（电气工程专业论文）模拟电路故障特征提取与智能融合诊断方法.pdf

模拟电路故障特征提取j 智能融合诊断方法 摘要 模拟电路测试和诊断自2 0 世纪7 0 年代以来，一直是电路与系统领域的研 究热点，至今已取得了诸多显著的理论成果，但由于模拟电路元件的非线性、 具容差及其故障现象的多样性等使得其诊断问题极其复杂，现有诊断理论与方 法距实际应用尚有一定的距离。信息融合技术作为信息处理的有力工具，为解 决模拟电路故障诊断中的诸多难题提供了可能。为此，本论文以探索基于智能 信息融合技术的模拟电路故障诊断方法作为核心，对模拟电路故障特征提取与 基于决策层融合的智能诊断进行了较深入的研究。 针对模拟电路尤其是大规模电路可及节点十分有限而导致的故障信息提取 困难等问题，本文探索电路元件温度特征信息提取方法，提出了基于k 近邻法 的模拟电路温度信息提取规则及相应的电路故障识别方法。 针对采用传统d s 融合方法可能出现的冲突融合和一票否决等问题，提出 了考虑异质信息不相容时的模拟电路融合诊断方法。该法首先采用k 近邻法提 取电路温度特征信息，并进行故障预识别，再结合基于可测点电压的神经网络 故障预识别结果，在考虑信息不相容的情况下，通过计算关联权重系数、先验 权重系数等，进行电路的综合诊断，保证了诊断结果的准确性。 同时，针对采用传统d s 融合方法的冲突融合等问题，本文还提出了采用 可传递置信模型的模拟电路融合诊断方法。该法首先利用可传递置信模型分别 对基于可测点电压的故障预识别结果和基于温度特征信息的故障预识别结果进 行计算，以获得基本置信分配、置信函数值和组合概率。在此基础上，通过可 传递置信模型中的决策层融合算法获取最终置信证据值，实现故障定位，提高 了故障诊断的准确率。 对上述方法分别进行了的模拟仿真试验，验证了所提方法的有效性和准确 性。 关键词：模拟电路；故障诊断；信息融合；k 一近邻法：可传递置信模型；神经网 络；不相容信息 硕上学位论文 a b s t r a c t a n a l o gf a u l td i a g n o s i sh a sb e e na na c t i v ea r e ao fr e s e a r c hs i n c et h e19 6 0 sw i t h s i g n i f i c a n tw o r ka n dm e t h o d sc a r r i e do u t u n f o r t u n a t e l y ，t h ep r o g r e s so fa n a l o g c i r c u i tf a u l td i a g n o s i sf r o mt h ef u n d a m e n t a lt h e o r yt os o p h i s t i c a t e dt e c h n o l o g yh a s b e e nh a m p e r e db yn o n l i n e a re f f e c t s ，c o m p o n e n tt o l e r a n c e s ，p o o rf a u l tm o d e l sa n d o t h e rf a c t o r s i n f o r m a t i o nf u s i o ni s w i d l ya p p l i c a t e d t o d e a l i n gw i t hp a t t e r n r e c o g n i t i o n ，i d e n t i f i c a t i o n a n dd i a g n o s i sf o rf a u l tl o c a t i o n i ti s h o p e f u lt h a t a p p l i c a t i o no fd a t af u s i o nt ot h ea r e ao fa n a l o gc i r c u i t sd i a g n o s i sm a ya c h i e v eb e t t e r r e s u l t s i nt h i sd i s s e r t a t i o n ，t h er e s e a r c hi sf o c u s e do ns e e k i n ga n a l o gc i r c u i t d i a g n o s i sa p p r o a c h e sb a s e do ni n t e l l i g e n ti n f o r m a t i o nf u s i o n 。