學(xué)年論文-基于神經(jīng)網(wǎng)絡(luò)的模擬電路故障分析研究.doc

基于神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷方法研究本科學(xué)年論文08電氣【2】班 黃河 20081340071 基于神經(jīng)網(wǎng)絡(luò)的模擬電路故障分析研究【摘要】： 模擬電路故障診斷是一項較前沿的研究課題。隨著超深亞微米半導(dǎo)體技術(shù)的發(fā)展，推動了系統(tǒng)芯片以及模擬和數(shù)字混合信號電路的出現(xiàn)，模擬測試領(lǐng)域出現(xiàn)了許多新的理論研究課題，采用常規(guī)或傳統(tǒng)的故障診斷理論和方法難以解決。由于神經(jīng)網(wǎng)絡(luò)具有處理復(fù)雜多模式及進(jìn)行聯(lián)想，推測和記憶功能,因而特別適合故障診斷系統(tǒng)。將神經(jīng)網(wǎng)絡(luò)用于模擬電路故障診斷是發(fā)展趨勢。本文以神經(jīng)網(wǎng)絡(luò)在模擬電路故障診斷中的應(yīng)用為主線，結(jié)合模糊理論，小波變換理論及信息融合等理論研究了模擬電路的故障特征提取和故障診斷方法。 介紹了神經(jīng)網(wǎng)絡(luò)的基本概念，方法，重點介紹了bp神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及其網(wǎng)絡(luò)參數(shù)的選擇方法；采用bp算法并利用dsp運算能力強，精度高的特點，設(shè)計了模擬電路故障診斷系統(tǒng)，該系統(tǒng)與傳統(tǒng)的故障字典法比較,更準(zhǔn)確方便,具有較高的實用價值。以故障診斷的理論和方法為基礎(chǔ)，綜合運用人工智能，模糊理論和神經(jīng)網(wǎng)絡(luò)的理論，提出了模糊理論和神經(jīng)網(wǎng)絡(luò)的集成方法，介紹了集成綜合系統(tǒng)的基本結(jié)構(gòu)和工作原理。針對大型機組的狀態(tài)監(jiān)測與故障診斷問題，提出一種基于區(qū)間值模糊神經(jīng)網(wǎng)絡(luò)的診斷方法。詳細(xì)論述了小波分析和小波包分析的基本理論，討論了多分辨分析的一般框架，給出了小波包分析的定義和性質(zhì)，從空間分解的角度對小波包分析進(jìn)行理解并給出了小波包分解和重構(gòu)算法；以基于小波神經(jīng)網(wǎng)絡(luò)的模擬電路iddt故障診斷方法為基礎(chǔ)，分別應(yīng)用多分辨分析和小波變換兩種方法提取模擬電路iddt的故障特征,給出詳細(xì)的故障診斷流程。基于神經(jīng)網(wǎng)絡(luò)信息融合技術(shù)的診斷方法屬于典型的特征層融合，介紹了神經(jīng)網(wǎng)絡(luò)信息融合診斷模型，通過對國際標(biāo)準(zhǔn)電路的仿真實驗驗證了該方法的可行性?！娟P(guān)鍵詞】：模擬電路故障診斷 神經(jīng)網(wǎng)絡(luò) 模糊理論 小波分析 信息融合 第一章 緒論 11 研究背景及意義故障診斷技術(shù)是近40年發(fā)展起來的以適應(yīng)工程實際需要而形成的多學(xué)科交叉的一門綜合學(xué)科。一般電子電路的故障診斷可分為模擬電路故障診斷和數(shù)字電路故障診斷。數(shù)字技術(shù)的廣泛應(yīng)用和高速發(fā)展，使得數(shù)字電路的故障診斷研究取得了空前的發(fā)展。對于模擬電路，由于其元件具有容差并存在非線性等原因，使得模擬電路的故障診斷較數(shù)字電路的故障診斷復(fù)雜得多，其發(fā)展比較緩慢，應(yīng)用也不夠廣泛。