（电工理论与新技术专业论文）基于分形理论与模糊神经网络的模拟电路故障诊断研究.pdf

一 二耋坠矍堡垒量堡塑 些型兰竺竺丝丝皇塑鳖矍兰堑呈坠 a b s t r a c t t h ea n a l o gf a u l td i a g n o s i sr e s e a r c ha l r e a d yf o r m e das e r i e so fd i a g n o s e st h e o r y a n dt h em e t h o d s i n c e2 0 t hc e n t u r y6 0 s h o w e v e r c o m p l i c a t e dd i a g n o s i sq u e s t i o n m a k et h e s em e t h o d s a p p l i c a t i o np o o r a l o n gw i t hd e v e l o p m e n to f e l e c t r i c a l t e c h n o l o g y e s p e c i a l l yv l s ia n dm i x e dc i r c u i t i tb r i n g su pn e wc h a l l e n g e t of a u l t d i a g n o s i so fa n a l o gc i r c u i t s i ti si ng r e a tn e e do fn e v qt h e o r ya n da p p r o a c h e st oi t i nr e c e n ty e a r s r e s e a r c h e r sp a i dm o r ea t t e n t i o nt oa n nt h a nb e f o r e f u z z y n e u r a ln e t w o r k st e c h n o l o g ya p p l i c a t i o ni san e wa p p r o a c hi nt h ea r e n ao ft h ea n a l o g f a u l td i a g n o s i s i nt h ep a p e r t h r o u g hm e t h o dc o m b i n e dw i t hf u z z yt h e o r ya n d a r t i f i c i a ln e u r a ln e t w o r k a na p p r o a c hf o rt h ef a u l td i a g n o s i so fa n a l o gc i r c u i tb a s e d o nc l u s t e r i n ga n df u z z yn e u r a ln e t w o r ki sp r e s e n t e d a n de l a b o r a t e db a s i cd e s i g n t h o u g h ta n dt h ea l g o r i t h mr e a l i z a t i o no fd i a g n o s i ss y s t e m b e c a u s ea n n c a nb eu s e d w i t h o u tt h es p e c i f i cm o d e lo fo b j e c t a n di ts t o r e su s e f u li n f o r m a t i o na sd i s t r i b u t e d m a n n e r w eu s u a l l ym a k eu s eo ft h et o p o l o g i c a ls t r u c t u r ea n dw e i g h t so fn e u r a l n e t w o r kt or e a l i z en o n l i n e a rm a p p i n g w h i c hm a k et h o s ew e i g h t sf u l lo fm e a n i n g a s i ti sk n o w n w eh o p et og e tt h eu n i v e r s a lb e s ta n s w e r s oi nt h ep r o c e s s i n go fw e i g h t t r a i n i n g w ea d o p ta nu n s u p e r v i s e dc l u s t e r i n ga l g o r i t h mt oa v o i dt h ed e f e c to fb p a l g o r i t h m w h i c hi sv e r ye a s yt og e ti n t ot h el o c a lb e s ta n s w e gs ot h i sm e t h o d s u r p a s st r a d i t i o n a ld i a