t h ef a u l tf e a t u r e e x t r a c t i o na n dd e c i s i o n - f u s i o nb a s e di n t e l l i g e n td i a g n o s i sa l g o r i t h m sf o ra n a l o g c i r c u i t sa r ed e a l tw i t hi nd e t a i l i no r d e rt os o l v et h ep r o b l e mt h a ta c c e s s i b l en o d e sa r et o ol i m i t e dt og e t s u f f i c i e n td i a g n o s i si n f o r m a t i o ni na n a l o gc i r c u i t s ，e s p e c i a l l yi nl a r g es c a l ec i r c u i t s ， a n a l g o r i t h m f o r t e m p e r a t u r e i n f o r m a t i o ne x t r a c t i o ni s p r e s e n t b a s e do n k n e a r e s t n e i g h b o rc l a s s i t i f c a t i o nr u l e i no r d e rt oo v e r c o m et h ew e a k n e s s e so fd e m p s t e r - s h a f e rt h e o r yi n c l u d i n g c o n f l i c tf u s i o na n do n e t i c k e t - v e t o ，an e wa n a l o gc i r c u i td i a g n o s i sm e t h o db a s e do n h e t e r o g e n e o u si n f o r m a t i o n f u s i o ni s p r o p o s e d t h e c h a r a c t e r i s t i ct e m p e r a t u r e i n f o r m a t i o ni se x t r a c t e db y k n e a r e s t - n e i g h b o r c l a s s i f i c a t i o nr u l ea n dt h e n c o r r e s p o n d i n gp r i m a r yf a u l ti d e n t i f i c a t i o ni sp e r f o r m e d m e a n w h i l e ，a n o t h e r s e p a r a t ep r i m a r yf a u l td i a g n o s i si sd e a l tw i t hb yan e u r a ln e t w o r kb a s e do n a c c e s s i b l en o d ev o l t a g e s b yc a l c u l a t i n gp r i o rw e i g h tc o e f f i c i e n ta n dc o r r e l a t i o n w e i g h t c o e f f i c i e n tu n d e rt h ec o n s i d e r a t i o no fi n f o r m a t i o n i n c o n s i s t e n c y ，t h e s y n t h e t i cd i a g n o s i si sc o m p l e t e da n dr e l i a b l ef a u l td i a g n o s i sr e s u l t sa r eo b t a i n e d m e a n w h i l e ，a n o t h e ra n a l o g - c i r c u i tf u s i o nd i a g n o s i sa p p r o a c hi sd e v e l o p e db y u s i n g t r a n s f e r a b l eb e l i e fm o d e ls oa st oo v e r c o m et h ew e a k n e s s e so f d e m p s t e r - s h a f e rt h e o r y b yu s i n gt r a n s f e r a b l eb e l i e fm o d e l ，t h e b a s i cb e l i e f a s s i g n m e n t ，b e l i e ff u n c t i o nv a l u ea n dc o m b i n a t i o ne v i d e n c ea r eo b t a i n e df r o mt h e s e p a r a t ep r i m a r y f a u l ti d e n t i f i c a t i o nb a s e do na c c e s s i b l en o d e v o l t a g e s a n d t e m p e r a t u r ei n f o r m