（电气工程专业论文）基于量子神经网络的容差模拟电路的软故障诊断.pdf

基于量了神经网络的容差模拟 乜路的软故障诊断 摘要 模拟电路故障诊断一直以来都是十分必要且有意义的，已成为热门的研究课 题。传统的模拟电路故障诊断的方法也有很多种，但是它们一般都是用于诊断开 路、短路这种硬故障的，难以发现在电路中的各个元器件存在类似器件缺陷或缓 慢失效之类的软故障。此外，在很多情况下，一些电路只有一个可测试点，也就 是它的输出端，传统的方法根本无法对它们进行有效诊断。而基于神经网络的模 拟电路故障诊断方法可以很好地解决这些问题。已用在模拟电路故障诊断中的神 经网络主要有b p 网络、s o f m 网络，以及结合模糊理论的模糊神经网络，结合小 波分析的小波神经网络，但是仍然存在问题，例如模糊度如何准确地定量化，对故 障信号进行小波变换之后怎样构造能表征故障类别的特征等，都有待进一步研究 【l l o 量子神经网络( q u a n t u mn e u r a ln e t w o r k ) 简称q n n ，因其隐层神经元采用 多层激励函数使网络具有了一种固有的模糊性，它能将决策的不确定性数据合理 地分配到各模式中，从而减少模式识别的不确定度，提高模式识别的准确性。量子 神经网络已成功应用于图像处理、气象预测及语音识别等，但用在模拟电路故障 诊断中不多见，本文结合不同的故障提取方法，提出了基于量子神经网络的容差 模拟电路的软故障诊断，通过仿真实验，将量子神经网络成功应用到模拟电路的 软故障诊断中，并与b p 神经网络相比，提高了故障诊断的正确性。 关键词：量子神经网络；量子间隔；小波分析；容差分析 t 程硕l ：学位论文 a b s t r a c t a n a l o gc i r c u i tf a u l td i a g n o s i sh a sb e e nv e r yn e c e s s a r ya n dm e a n i n g f u l ，a n di th a s b e c o m eah o tt o p i cf o rr e s e a r c h t h e r ea r em a n yw a y sf o rd i a g n o s i n gt r a d i t i o n a l a n a l o gc i r c u i tf a u l t ，b u tt h e ya r em a i n l yu s e dt od i a g n o s eh a r d w a r ef a u l t ss u c ha so p e n ， s h o r tc i r c u i t s ，t h o s es o f tf a u l t ss u c ha ss i m i l a rd e v i c ed e f e c t so rg r a d u a l l yi n v a l i d a t i o n e x i s t i n gi nv a r i o u sp a r t so f t h ec i r c u i ta r eh a r dt ob ef o u n d i na d d i t i o n ，i nm a n yc a s e s ， t h e r ei so n l yo n et e s t i n gp o i n tf o rs o m ec i r c u i t s ，t h a ti s ，i t so u t p u t ，t r a d i t i o n a lm e t h o d s a r eu n a b l et oe f f e c t i v e l yc a r r yo u tt h e i rd i a g n o s i s t h em e t h o do fa n a l o gc i r c u i tf a u l t d i a g n o s i sb a s e do nn e u r a ln e t w o r kc a ns o l v et h e s ep r o b l e m sp r o p e r l y t h en e u r a l n e t w o r ku s e di na n a l o gc i r c u i tf a u l td i a g n o s i sa r eb pn e t w o r k ，s o f mn e t w o r k ，f u z z y n e u r a ln e t w o r kc o m b i n e dw i t hf u z z yt h e o r y , w a v e l e tn e u r a ln e t w o r kc o m b i n e dw i t h w a v e l e ta n a l y s i s b u tt h e r ea r es t i l lp r o b l e m s ，s u c ha sh o wt oa c c u r a t e l yq u a n t i f yt h e a m b i g u i t y , h o wt oc o n s t r u c tf e a t u r e s t