g n o s i sm e t h o d t h es i m u l a t i o ne x p e r i m e n th a di n d i c a t e dt h i s m e t h o di nt h ea c c u r a t er a t ea n dt h ed i a g n o s i ss p e e di nt h ef a u l td i a g n o s i sc o m p a r e s t h et r a d i t i o n a lm e t h o dt oh a v et h ef u r t h e re n h a n c e m e n t b a s e do nf r a c t a l t h e o r y f r a c t a ld i a g n o s i s m e t h o di s d e v e l o p e dt h r o u g h c h a r a c t e r i s t i cp a r a m e t e ro fc a l c u l a t i n gd i m e n s i o no fs i g n a lf r a c t a l b a s e do nt h e p r i n c i p l e so ff u z z yt h e o r ya n dn e u r a ln e t w o r ka sw e l la st h ec o n c e p t i o noff r a c t a l d i m e n s i o ns u b o r d i n a t i n gd e g r e e f r a c t a tf u z z yn e u r a l n e t w o r k i n p u tt ow h i c hi s f r a c t a ld i m e n s i o ns u b o r d i n a t i n gd e g r e e i sc o n s t r u c t e d af a u l ti d e n t i f i c a t i o na p p r o a c h f o rn o n l i n e a ra n a l o g u es y s t e m si s p r e s e n t e da n di t i se x a m i n e db ys i m u l a t e dt e s t s a c c o r d i n gt ot h ep r i n c i p l e sa b o v e a ni n t e l l e c t i v ed i a g n o s i ss y s t e mi sf o r m e da n d s t u d i e d t h i sr e s e a r c hi st h en e we x p l o r a t i o nt om e t h o d so ff a u l td i a g n o s i so fa n a l o g c i r c u i t s k e yw o r d s f a u l td i a g n o s i s a n a l o gc i r c u i t n e u r a ln e t w o r k f u z z yt h e o r y f r a c t a lt h e o r y 1 1 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 耋 刊 日期 加6 年印月裾日 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 1 保密口 在 年解密后适用本授权书 2 不保密团 请在以上相应方框内打 4 作者签名 驽刮 导师签名 朝敷放 日期 力盯寸6 i f 斗月0 占日 日期 洲年牛月甥日 硕士学位论文 第1 章绪论 1 1 模拟电路故障诊断的目的与意义 当今信息时代 电子设备或系统广泛应用于各个科学技术领域 工业生产部 门以及人们的日常生活之中 电子设备的可靠性直接影响着生产的效率 系统 设备以及人类的生命安全 随着电子设备的日趋广泛 不论是在设备的生产阶段 还是应用阶段 都对电路的故障诊断提出了迫切的要求 要求人们研究有效的诊 断技术 进一步提高电子设备的可靠性 随着电子科学技术的发展 现在电路的 集成度越来越大 电子设备越来越复杂 以致故障难以诊断 根据美国国防部的 统计 典型的武器系统中维修费用高达6 7 采购费用为2 3 而研制费只占1 0 在我国 维修费用占8 0 采购费用为1 4 而研制费只占6 在电子产品的制 造和使用维修中 传统的人工诊断技术已不能满足实际需要 为了提高产品的品 质和完善维修技术 人们提出了使用计算机来实现故障诊断 从而促进了故障诊 断理论的发展 现在人们越来越意识到电子系统的可靠性是系统稳定运行的保证 在许多场 合其重要性甚至超过了系统的功能和性能 尽管数字电路设计和诊断发展都十分 迅速 但是在一个完整的系统中 模拟电路不可能被完全替代 据统计 多年来 模拟电路和数字电路的比例变化并不大 