基于BP神經網絡的模擬電路故障診斷

孫曉莉

摘要：本文重點闡述了BP神經網絡的基本結構和訓練算法，論證這種算法實現模擬電路故障診斷的可行性，并指出了這種方法在電路故障診斷應用中存在的優勢與不足。BP神經網絡的優點是強大的模式分類能力強，缺點是需要訓練樣本數量龐大，診斷效率低。

關鍵詞：BP神經網絡；故障診斷；網絡訓練

中圖分類號：TP183 文獻標識碼：A 文章編號：1007-9416（2018）05-0101-02

在現有的人工神經網絡理論中，BP神經網絡使用最為廣泛。BP網絡（Back-Propagation Network）訓練網絡權值的算法是后向傳播學習算法，它是一種多層前向神經網絡。BP學習算法是人工智能專家Rumelhart于1986年創建的理論。現代模擬電路故障診斷技術中應用神經網絡的基本上選擇的都是BP神經網絡。

1 BP神經網絡

1.1 BP模型結構

BP網絡是一種二值輸出、全連接的反饋型網絡。BP網絡由輸入層、中間層和輸出層組成。BP網絡的同一層的節點沒有任何聯系，但兩層之間是全連接的。根據實際的需要，此模型能設計多個隱層。上一層神經元（節點）的輸出值經過連接權值加權的結果就是和它相連接的下一層神經元的輸入。網絡中信息傳播的順序是輸入層→隱含層→輸出層。

1.2 BP算法

依據BP算法的設計理念，把BP神經網絡的學習過程可分為四步：首先是“正向傳播”過程，它是完成輸入信號的傳輸，其傳輸順序是：輸入層→隱層→輸出層。其次是是“反向傳播”過程，它的功能是把輸出的偏差反饋給輸入，其方向正好與正向傳播相反，它的傳播順序是輸出層→隱層→輸入層，再逐層修正連接權值。三是網絡的訓練。四是網絡趨向收斂。以下簡要介紹這四大部分。

1.2.1 正向傳播

如果假設BP網絡的輸入層包含神經元的數目為n，隱層的神經元的個數為q，輸出層的節點數為m。f（x）1表示隱層的激活函數，f（x）2表示輸出層的激活函數，輸入層和隱層間的權值為Wki，隱層與輸出層間的權值為vjk，則隱層節點的輸出Zk為（把閾值寫入求和項中）：

輸出層節點的輸出為：

從以上兩個式子中得出以下結論：BP網絡的功能實際上是構建m維空間向量與n維空間向量的非線性函數關系。

1.2.2 反向傳播

1.2.3 網絡訓練

網絡訓練就是反復學習，它的實質是網絡的“記憶訓練”。訓練樣本的過程就是“正向傳播”和“反向傳播”同時交替傳播的過程。神經網絡的相對誤差就是預想輸出與實際輸出之間的差值，訓練也是修正相對誤差連權值的過程。單次的訓練包括正向傳播一次，再反向傳播一次。訓練一個網絡要成千上萬次的正向傳播和反向傳播才。隨著訓練的深入，網絡的實際輸出與預想輸出的差距會逐漸縮小。對于任何一個學習樣本，都要遵從樣本的排列順序才獲取到正確的連權值。

1.2.4 網絡收斂過程

網絡收斂過程就是求網絡輸出函數的極值，也是計算全局誤差的極小值的過程。BP算法的收斂速度慢，為了加快收斂速度，學者也做了很多的研究。這些方法包括：變步長法、引入動量因子法、改變誤差函數法等。

2 BP神經網絡應用于模擬電路故障診斷的優勢和不足

在現有的各種類型神經網絡中，人們研究最多的是BP網絡，因此它的成果也比較多。BP神經網絡的最大優點是強大的模式分類能力強。故障分類一直是故障診斷技術的難題，BP網絡正好能解決這一難題，BP網絡在故障診斷領域應用廣泛。

使用BP神經網對模擬電路的故障進行分類，針對不同的故障類型，網絡總能找到相應的數據作為BP神經網絡的訓練樣本。由于BP神經網絡分類器具有自學習功能，所以不僅能識別出已經訓練過的樣本，通過記憶聯想還能識別以前沒有出現過的樣本。BP網絡在模擬電路故障診斷應用中的主要缺陷是需要大量的訓練樣本。模擬電路故障診斷過程中運用BP神經網絡的分類器時，要想獲得一個訓練樣本必須進行一次電路測試，所以獲取樣本費時費力，代價很大。故障的種類越多，選取的樣本數據的數量就會大量增加，訓練的次數自然也跟著增加，診斷效率降低。

3 結語

自模擬電路故障診斷技術研究以來，人們提出的行之有效的故障診斷方法還是比較少。本文針對傳統的故障診斷系統不能進行自我學習、自我適應，知識獲取困難等不足作出改進，提出了基于BP神經網絡的模擬電路診斷方法，對于模擬電路軟故障的診斷，具有良好的分類能力，提高了故障診斷的正確率。

參考文獻

[1]李璐怡，李志華.一種基于小波預處理的模擬電路故障診斷方法[J].電子設計工程，2014，22（14）：146-148.

[2]黃如科，梁天生，余漢華.基于小波變換與BP神經網絡的模擬電路故障診斷[J].電子科技，2014，27（08）：46-49.