基于神經網絡的電路故障診斷技術概述

北京市朝陽外國語學校 孫照斌

1.引言

隨著科學技術的發展，越來越多的電子產品進入到我們的生活，大規模電路也在通信技術和控制設備中被廣泛應用。然而在一些重要的領域內，僅僅依靠人力對電路故障進行排查是不現實的。為了簡化工作量，提高電路運行速度效率及安全性，達到實時監控故障的效果，業界利用人工神經網絡實現自動化的診斷。本文主要介紹當前最常用的兩種神經網絡故障診斷法，并根據這兩種方法在模擬電路中診斷的結果，闡述各自的優勢和劣勢，最后對未來亟需攻克的問題及神經網絡故障診斷法的發展趨勢進行簡要概述。

2.電路故障診斷分類

2.1 硬故障

模擬電路會出現因電路本身元器件故障而導致電路陷入癱瘓的情況。這些故障通常是由于元器件出現老化，自身性質發生極大的、不可逆的變化，從而使電路的拓撲結構發生變化，形成短路或開路，導致電路停止工作。有時某個電路的停止會波及到整個系統，形成連鎖反應，甚至造成系統崩潰，嚴重影響生產效率和經濟效益。這種毀滅性的自身故障統稱為硬故障。

2.2 軟故障

通常情況下，電路中的各元件均存在一個容差，由于環境溫度、濕度等條件的影響，元件的性質也會隨之發生一定的變化，但只要在容差范圍內，電路均可正常工作。一旦元件性質發生突變，超出了容差范圍，電路的運行就會出現一系列反常的變化。這種變化短時間內不會影響電路的運行，但會使電路的運行性能逐漸下降。這樣的故障可以通過神經網絡電路故障診斷技術來準確迅速判斷出故障所在位置并進行解決，這種可被修復的，一定時間內不影響電路工作的故障統稱為軟故障。

3.神經網絡故障字典法介紹

神經網絡故障字典法實際上與人工方法相似度很高，但能節省許多的人力。它通過模擬電路實驗，將電路故障逐個進行分類，形成一個訓練集，相當于一個字典，類似于人類的經驗。電路故障發生的時候，神經網絡在字典中進行檢索，并運用擬合算法判斷故障類型，實現電路故障的快速診斷。當前，神經網絡故障字典法是最廣泛的方法之一，根據其內部的操作及運算流程，可分為BP神經網絡和SOM神經網絡。

3.1 BP神經網絡故障字典法

BP神經網絡故障字典法最突出的特點是多層分析，將神經網絡分為輸入層，隱藏層和輸出層。通過模擬電路故障，BP神經網絡將每種故障電路的狀態信息通過編碼的形式傳入到輸入層的節點上，經過優化訓練形成模擬訓練集。在出現故障時，BP神經網絡通過測試激勵機制激活輸入層，經過隱藏層的經驗公式計算，推導出最符合訓練集中的故障信息，并將信息轉化成編碼準確傳遞到輸出層的節點上，達到故障診斷的目的。

3.2 SOM神經網絡故障字典法

基于BP神經網絡層次結構繁瑣的問題，來自芬蘭的教授應用自組織特征映射（SOM）神經網絡，將網絡結構簡化為兩層——輸入層和輸出層。SOM網絡的工作原理為：輸入的數據以連接權矢量的空間密度的形式進行表達，再經過訓練集的匹配，將數據信息輸出到競爭層（輸出層）節點，最后經過神經網絡的處理，對故障進行診斷。這種方法能夠對更多種類的故障進行判斷，能夠更加靈活地對電路故障進行診斷，容錯率得到了提高。也正因為如此，SOM網絡在復雜電路中的運用十分普遍。SOM神經網絡的工作流程雖然看起來相對簡單，但能夠更加有效診斷電路故障。實際上，SOM神經網絡的設計難度要遠高于BP神經網絡，其中采用的模糊性運算也會大幅提升故障診斷難度。