模擬電路的使用雖由來已久，但模擬電路故障診斷技術(shù)的發(fā)展較慢，其原因主要有：由于模擬電路的多樣性， 且模擬電路的物理量是連續(xù)函數(shù)，因此模擬電路的電量模擬困難， 而且模擬的模型適應(yīng)性有限；模擬電路中元件參數(shù)具有容，引起電路工作特性的偏移， 對于容差電路，許多診斷方法失去了準(zhǔn)確性和穩(wěn)定性；模擬電路中廣泛存在著非線性問題，而非線性問題的求解比較困難，其計算工作量也大；實際的模擬電路通常是多層的或被封閉的， 特別是集成電路，只有少數(shù)一些可及端口或節(jié)點是可測量的，導(dǎo)致可用作故障診斷的信息夠，造成故障定位的不確定性和模糊性。目前， 在各種類型的神經(jīng)網(wǎng)絡(luò)中， b p網(wǎng)絡(luò)因其具 有極強的非線性映射能力而最適合于解決分類題所以大部分研究者都以 b p網(wǎng)絡(luò)算法作為診斷算進(jìn)行研究。但是 bp神經(jīng)網(wǎng)絡(luò) 自身也有很大的陷，如輸入數(shù)目頗多，結(jié)構(gòu)難以確定，訓(xùn)練時間過長等。 rbf神經(jīng) 網(wǎng)絡(luò)除了具有神經(jīng)網(wǎng)絡(luò)普遍具有的函數(shù)逼近能力，分類能力和非線性映射能力以外。在學(xué)習(xí)速 度方面具有明顯的優(yōu)勢。本文僅考慮模擬電路的單故 障診斷，采用脈沖信號作為激勵源，從時域提取電壓響應(yīng)波形的特征來訓(xùn)練 r b f神經(jīng)網(wǎng)絡(luò)。12國內(nèi)發(fā)展現(xiàn)象 故障診斷的歷史與人類對設(shè)備的維修方式緊緊相聯(lián)。在工業(yè)革命后的相當(dāng)長的時期內(nèi)，由于當(dāng)時的生產(chǎn)規(guī)模，技術(shù)水平和復(fù)雜程度都比較低，人類對設(shè)備的維修方式基本上是人工事后維修。20世紀(jì)以后，由于大生產(chǎn)的發(fā)展，尤其是流水線生產(chǎn)方式的出現(xiàn)，設(shè)備本身技術(shù)水平和復(fù)雜度都大大提高，設(shè)備電路故障對生產(chǎn)影響顯著增加，這樣出現(xiàn)了定期維修，大約在60年代，美國軍方意識到定期維修的一系列弊病，開始變定期維修為預(yù)知維修，在設(shè)備的正常運行過程中就開始進(jìn)行監(jiān)護(hù)，以發(fā)現(xiàn)潛在的故障因素，從而避免了失修和過剩維修，經(jīng)濟效益十分顯著，其他企業(yè)紛紛效仿，故障診斷技術(shù)很快就發(fā)展起來了。從國內(nèi)情況來看，我國智能診斷領(lǐng)域的研究較西方發(fā)達(dá)國家稍晚，大概始于70年代末，雖然起步較晚，但是經(jīng)過追趕，特別是近幾年的努力，我國已經(jīng)基本跟上了國外在此方面的步伐，在某些理論研究方面已經(jīng)和國外不相上下。近十年來，故障診斷技術(shù)得到了極大的發(fā)展，具有現(xiàn)代標(biāo)志的理論和方法如：信號處理，模式識別，最優(yōu)化方法，決策論，主元分析，遺傳算法，自適應(yīng)理論，小波變換與分析，神經(jīng)網(wǎng)絡(luò)和模糊系統(tǒng)等已經(jīng)成為故障診斷的理論基礎(chǔ)。有不少的理論工作者都投入到該領(lǐng)域的研究，發(fā)表有關(guān)論文干篇以上，但主要解決的是線性網(wǎng)絡(luò)在無容差或小容差情況下的診斷理論與方法；近年來在非線性問題上也取得了一些長足進(jìn)展，但不具實用性：還沒有一個完善，成熟的系統(tǒng)或軟件可付諸廣泛使用，因此模擬電路故障診斷理論和方法有待進(jìn)一步發(fā)展。13 國外發(fā)展現(xiàn)象人工神經(jīng)網(wǎng)絡(luò)早期的研究工作應(yīng)該追溯到上個世紀(jì)40年代。1943年心理學(xué)家wmcculloch和數(shù)理學(xué)家wpitts在分析，總結(jié)神經(jīng)元基本特性的基礎(chǔ)上首先提出了神經(jīng)元的數(shù)學(xué)模型。