h a tc a ns h o wt y p e so ft h ef a u l t sa f t e rt h e w a v e l e tt r a n s f o 锄o ff a u l ts i g n a l a 1 lo ft h e s en e e df u r t h e rs t u d y 【 q u a n t u mn e u r a ln e t w o r k ，w h i c hi ss i m p l i f i e da sq n n ，h a sa k i n do fi n h e r e n t f u z z i n e s sb e c a u s ei t sh i d d e nn e u r o n sa d o p tm u l t i - l a y e rs t i m u l a t i n gf u n c t i o n s i tc a n r e a s o n a b l yd i s t r i b u t eu n c e r t a i n t yd a t at oe v e r ym o d e l ，t h e r e b yt h eu n c e r t a i n t yo f p a t t e r nr e c o g n i t i o ni sr e d u c e da n dt h ea c c u r a c yo fp a t t e r nr e c o g n i t i o ni si m p r o v e d q u a n t u mn e u r a ln e t w o r kh a sb e e ns u c c e s s f u l l ya p p l i e dt oi m a g ep r o c e s s i n g ，w e a t h e r f o r e c a s t sa n dv o i c er e c o g n i t i o n ，b u tu s i n gi na n a l o gc i r c u i tf a u l td i a g n o s i si sr a r e b y c o m b i n i n gd i f f e r e n tf a u l t se x t r a c t i o nm e t h o d s ，t h ep a p e rp r o p o s e ss o f tf a u l td i a g n o s i s o fa n a l o gc i r c u i tb a s e do nq u a n t u mn e u r a ln e t w o r k ，a p p l i e sq u a n t u mn e u r a ln e t w o r k s u c c e s s f u l l yt ot h es o f tf a u l td i a g n o s i so fa n a l o gc i r c u i t st h r o u g ht h es i m u l a t i o n b y c o m p a r i n gw i t hb pn e u r a ln e t w o r k ，t h ea c c u r a c yo ff a u l td i a g n o s i si si m p r o v e d k e yw o r d s ：q u a n t u mn e u r a ln e t w o r k ；q u a n t u mi n t e r v a l ；w a v e l e ta n a l y s i s ；t o l e r a n c e i i i 湖南大学 学位论文原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的 研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或 集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体，均 已在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。 作者签名：右苏勿 醐：郴年7 明佃 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保 留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。 本人授权湖南大学可以将本学位论文的全部或部分内容编入有关数据库进行检 索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。 本学位论文属于 作者签名： 导师签名： l 、保密口，在年解密后适用本授权书。 2 、不保密囤。 ( 请在以上相应方框内打“4 ) 彦云缸日期：细召年9 月瑚 吼础年夕月婀 t 程硕 二学位论文 第l 章前言 1 1 容差模拟电路软故障诊断的意义 据统计，虽然混合电路中8 0 是数字电路，但是8 0 的故障发生在模拟部分 【l 】。