而模拟电路比数字电路更容易发生故障 因此工业生产对大规模模拟电路的测试和诊断提出了新的更高的要求 目前电子 设备中绝大部分故障出自模拟电路 可以说模拟电路 系统 的可靠性几乎决定了 电子设备或系统的可靠性 其重要性不言而喻 这也是国内外对模拟系统故障课 题广泛研究的原因 故障诊断理论有五类问题 故障检测 故障隔离 故障辨别 故障预测和故 障可测性分析 故障检测的目的在于发现故障 根据测量的结果按照一定的规则 判断电路和系统是否存在故障 故障隔离又称故障定位 发现故障后 找出故障 的具体部位 如故障所在的子网络 故障节点或故障支路 故障辨别又称故障识 别 包括故障参数的识别和故障影响分析 既分析引起故障的原因 给出故障部 件超出容差的具体值 又分析故障对系统各种工作的可用性 故障预测是预测故 障部件 在故障发生前及时更换以保障电路的正常工作 可测性设计是指在电路 或系统设计的同时考虑其可测性 为以后的维修留下余地 一个好的电路系统 不仅要考虑功能的实现 而且还要使得它易于维护 经典的故障诊断主要依靠模拟式仪表 如 信号发生器 万用表和示波器等 基于分形理论与模糊神经网络的模拟电路故障诊断研究 同时要求操作人员有相当的理论基础知识和丰富的实践经验 通常情况下 测试 速度慢 测试准确性低 随着电子器件集成化程度日益提高 换代更新迅速 应 用也日趋广泛 人们已经逐渐认识到 对电路故障诊断有必要重新研究 必须把 以往的经验提升到理论的高度 在坚实的理论基础上 系统的发展和完备一整套 严密的现代故障诊断方法 并结合先进的计算机数据处理技术 实现故障诊断的 自动检测和定位 虽然采用一种设备或装置实现万能的测试和诊断几乎是不可能 的 但是研究一种方法实现对模拟电路覆盖面较宽的诊断方法是可能的 并且具 有重要的实际意义 模拟电路广泛用于军工 通信 自动控制 测量仪表 家用电器等各个方 面 随着大规模模拟集成电路的迅速发展 模拟电路的复杂度和密集度不断增长 对模拟电路运行可靠性的要求更为严格 在模拟电路发生故障后 要求能及时将 故障诊断出来 以便检修 调试 替换 而人工诊断已无法满足需要 因此模拟 集成电路的故障诊断成为一个亟待解决的问题 自动故障诊断的关键在于诊断程 序的产生 而中心问题在于故障诊断理论 因此 模拟电路的故障诊断研究成为 了电路领域世界各国的研究热点 各国都投入相当的人力和精力对模拟电路故障 诊断进行研究 综上所述 对模拟电路故障诊断的研究在工业生产中占有重要意义 特别是 微电子技术的迅猛发展对模拟电路的测试和诊断提出了迫切的要求 迫使科技人 员进一步探索新的测试理论和方法 研究新的测试设备以适应社会的需求 1 2 模拟电路故障诊断理论的发展过程 模拟电路的故障诊断理论是建立在网络理论基础之上的 并已成为网络理论 公认的第三分支 3 网络理论的发展大致可分为三个阶段 1 网络分析阶段 它 的主要任务是在己知网络的拓扑结构 元件参数和输入激励信号时求解网络的输 出响应 主要以基尔霍夫电流定律 k c l 和电压定律 k v l 为理论基础 其结 果一般都是唯一的 在应用上也最完善 最成功 2 网络综合阶段 它的主要任 务是在已知网络的特性和指标的条件下为满足这些指标 选择必要的拓扑结构 网络综合的结果通常都不是唯一的 往往因设计人员的素质和经验以及所采用的 模拟或器件而不同 3 故障诊断阶段 它的主要任务是在已知的拓扑结构和输入 信号 已知故障后网络的特性条件下 要求判断网络条件的偏移值 从而确定故 障位置 在这种情况下 要求它的答案只能是唯一的 否则即属误判或误诊 与 网络分析和网络综合不同的是 故障诊断的输入信号不限于采用网络实际工作所 施加的有限信号 而可根据故障诊断的需求 随意 确定 模拟电路的故障诊断起源于6 0 年代 最早发表这方面文章 1 的是 r s b e r k o w i t z 但它变成活跃的研究领域却是在7 0 年代 p o u h a m e la n d 硕士学位论文 j c r a u l t 很好地总结了这个时期的研究成果哺1 就是到了8 0 年代 还不能说故 障诊断到了成熟的阶段 j w b a n d l e ra n da e s a l a m a 曾对近年来各方面的进展 作了比较详细的介绍 1 尽管模拟电路的发明远远早于数字电路 但数字电路的 发展比模拟电路的发展快得多 目前 中小规模数字电路的故障诊断已经取得比 较满意的结果 最典型的例子就是数字计算机现在已基本上代替了模拟计算机 每部电子计算机均配备了自动测试和诊断程序 在开机时就能按规定程序 对重 要部件进行预测 以保证开机后的正常运行 在运行中发生故障时 也能依靠诊 断程序对设备进行确诊 像集成度这样高的电子计算机 再完全依靠人工进行故 障诊断 已经是不可能的了 总结模拟电路故障诊断研究发展缓慢的原因大致有两个 一是模拟系统的集 成度较低 传统的模拟电路规模也较小 因此采用人工测试和修理还可满足实际 需要 且工业生产没有提出相对规模较大的数字系统测试那样的迫切要求 所以 模拟电路的测试和诊断的研究缺少强大的动力 另一个原因是模拟电路的测试与 诊断远比数字系统困难 因此至今无论在理论上还是在方法上均未完全成熟 可 付诸实用的方法还比较少 造成这种现象的原因大致有以下几个方面 1 