50年代末，frosenblatt設(shè)計制作了感知機，首次把人工神經(jīng)網(wǎng)絡(luò)的研究從理論探討付諸于工程實踐。60年代末，由于感知機功能有限，無法解決如異或(xor)這樣的基本問題，人們對感知機的興趣開始衰落，人工神經(jīng)網(wǎng)絡(luò)的研究沉寂了相當(dāng)長的時間。美國物理學(xué)家hopfield于1982和1984年在美國科學(xué)院院刊發(fā)表了兩篇關(guān)于神經(jīng)網(wǎng)絡(luò)研究的論文，引起巨大的反響。隨后一大批學(xué)者和研究人員圍繞著hopfield提出的方法展開了進(jìn)一步的工作，形成了80年代中期以來的研究熱潮故障診斷問題是一個從故障所體現(xiàn)的特征來識別故障源的問題，目前機械，控制系統(tǒng)，化工等領(lǐng)域，已經(jīng)嘗試用神經(jīng)網(wǎng)絡(luò)實現(xiàn)故障診斷。因此將人工神經(jīng)網(wǎng)絡(luò)用于模擬電路故障診斷是一個很有希望的新的研究領(lǐng)域。特別是神經(jīng)網(wǎng)絡(luò)具有的容錯能力，預(yù)計使神經(jīng)網(wǎng)絡(luò)診斷容差電路硬故障和軟故障可能成為有效的方法，有可能為電路故障診斷開辟一條新的途徑 第二章 基于神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷2.1 神經(jīng)網(wǎng)絡(luò) 神經(jīng)網(wǎng)絡(luò)是一門發(fā)展十分迅速的交叉學(xué)科，它是由大量的處理單元組成非線性的大規(guī)模自適應(yīng)動力系統(tǒng)。神經(jīng)網(wǎng)絡(luò)具有分布式存儲、并行處理、高容錯能力以及良好的自學(xué)習(xí)、自適應(yīng)、聯(lián)想等特點。目前已經(jīng)提出了多種訓(xùn)練算法和網(wǎng)絡(luò)模型，其中應(yīng)用最廣泛的是前饋型神經(jīng)網(wǎng)絡(luò)。前饋型神經(jīng)網(wǎng)絡(luò)訓(xùn)練中使用最多的方法是誤差反向傳播(bp)學(xué)習(xí)算法。但隨著使用的廣泛，人們發(fā)現(xiàn)bp網(wǎng)絡(luò)存在收斂速度緩慢、易陷入局部極小等缺陷。2.2 神經(jīng)網(wǎng)絡(luò)概述人腦是由大量的神經(jīng)細(xì)胞組合而成的，它們之間相互連接。每個神經(jīng)細(xì)胞（也稱神經(jīng)元）具體如圖2.1所示的結(jié)構(gòu)。圖2.1 生物神經(jīng)元模型由圖看出，腦神經(jīng)元由細(xì)胞體、樹突和軸突構(gòu)成。細(xì)胞體是神經(jīng)元的中心，它一般又由細(xì)胞核、細(xì)胞膜等構(gòu)成。樹突是神經(jīng)元的主要接受器，它主要用來接受信息。軸突的作用主要是傳導(dǎo)信息，它將信息從軸突的起點傳到軸突末梢，軸突末梢與另一個神經(jīng)元的樹突或細(xì)胞體構(gòu)成一種突觸的機構(gòu)。通過突觸實現(xiàn)神經(jīng)元之間的信息傳遞。神經(jīng)網(wǎng)絡(luò)系統(tǒng)是由大量的、同時也是很簡單的處理單元(或稱神經(jīng)元)廣泛地互相連接而形成的復(fù)雜網(wǎng)絡(luò)系統(tǒng)。它反映了人腦功能的許多基本特性，但它并不是人腦神經(jīng)網(wǎng)絡(luò)系統(tǒng)的真實寫照，而只是對其作某種簡化、抽象和模擬，這也是現(xiàn)實情況所能做到的，是目前神經(jīng)網(wǎng)絡(luò)研究的基本出發(fā)點。我們研究神經(jīng)網(wǎng)絡(luò)系統(tǒng)的目的在于探索人腦加工、存儲和處理信息的機制，進(jìn)而研制基本具有人類智能的機器。