基于神經網絡的車載電源開關電容變換器的智能潛電路分析

何惠英，李良洪，付蘭芳，趙 玲

(軍事交通學院 基礎部，天津 300161)

?

● 基礎科學與技術 Basic Science & Technology

基于神經網絡的車載電源開關電容變換器的智能潛電路分析

何惠英，李良洪，付蘭芳，趙 玲

(軍事交通學院 基礎部，天津 300161)

在基于學習機制的智能潛電路分析過程中，如何有效地從大量電路信息中抽象出神經網絡所需的樣本數據，是保證系統預測結果可靠性的重要前提。為提高神經網絡樣本數據的有效性，基于圖的理論和無效路徑剔除方法，提出電路信息轉換成神經網絡樣本數據的新方法，并將此方法應用于車載電源中的基本降壓式諧振開關電容變換器潛電路分析過程中的樣本生成環節，再借助Matlab工具箱，用遺傳算法優化的BP神經網絡，對經無效路徑剔除方法處理后的樣本數據和原始樣本數據分別進行訓練。訓練結果驗證了此方法的準確性和實用性。通過誤差分析表明，網絡訓練前對樣本數據進行有效處理，不僅可以避免傳統潛電路分析中前期大量的數據輸入工作及線索表難以獲取等問題，還可提高系統預測的準確性。

車載電源；潛電路分析；神經網絡；有效樣本；開關電容變換器

隨著現代汽車用電設備種類的增多、功率的增加，所需車載開關電源輸出電壓種類多元化，即均需要采用開關變換器將蓄電池提供的直流電壓，經DC-DC變換器變換為車輛內部用電設備所需電壓，因此，開關變換器的可靠性直接關系到車內用電設備工作的穩定性[1]。實驗證明，在車載電源的開關變換器中客觀存在著潛電路現象[2]。智能潛電路分析方法因其相對于傳統潛電路分析方法的諸多優點[3-5]，已成為潛電路分析的重要發展方向。近年來出現了基于定性仿真、定量仿真、人工智能等多種智能潛電路分析方法[6-9]，其中基于神經網絡的潛電路分析方法因其可以避免繁瑣的線索表獲取問題、減少前期大量的數據輸入工作等優點而成為當前研究的熱點[10-11]。訓練樣本的質量是影響神經網絡性能的主要方面之一。在拓撲圖經遍歷所得的全部路徑中，可能含有一些無效路徑，由無效路徑形成的訓練樣本勢必會影響系統的預測準確度。因此，本文提出基于有效樣本的神經網絡潛電路分析方法。此方法在從電路信息到訓練樣本的轉換過程中，采用無效路徑剔除方法，將樣本總空間提煉為有效樣本數據，目的在于提高神經網絡模型預測的準確度，并將此方法應用于基本降壓式諧振開關電容變換器[12-13]的潛電路分析，成為保證車載電源開關變換器可靠性的重要手段之一。

1 基于神經網絡的智能潛電路分析方法的一般步驟

基于神經網絡的智能潛電路分析的一般流程如圖1所示。

2 基于學習機制的潛電路分析方法中的信息轉換

在基于神經網絡的智能潛電路分析過程中，訓練樣本的質量在很大程度上影響著神經網絡的性能，如何有效地將電路的系統信息轉換成神經網絡的樣本數據，是保證預測結果可靠性的前提。對于開關電路的潛電路分析需求，神經網絡所需的樣本信息即是電路中開關元件狀態組合與功能元件狀態之間的關系矩陣，其由電路信息獲得的過程如下。

2.1 樣本空間的確定

(1)拓撲結構圖。隱去電路網絡的電氣特性，依據圖的理論將其抽象為圖論的一個圖，即電路的拓撲結構圖。

(2)確定輸入/輸出變量及其取值。輸入變量為系統各開關元件狀態，輸出變量為系統功能元件狀態。因開關元件只有兩種工作狀態，即“斷開”和“閉合”，因此輸入變量的狀態應對應各開關元件的“斷開”和“閉合”。通常開關元件的“閉合”狀態用“1”表示，“斷開”狀態用“0”表示。因為，在實際電路中，系統功能元件的狀態反映了電路功能的實現與否，因此樣本空間中的輸出變量的取值也用“0”和“1”表示，“1”表示電路實現某功能，“0”表示電路未實現某功能。

但在訓練過程中，神經網絡訓練模型的輸出可能是0到1之間的任意值。鑒于潛電路分析屬于定性分析范疇，可采用閾值過濾方法來處理計算結果，即設置閾值參數。當神經網絡訓練模型的輸出大于閾值參數時，認為系統功能實現；否則，認為系統功能未實現。因此，閾值參數的取值直接影響潛電路的識別結果，一般要求閾值參數≥0．5[9]。

(3)確定樣本總空間。采用深度優先搜索算法對電路的拓撲結構圖進行遍歷，可得其樣本總空間個數。

(4)無效路徑的剔除。對電路的拓撲結構圖遍歷所得的樣本總空間中可能會包含若干個無效路徑[14-15]。預先剔除掉這些無效路徑，不但可以提高潛電路分析的準確率，也可減小后續神經網絡分析的工作量。依其所述的無效路徑剔除方法，并結合所分析電路的實際工作原理，得到無效路徑剔除條件，剔除無效路徑，得出訓練總樣本。