模拟电路的故障现象往往十分复杂 任何一个元件参数的摄动超过容差时 就属故障 因此模拟电路的故障状态是无限的 故障特性是连续的 难以作简单 的量化 而在数字电路中 一个门的状态一般只有两种可能 即l 或0 所以 故障特性是离散的 整个系统的故障状态是有限的 便于处理 2 模拟电路的输入一输出关系比较复杂 即使是线性电路 其输出响应与各 个元件参量之间的关系也往往是非线性的 更何况许多实际电路中还存在着非线 性元件 3 一个实用的模拟电路中 几乎无一例外地存在反馈回路 电路规模越大 反馈回路也就越复杂 而在计算机上对一个具有复杂反馈回路的模拟电路做仿真 计算 由于要通过迭代计算来实现 所以需要大量 复杂的计算 4 虽然模拟电路中非故障元件的参数标称值是已知的 但一个具体电路的实 际值会在其标称值上下作随机性的变动 一般不正好等于其标称值 5 模拟电路中的电流是一个重要的参数 也是故障信息的重要组成部分 但 是在实际测量时 除输入端口和输出端口可以比较方便地测到电流参数外 一般 电路中的支路电流均不宜甚至不可测量 通常只能通过测量电压来得到 由于电 子系统内部存在着不可及性 i n a c c e s s i b i l i t y 可测电压的节点数相当有限 导致可用于故障诊断的有关信息较少 甚至很不充分 最后造成故障定位的不唯 一性和模糊性 甚至根本不可诊断 针对上述问题 科技工作者和理论工作者目前应用智能技术对模拟电路故障 诊断的研究方向进行了探讨 如神经网络 模糊理论 小波分析和遗传算法等技 基于分形理论与模糊神经网络的模拟电路故障诊断研究 术的应用将进一步推动模拟电路故障诊断理论和方法的发展 1 1 3 模拟电路故障诊断方法的分类 根据不同的分类依据 故障诊断方法有多种不同的分类方式 如按故障诊断 的环境区分 可分为在线诊断 o n 1 i n ed i a g n o s is 和离线诊断 o f f 一1 i n e d i a g n o s i s 两种 按故障影响分 可分为硬故障 h a r df a u l t s 和软故障 s o f t f a u l t s 按故障数日分 模拟电路中的故障又可分为单故障 s i n g l ef a u l t 和多 故障 m u l t i p l ef a u l t s 现在对模拟电路故障诊断方法的分类常依据电路的仿真是在实际测试的先或 后进行 如果对电路的仿真是在现场测试之前实施 则称为测前模拟诊断 s i m u l a t i o nb e f o r et e s ta p p r o a c h 电路的仿真于现场测试之后 则称为测后 模拟诊断 s i m u l a t i o na f t e rt e s ta p p r o a c h 另外还有介于测前模拟诊断和测 后模拟诊断之间的逼近法和人工智能 专家系统 两种方法 1 测前模拟诊断主要有故障字典法和似然法 其中 故障字典法是最典型的 方法 也是目前模拟电路故障诊断中较具有实用价值的方法 它的基本思想是 首先提取电路 系统 在各种故障状态下的电路特征 如测试点的直流电位向量 网络的幅频特性等 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 系统 的实时特征 就可以从故障字典中查出此时对应的 故障 目前 已有不少比较成熟的软件包可对电路 线性或非线性电路 进行静态 和动态分析 因此 字典法不仅对线性电路适用 同时对非线性电路也适用 但 是 考虑到测前模拟的现实工作量和字典容量的限度 以及实际电路的容差 噪 声 字典法只作硬故障的诊断 对于少量软故障 也是转化成硬故障的形式处理 而且在实际使用中只用来解决单故障 2 测后模拟诊断的典型方法主要有元件参数辨识法和故障验证法 前者要求 提供较多的诊断有用信息 在取得足够的独立数据后 根据网络的结构 估计或 求解网络中每个元件的参数 它包括c c m 多频法和伴随网络法 由于一般网络所包 含的元件 模块 数较大 且方程多为非线性方程 所以 求解这些方程是很艰巨 的工作 此外 由于这些工作都是测试后进行的 实时性较差 虽然现在已有一 些成熟的方法将其中的非线性方程转换成线性方程 但由于同时增加了许多中间 变量 方程个数也有相应的增加 所以 总的计算量仍是相当大的 故障验证法是在获取少量故障信息的基础上进行诊断 实施较为方便 且具 有较好的实用前景 因此引起许多学者的兴趣 所取得的研究成果也比较多 它 的基本思想是预先猜测电路中的故障所在 然后根据所测数据去验证这个猜测是 否正确 由于电路中总的故障种数较大 而各种故障的组合数则更大 因此 这 种 猜测 的次数很多 且计算量非常大 对这种方法的研究主要集中在如何减 碗士学位论文 少猜测次数 以及减少对每次猜测进行验证所需要的工作量 此种方法包括k 故障 诊断 故障定界诊断和网络撕裂法等 在进行故障诊断时 应满足各自的可测性 条件 即被测网络的拓扑结构应满足一定的约束条件 施加的独立激励向量应有 足够的数量 可及点 可测电压的节点 数至少大于故障数 而且应该独立 否则 将出现误诊断或不能诊断出的故障等情况 值得一提的是 k 故障诊断法从理论上 讲可以进行多故障的诊断 但是 在实际中 受网络拓扑结构的约束 只能进行 