2.1.2神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖51表示了一個簡單的神經(jīng)網(wǎng)絡(luò)，其中每個小圓圈表示個神經(jīng)元(也稱處理單元或節(jié)點)。各個神經(jīng)元之間通過相互連接形成一個網(wǎng)絡(luò)拓?fù)?，這個網(wǎng)絡(luò)拓?fù)涞男问椒Q為神經(jīng)網(wǎng)絡(luò)的互連模式。不同的神經(jīng)網(wǎng)絡(luò)模型對神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)相互連模式都有一定的要求成限制，比如允許它們是多層次的、是全互連的等等。神經(jīng)網(wǎng)絡(luò)以外的部分(即虛線方框以外的部分)可統(tǒng)稱為神經(jīng)網(wǎng)絡(luò)的環(huán)境。神經(jīng)網(wǎng)絡(luò)從其所處的環(huán)境中接收信息，對信息進(jìn)行加工處理之后又返回(或作用)到其所處的環(huán)境中去。比如一個應(yīng)用于連續(xù)語音識別的神經(jīng)網(wǎng)絡(luò)，連續(xù)的語音信號(或須處理后的信號)便可稱之為神經(jīng)網(wǎng)絡(luò)的環(huán)境。神經(jīng)網(wǎng)絡(luò)從這個環(huán)境中接收連續(xù)的語音信號，進(jìn)行識別處理之后，就將結(jié)果輸出到環(huán)境中，即以屏幕顯示或打字的形式反映出來。圖2.2神經(jīng)網(wǎng)絡(luò)框圖各個神經(jīng)元之間的連接并不只是一個單純的傳送信號的通道，而是在每對神經(jīng)元之間的連接上有一個加權(quán)系數(shù)，這個加權(quán)系數(shù)起著生物神經(jīng)系統(tǒng)中神經(jīng)元的突觸強度的作用，它可以加強或減弱上一個神經(jīng)元的輸出對下一個神經(jīng)元的刺激。這個加權(quán)系數(shù)通常稱為權(quán)值(或稱為連接強度、突觸強度)。在神經(jīng)網(wǎng)絡(luò)中，修改權(quán)值的規(guī)則稱為學(xué)習(xí)算法。這也就是說權(quán)值并非固定不變的。相反地，這些權(quán)值可以根據(jù)經(jīng)驗或?qū)W習(xí)來改變。這樣，系統(tǒng)就可產(chǎn)生所謂的“進(jìn)化”。同樣的，處理單元表示什么也是可以變化的，因而也就可以用任何合適的物質(zhì)來實現(xiàn)。2 bp神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)是一種信息處理系統(tǒng)，它有很多種模型。其中有一種用誤差傳播學(xué)習(xí)算法（error back propagation即bp算法）進(jìn)行訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，簡稱為bp網(wǎng)絡(luò)。bp神經(jīng)網(wǎng)絡(luò)模型是人工神經(jīng)網(wǎng)絡(luò)的重要模型之一。它有廣泛的應(yīng)用，主要包括模式識別及分類、故障智能診斷、圖像處理、函數(shù)擬合、最優(yōu)預(yù)測等方面的應(yīng)用。2.1 bp神經(jīng)網(wǎng)絡(luò)特點：l)分布式的信息存儲方式神經(jīng)網(wǎng)絡(luò)是以各個處理器本身的狀態(tài)和它們之間的連接形式存儲信息的，一個信息不是存儲在一個地方，而是按內(nèi)容分布在整個網(wǎng)絡(luò)上。網(wǎng)絡(luò)上某一處不是只存儲一個外部信息，而是存儲了多個信息的部分內(nèi)容。整個網(wǎng)絡(luò)對多個信息加工后才存儲到網(wǎng)絡(luò)各處，因此，它是一種分布式存儲方式。