网络进行测试，分类的门限值设为0.3，经网 Mgl↓ 0.0065 0.0099 0.0038 0.0251 M↑ 络识别后，输出的诊断结果即可判断电路的故障元件. 0.0060 0.0138 0.0073 0.0185 M 0.0389 0.1589 0.0341 0.8840 诊断结果如图6所示，所有的样本数据都得到了正确 的分类，故障诊断率为100%.工程科学学报，第 39 卷，第 7 期 特征偏离度值，其中 Db4 小波的特征偏离度最大，确 定为最优小波包基． 图 3 六阶切比雪夫低通滤波器金属氧化物半导体电路 Fig． 3 Sixth-order Chebyshev low-pass filter MOS circuit 表 2 Db4 小波函数所提取的电路部分故障特征 Table 2 Fault feature of the circuit part extracted by wavelet function 故障模式 D1 D2 D3 D4 D5 D6 D7 D8 无故障 0. 4513 0. 0174 0. 3835 0. 0181 0. 0023 0. 0004 0. 1222 0. 0048 Md1↑ 0. 4291 0. 0723 0. 3476 0. 0221 0. 0030 0. 0013 0. 1169 0. 0076 Md1↓ 0. 4401 0. 0120 0. 3959 0. 0209 0. 0026 0. 0004 0. 1227 0. 0054 Me2↑ 0. 4433 0. 0456 0. 3609 0. 0210 0. 0028 0. 0008 0. 1188 0. 0067 Me2↓ 0. 4416 0. 0127 0. 3940 0. 0208 0. 0026 0. 0004 0. 1227 0. 0054 Mf1↑ 0. 4855 0. 0051 0. 3618 0. 0198 0. 0020 0. 0004 0. 1171 0. 0084 Mf1↓ 0. 4544 0. 0096 0. 3895 0. 0167 0. 0021 0. 0003 0. 1229 0. 0044 Mg1↑ 0. 4493 0. 0213 0. 3811 0. 0185 0. 0024 0. 0004 0. 1220 0. 0050 Mg1↓ 0. 4541 0. 0105 0. 3889 0. 0168 0. 0021 0. 0003 0. 1227 0. 0045 Mj↑ 0. 4567 0. 0096 0. 3881 0. 0161 0. 0020 0. 0003 0. 1229 0. 0043 Mj↓ 0. 4790 0. 0105 0. 3711 0. 0116 0. 0019 0. 0001 0. 1226 0. 0032 表 3 4 种小波基对应的特征偏离度 Table 3 Characteristic deviation in four types of wavelet bases 故障模式 Harr Db2 Db3 Db4 Md1↑ 0. 2185 0. 7538 0. 0979 0. 7763 Md1↓ 0. 0158 0. 0302 0. 0469 0. 1963 Me2↑ 0. 1135 0. 2163 0. 0286 0. 2227 Me2↓ 0. 0102 0. 0236 0. 0381 0. 1351 Mf1↑ 0. 2694 0. 1824 0. 0468 0. 2196 Mf1↓ 0. 0081 0. 0131 0. 0027 0. 0632 Mg1↑ 0. 0010 0. 0034 0. 0005 0. 0029 Mg1↓ 0. 0065 0. 0099 0. 0038 0. 0251 Mj↑ 0. 0060 0. 0138 0. 0073 0. 0185 Mj↓ 0. 0389 0. 1589 0. 0341 0. 8840 4. 3 实验结果及分析 经过对结构参数的不断调整，最终确定 BP 神经 网络的结构为 8 × 10 × 11，设定神经网络训练的目标 误差为 0. 001，种群规模设定为 95，交叉概率 pc 设为 0. 2，变异概率 pm 设为 0. 09，遗传代数为 120． 如图 4 所示，经过遗传算法优化后的 BP 神经网络只需经过 13 次的训练学习即可达到预设的训练精度． 适应度曲 线如图 5 所示． 将测试样本输入已经训练好的遗传算法优化的 BP 神经网络进行测试，分类的门限值设为 0. 3，经网 络识别后，输出的诊断结果即可判断电路的故障元件． 诊断结果如图 6 所示，所有的样本数据都得到了正确 的分类，故障诊断率为 100% ． · 4011 ·