在運用BP神經(jīng)網(wǎng)絡(luò )進(jìn)行模擬電路故障診斷過(guò)程中，代表故障特征的網(wǎng)絡(luò )輸入至關(guān)重要。分析了常見(jiàn)特征信息提取和故障診斷方法，提出一種基于多測試點(diǎn)、多特征信息原始樣本集的新方法。運用這種方法構造原始故障特征集，然后作為BP神經(jīng)網(wǎng)絡(luò )的輸入對網(wǎng)絡(luò )進(jìn)行訓練，仿真結果表明，通過(guò)該方法構造的樣本集訓練出來(lái)的網(wǎng)絡(luò )對模擬電路故障診斷的正確率優(yōu)于傳統方法，證明了該方法在模擬電路故障診斷中的可行性，為模擬電路的故障診斷提供了一種新方法。
近年來(lái)，模擬電路的故障診斷中神經(jīng)網(wǎng)絡(luò )的運用越來(lái)越廣泛，電路故障特征信息是神經(jīng)網(wǎng)絡(luò )輸入，直接影響著(zhù)網(wǎng)絡(luò )的性能和診斷的正確率。模擬電路故障診斷中，可以在電路中選取多個(gè)測試點(diǎn)，通過(guò)提取每個(gè)測試點(diǎn)在各種故障狀態(tài)下的單一特征信息，以此作為神經(jīng)網(wǎng)絡(luò )的輸入；也可從電路的輸出響應曲線(xiàn)中提取若干參數對應的信息作為故障特征，當電路出現故障時(shí)，輸出響應曲線(xiàn)與正常狀態(tài)有所差異，對應信息的變化即可反映該故障特征，將這些信息作為神經(jīng)網(wǎng)絡(luò )的輸入。在這兩種方法的基礎之上，提出基于多測試點(diǎn)多特征信息的方法，重點(diǎn)在于構造故障樣本集。通過(guò)仿真并將3種方法進(jìn)行比較表明，多測試點(diǎn)多特征信息方法構造出來(lái)的樣本集能更好地反映故障模式，訓練出來(lái)的網(wǎng)絡(luò )對樣本集的識別正確率更高。

1單一特征
信息構造樣本集電路中測試點(diǎn)的選取依據電路靈敏度的分析。顯然測試點(diǎn)越多，數據量越大，需要根據電路的復雜程度和計算量、時(shí)間綜合考慮，仿真實(shí)驗表明，取3～4個(gè)測試點(diǎn)較好。
仿真電路選取Sallen-Key二階帶通濾波器，各元件的標稱(chēng)值為：R1=1 kΩ，R2=3 kΩ，R3=2 kΩ，R4=R5=4 kΩ，C1=C2=5 nF.電路如圖1所示，在電路中選取3個(gè)測試點(diǎn)，分別為out、out1、out2，分別測出這3個(gè)點(diǎn)在正常狀態(tài)及各種故障狀態(tài)下的電壓作為BP網(wǎng)絡(luò )的輸入。經(jīng)靈敏度測試，當R2、R3、C1、C2發(fā)生變化時(shí)，對輸出點(diǎn)的波形影響最為明顯。因此設定軟故障：R2+50％（F1）、R2-50％（F2）、R3+50％（F3）、R3-50％（F4）、C1+50％（F5）、C1-50％（F6）、C2+50％（F7）、C2-50％（F8）、正常（F0）一共9種故障，故障模式采用n-1表示法，即0為無(wú)故障，1為有故障。因為各測試點(diǎn)的輸出都是頻響曲線(xiàn)，所以將3個(gè)測試點(diǎn)在各種故障狀態(tài)下10 kHz所對應的電壓作為輸入向量，故障類(lèi)型的編碼作為輸出向量，原始樣本集如表1所示，又稱(chēng)為故障狀態(tài)表。

由于原始樣本中各分量的尺度相差較大，所以需要進(jìn)行數據歸一化處理，以恰當的方式對數據進(jìn)行歸一化處理可以加快神經(jīng)網(wǎng)絡(luò )的收斂，提高神經(jīng)網(wǎng)絡(luò )的訓練效果。
此處對原始樣本數據進(jìn)行模糊隸屬處理，采用正態(tài)分布函數對樣本數據進(jìn)行歸一化，其中a為電路正常狀態(tài)下各測試點(diǎn)的特征值，將歸一化后的數據作為神經(jīng)網(wǎng)絡(luò )的輸入。構建一個(gè)輸入神經(jīng)元數目為3，輸出神經(jīng)元數目為8的網(wǎng)絡(luò )，隱層神經(jīng)元的數目參照美國科學(xué)家Hebb提出的經(jīng)驗公式選取，經(jīng)過(guò)多次嘗試，最終確定隱層神經(jīng)元數目為13，即網(wǎng)絡(luò )結構為3—13—8.設定學(xué)習速度為0.01，訓練目標為0.01，訓練算法采用自適應速率的附加動(dòng)量法，當隱層神經(jīng)元數目為13時(shí)，所用的訓練次數為1 011次，訓練誤差曲線(xiàn)如圖2所示。