3.3 神經網絡故障字典法的優劣性

神經網絡故障字典法的大規模應用源于它突出的優勢：速度快，準確性高。與人工篩查故障相比，神經網絡的速度占有絕對優勢。在神經網絡興起之前，機械的靈活程度往往是無法與人類相比的，但神經網絡使得機器也可以通過訓練和算法，對電路軟故障進行準確診斷。從這些角度來看，神經網絡故障字典法的確無可挑剔，但其缺點也非常明顯。首先，字典信息的錄入需要長時間的訓練，訓練時的數據選擇也具有一定的難度。同時，隱藏層的算法設計很難把握，經驗公式也需要長時間的計算才能更加準確，精密的神經網絡如果發生故障，排除故障也存在較大的難度。這些問題目前正限制著神經網絡故障字典法的發展。

4.神經網絡優化診斷法

鑒于神經網絡故障字典法的劣勢，業界采用了另一種診斷方法：神經網絡優化診斷法。首先，系統將正常的電路信息拷貝到數據庫中作為基底，當電路發生故障時，系統將故障信息反饋到神經網絡中，形成一個模板。由于可能出現故障的區域有多種情況，神經網絡將其等效為一個選擇方案問題，通過建立符合故障描述的能量函數，利用網絡結構對比函數的權值和偏流，從而尋找最優解。接下來，神經網絡利用最優解與數據庫中正常的電路信息進行校驗比對，同時與模板進行匹配，最終將診斷結果進行輸出。

神經網絡優化診斷法可以直接忽略系統參數的容差，適用于任何硬故障和軟故障。同時它的效率也很高，所需的數據量相比于神經網絡故障字典法減少了許多，診斷的結果也更加準確可靠，在當前高速發展的電子行業中具有很大優勢。然而，公式的適用性和多樣性成為了神經網絡優化診斷法發展的絆腳石。如何確定最優解的正確性，如何判斷公式的誤差大小，如何找出較為精準的能量函數，如何將公式進行優化等眾多高技術含量的問題，使得這種方法在當前尚未普及，但其可挖掘潛力巨大，將會成為未來診斷電路故障的主要方法。

5.電路故障診斷方法的發展趨勢

當前，基于神經網絡的電路故障診斷方法具有遠高于人工診斷的效率，實現了低成本與低能耗，得到了業界的廣泛認可，但這些故障診斷方法都存在著不同的優勢和弊端。為了彌補各個方法的劣勢，需要針對不同性質，不同類型的電路故障選取合適的故障分析法。這就要求業界對各種診斷方法進行綜合利用，得出最優的算法，在有限的條件下發揮神經網絡的優勢，這是未來電路診斷方法優化的基礎和必然趨勢。

此外，現有的神經網絡診斷技術必然不足以支撐人們日益增長的電路故障診斷需求，在競爭越來越激烈的環境下，新型的電路診斷方法正成為業界的主要研究方向之一。在診斷方法結合利用的大趨勢下，如果沒有方法上的創新，將會導致診斷方法的單一化，使電路診斷的彈性變差。因此，對電路故障診斷技術方法進行創新與深入研究，是未來電路診斷方式發展的必然趨勢。

基于神經網路的電路故障診斷技術目前在模擬電路實驗中已經初見成效，其可行性得到了充分的驗證，但神經網絡的應用還顯得過于理論化，距離大規模的實際應用還有一定距離，高昂的成本和核心技術的難度也使得神經網絡距離在普通企業中應用尚有一定距離。也正因為如此，不斷發展神經網絡技術，使其變得更經濟與更有效，是今后發展的首要目標。

6.小結

本文主要介紹了用于電路診斷的幾種神經網絡診斷法的應用原理和優劣勢，并對其可能的發展方向和空間進行了簡要分析，同時展望了神經網絡診斷法的發展趨勢，指出了不足和希望。近年來，人工智能技術正在高速發展，這源于人們發展創新意識的覺醒、對高科技人才培養的重視及經濟的飛速發展。可以預計在不久以后，基于神經網絡的電路故障診斷技術一定會取得顯著的發展。