模拟部分的故障诊断是混合信号集成电路故障诊断的瓶颈，制约着整个混合 电子系统故障诊断技术的发展，所以模拟电路故障诊断问题一直是一个研究的热 点。模拟电路的故障诊断方面存在的困难有【】：( 1 ) 缺少简单的故障模型；( 2 ) 模 拟元件参数容差的影响；( 3 ) 模拟电路中广泛存在非线性问题；( 4 ) 实际的可测节 点数有限；( 5 ) 实用电路中的反馈回路导致仿真复杂。 模拟电路中的故障从程度上，可分为硬故障和软故障。硬故障即故障元件的 参数突然发生大的变化，主要包括短路和开路。软故障即元件的参数值随着时间 或环境条件而偏离至不能允许的程度，超过了该元件参数的容差范围。在模拟电 路中，模拟元件参数可能在【o ，+ 】上连续变化，不同的参数偏移会导致不同的电 路响应，电路可能的状态总数是不可数的，硬故障仅仅考虑了极端的情况；但是 如果用于诊断硬故障同样的方法诊断元件的软故障，需要考虑软故障个数必然远 远大于硬故障的情况。因此，现有大多数方法都是用来诊断硬故障和少数固定参 数偏移软故障。由于硬故障在模拟元件的参数变化范围中只占很小的一部分( 两个 极端点) ，实际上硬故障可以看成是软故障的一个特例，所以软故障的诊断具有更 加重要的意义。 模拟电路故障诊断包含故障检测、故障辨识、故障预测和故障可靠性分析四 个方面。故障检测主要根据采样数据和已知的电路结构来判断电路和系统是否存 在故障，即判断电路是能否正常运行；故障辨识是在已经判定发生故障的前提下， 找出故障的具体物理位置，即故障所在的子网络、支路或结点，如果需要的话， 迸一步分析发生故障的原因，给出故障部件超出容差的具体数值；故障预测是指 故障元件的提前预测，以便在故障发生之前及时更换元件，保障电路的长期正常 运行；可靠性设计是指在一定的外界条件和接口条件下，系统在给定的衰退期内 其功能指标的实际偏离不超过所允许的指标容差概率，在设计电路时采用结构设 计方法，为以后的诊断与维修做好准备。由于模拟系统的故障模型复杂、元件参 数容差和非线性现象的普遍存在、绝大多数电流参数的不可及性以及多故障等原 因决定了模拟电路故障检测是一个相当困难的课题，一直没有取得系统性和突破 性的进展。 幕于量_ 了种经网络的容差模拟电路的软故障诊断 1 2 模拟电路软故障诊断的研究现状和方法 模拟电路故障诊断自提出以来，可分为三个阶段。 第一阶段是8 0 年代以前，1 9 6 2 年r s b e r k o w i t z 首先提出模拟电路可解性1 3 1 概念，得到了无源线性集总电路的元件值可解性的必要条件，从而揭开了模拟电路 故障诊断研究的序幕。1 9 7 9 年，n a v i d 和w i l l s o n 4 1 论证了网络可解性的充分条件， 奠定了模拟故障诊断的理论基础。此后，研究者们力图将其他领域的方法应用到 此领域，以求得网络中所有元件的实际数值，提出了多种诊断方法【5 - 6 ，但是他们 对故障本身的性质研究较少，往往要求测试点较多，计算量大而难以付诸实际应 用。 第二阶段为8 0 至9 0 年代，8 0 年代，研究者们从故障诊断的实际情况出发，将 着眼点从求解全部元件数值转移到诊断部分元件，以确定故障区域或故障元件， 用较少的可及点就可以将故障定位到元件，并分成故障定位和故障元件求值两步 来完成，从而减少了计算量，削弱了诊断条件。这一时期，比较典型的方法是k 故 障诊断【1 6 】和失效元件定界法【7 1 。 第三阶段是9 0 年代以后，由于模拟电路本身的特殊性及其诊断的特殊性，绝 大部分学者都转向模拟电路的测试研究，故它的进展明显减慢，但是，国内还有 许多学者一直致力于它的研究。随着人工智能技术的发展，特别是人工神经网络在 不同领域中的广泛应用，故障诊断技术也朝着智能化的方向发展。r o b e r ts p a i n 和 s h a m b h uu p a d h y a y a 于1 9 9 7 年【9 】将神经网络运用到小规模模拟电路的故障检测 领域，即神经网络来完成故障的分类和故障字典的自动查询，不仅诊断率高( 【9 】 文称诊断率达到了9 5 ) ，且由于神经网络的鲁棒性，可以识别未出现过的训练 样本。此后，许多学者纷纷利用神经网络来自动检测故障【l 肌1 1j m c a t e l a n i 、a f o r t 和k m o h n a m m a d i 1 2 j 利用径向基网络对模拟电路软故障诊断进行研究。 总结来说，自2 0 世纪7 0 年代以来，模拟电路故障诊断领域已经取得了一定的 研究成果：故障字典法【1 5 , 2 4 、参数识别法1 1 8 、故障验证法【1 7 1 、逼近法【2 】属于传统 的模拟电路故障诊断方法；基于专家系统【2 n 、神经网络f 2 0 历】、模糊理论f 1 5 17 1 、小 波变换【1 0 j4 1 、遗传算法【2 3 】等理论发展起来的新方法则是现代模拟电路故障诊断方 法的代表。近年来，传统的故障字典法和故障验证法中的k 故障诊断理论i l 吼2 4 j 、 网络撕裂法【2 0 , 2 6 】均有了新的进展；现代故障诊断方法的发展更加迅速，相继出现了 模糊神经网络【1 6 】和小波神经网络【1 0 。1 3 1 等方法。