探究基于BP神經網絡的模擬電路故障診斷

徐吟瓊

蘇州大學，江蘇蘇州 215000

探究基于BP神經網絡的模擬電路故障診斷

徐吟瓊

蘇州大學，江蘇蘇州 215000

電子設備的種類越來越豐富，其復雜性也越來越高，相關調查顯示電子設備中80%以上的故障都來自模擬電路。本文概括了BP神經網絡的模式識別特點和用于模擬電路故障診斷的原理，并應用BP神經網絡改進算法進行模擬電路的故障診斷。

模擬電路；BP神經網絡；故障診斷

隨著電子器件復雜性的提高，模擬電路的故障診斷也越來越復雜。傳統的診斷方法已經不能滿足要求，人工智能理論的出現使得模擬電路故障診斷成為了一項新的研究領域。

1 基于神經網絡的故障診斷原理

基于神經網絡的故障診斷可以看作模式識別問題，通過對一系列的過程參量的測量，應用神經網絡將測量空間映射到故障空間，從而實現故障診斷。

BP神經網絡一般指基于誤差反向傳播算法的多層前饋型神經網絡，采用Sigmoid型可微函數，能夠實現輸入和輸出間的任意非線性映射。BP網絡用于模擬電路故障診斷首先要確定電路的待測狀態集，然后求電路處于其中一種狀態時的響應必要的預處理，作為對應狀態類的一個特征。對狀態集中的每一類狀態，都按照同樣的方法獲取大量的特征，從這些特征中選擇有代表性的特征，構成訓練樣本集。然后，用這些樣本訓練與所求問題相對應規模的BP網絡。訓練時，把狀態特征輸入到BP網絡的輸入節點，要求網絡的輸出能正確的指出電路狀態所屬類別。實際電路診斷時，將與樣本相同的激勵施加給被測電路，得到相應的特征并輸入到已經訓練好的BP網絡，BP網絡判斷出電路中的故障并進行定位。診斷流程：1）提取故障樣本：通過電路仿真軟件對給定的模擬電路進行仿真，得出各種狀態數據；2）特征參數提取：對狀態數據進行特征參數分析；3）網絡結構優化：根據輸入數據的特點和系統需要的結果顯示形式分別確定輸入層和輸出層的節點數；4）訓練與識別；訓練已知樣本，訓練成功后，輸入待識別的故障信號，即可得到識別結果。

2 診斷實例

圖1 待測電路圖

表1 模擬電路故障字典

本例應用BP神經網絡對模擬電路的部分元件進行診斷，圖1為待測電路。電路發生故障時，測試點電壓的變化情況能表征出故障特征，表1為建立的模擬電路故障字典。

根據表1所示的故障字典，可將其轉化為前饋神經網絡的輸入節點（見表2）和輸出節點（見表3）。其中，前饋網絡的輸入節點等于電路的測點數4，并根據測點實際意義確定其取值范圍為[0V，5V]，測點的高低水平按正常情況分別設為[2.4V，5V]和[0V，0.7V]。網絡的輸出節點根據故障類型確定為3個，分別用（0 0 0），（0 1 1），（1 1 0），（0 0 1）和（1 0 0）表示各故障類型 ，相鄰兩故障差為3（十進制）。根據輸入、輸出節點情況，以蒙特卡羅分析方法可構造出相應的訓練樣本集和測試樣本集，分別包括輸入數據P和輸出數據T。

表2 神經網絡的輸入節點

表3 神經網絡的輸出節點

依據訓練和測試樣本集，首先確定BP神經網絡的輸入層節點數n=4和輸出節點數l=3。按照有關設計策略，分別在不同隱層節點m=9,10,11,12,13下設置對應的BP結構，并在相同的訓練樣本集和測試樣本集條件下進行訓練和測試。由于訓練方法的隨機性，在每種結構狀態下分別訓練5次，然后取各個BP診斷模型的正確識別率的平均值，相應的運算結果如下表（表4）所示。

表4 不同參數的BP模型診斷結果

分析上表數據可得，當選取隱層節點=11時，測試樣本診斷正確率可達95%，診斷識別率很高，診斷效果很理想。

3 結論

將BP神經網絡應用于電路故障診斷相比傳統方法有更高的正確診斷率，本文中仿真實驗表明，這一方法對模擬電路軟故障的診斷正確率很高。

TN752

A

1674-6708（2010）30-0263-01