单故障的诊断 综上所述 现有的故障诊断理论和方法都欠完善 离实用尚有相当的距离 此 外 微电子技术的迅速发展 尤其是超大规模模拟电路的发展 对模拟电路的测 试和诊断提出了迫切的要求 这些都要求科技人员和理论工作者进一步探索新的 理论和方法 研制新的测试设备 以适应技术发展的需求 1 4 智能技术在故障诊断中的应用 随着模糊逻辑 神经网络 混沌与分形 小波分析以及人工智能等交叉学科 的综合集成不断深入和发展 用智能技术来解决复杂智能行为己成为智能模拟 智能控制 智能信息处理 智能决策系统等领域研究的新 热门话题 所谓的智 能诊断就是试图以计算机模拟人类专家对复杂系统进行故障诊断 傲到既能充分 发挥领域专家在诊断中根据各种感觉得到的事实及专家经验进行快速推理 又能 很方便地推广应用于不同的诊断对象 复杂系统的智能诊断涉及广泛的学科领域 目前的研究工作主要有以下几方面 1 4 1 模式识别方法 模式识别属于人工智能范畴 作为一门技术科学 模式识别是基于对事物性 质的认识而能够对事物进行正确分类与描述 模式识别问题可视为通过搜索备模 板特征 对输入数据与各模板之间的相似性进行鉴别 到目前为止 模式识别技 术已在以下领域得到了应用 文字识别 语音识别 语音合成 目标识别与分类 图象分析与识别 故障分类等 1 目前通常采用传统的模式识别方法即统计模式识别 句法结构识别和基于知 识逻辑推理方法 统计模式识别是采用统计数学的方法 它是以若干特征参数将模式表达为特 征空间中的向量 用判决函数进行分类 对一个具体模式 提取和选择其特征 根据具体问题的性质 提出 个反映分类好坏的标准 寻找最符合这 标准的分 类方法 统计模式识别的关键是特征提取和选择 但在没有先验知识的情况下如 何选择这些特征 哪些特征是必不可少的 哪些特征是不相关的以及在噪声干扰 和部分缺损的情况下特征的提取 目前都还没有很好地解决 基于分形理论与模糊神经网络的模拟电路故障诊断研究 句法结构识别着眼于模式结构而不是着眼于特征 对于一个复杂的模式可以 一部分一部分地加以描述 把一个复杂的模式按结构分解成几个子模式 每个子 模式再按其结构分解成几个子模式 将模式识别问题类比于语言的分析 这种方 法对于描述结构复杂的模式具有一定的效果 但在噪声干扰的情况下 模式结构 的提取遇到了很大的困难 基于知识的逻辑推理方法是基于布尔代数和演绎逻辑的一种方法 它从事实 出发 运用一系列规则 对模式的逻辑特征进行推理 得到不同的结果 由于这 种方法建立了关于知识及表达 目标搜索及匹配的完整体系 因而对需通过众多 规则的推理达到识别模式确认的问题 有很好的效果 但其知识的获取 推理的 效率等问题还有待于进一步解决 相应的模式识别系统包括设计与实现两部分 设计是指用一定数量的样本 称 为训练集合式学习集合 进行分类器设计 而实现则是指用所设计的分类器对待识 别的样本进行分类决策 一般的模式识别系统如图1 1 所示 它包括以下几个部分 i 信息获取 为了使计算机能对模拟电路各种故障特征进行分类识别 必须将所研究的电 路的信号用计算机所能接受的形式表示 通常输入电路故障的信息包括 电压 电 流 频率和温度等 这些信息来自对被识别对象测量的数据表示 每个测量值描 述事物的一个特征 通过测量 采样和量化 可以用矩阵或矢量表示 即模式向 量 作为欧氏空间的点 属于同一类的各模式对应于散布在测量空间的某一区域 中的点的总体 图1 1 梗式识别系统 2 预处理 因为 模式 概念的内涵很丰富 凡是人类能用其感观赢接或间接接受的外 界信息都可称为模式 所以 一个模式识别系统的输入就可能是各种不同介质上 的信息 因为现代模式识别技术是建立在使用数字计算机的基础上的 所以对于 非电量输入模式 必须首先把它们转换成电信号 然后通过模 数转换 使之成为 数字计算机能接受的数字量 为了使输入模式满足识别的要求 还要根据具体情 硕士学位论文 i i i i b l l l 况对模式进行处理 如滤波 坐标变换和边界检测等 以减少外界干扰和噪声的 影响 使模糊的模式变得清晰 以便抽取模式识别所需要的特征 这是模式识别 过程的 个重要环节 3 特征提取与选择 所谓特征提取就是经过预处理后 根据识别方法的要求 从输入数据中提取 特征 或属性 对模式的某些物理性质进行数学描述 具体讲的是对原始数据进 行变换 得到最能反映模式分类的本质特征 般我们把原始数据构成的空间叫 测试空间 把分类识别赖以进行的空间叫特征空间 通过变换可以把维数较高的 测量空间中表示的模式变为维数较低的特征空间中表示的模式 一个模式类的特 征代表该类中所有模式的共性 特征提取被认为是模式识别中的重要问题 常用 的特征有 统计特征 结构特征 数学变换特征 逻辑特征 4 学习 学习是在建立识别系统时 对已选定的特征完成特征提取之后 对系统进行 训练过程 学习可分为以下两种方式 1 有人参与 在这种学习过程中 样本先由人进行分类 即样本的类别是已 知的 2 没有人参与 这时学习环节必须对样本的类别进行研究 即学习环节对样 本集有一个聚类的过程 实际上 预处理 特征提取 学习是相互关联的 5 特征判决过程 特征判决是在掌握分类规律后 在实现阶段对连续输入的大量模式进行分类 这种判决方法有 1 判别函数法 利用一个 或多个 判别函数对两类 