尽管模拟电路故障诊断方法以诊断 硬故障【1 4 】和少数固定参数偏移软故障为主，但学者们一直以来致力于研究模拟电 路软故障【1 3 1 和多故障诊断【2 0 ，2 6 1 ，其中软故障诊断字典法【1 5 1 的研究成果较为突出； 近年来，基于神经网络，并结合专家系统、模糊理论、小波变换和遗传算法等技术 的现代模拟电路软故障诊断方法成为新的研究热点，相继出现了“模糊神经网络 2 t 程硕卜学位论文 1 4 , 1 6 1 ，和t - 小波神经网络【1 0 朋】，等方法。但是仍然存在问题，有待进一步研究。 故障字典法，其基本思想是首先提取电路在各种故障状态下的电路特征，然后 将特征与故障的一一对应关系列成一个字典。在实际诊断时，只要获取电路的实时 特征，就可以从故障字典中查出此时对应的故障【2 4 1 。故障字典法是最具实用价值 的故障诊断方法，因为几乎所有的计算量都集中在测前，测后只需要查字典定位故 障，所以能做到实时诊断。然而故障字典法需要在测前确定电路的故障集，如果考 虑软故障的情况，建立的字典将无穷大，所以在实际应用中一般用来处理单故障和 硬故障，应用受到极大的限制。 1 2 1 模拟电路软故障诊断字典法的研究现状 ( 1 ) 基于支路屏蔽的诊断原理 文献【1 9 】中提出了基于k 故障诊断理论的支路屏蔽思想的故障诊断方法。支 路屏蔽就是通过施加某种特定的激励电流，使得电路中某特定支路的支路电压为 零，这时该支路元件参数无论发生怎样的变化，对电路的输出都不会再有影响。基 于支路屏蔽原理，在测前模拟中，可以通过仿真找到每一个故障支路元件对应的屏 蔽激励电流，构成字典。在实际测试中，根据故障字典，分别对电路施加激励电流， 可以定位故障支路。文献【2 2 】中进一步研究了基于支路屏蔽原理的可诊断容差模 拟电路软故障的故障字典自动建立方法。文献【l5 】中依据支路屏蔽的概念，结合网 络分析与模糊数学，求取电路的支路集屏蔽电流，并由元件参数分布规律计算容 差对端口特性的影响，以此建立故障字典并构造故障阈值函数，实现了容差电路 的故障检测。文献 2 3 】中将多目标遗传优化算法与支路屏蔽原理相结合，建立了模 拟电路容差情况下的故障屏蔽模型，创建了目标函数与相应的适应值函数搜索最 优激励用于故障定位。支路屏蔽方法的思想非常巧妙，适用于线性电路和非线性电 路的软故障和硬故障诊断，但是其故障字典是每种故障支路对应的屏蔽激励电流， 字典构造困难，实施诊断也很困难。 ( 2 ) 基于电路参数随元件变化轨迹的诊断原理 文献 2 7 】中利用电路参数随元件参数变化的轨迹来诊断元件软故障。 ( 3 ) 基于节点电压灵敏度序列守恒的诊断原理 文献 2 8 】中对线性电路的节点电压灵敏度诊断方法作了详细的叙述，首次提 出线性模拟电路中硬故障和软故障的共同特征? 虽然一个元件的各种故障儆故障 和硬故障j 对各节点电压的影响大小是千变万化的，但是它们对各节点电压影响 强弱的次序是不变的。节点电压灵敏度序列方法的故障模型简单，构造的字典能同 时诊断硬故障和软故障，主要用于线性模拟电路的诊断。与其他字典的构造难度 相比，该字典法只需测量节点电压，测后计算电压增量，较为简单实用。 ( 4 ) 基于节点电压增量关系方程的诊断原理 綦于量了神经嘲络的容差模拟电路的软故障诊断 文献 2 9 】中分析了当某一个或一组元件参数发生变化时，电路中若干节点电压 增量之问的关系方程( 节点电压增量关系方程) ，并证明? 对于线性模拟电路，当元件 参数发生变化时，节点电压增量关系方程是一个齐次线性方程。在此结论的基础上， 给出了一种新的多故障和软故障字典法。当分析单个元件故障时，节点电压增量关 系方程退化为文献 3 0 中的斜率故障模型。与节点电压灵敏度方法相同，基于节点 电压增量关系方程线性相关系数的故障诊断方法的故障模型简单，构造的字典能 同时诊断硬故障和软故障，主要用于线性模拟电路的诊断。在测前只需仿真每个元 件在任意参数偏移下的故障一次，得到的故障特征就能用来诊断包含该元件的所 有多故障。 1 2 2 现代模拟电路软故障诊断方法 近年来，基于神经网络，并结合专家系统【2 、模糊理论【1 4 。1 7 】、小波变换【1 0 - 1 3 】 和遗传算法【2 3 i 等技术的现代模拟电路故障诊断方法成为新的研究热点，相继出现 了“模糊神经网络”和“小波神经网络 等方法。 专家系统故障诊断方法【2 l 】：专家系统是人工智能应用研究最活跃和最广泛的 课题之一，它是一个智能计算机程序系统，其内部具有大量专家水平的某个领域 知识与经验，应用人工智能技术，根据某个领域一个或多个人类专家提供的知识 和经验进行推理和判断，模拟人类专家的决策过程，以解决那些需要专家决定的 复杂问题。专家系统在模拟电路故障诊断中的典型应用是基于产生式规则的系统， 其基本工作原理是：首先把专家知识及其诊断经验用规则表示出来，形成故障诊 断专家系统的知识库，进而根据报警信息对知识库进行推理，诊断出故障元件。 神经网络故障诊断方法【1 0 - 1 3 ，2 0 t 2 5 ，3 0 4 1 t4 2 】：人工神经网络( a n n ) 是模拟人脑 组织结构和人类认知过程的信息处理系统，自1 9 4 3 年首次提出以来，已经迅速发 展成为与专家系统并列的人工智能技术的另一个重要分支。它以其诸多优点，如 并行分布处理，自适应，联想记忆等，在智能故障诊断中受到越来越广泛的重视， 而且已显示出巨大的潜力，并为智能故障诊断的研究开辟了一条新途径。