a t i o n ，r e s p e c t i v e l y a n dt h e n ，b yu s i n gt h ea l g o r i t h mo fp i g n i s t i c t r a n s f o r m a t i o ni nt r a n s f e r a b l eb e l i e fm o d e l ，t h es y n t h e t i cd i a g n o s i si sc o m p l e t e da n d i i i 模拟电路故障特征提取与智能融合诊断方泫 t h ea c c u r a c yo ff a u l td i a g n o s i si si n c r e a s e d t h es i m u l a t i o ne x p e r i m e n tr e s u l t ss h o wt h a tt h ep r o p o s e dm e t h o d sh a v et h e c a p a b i l i t yt od i a g n o s ef a u l t si na n a l o gc i r c u i t sa n dg a i ns a t i s f a c t o r ya c c u r a c y k e yw o r d s ：a n a l o gc i r c u i t ；f a u l td i a g n o s i s ；i n f o r m a t i o nf u s i o n ；k n e a r e s t n e i g h b o r c l a s s i f i c a t i o nr u l e ；t r a n s f e r a b l eb e l i e fm o d e l ；n e t u r a ln e t w o r k ； i n c o n s i s t e n ti n f o r m a t i o n i v 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： 丰易与殳 日期：沁文年6 月f 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“ ) 日期：胡年月f 日 日期：舢c 年6 月日 硕十学位论文 第1 章绪论 1 1 模拟电路故障诊断的意义 模拟电路广泛应用于军工、航天、铁路、电气等各个领域，对国家安全和经 济稳定发展等多方面起着举足轻重的作用。大规模集成电路的复杂度与密集度不 断增加，对其安全运行可靠性的要求也日益提高，当电路发生故障时，要求能及 时诊断出故障，以便检修、调试和切换。但由于电路系统中元件容差的存在以及 故障现象的多样性、故障类型的不确定性、元件参数的非线性等所导致的电路响 应与电路参数之间复杂的、未知的、不确定的非线性关系，加之现有电路可测节 点十分有限，给故障诊断带来了很大困难，至今无论在理论上还是方法上均未完 全成熟，距实用还有相当的距离。 模拟电路故障诊断自7 0 年代开始，在世界范围内已取得诸多显著的阶段性 理论成果，并逐渐形成了比较系统的理论，确立了它在网络理论中应有的地位， 成为了网络理论的第三大分支。开展这一领域的研究，不仅对促进近代电路理 论的发展有着强大的推动作用，而且其研究成果还将丰富相关学科如智能科学与 计算科学等的应用研究。 随着国民经济的迅速发展，人们对电子设备的故障有了更新的认识，为了避 免或尽量减少出故障引起的经济损失，对电子设备特别是对模拟电路设备故障诊 断的研究已经引起了各个国家的足够重视，电子设备故障诊断技术已成为世界范 围内的一个研究热点。因此，进一步探索模拟电路故障诊断理论、研究实用性强 的故障诊断方法并研制其测试设备及软件已迫在眉睫。 1 2 模拟电路故障诊断理论的发展 随着大规模集成电路的发展，为了提高系统的安全性和可靠性，故障诊断技 术越来越受到人们的重视，成为各界研究的热点方向之一。故障诊断的主要任务 是在已知网络的拓扑结构、输入激励信号和获得故障下的响应时，求解故障元件 的物理位置和参数。对于模拟电路，由于其元件具有容差并存在非线性等原因， 使得模拟电路的故障诊断较数字电路复杂得多，其发展也相对比较缓慢。但是， 在一个完整的系统中，数字电路并不能完全取代模拟电路，所以对模拟电路故障 诊断的研究己成为诊断领域内的热点方向。 1 9 6 2 年r s b e r k o w i t z 首先提出了关于模拟电路诊断的可解性概念瞳1 ，指出 了无源、线性、集总参数网络元件值可解性的必要条件，拉开了模拟电路故障诊 断理论研究的序幕。二十世纪七十年代，国际上掀起了模拟电路故障诊断的热潮， 19 7 9 年国际电气电子工程师协会电路与系统学报发表了模拟电路故障诊断的特 刊，刊登了这一时期提出的针对模拟电路故障诊断的各种不同方法。19 8 5 年 j w b a n d l e r 在i e e e 上发表了关于模拟电路故障诊断的特邀文章，对到当时为 止的模拟电路故障诊断的理论做了全面综述。 八十年代以来，多故障诊断的研究已成为主流口叫列，其中比较有代表性的方 法有k 故障诊断法、故障参数识别法和网络撕裂法等。