或多类 模式进行判别 2 距离方法 以被识别特征对训练样本特征进行广义距离运算 求出距离最 近的标准特征 常用的有 欧氏距离 加权欧氏距离 汉明距离 马氏距离和敏氏 距离等 3 相似度方法 相似度方法与距离方法正好相反 它是以被识特征对训练样 本特征进行隶属度运算 求出隶属度最大的标准类为被识别模式 假定识别系统能够识别c 个不同的类别 则可认为模式空间包括c 个区域 其 中每一个区域包括某一类的模式点 这样 模式识别问题是产生决策边界的问题 这些边界根据观测到的模式向量将c 类模式分割开 设g l x 9 2 工 工 是决定 这些边界的决策函数 如果岛 x g y i j l 2 c f 则模式x 属于c i 综上所述 模式识别系统的关键在于特征提取和特征判决模块的设计 如果 能选取具有高度准确描述能力的特征 无疑对系统的建立具有重要意义 它可以 以较少的存储 表达较多的物理意义 而特征判别器的正确设计可使系统具有较 高的稳定性和准确性 基于分形理论与模糊神经网络的模拟电路故障诊断研究 1 4 2 神经网络在诊断中的应用 神经网络在故障诊断领域的应用研究主要集中在三个方面 1 从模式识别角 度应用神经网络作为分类器进行故障诊断 2 从预测角度应用神经网络作为动态 预测模型进行故障预测 3 从知识处理角度建立基于神经网络的诊断专家系统 1 9 4 3 年 心理学家w l i l c c u l l o c h 和数学家w l p i t t s 首先提出神经元最早的数 学模型 简单地讲 神经网络就是采用物理上可以实现的器件 系统或现有的计 算机来模拟人脑的结构和功能的人工系统 它由大量的简单神经元经广泛互联构 成一种计算结构 在某种程度上可以模拟人脑生物神经系统的工作过程 因此 从达到的目的来看 神经网络与众所周知的人工智能技术是相同的 但两者达到 相同目的的思路却并不相同 人工智能着重于 功能模拟 而神经网络则通过 模拟人脑结构来实现对人脑信息处理功能的模拟 并应用这种模拟来解决工程实 际问题 它是一个广泛连接的巨型系统 能分布式存储信息 具有并行处理功能 和自学习 自组织和自适应功能 神经网络技术的出现 为故障诊断问题提供了 一种新的解决途径 特别是对复杂系统 由于基于解析模型的故障诊断方法面临 着难以建立系统模型的实际困难 基于知识的故障诊断方法成了重要的 也是实 际可行的方法 而神经网络的i o 非线性映射特性 信息的分布存储 并行处理 和全局集体作用 特别是其高度的自组织和自学习能力 使其成为故障诊断的一 种有效方法和手段 并己在许多实际系统中得到了成功的应用 基于神经网络的模拟电路故障诊断方法是传统s a t 及s b t 方法的综合和延伸 神经网络对其输入的容错能力在一定程度上能克服模拟元件的参数容差影响 模 拟电路故障的复杂性及广泛非线性也能利用神经网络的非线性映射能力加以解 决 文献 1 3 1 5 中对神经网络在模拟电路故障诊断中的应用都做了一定的探讨 目前大多数基于神经网络的模拟电路故障诊断新研究成果着眼于s b t 方法 即 神经网络在故障字典法中的应用 其基本思想是通过一些典型样本 将神经网络训 练成一部广义字典 信息分布存储在神经元的连接权值和阈值中 通过神经网络的 自学习和联想能力 达到对故障模式的分类 本文先提出一种分层神经网络故障字 典诊断模型 其后讨论神经网络字典构建过程 在模拟电路故障诊断中引入神经网络方法可以大大提高其诊断能力 神经网 络用于测前模拟方法 可以建立起性能优良的广义故障字典 结合神经网络v l s i 实 现技术 在测后模拟中能实现高速神经计算 神经网络与模拟电路故障诊断理论相 结合 是该技术走向实用化的重要一步 具有相当大的研究价值 1 4 3 模糊理论在诊断中的应用 模糊理论和神经网络理论从不同的角度研究人脑智能的特点 模糊理论侧重 于在概念 推理上模拟人脑的模糊性与形象思维能力 是由美国加州大学的z a d a h 硕士学位论文 l a 在1 9 6 5 年提出的晗盯 而神经网络则侧重予信息的自组织 自学习能力 模糊集合 模糊运算 模糊逻辑系统对模糊信息的强大处理能力 使得它成 为故障诊断的一种有力的工具 因为在许多故障诊断问题中 故障诊断的机理非 常适合用模糊规则来描述 因此 神经网络技术可以大大解决诊断知识表达中的 困难 再结合模糊数学进行不精确推理 基于知识的诊断系统将兼有逻辑推理 学习联想 数值计算 符号运算等优良特性 其性能会有很大的提高 近年来 一个值得重视的现象是基于模糊理论的模糊逻辑系统与神经网络的 相互结合 其结果导致了 模糊神经网络技术 的出现 模糊神经网络实质上是 对人脑结构和思维功能的双重模拟 即大脑神经网络的 硬件 拓扑结构和模糊 信息处理的 软件 功能的同时模拟 其显著特点体现在它充分吸收了模糊理论 与神经网络各自的优点 并由此来弥补各自的不足 比如 对于不少实际问题 模糊逻辑系统中的模糊规则 隶属函数以及模糊决策算法的最佳方案选择 并不 是人们事先可以明确决定的 而神经网络的介入 则为通过实际输入 输出数据 的学习优化 确定这些规则 函数和决策算法提供了可能性 另一方面 虽然神 经网络本身所存储的知识难以理解 但在模糊神经网络中 可以将神经网络的学 习结果转化为模糊逻辑系统的规则知识 