a n n 技 术特别适合处理那些故障诊断中无法用显性公式表示的、具有复杂非线性关系的 情况，能够出色解决那些传统模式识别方法难以圆满解决的由于非线性、反馈回 路和容差等引起的问题；它以分布的方式存储信息，利用网络的拓扑结构和权值 分布实现非线性的映射，利用全局并行处理实现从输入空间到输出空间的非线性 信息变换，有效解决了复杂系统故障诊断中存在的故障知识获取的“瓶颈”、知识 推理的“组合爆炸”等问题。应用a n n 技术解决故障诊断问题的主要步骤包括： 根据诊断问题组织学习样本、根据问题和样本构造神经网络、选择合适的学习算 法和参数。常用于故障诊断的a n n 有b p 网络、h o p f i e l d 网络、s o f m 网络和 a r t 网络等。采用b p 网络可有效地解决非线性问题；采用h o p f i e l d 网络可用来 4 丁程硕1 ：学位论文 诊断正常元器件容差条件下的多故障问题，并采用其优化算法可实现全局最优问 题：采用s o f m 网络解决模拟电路故障诊断容差问题的方法，可以对单和多软、 硬故障进行有效的识别，迅速定位。a n n 法虽然有利于克服专家系统的知识获取 瓶颈、知识库维护困难等问题，但它不适合于处理启发性知识。而且由于a n n 技术本身不够完备，学习速度慢，训练时间长以及解释功能弱，从而影响了它的 实用化。同时，如何设计适用于大规模模拟电路的神经网络故障诊断系统仍是一 个有待于进一步研究的课题。 小波变换故障诊断方法【1 0 - 1 3 - 2 0 4 0 4 3 ，4 4 】：小波分析( w a v e l e ta n a l y s i s ) 是1 9 8 6 年以来由于y m e y e r ，s m a l l a t 及i d a u b e c h i e s 等的奠基工作而迅速发展起来的一 门应用数学学科，也是当前数学家关注和研究的一个热点。小波变换是一种时一 频分析方法。在时一频域具有良好的局部化性质并具有多分辨率分析的特性。在 模拟电路故障诊断中，小波变换被有效地用来提取故障特征信息( 小波预处理) ， 然后再将这些故障特征信息送入故障分类处理器( 比如神经网络) 进行故障诊断。 近年来，将小波变换与模糊集理论、a n n 理论相结合，提出的模糊小波和小波神 经网络的故障诊断方法具有广阔的应用前景。小波与a n n 的结合，是一个十分 活跃的研究领域【4 5 。 模糊故障诊断方法【h 1 7 】：对于复杂电路，特别是模拟电路故障诊断，由于元 器件的容差、非线性及电路噪声的影响，故障与征兆之间的关系用传统的电路理 论难以求得精确解，出现了模糊现象。模糊故障诊断方法，就是依据专家经验在 故障征兆空间与故障原因空间之间建立模糊关系矩阵，再将各条模糊推理规则产 生的模糊关系矩阵进行组合，根据一定的判定阀值来识别故障元件。随着模糊理 论的发展，模糊理论的一些优点逐步被重视，如模糊理论可适应不确定性问题； 其模糊知识库使用语言变量来表达专家的经验，更接近人的表达习惯；模糊理论 能够得到问题的多个可能的解决方案，并根据这些方案的模糊度的高低进行优先 程度排序等。从目前情况看，将模糊理论应用于专家系统的故障诊断结构中，充 分考虑两者的互补性，有效弥补了传统专家系统解决知识不确定性问题的不足。 将基于模糊理论的模糊逻辑系统与a n n 相结合，充分吸收了两者各自的优点， 既能处理专家知识和经验，又能通过自学习增强系统的判断能力。在故障诊断领 域，模糊神经网络也代表了一个新的方向。目前的研究主要集中在：研究模糊逻 辑系统和a n n 的对应关系，将模糊逻辑系统的调整和更新转化为对应的a n n 学 习问题以及利用模糊逻辑系统对a n n 进行初始化：利用模糊理论加快a n n 的学 习速度并应用a n n 构造高性能的模糊逻辑系统。 1 3 模拟电路软故障诊断的发展趋势 ( 1 ) 提取电路中元件软故障和硬故障的统一故障特征 5 基于量了神绛网络的容差模拟电路的软故障诊断 基于模糊神经网络和小波神经网络的现代故障诊断方法尽管是目前一个十分 活跃的研究领域，但是由于它并不能用来诊断元件的所有软故障，主要原因是训练 样本包含的特征不是元件软故障本质的特征，所以该类诊断方法需要找到的突破 口仍然是提取电路元件统一的故障特征，以此选择训练样本。基于节点电压灵敏度 序列和节点电压增量关系方程线性相关性的软故障诊断方法提取出故障元件的统 一特征，只需要仿真元件的任意参数故障一次，得到的特征就能用于诊断该元件的 所有软故障和硬故障，单故障仿真的结果也可用于多故障的诊断。这个研究发现是 非常有用的，但是目前该故障模型只适用于线性模拟电路。建立适用于线性电路和 非线性电路元件的故障模型，提取能同时诊断元件软故障和硬故障的统一故障特 征，是非常困难的。 基于节点电压增量关系方程的线性相关系数故障模型非常简单，应用简便，而 且能用于多故障的诊断，最大的难点就是如何扩展应用到非线性电路中。这可能是 模拟电路软故障诊断的一个发展方向。同时，故障字典法对规模较小的电路较为实 用，随着电路规模的扩大，字典的容量不断增加，给测后故障的快速定位造成困难。 