2)大規(guī)模并行處理bp神經(jīng)網(wǎng)絡(luò)信息的存儲與處理(計算)是合二為一的，即信息的存儲體現(xiàn)在神經(jīng)元互連的分布上，并以大規(guī)模并行分布方式處理為主，比串行離散符號處理的現(xiàn)代數(shù)字計算機優(yōu)越。3)自學(xué)習(xí)和自適應(yīng)性bp神經(jīng)網(wǎng)絡(luò)各層直接的連接權(quán)值具有一定的可調(diào)性，網(wǎng)絡(luò)可以通過訓(xùn)練和學(xué)習(xí)來確定網(wǎng)絡(luò)的權(quán)值，呈現(xiàn)出很強的對環(huán)境的自適應(yīng)和對外界事物的自學(xué)習(xí)能力。4)較強的魯棒性和容錯性bp神經(jīng)網(wǎng)絡(luò)分布式的信息存儲方式，使其具有較強的容錯性和聯(lián)想記憶功能，這樣如果某一部分的信息丟失或損壞，網(wǎng)絡(luò)仍能恢復(fù)出原來完整的信息，系統(tǒng)仍能運行。1986年由rumelhart和mccelland領(lǐng)導(dǎo)的科學(xué)家小組在parallel distributed processing一書中，對具有非線性連續(xù)轉(zhuǎn)移函數(shù)的多層前饋網(wǎng)絡(luò)的誤差反向傳播算法進(jìn)行了詳盡分析，實現(xiàn)了minsky關(guān)于多層網(wǎng)絡(luò)的設(shè)想。人工神經(jīng)網(wǎng)絡(luò)具有廣泛的應(yīng)用領(lǐng)域;在所有的神經(jīng)網(wǎng)絡(luò)應(yīng)用中，bp神經(jīng)網(wǎng)絡(luò)所占比例在80%以上。bp神經(jīng)網(wǎng)絡(luò)因其良好的非線性逼近能力和泛化能力以及使用的易適性而更是受到眾多行業(yè)的青睞。bp神經(jīng)網(wǎng)絡(luò)采用的反向傳播算法(bp算法)是目前在前饋神經(jīng)網(wǎng)絡(luò)中研究得最為成熟且應(yīng)用最廣的一種有導(dǎo)師學(xué)習(xí)算法。bp神經(jīng)網(wǎng)絡(luò)在模式識別、圖像處理、信息處理、智能控制、故障檢測、企業(yè)管理、市場分析等方面的應(yīng)用已取得了顯著成效?？梢哉f，bp神經(jīng)網(wǎng)絡(luò)的應(yīng)用已深入到經(jīng)濟、化工、工控、軍事等眾多領(lǐng)域，并且從其應(yīng)用的優(yōu)勢及趨勢可以預(yù)言其應(yīng)用前景將更加光明。在這樣一個信息及經(jīng)濟高度發(fā)達(dá)的時期，研究bp神經(jīng)網(wǎng)絡(luò)，為其進(jìn)一步的發(fā)展及應(yīng)用做出一定的貢獻(xiàn)是極具理論價值和實用價值。2.2 bp神經(jīng)網(wǎng)絡(luò)介紹bp網(wǎng)絡(luò)是一種單向傳播的多層前饋網(wǎng)絡(luò)，它包含輸人層、隱含層和輸出層，如圖2.1所示，是目前應(yīng)用較多的一種模型。該算法在層次型網(wǎng)絡(luò)結(jié)構(gòu)上采用誤差逆?zhèn)鞑W(xué)習(xí)方式，學(xué)習(xí)過程由正向傳播和誤差逆?zhèn)鞑ソM成。圖2.1 bp網(wǎng)絡(luò)示意圖bp網(wǎng)絡(luò)的結(jié)構(gòu)如圖1所示，算法的主要思想是把學(xué)習(xí)過程分為兩個階段:第一階段是正向傳播過程，輸入信息從輸入層經(jīng)隱層逐層計算各單元的實際輸出值，每一層神經(jīng)元的狀態(tài)只對下一層神經(jīng)元的狀態(tài)產(chǎn)生影響;第二階段是反向傳播過程，若在輸出層未能得到期望的輸出值，則逐層遞歸計算實際輸出與期望輸出之間的差值，根據(jù)此誤差修正前一層權(quán)值使誤差信號趨向最小。