从而便于知识的解释和利用 在故障诊断领域 模糊神经网络技术也代表了一个新的方向 但是模糊数学 和神经网络理论发展到现在 时间相对较短 自身体系还有不完善的地方 在解 决诊断问题方面还存在很多问题 比如 模糊度如何准确地定量化 神经网络学 习算法的实用化 神经网络的一些非线性特性 特别是收敛到最优解的速度 仍 然不够理想 在这个崭新的研究方向上 还需要有更多的突破 1 4 4 专家系统在诊断中的应用 专家系统 e x p e r ts y s t e m 是一个具有丰富的专门领域知识的程序 它应用 人工智能 a i a r t i f i c i a li n t e l l i g e n c e 技术 根据专家提供的知识及其推理 能力 模拟人类专家作出决策的思维过程 来解决原需要由专家才能解决的复杂 问题 目前为止它己广泛应用于社会上的各个领域 在模拟电路故障诊断领域中 由于入们在电子电路的维修方面已经积累了相当丰富的实际经验 又由于电子电 路c a d c o m p u t e ra i d e dd e s i g n 技术的迅速发展 从中获取有关知识 建立相 应的数据库及总结推理规则等工作相对比较容易 此外 在电子电路的维修过程 中 采集的数据都有一定的模糊性 如测量误差 元件参数容差等 故障现象与 实际故障也不是一一对应的 又导致了故障的模糊性 因此 应用专家系统作电 子电路 尤其是模拟电子电路 故障诊断不仅是可能的 而且是非常需要的 图 1 2 是一个已实际应用于模拟电路故障诊断专家系统f i s 的结构图 1 在使用启发性知识的专家系统中 知识表示和获取是一个核心问题 目前 基于分形理论与模糊神经网络的模拟电路故障诊断研究 广泛使用的知识表示方式 诸如产生式规则 语义网络 框架和谓词逻辑等 可以 方便地将知识组织成计算机可以识别的知识库形式 但由于知识具有模糊 联想 形象等复杂的心理特征 比如电压的高 低等 这样 专家在使用传统方法描述 他们的知识时 存在很大的困难 导致系统解决具体问题时自适应性差 求解效 率跳跃下降 近年来 人们越来越多地尝试用新兴的模糊数学和神经网络理论解 决诊断知识的表达问题 文献资料li 黑 知识获取系统 测试设计 工程师 世驾 嚣i 瞄编译 l 筝研帆 黼i协接 测试设计 工程师 交互式 故障隔离 粼li 蝴 图1 2f i s 的结构 应该指出 复杂系统的智能诊断涉及广泛的学科领域 许多闯题尚有待于进 一步研究和探讨 对其进行完整和系统研究是一项艰巨而又困难的工作 1 5 本文的主要工作 本文研究了人工神经网络 模糊理论 分形理论 在模拟电路故障诊断中的 应用 分别提出了基于模糊神经网络 基于分形模糊神经网络的模拟电路故障诊 断方法 如下 第1 章 概述了模拟电路故障诊断技术的发展概况 现有的主要诊断方法及其 该研究领域的热点和难点问题 并介绍了智能技术在故障诊断中的应用现状 第2 章 研究了前向多层误差传递网络和自组织特征映射神经网络 在模拟电 路故障诊断中的应用 对各种网络的诊断效果进行了系统的分析与实验验证 第3 章 研究了将模糊系统与人工神经网络相融合来诊断模拟电路故障的模糊 神经网络方法 提出了一种基于聚类模糊神经网络模型的容差模拟电路故障诊断 新方法 第4 章 从分形原理出发 介绍分形计算维数的概念 将分形计算维数概念与 多层感知器神经网络结合 对分形神经网络进行了研究 硕士学位论文 i i i l l l 第5 章 介绍了分形模糊识别原理 提出了基于分形模糊神经网络的模拟电路 故障诊断方法 并且对非线性电路的故障诊断进行了一定的探讨 基于分形理论与模糊神经网络的模拟电路故障诊断研究 第2 章神经网络在电路故障诊断中的应用 神经网络理论是一门活跃的边缘性交叉学科 它是巨量信息并行处理和大规 模平行计算的基础 神经网络既是高度非线性动力学系统 又是自适应组织系统 可用来描述认知 决策及控制的智能行为 它的中心问题是智能的认知和模拟 神经网络技术的出现 为故障诊断问题提供了一种新的解决途径 本章将研究前向多层误差传递网络和自组织特征映射神经网络训练过程 学 习算法 以及其在模拟电路故障诊断中的应用 2 1 神经网络方法 人工神经网络 a r t i f i c i a ln e u r a ln e t w o r k s 是由大量简单的基本元件一 神经元相互连接而成的自适应非线性动态系统 每个神经元的结构和功能比较简 单 而大量的神经元组合产生的系统行为却非常复杂 由大量神经元相互连接组 成人工神经网络将显示出人脑的某些基本特征 人工神经网络是生理学上的真实 人脑神经网络的结构和功能 以及若干基本特性的某种理论抽象 简化和模拟而 构成的一种信息处理系统 神经网络最基本特点是并行分布的处理模式 因而神 经网络被认为是最有前途的智能计算机系统的通用模型 此外 神经网络还具有 自适应 自学习和联想记忆等特征 2 1 1 神经网络模型 人工神经网络是由人工神经元相互连接而成的网络模块 由于人工神经网络 有多种类型 神经元之间的连接也有多种形式 因此人工神经网络也有多种类型 1 人工神经网络连接的几种基本形式 1 1 前向网络 网络的结构如图2 1 a 所示 网络中的神经元是分层排列的 每个神经元只与前一层的神经元相连接 