如果将神经网络和有效的软故障特征提取方法相结合，就能解决基于神经网络的 故障诊断中训练样本的选取问题，并能充分利用神经网络的优势，将使模拟电路的 软故障诊断真正走向实用化。 ( 2 ) 优化神经网络 b p 神经网络在故障在故障诊断领域有着广泛的应用，但它存在着不足，如有 可能陷入局部最小、收敛速度慢及参数和结构的优化大多依靠于经验等，这可以 用遗传算法来克服。b p 网络在模式识别时是以超平面作为决策曲面的，而实际 应用中的故障模式空间往往是复杂的超曲面，不同的分类模式之间又不可避免地 存在着模糊性，而b p 网络的激活函数又是全局函数，而实际训练样本中不可能 包含所有的故障模式，有可能将未知模式泛化为某已知模式，造成误诊断。神经 网络的结构与参数的优化是提高故障诊断率的方法之一。 除了上面两种，还有网络撕裂法用于大规模电路软故障诊断、数模混合电路 软故障诊断等。 1 4 本文的主要思想和基本内容 本文基于模式识别原理，较系统地研究了量子神经网络和小波变换用于模拟 电路故障诊断问题，提出了几种新颖的对不同类型模拟电路故障诊断方法。 本文的主要内容和章节分布为： 第1 章：概述了模拟电路软故障诊断的背景意义和发展过程，从故障字典法、 专家系统、神经网络、小波变换、模糊故障诊断五个方面分析了模拟电路软故障 诊断方法的研究现状和进展。 6 工程硕士学位论文 第2 章：概述量子神经网络的发展历史、分类、各种常用的学习规则，其中 对多层激励函数的量子神经网络的结构和学习算法作了重点介绍。提出了基于量 子神经网络的模拟电路软故障诊断，并通过仿真实验验证了其可行性与适用性。 第3 章：针对在模拟电路中大量软故障，结合小波多尺度分析分别用量子网 络和b p 网络对模拟电路进行故障诊断，仿真结果表明利用量子神经网络进行故 障诊断准确率得到了提高。 第4 章：提出了将小波包与量子神经网路通过松散结合的方式进行模拟电路 故障诊断的方法。通过两种网络( 量子网络和b p 网络) 对实例电路进行了仿真诊 断，仿真结果表明将小波包与量子神经网络结合进行故障诊断准确率高，减少了 神经网络的输入维数，是切实可行的。 结论：对本文进行了总结并提出了下一步研究的重点。 7 基于量了神经网络的容差模拟i 乜路的软故障诊断 第2 章量子神经网络 人工神经网络由于大规模并行处理、容错性、自组织和自适应能力以及联想功 能等特点，己成为解决许多问题的有力工具，对突破现有科学技术的瓶颈，更深 入地探索非线性等复杂现象起到了重要的作用，广泛用于众多科学领域，然而随 着问题的复杂程度提高，网络结构相对单一的传统网络模型表现出了种种缺陷和 不足，例如，固有的学习速度慢、灾变性失忆、硬件实现难度大等，在一定程度 上制约了它的应用。 2 1 量子神经网络的发展 量子神经网络的概念出现于2 0 世纪9 0 年代后期，一经提出便引起了不同领 域的科学家的关注，人们在这个崭新的领域进行了不同方向的探索，提出了很多 了想法和初步的模型，充分体现了量子神经网络研究的巨大潜力，主要研究方向 可以概括为： ( 1 ) 量子神经网络采用神经网络的连接思想来构造量子计算机，通过神经网 络模型来研究量子计算机中的问题 ( 2 ) 量子神经网络在量子计算机或量子器件的基础上构造神经网络，充分利 用量子计算超高速、超并行、指数级容量的特点，来改进神经网络的结构和性能。 ( 3 ) 量子神经网络作为一种混合的智能优化算法在传统的计算机上的实现， 通过引入量子理论中的思想对传统神经网络加以改进，利用量子理论中的概念、 方法( 如态叠加、t 多宇宙”观点等) 建立新的网络模型，来改善传统神经网络的 结构和性能。 ( 4 ) 基于脑科学、认知科学的研究。 以上不同的研究方向之间并没有明显的界限，它们之间紧密联系相互交叉的。 目前国际上对于量子神经网络的研究才刚刚开始，对它还无确切定义。其中美国 k a k t 4 6 1 是最早提出量子神经网络的学者之一，通过对认知和意识的研究将量子理 论引入到人工智能领域，认为神经元的信息处理应该是有量子特性，并在随后的 研究中，从大脑意识的角度对量子神经网络进行研究：美国的物理学家b e h r m a n e c t 4 7 1 等人在量子神经网络方面做了大量的工作，他们在量子点分子模型上构造 了时间和空间的量子神经网络，通过神经网络调节量子器件的各个物理参数，影 响微观粒子的量子态，改变波函数，使其最终演变到需要的量子态；美国的d a n 博i t 4 8 1 在攻读博士期间发表了一系列量子神经网络的文章，研究了量子计算的学 习问题，提出了量子联想存储的算法。相对于传统的存储方法。量子联想存储有 8 工程硕士学位论文 指数级的存储容量：英国的t a m m y 等人也研究了量子神经网络的结构和模型， 从多宇宙的量子力学观点出发，提出了构建叠加的多宇宙量子神经网络模型的思 想：巴西的华人l iw e ig a n g 提出了纠缠的量子神经网络( e n t a n g l e m e n tn e u r a l n e t w o r k ) ，采用了量子的隐形传态；1 9 9 7 年b k a r a y i a n n i s 等人【3 2 j 借用了量子理 论中量子态叠加的思想，提出了基于多层激励函数的量子神经网络模型，与传统 的前馈型神经网络相比，使网络有了一种固有的模糊性，并引起了模糊识别领域 研究者的注意，在气象预测，手写字识别3 引，语音识别【3 5 】等方面得到了成功的应 用。 