它通過連續(xù)不斷地在相對于誤差函數(shù)斜率下降的方向上計算網(wǎng)絡(luò)權(quán)值和偏差變化而逐漸逼近目標(biāo)。每一次權(quán)值和誤差的變化都與網(wǎng)絡(luò)誤差的影響成正比。假設(shè)神經(jīng)網(wǎng)絡(luò)每層有n個節(jié)點，若某一層節(jié)點j與上層節(jié)點i之間權(quán)值為wij，節(jié)點的輸入總和計為netj 、輸出計為oj ，轉(zhuǎn)移函數(shù)取非線性的sigmoid型函數(shù)，對于節(jié)點j，其輸入值為其前一層各單元加權(quán)和，輸出值為.定義誤差函數(shù)式中為輸出期望值，為輸出實際值。bp算法采用梯度法調(diào)整權(quán)值，每次調(diào)整的量、式中01,稱為學(xué)習(xí)速率，它決定每一次訓(xùn)練中的權(quán)值變化大小。進(jìn)一步簡化計算有，其中：，j為輸出層單元；，j為隱層單元。bp網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，它采用后向傳播算法，亦稱bp算法(首先樣本從輸入層經(jīng)各中間層向輸出層傳播，輸出層的各神經(jīng)元獲得網(wǎng)絡(luò)的輸人響應(yīng);然后按照減小目標(biāo)輸出與實際輸出誤差的方向，從輸出層開始經(jīng)各中間層逐層修正各連接權(quán)值，以達(dá)到學(xué)習(xí)目的)。bp網(wǎng)絡(luò)具有結(jié)構(gòu)簡單、可操作性強、能模擬任意的非線性輸入/輸出關(guān)系等優(yōu)點，目前已被廣泛應(yīng)用于模式識別、智能控制、預(yù)測、圖像識別等領(lǐng)域。但是，bp網(wǎng)絡(luò)存在兩個突出問題(收斂速度慢，易陷入局部極小點)使其應(yīng)用受到了一定限制。綜上，我們可以看出bp算法主要的優(yōu)點是簡單、易于實現(xiàn)。但是bp算法有兩個致命的缺陷:首先最大的缺陷是bp算法很可能陷入局部極小值，因為通常的誤差曲面都是凸凹不平的，會有多個極值點。bp算法的另一個缺陷是收斂速度慢，當(dāng)采用梯度下降法時步長不容易確定，步長太長則達(dá)不到精度，甚至?xí)l(fā)散;太小則迭代步驟增加，收斂速度慢。鑒于此，目前對bp算法的改進(jìn)主要集中在兩個方面:1.是避免陷入局部極小值，一旦陷入要想辦法逃出;2.是改進(jìn)迭代算法，加快收斂速度，較常用的方法是共軛梯度法、變尺度法等。 第三章 基于神經(jīng)網(wǎng)絡(luò)的故障診斷方法3.1基于神經(jīng)網(wǎng)絡(luò)的故障診斷方法概述人工神經(jīng)網(wǎng)絡(luò)( arti ficial neural network- ann)就是用物理上可以實現(xiàn)的器件、 系統(tǒng)或現(xiàn)有的計算機來模擬人腦的結(jié)構(gòu)和功能的人工系統(tǒng). 神經(jīng)網(wǎng)絡(luò)的i / o 非線性映射特性、 信息的分布存儲、 并行處理和全局集體作用, 特別是其高度的自組織和自學(xué)習(xí)能力,使其成為故障診斷的一種有效方法和手段,在故障診斷中得到越來越廣泛的重視. 目前神經(jīng)網(wǎng)絡(luò)模型已有近百種,從不同的角度有不同的分類. 常用于故障診斷的神經(jīng)網(wǎng)絡(luò)模型主要有:反向傳播( bp) 網(wǎng)絡(luò)、 hopfield 網(wǎng)絡(luò)、 徑向基函數(shù)rbf) 網(wǎng)絡(luò)、 自組織特征映射( sofm) 網(wǎng)絡(luò)、 adaline網(wǎng)絡(luò)等.3.2基于神經(jīng)網(wǎng)絡(luò)的診斷 3.2.1 網(wǎng)絡(luò)結(jié)構(gòu)從本質(zhì)上講，模擬電路故障診斷相當(dāng)于一個分類問題，即根據(jù)測量數(shù)據(jù)判斷電路狀態(tài)屬于哪種故障類型。