技术特征：
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（2）中，利用短时傅里叶变换，将原始的一维时域信号转换为二维的电路频谱图像信号，作为ms-cnn模型中2d-cnn部分的输入。4.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（3）中，利用tensorflow框架搭建多尺度卷积神经网络（ms-cnn）模型，该网络模型是一个双分支卷积神经网络，包含一个1d-cnn分支，用于对一维时域响应信号进行特征挖掘；还包含一个2d-cnn分支，该部分用于对二维的电路频谱图像信号进行特征挖掘；将ms-cnn诊断模型中中1d-cnn最后一层提取到的特征向量与2d-cnn结构最后一层提取到的特征向量进行拼接，将拼接好的多尺度特征向量输送进softmax层，完成故障分类。5.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（4）中，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。6.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（5）中，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。
技术总结
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。效地检测出模拟电路的各类故障。
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
受保护的技术使用者：桂林电子科技大学
技术研发日：2022.07.07
技术公布日：2022/11/11