虽然目前量子神经网络的研究还处于初级阶段，其理论远未成熟，但已有的 理论分析和应用已经证明，与a n n 比较，q n n 至少在以下几个方面具有潜在的 优势：( 1 ) 指数级的记忆容量和回忆速度；( 2 ) 较小的网络规模和简单的网络拓扑结 构；( 3 ) 更好的稳定性和可靠性；( 4 ) 快速学习、一次学习和高速信息处理能力；( 5 ) 消除 灾变性失忆的潜力等。这些优势为人们创建具有超大容量、超高速度及超凡的信 息处理能力的新型信息处理系统提供了可能。 2 2 量子神经网络模型 这里重点介绍传统计算机上能实现的量子神经网络，例如基于多层激励函数 的量子神经网络，日本学者m a t s u i 等人提出的神经网络模型等，同时介绍其他量 子神经网络模型。 2 2 1 多层激励函数的量子神经网络 n b k a r a y i a n n i s t 3 2 】等人1 9 9 7 年提出多层激励函数的量子神经网络，并且从理 论分析和实验验证了这种神经网络在模式分类时具有的内在模糊性。它能检测到 数据中固有的模糊性和不确定性，对两类交叉的数据样本，这种神经网络能以一 定的隶属度将其同时分在两类中。 基于多层激励函数的量子神经网络( 如图2 1 ) 是3 层的网状结构，输入层、隐 含层、输出层，其中输入层和输出层与传统神经网络无异，而隐层的量子神经元 借鉴了量子理论中量子态叠加的思想，采用多量子能级变换函数，每个多能级函 数是一系列具有量子间隔( q u a n t u mi n t e r v a l ) 偏移的甩。个s i g m o i d 函数的线性叠 1以 加，称之为多层激励函数。即隐层神经元的输出可写为( 二) s g m ( v r x 一0 7 ) ，式 n s r 。= l 中9 7 ( ，= l ，2 ，3 刀。) 为量子跃迁位置，而量子间隔取决于跃迁位置。这样一个隐层 神经元就能表示更多的状态或量级，而一个传统的s i g m o i d 函数只能表示两个状 态或量级，叠加的每一个s i g m o i d 函数有多个不同的量子间隔，可以调整量子间 隔，能使不同的数据映射到不同的量级或阶梯上，从而使分类有更多的自由度。 9 基于量了种绎网络的容差模拟电路的软故障诊断 量子神经网络的量子间隔可以通过训练获得。通过适当的学习算法，采样数据中 的不确定性可以被量子神经网络获得并量化。如果样本的特征向量是位于两类模 式的边沿重叠处，那么量子神经网络会按一定的比例将其分配给所有相关联的类 别，这使网络具有了一种固有的模糊性，它能将决策的不确定性数据合理地分配 到各模式中，从而减少模式识别的不确定度，提高模式识别的准确性。 图2 1 多层激励函数q n n 模型 量子神经网络的学习分两步【3 2 1 ，一是对权值的调整，使输入数据对应到不同 的类空间中，二是对隐层的量子神经元的量子间隔进行调整，体现数据的不确定 性。由于这种量子神经网络固有的模糊特性，它已经成功地应用于模式分类方面， 特别是在处理两类有交叉的数据样本时，更显示出它的优越性。 2 2 2q u b i t 神经元模型 日本的n o b u y u k im a t s u i 等人在2 0 0 0 年提出了用量子比特表示神经元状态的 网络模型。在这种网络模型中，网络的拓扑结构和传统的神经网络相同。但是， 它的神经元信息表示、权值、激励函数等都与传统的神经网络不同。 这种量子神经网络的主要特点是用量子态相位表示信息，网络权值的作用是 对相位进行旋转变化，激励函数对相位可控非门操作，通过改变量子态达到运算 的目的。这种结构改变了传统的网络模式，但是它的输入只能是0 、l 值，输出是 概率幅值，限制了它的应用。目前的实验仅限于逻辑门操作、奇偶校验等。 2 2 3 多宇宙的量子神经网络模型 t a m m y 等人从光学的双缝干涉实验和量子力学中多宇宙的观点得到启发，提 出了多宇宙的量子神经网络模型。多宇宙的量子神经网络是多个相似网络组件的 叠加。在训练时不同的输入模式对不同的网络组件进行训练，测试时不同的输入 会有不同的网络组件来对输入信息处理。也就是量子神经网络的网络组件的线性 叠加，当有输入时，就会破坏网络组件的叠加，使其塌陷到某个网络组件上，然 1 0 工程硕j j 学位论文 后神经网络就通过这一组件对输入数据进行处理。 这种模型的特点是： ( 1 ) 训练时间短：由于对每一种输入模式，量子神经网络中都有与之对应的网 络组件，这样仅需要训练对应的网络组件，与其他的网络组件无关，各个网络组 件的学习可以并行进行，减少了神经网络的学习时间。 ( 2 ) 可消除灾变性失忆现象：传统的神经网络在对样本训练时，不同模式的样 本将导致权值向不同的方向变化，网络学习新的样本信息时会“忘掉”以前学到的 信息，使权值调节产生振荡( 灾变性失忆现象) 。而量子神经网络对于不同的样本 数据，会有不同的网络组件与之对应，网络的调节只限于输入模式对应的网络组 件，这样不同的模式的学习之间互不相干，避免了灾变性失忆现象的发生。 目前这种神经网络在学习算法，塌陷算法、具体的网络结构方面还没有突破 性的研究。首先在学习算法方面，要解决的问题是采用什么方法训练网络，使不 同的训练数据对应到不同的网络组件上。