(5)樣本分類。將總樣本分成訓練樣本和測試樣本，訓練樣本用于建立網絡模型，測試樣本用于系統預測，并驗證網絡模型性能。

2.2 樣本輸入輸出矩陣的確定

為應用遺傳算法優化的BP神經網絡對樣本進行訓練，需要對訓練樣本及測試樣本建立輸入輸出矩陣，從樣本數據到輸入輸出矩陣的轉換方法如下。

(1)訓練樣本輸入矩陣的確定。輸入變量個數即開關元件數目作為樣本的輸入特征維數D，輸入變量的狀態分別用X1，X2，…，XD表示。設訓練樣本數目為N，因此輸入矩陣P大小為D×N，并寫出輸入矩陣。

(2)訓練樣本輸出矩陣的確定。輸出變量個數即功能元件數目作為樣本的輸出特征維數K，輸出變量的狀態用Y1，Y2，…，YK表示。設訓練樣本數目為N，因此輸出矩陣T大小為K×N，并寫出輸出矩陣。

(3)測試樣本輸入輸出矩陣的確定。除此之外，為測試神經網絡模型的泛化能力，需要將測試樣本的輸入作為神經網絡模型的輸入，從而預測系統的輸出，因此需根據測試樣本的維數確定其輸入輸出矩陣。

2.3 網絡模型的確定

應用遺傳算法優化的神經網絡對訓練樣本進行訓練[16]，得網絡模型，并用測試樣本進行系統測試，最終確定網絡模型。用網絡模型進行系統預測，并作出誤差分析。

3 基本降壓式諧振開關電容變換器的潛電路分析

基本降壓式諧振開關電容變換器的原理如圖2所示。在正常工作情況下，S1和S2輪流導通[13]。

若電路能實現諧振功能，則功能狀態用“1”表示，否則用“0”表示。根據電路的設計功能，得其預期功能狀態見表1。

表1 預期功能狀態

依上述方法，由本電路的系統信息到神經網絡的樣本數據的轉換過程如下。

3.1 樣本空間的確定

由圖2得電路的拓撲結構(如圖3所示)。

將圖2電路中的6個開關元件S1、DS1、S2、DS2、D1、D2的狀態作為輸入變量，分別用X1、X2、X3、X4、X5、X6表示。設開關元件閉合時，狀態為“1”；斷開時，狀態為“0”。輸出變量為電路是否實現諧振功能，用Y表示。“1”表示實現諧振功能，“0”表示未實現諧振功能。同時可以確定輸入樣本的維數為6，輸出樣本的維數為1。

通過對圖3所示的拓撲圖進行遍歷，可得其樣本總空間為26=64個，再經無效路徑剔除過程[14]，得此電路的無效樣本數為28+4+4=36個。訓練樣本空間為樣本總空間數減去無效樣本數，即64-36=28個，部分樣本狀態見表2。

選第7和第14個樣本為測試樣本，其余為訓練樣本，總訓練樣本數N=28-2=26。

3.2 訓練樣本輸入輸出矩陣的確定

在本基本降壓式諧振開關電容變換器中，樣本的輸入特征維數D即輸入變量也即開關元件數目為6，訓練樣本數目為26，因此其輸入矩陣P大小為D×N=6×26。

樣本的輸出特征維數即輸出變量也即功能元件數目為1，訓練樣本數目為26，因此其輸出矩陣T大小為K×N=1×26。

T=[0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0]

測試樣本的開關狀態對應的輸入矩陣P′為

表2 訓練樣本總空間

3.3 訓練模型及誤差分析

借助Matlab神經網絡工具箱，用遺傳算法優化的BP神經網絡對未經處理的訓練樣本(即樣本空間數64個)，以及無效路徑剔除后的有效訓練樣本(即樣本空間數26個)分別進行訓練，得其對應的網絡模型，并用測試樣本分別進行測試。運行程序50次，取其預測輸出的平均值作為測試結果，其誤差分析見表3。

表3 訓練結果對比

經以上對比分析可以看出：

(1)測試結果均大于所設置的閾值參數，即認為在測試樣本所對應的開關元件狀態條件下，神經網絡模型的輸出為1，這使得電路功能狀態與預期功能狀態不一致，因此，判定此條件下的路徑為潛路徑，這與文獻[2，13]的分析結果一致，驗證了以上潛電路分析方法的正確性。