由于bp網(wǎng)絡(luò)具有較好的泛化能力，很適合于解決分類問題，故在此應(yīng)用bp網(wǎng)絡(luò)來進(jìn)行電路的診斷。兩個bp網(wǎng)絡(luò)均選用單隱層結(jié)構(gòu)，輸入節(jié)點數(shù)為對應(yīng)測試信息中特征參量的維數(shù)，輸出節(jié)點數(shù)為故障狀態(tài)的類別數(shù)，隱節(jié)點的個數(shù)根據(jù)被診斷電路的結(jié)構(gòu)參數(shù)及特征參量與故障類別數(shù)等，憑借經(jīng)驗和試湊進(jìn)行選取。每一神經(jīng)元節(jié)點的輸出傳送至下一層的所有節(jié)點，輸入層節(jié)點不加任何作用地將輸入信號傳送到下一層，隱層與輸出層激活函數(shù)取為sigmoid函數(shù)，這樣網(wǎng)絡(luò)輸出即為0,1區(qū)間上的數(shù)，由于每一節(jié)點對應(yīng)著一個故障類別，因而輸出節(jié)點的值即為待測狀態(tài)屬于該節(jié)點所對應(yīng)故障類別的可能性。3.2.2 訓(xùn)練樣本集的構(gòu)造確定電路的故障狀態(tài)集后，運用電路分析軟件，求出電路處于各故障狀態(tài)時的響應(yīng)（可測點電壓與各測試頻率下的電路增益） ，將得到的響應(yīng)進(jìn)行規(guī)范化處理，作為對應(yīng)狀態(tài)類的特征。對故障狀態(tài)集中的每一類狀態(tài)，都按上述方法獲得大量特征。 然而，由于模擬電路容差的普遍存在及軟故障參數(shù)的連續(xù)性，電路故障狀態(tài)是難以窮盡的。同時，由于bp網(wǎng)絡(luò)是通過學(xué)習(xí)帶正確答案的事例集自動提取“合理的”求解規(guī)則，因而訓(xùn)練樣本的選擇直接影響故障診斷的精度，必須賦予網(wǎng)絡(luò)足夠多的具有代表性的訓(xùn)練樣本，網(wǎng)絡(luò)才會具有較強的泛化能力，但樣本量過大，又會導(dǎo)致訓(xùn)練時間太長。為了使能盡量選取少量樣本訓(xùn)練網(wǎng)絡(luò)，而又能將其很好地推廣應(yīng)用于診斷電路的各種故障情況，在此采用“偽故障邊界樣本選擇法”，即把有交的故障域重構(gòu)成無交的偽故障域，在各個偽故障及無故障域的邊界附近優(yōu)選相應(yīng)的故障和無故障訓(xùn)練樣本，再用這些樣本訓(xùn)練與其相對應(yīng)的bp網(wǎng)絡(luò)。從神經(jīng)網(wǎng)絡(luò)的特性來看，這樣選出的樣本比較具有代表性，由此訓(xùn)練出的網(wǎng)絡(luò)推廣能力強，診斷精度高。3.2.3 學(xué)習(xí)方法 對于前向網(wǎng)絡(luò)，bp算法是一種很實用的算法，它通過調(diào)整網(wǎng)絡(luò)權(quán)值與閾值能達(dá)到網(wǎng)絡(luò)的輸出與目標(biāo)輸出之間誤差平方和最小。但傳統(tǒng)的bp算法具有明顯的局限性，主要表現(xiàn)在收斂速度慢，且目標(biāo)函數(shù)存在局部極小點，為此應(yīng)用改進(jìn)的bp算法遞推最小二乘法，該算法將誤差糾正學(xué)習(xí)算法看作是用一個自適應(yīng)濾波算法去辨識一個非線性系統(tǒng)，采用擴展kalmann濾波算法完成這一任務(wù)，可以較好地克服傳統(tǒng)bp算法的不足。結(jié)論自20世紀(jì)60年代以來，模擬電路測試和診斷一直是研究的熱點之一。從現(xiàn)階段來看，模擬電路的故障診斷還未完全實現(xiàn)自動化和智能化。特別是隨著電子技術(shù)的迅猛發(fā)展，soc與混合信號電路的不斷涌現(xiàn)，模擬電路的研究又面臨著新的挑戰(zhàn)，開展測試和診斷的理論方法研究顯得更加重要。多年來，集成電路的測試是制約集成電