其次，网络在处理数据时应该如何根据 输入数据使量子神经网络塌陷到对应的组件上。 2 2 3 其他模型研究 1 其他量子神经网络模型 美国的b e h r m a ne c 等人在量子神经网络方面的工作，主要集中于量子计算 机的研究，他们在s q i d 物理设备上( s u p e r c o n d u c t i n gq u a n t u m i n t e r f e r e n c e d e v i c e s ) 通过神经网络算法控制培养基上量子点分子的势场、核声子等，使量子 状态不断变化，直到达到所需的量子状态，提出了时间的量子点分子神经网络【4 7 。 美国的d a n 提出了量子联想记忆模型，改进了g r o v e r 搜索算法【4 引，表明量 子存储具有指数级的存储容量。这种神经网络模型不具有传统的网络结构，信息 的载体是量子器件，其主要特点是量子联想存储器具有指数级的存储容量，n 位 的量子寄存器同时存储2 n 个不同状态的信息。实现的思想是，通过学习算法，使 量子存储器存储特定信息体现在波函数的变化上，然后，联想记忆过程就是通过 搜索算法中的幺正变换作用于波函数，并最终使要查询的信息的概率增大，使观 测者能以较大的概率观测到需要的信息。 巴西的l iw e i g a n g 利用量子的隐形传态提出了纠缠神经网络。 2 量子神经网络模型的比较 目前提出的量子神经网络有着不同的特点，不同程度地利用了神经网络和量 子计算的特性，有的研究推动了量子计算的发展，有的研究改进了传统神经网络 的性能。为了明确量子神经网络的研究方向，此处对各项研究作一比较，如表2 1 所示。 基于量了神绛网络的容差模拟咆路的软故障诊断 多层激励函数 量子神经网络 q u b i t 神经元 模型 多宇宙的量子 神经网络模型 d a n 等人的量 子神经网络 b c h m a n 等人 的研究 传统网络拓扑结 构。隐层神经元使 用多层激励函数 传统网络拓扑结 构。信息用q u b i t 表示权值和激励函 数，是对量子态波 函数的改变 网络是多种传统神 经网络或网络组件 的叠加 不具有传统神经网 络的拓扑结构，采 用量子寄存器存储 量子信息通过幺正 变换改变寄存器状 态 不具有传统结构， 侧重量子计算机的 研究 固有的模糊特 性，学习周期减 少 学习速度较传统 神经网络快 消除了灾变失忆 现象，学习速度 快 具有指数级的存 储容量，是量子 计算智能化理论 的进步，具有学 习能力，联想记 忆能力 通过量子点分子 等物理器件实现 量子计算 函数的迁移称为 量子迁移( 量子 间隔) 采用量子计算中 的信息表示，运 算门，网络通过 在传统计算机上 模拟量子计算的 过程，达到比特 位映射的目的 利用量子理论量 子态叠加的重要 思想 属于量子计算领 域的研究，与量 子器件的实现密 切相关，实际上 是对g r o v e r 算法 的改进 通过神经网络来 调节物理参数， 控制量子器件中 量子态的演化， 达到量子计算的 目的 模式识别，在传 统计算机上实现 无实际应用，且 目前的研究只限 于对0 、1 比特信 息的处理 无实际应用，只 是提出一种实现 思想 无实际应用，量 子计算的应用需 要量子计算机的 物理实现，目前 只处于理论实验 阶段 物理实验室的研 究 k a k 等人关于从生物智能的角度对神经网络和量子计算进行了研究，提出大脑中的认识， 脑科学的研究决策等具有量子特性的观点 2 3 量子神经网络的研究方向 尽管量子神经网络的研究仅处于初步的阶段，但是从目前的研究成果来看， 该技术还是很有潜力的。研究的方向可能集中于： ( 1 ) 神经网络集成的研究，神经网络集成通过训练多个神经网络并将其结论 进行合成，可以显著提高学习系统的泛化能力。量子理论中的叠加思想与神经网 1 2 工程硕士学位论文 络集成有相似性。可以在神经网络集成的研究基础上开展量子神经网络的研究， 借鉴神经网络集成的研究成果研究量子神经网络。 ( 2 ) t a m m y 多宇宙神经网络思想的实现。t a m m y 的思想可以解决传统神经网 络灾变性失忆的问题，能有效提高网络的学习速度。需要解决的问题是具体怎么 实现这种思想，例如网络的训练算法、塌陷算法等。 ( 3 ) 复数神经网络。m a t s u i 等人提出的量子神经网络与复数神经网络有着某 种对应关系。通过对量子神经网络的进一步研究，有效解决复数域的计算问题。 ( 4 ) 打破当前的神经网络结构，提出新的神经元计算模型。 ( 5 ) 量子计算在传统计算机上会失去它的优越性，因此，很可能真正的量子 神经网络只有在量子计算机上才能实现。当前量子计算的研究是物理学家和计算 机学家的研究热点，并且已经有人初步推出了基于器件的神经网络模型。 2 4 多层激励函数量子神经网络特性与学习算法 ( 1 ) 量子神经网络特性 量子神经网络，即g n n 模型【3 2 1 ，其结构如图2 1 所示：图中q n n 有惕个 输入节点、n h 个隐层节点、n o 个输出节点，1 ，为第j 个隐节点与第1 个输入节点 之间的连接权，w ，为第i 个输出节点与第j 个隐节点之间的连接权。假设输入特 征向量为政= e x i t , 吻j ，矗，乒】对应k 个特征向量，第j 个隐层单元对输入矢