(2)相對于樣本總空間，由有效訓練樣本建立的BP神經網絡模型對潛電路的預測誤差大大降低，說明無效路徑剔除方法在形成有效樣本環節中的有效性和實用性。

(3)預測結果還存在著較大誤差，這與電路的復雜程度(電路越復雜，即樣本數越多，預測精度越高)、BP神經網絡本身局限性等因素有關。

3.4 潛電路消除

根據以上潛電路分析結果，改進電路[13]，從而消除潛電路，保證電路按預期功能可靠工作。

4 結 語

本文在神經網絡潛電路分析的訓練樣本形成環節中，基于無效路徑剔除方法，提出了基于有效樣本的神經網絡智能潛電路分析方法，并將此方法應用于車載電源的基本降壓式諧振開關電容變換器的潛電路分析，提高了神經網絡模型預測的準確度，同時減小了后續預測環節的工作量，驗證了此方法的正確性和實用性，同時提高了車載電源變換器的可靠性。在基于神經網絡等學習機制的智能潛電路分析方法中，人工智能技術本身參數設置問題、網絡模型參數與電路參數的相關性問題、預測結果的可靠性分析等問題，如當神經網絡模型預測輸出接近于閾值參數時的診斷問題，仍是下一步重點研究的課題。

[1] 麻友良．汽車車載電源及起動機原理與故障檢修實例[M]．北京：機械工業出版社，2010：1-30

[2] 屈莉莉，張波．電力電子變換器的開關布爾矩陣及潛電路分析[J]．電機與控制學報，2011，15 (12)：56-61．

[3] RANKIN JP．Sneak circuit analysis[J]．Nuclear Safety，1973，14(5)：461-468．

[4] 胡昌華，陳斌文，劉丙杰．復雜系統潛在問題分析理論與應用[M]．北京：科學出版社，2008：114-151．

[5] 梁因，馬齊爽，徐萍．基于圖論的潛通路分塊分析方法[J]．北京航空航天大學學報，2014， 40(1)：115-119．

[6] ZIDAN MA，FAHMY HAH，HUSSAIN MM，et al．The sneak paths problem and solutions [J]．Microelectronics Journal，2013，44(2)：176-183．

[7] 任立明．潛在電路分析技術與應用[M]．北京：國防工業出版社，2011：1-12．

[8] 徐萍，馬齊爽，鄒濤．開關電路潛通路分析的一種方法[J]．北京航空航天大學學報，2011，37 (3)：360-363．

[9] 劉丙杰，劉勇志，黃岳．基于克隆選擇算法的學習型Petri網及在潛在通路分析中的應用[J]．航天控制，2011，29 (8)：94-97．

[10] 胡昌華，劉丙杰．復雜系統可靠控制中的潛在問題互連神經網絡分析方法[J]．自動化學報，2008，34 (2)：179-194．

[11] 劉丙杰，胡昌華．基于神經網絡的潛在通路分析[J]．宇航學報，2006，27 (3)：474-477．

[12] 屈莉莉，張波，丘東元．ZCS諧振開關電容變換器的拓撲結構改進[J] ．電力電子技術，2009，43 (6)：21-23．

[13] 黎劍源，丘東元，張波．n階諧振開關電容變換器潛電路圖論分析法[J]．中國電機工程學報，2008，28 (3)：53-58．

[14] 何惠英，李志剛，張菲菲，等．電力電子變換器潛電路中的無效路徑剔除方法[J]．電子技術應用，2013，39 (12)：72-74．

[15] 何惠英，李志剛，張菲菲，等．汽車電子電路潛電路的無效路徑剔除方法研究[J]．電子技術應用，2014，40 (5)：59-61．

[16] 陳明．MATLAB神經網絡原理與實例精解[M]．北京：清華大學出版社，2013：127-133.

(編輯：史海英)

《軍事交通學院學報》學術不端行為檢測聲明

為進一步強化學術誠信意識，維護學術期刊的嚴肅性和科學性，并向廣大讀者負責，本刊將利用“軍事科研學術文獻檢測系統”對所有來稿進行學術不端行為檢測，論文復制比應≤15%。

特此聲明。

本刊編輯部

Intelligent Sneak Circuit of Switched Capacitor Converters of Vehicle Power Based on Neural Network

HE Huiying, LI Lianghong, FU Lanfang, ZHAO Ling

(General Courses Department, Military Transportation University, Tianjin 300161, China)

In the process of analyzing intelligent sneak circuit based on learning mechanism, abstracting sample data for neural network from a large number of circuit information is the important premise of the reliability of prediction. In order to improve the effectiveness of the sample data of neural network, the paper firstly proposes a new method of transforming circuit information into sample data of neural network based on graph theory and excluding method of invalid paths, and applies this method in the link of sample generation in sneak circuit analysis process of switched capacitor converters of vehicle power. Then, it trains the sample data dealt with excluding method of invalid paths and the original sample data respectively with BP neural network optimized by genetic algorithm in MATLAB toolbox. The training result verified the accuracy and practicability of this method, and the error analysis showed that the effective treatment of sample data before training can reduce a lot of data entry work and solve the problem of obtaining clue lists, and it can also improve the accuracy of system prediction.

vehicle power; sneak circuit analysis; neural network; effective sample; switched capacitor converters

2016-08-31；

2016-12-07．

何惠英(1976—)，女，碩士，講師.

10.16807/j.cnki.12-1372/e.2017.06.020

TM46

A

1674-2192(2017)06- 0087- 05