隐含层的层数可以是一层或多层 前向 网络在神经网络中应用很广泛 例如 感知器就属于这种类型 2 从输出到输入有反馈的前向网络 网络的结构如图2 1 b 所示 网络的本 身是前向型的 与前一种不同的是从输出到输入有反馈回路 例如 f u k u s h i m a 网络就属于这种类型 3 层内互连前向网络 网络的结构如图2 1 c 所示 通过层内神经元之间的 相互连接 可以实现同一层神经元之间横向抑制或兴奋的机制 从而限制层内能 同时动作的神经数 或者把层内神经元分为若干组 让每组作为一个整体来动作 一些自组织竞争型神经网络就属于这种类型 硕士学位论文 4 互连网络 网络的结构如图2 1 d 所示 互连网络有局部互连和全互连两 种 全互连网络中的每个神经元都与其它神经元相连 局部互连是指互连只是局 部的 有些神经元之间没有连接关系 h o p f i e l d 网络和b o l t z m a n n 机属于互连网 络的类型 2 具有代表性的神经网络应用模型 1 5 p 弼络 它是多层欧射网络 采用最小均方差的学习方式 是使用最广泛 的网络 可用于语言综合 语言识别 自适应控制 2 h o p f i e l d 神经网络 它是相同元件构成的单层而不带学习功能的自联想 网络 缺点是连接需要对称和没有学习功能 3 k o h o n e n 神经网络 它是一种具有自组织特征映射的人工神经网络模型 4 盒中脑 b s b 模型 这是具有最小均方差的单层自联想网络 可用于从 知识库中提取知识 其缺点是仅为单步决策 5 b m 网络 它又称b l o t z m a n n 机 是使用一噪声过程来取代函数的全局极小 值的网络 主要用于模式识别 其缺点是训练时间长 且有噪声 a c b 图2 1 神经网络的典型结构 d 基于分形理论与模糊神经网络的模拟电路故障诊断研究 2 1 2 神经网络的学习算法 吖 力 2 1 硕士学位论文 1 1 一一学习率 o 酽 l 2 8 式中 d 一k 一1 层的第j 个神经元的输出 形 一第k 层第i 个神经元与第k 一1 层第j 个神经元的连接值 l 一第k l 层的神经元总数 拜 一第k 层第i 个神经元的阚值 在净输入j 粤的激励下 第k 层第i 个神经元的输出为 d 正 2 9 式中 d 一神经元的激活函数 神经元的激活函数可以有多种选择 如线性函数 多项式函数 硬限幅函数 b p 网络通常选用有一定阈值特性的连续可微的s i g m o i d 函数作为神经元的激发函 数 如下式所示 1 r 二 2 1 0 1 e 式中口 s i g m o i d 函数的光滑因子 口决定了s i g m o i d 函数的非线性程度 通过变化口可改变函数的形状 如图2 3 所示 可以看k i s i g m o i d 函数的图形随着口变化而变化 当口较大时 l 幅值 v 反 i j 多亏丌 时间 吐 图2 3s i g m o i d 函数 对应于缓慢变化的激活函数 当口较小时 s i g m o i d 函数的图形接近于硬限幅函数 通常情况下取口 l 即 x i 1 e 2 1 i s i g m o i d 函数的特点是它为一单调递增函数 有无穷多阶导数 其输出在闭区间 o 1 上连续变化 而且是 个有界函数 满足 l i l y x 0 2 1 2 基于分形理论与模糊神经网络的模拟电路故障诊断研究 l i m f x 1 2 1 3 x o o s i g m o i d 函数的这些特点使它在人工神经网络中得到广泛的应用 2 2 2b p 网络的训练 人工神经网络由它的拓扑结构 神经元的激活函数和学习规则三大要素确 定 一个b p 网络的学习过程是这样的 首先接受一组样本输入 一次计算各隐层 和输出层的输出 完成前向过程 然后根据网络实际输出和期望输出 计算输出 层的误差 并根据误差反向传播规则 依次修正输出层和隐层之间 各隐层之间 以及隐层与输入层之间的权值 以减小误差 完成误差反向传播过程 由于误差 由网络输入 网络输出和期望输出确定 而权值又是根据它来修正的 因而不难 想象这三者信息已经包含在网络权值里 随着学习过程的进行 权值不断修正 误差不断减小 最后使网络输出已给定的精度接近于期望输出 学习结束后 所 学习的样本里的有效信息被存贮到网络的权值中 因此当再次有相似的输入时 b p 网络就能给出相近的输出 2 2 2 1 b p 网络算法 b p 网络的产生归功于b p 算法的获得 b p 算法属于j 算法 是一种监督式 的学习算法 其主要思想是 对于q 个输入学习样本 p p 2 p 9 已知与其对 应的输出样本为 t 1 r 2 t q 学习的目的是用网络的实际输出4 1 一2 与目标 矢量一 r 2 t q 之间的误差来修改其权值 使爿 与期望的一尽可能地接近 即使 网络输出层的误差平方和达到最小 它是通过连续不断地在相对于误差函数斜率 下降的方向上计算网络权值和偏差的变化而逐渐逼近目标的 每一次权值和偏差 的变化都与网络误差的影响成正比 并以反向传播的方式传递到每一层 b p 网络的学习过程由两部分组成 信号的正向传递和误差的反向传播 当信 号正向传播时 输入信息从输入层经隐单元层处理后传向输出层 每一层神经元 的状态只影响下一层神经元的状态 如果在