 

 將經(jīng)過(guò)歸一化的故障樣本輸入到訓練過(guò)的BP網(wǎng)絡(luò )中以檢測此網(wǎng)絡(luò )，故障的測試情況如表4所示。根據電路的特點(diǎn)，取判定閾值為ψ=0．85若>0．85，都視為1，若<0．25，都視為0，0．25～0．85之間的視為不能區分。從表4可以看出，除F7、f8以外，其余的故障模式都能準確地識別，故障診斷的正確率為78％，實(shí)際診斷時(shí)，只需要測出每個(gè)測試點(diǎn)在10 kHz對應的電壓值即可用神經(jīng)網(wǎng)絡(luò )進(jìn)行診斷。

2多特征信息構造樣本集
同樣對于Sallen—Key二階帶通濾波器，從輸出頻響曲線(xiàn)上提取4個(gè)頻率（5 kHz，10 kHz，15 kHz，30 kHz）對應的電壓值作為該電路正常時(shí)的原始特征值，當電路出現故障時(shí)，就可以通過(guò)提取頻響曲線(xiàn)原始故障特征值來(lái)反映該元器件是否發(fā)生故障，構造原始樣本集，如表2所示。

將數據進(jìn)行歸一化，然后按照與方法一相同的網(wǎng)絡(luò )進(jìn)行訓練，經(jīng)過(guò)307次達到訓練目標，故障測試情況如表所示5.故障模式F0與F1無(wú)法區分，說(shuō)明R2+50％這個(gè)故障模式與正常模式的故障特征相互重疊，同時(shí)也看到故障模式F2的故障特征表示的不夠明顯，以至于沒(méi)能達到診斷的閾值，其余故障模式都能準確識別，識別正確率為67％。

3多測試點(diǎn)多特征信息構造樣本
集結合上面兩種方法，提出一種多測試點(diǎn)多故障特征量的模擬電路故障診斷方法。
為了與上面兩種方法進(jìn)行比較，依然選取相同的電路和相同的故障集，選取方法一中的3個(gè)測試點(diǎn)，每個(gè)測試點(diǎn)在每種故障狀態(tài)下分別提取V5k，V10k，V15k，所對應的電壓作為故障特征值，如表3所示，由于篇幅有限，只列出部分故障模式的原始樣本集。

依然采用正態(tài)分布函數對數據進(jìn)行歸一化，歸一化時(shí)，每種頻率對應的正常狀態(tài)下的特征值為a，其余故障模式按照對應的頻率分別進(jìn)行歸一化，將上述數據經(jīng)過(guò)同樣的網(wǎng)絡(luò )結構進(jìn)行訓練，神經(jīng)網(wǎng)絡(luò )采用L—M算法，網(wǎng)絡(luò )經(jīng)過(guò)101次訓練達到目標。為與方法一和方法二比較，將歸一化后的原始樣本數據輸入訓練過(guò)的網(wǎng)絡(luò )中，檢查網(wǎng)絡(luò )的故障識別率，判定閾值不變。輸出結果如表6所示。

從表6可以看出，在所有的訓練樣本集中，只有4個(gè)樣本在經(jīng)過(guò)訓練后無(wú)法識別，此時(shí)訓練好的神經(jīng)網(wǎng)絡(luò )識別正確率為85％。說(shuō)明此方法構造的樣本集能更好的反映故障特征。將此方法與前面兩種方法對比，在網(wǎng)絡(luò )訓練目標相同的前提下，對比故障識別正確率如表7所示。

4結束語(yǔ)

通過(guò)比較可以發(fā)現，在神經(jīng)網(wǎng)絡(luò )訓練目標相同的前提下，通過(guò)多測試點(diǎn)多特征信息構造出來(lái)的樣本集所訓練的神經(jīng)網(wǎng)絡(luò )對故障識別正確率高于前兩種方法，這種多測試點(diǎn)多特征信息的診斷方法，在構造原始故障樣本集上盡可能地覆蓋更多的故障信息，使得故障特征能更好地反映故障模式，因此訓練出來(lái)的神經(jīng)網(wǎng)絡(luò )的診斷能力更強，仿真結果表明，此方法在模擬電路的故障診斷中是可行的，提供了一種樣本集的構造方法，對模擬電路的故障診斷有著(zhù)一定的意義。