同时，为了解决大规模 电路的诊断问题，撕裂技术在电路诊断中得以应用，网络分解方法口j 1 ”越来越 受到关注。此外，由于多故障诊断法一般只需少量的可及节点，电路的结构对故 障诊断方法的有效性有着很大的影响，因而可测性设计的研究1 2 1 也日益得到重 视，几乎所有后来提出的方法都力图用拓扑的术语给出其可诊断条件，并用以转 变为相应的可测性设计准则。至八十年代末，这一领域的研究成果主要集中在解 决线性网络在无容差或小容差情况下的诊断理论与方法上。 九十年代以来，故障字典法、参数识别法、故障验证法、逼近法相继成为经 典故障诊断法的主流哺。1 ，传统的故障字典法和故障验证法中的k 故障诊断理论、 网络撕裂法均有了新的进展n 3 叫5 1 ；而现代故障诊断方法的发展更加迅速，模糊理 论、神经网络、小波变换、专家系统等逐渐被应用于模拟电路故障诊断中。此外， 还出现了非网络理论的诊断方法，如红外成像诊断法和激光等离子体探测法等。 这些方法在模拟电路故障诊断中的应用，为模拟电路故障诊断开辟了新的途径。 1 3 模拟电路故障诊断的现状及其分析 近年来，特别是过去十年，基于专家系统n 引、模糊理论n 卜2 0 1 、小波变换乜卜2 引、 遗传算法心7 吨9 | 、神经网络口p 3 引、等理论发展起来的新方法是现代模拟电路故障诊 断方法的代表和主流，国内外学者把更多精力放在了软故障的诊断3 1 、电路可 测性的改善、故障特征信息的提取以及改良诊断方法的鲁棒性等研究上，取得了 丰富的成果。 基于神经网络的故障诊断 神经网络由于其本身信息处理特点如并行性、自学习、自组织、联想记忆及 分类功能，使其能出色解决那些传统模式识别方法难以圆满解决的问题。特别是 神经网络的泛化能力和非线性映射能力，使之能够更好的适用于解决模拟电路故 障诊断中的容差和非线性问题。 基于神经网络的模拟电路故障诊断方法包括被测故障集的确定、选择测试节 点、提取故障特征等步骤，这与基于测前仿真的故障字典法类似。但是前者是采 用构造样本集和神经网络来存储特征信息，在测后利用神经网络处理故障定位。 基于模糊理论的故障诊断 故障诊断的机理非常适合用模糊规则来描述，模糊理论中的模糊集合、模糊 2 硕上学位论文 运算、模糊逻辑系统对模糊信息的强大处理能力使它成为故障诊断的一种有力工 具。文献【19 中提出一种将模糊数学用于容差电路诊断的新方法；文献 2 0 】中将 故障电路作为一个模糊系统来处理，用模糊故障字典取代传统的故障字典来进行 模拟电路的硬故障诊断。 模糊理论与神经网络相结合，即所谓的“模糊神经网络 ，充分吸收了模糊 理论和神经网络各自的优点，并以此来弥补各自的不足。其基本思想是在b p 网 络的输入层与输出层中间增加1 2 层模糊层构造模糊神经网络，利用神经网络 处理底层感知数据，利用模糊逻辑描述高层的逻辑框架，其对模拟电路软故障诊 断的效果优于单一的神经网络分类器。 基于小波变换的故障诊断 小波神经网络是以小波函数基为隐层节点的激发函数的神经网络，是小波理 论与神经网络相结合的产物。小波变换具有时域局部特征，而神经网络具有自学 习、自适应、鲁棒性和容错性，如何把两者的优势结合起来一直是学者们最关心 的问题。一种方法是用小波变换对信号进行预处理，即以小波空间作为模式识别 的特征空间，并通过小波基与信号的内积加权求和后实现信号提取，将提取的特 征向量送入神经网络进行处理。 基于信息融合技术的故障诊断 将信息融合的思想与方法应用于模拟电路故障诊断的研究还刚刚起步，其研 究旨在提高电路的可测性与故障诊断的准确性。针对不同的诊断目的，集成神经 网络与模糊理论、遗传算法、小波分析等计算智能方法的优势，进行故障定位， 以提高诊断系统的综合性能乜9 3 卜3 引。 参数识别法、故障验证法等诊断方法的实用性研究 参数识别法、故障验证法等一大类传统诊断方法已经历了较长的发展过程， 各有其特点，可满足不同的电路诊断要求，但元件的容差与非线性等严重制约了 此类方法的进一步发展与应用，因此近年来仍有不少学者致力于以上各类传统方 法在容差、非线性电路等实际情况中的应用研究口7 q 5 1 。 可测性理论及可测性设计 主要研究模拟电路可测性的度量、电路可测性的提高、可测性设计的一般结 构等1 6 3 9 1 。 数模混合系统的故障诊断 集成电路的设计和制造技术的发展，给集成电路的故障诊断带来了很大挑 战，特别是针对集成运算放大器的电路和数模混合集成电路。文献 4 0 】中应用基 于灵敏度的随机算法对滤波器电路中含运放部分的高通、低通、加法器子电路分 别进行诊断，但是没有给出具体的诊断模型；文献 4 6 】中提出了闭环运放的行为 级故障模型，针对同相放大、反相放大和电压跟随三类闭环运放应用，提出四种 3 模拟电路故障特征提取与智能融合诊断方法 类型的故障行为，但这些方法均较难在实际中应用；文献 4 7 】中介绍了混合信号 片上系统( s o c ) 环境下高频模拟核的测试，从测试激励的生成到采样信号的分 析，都和模拟电路故障诊断理论不一样。数模混合电路中数字器件和模拟元件的 特性差异增添了电路中元件统一故障特征提取的难度，使得数模混合电路的诊断 更加困难和复杂。 总的来看，模拟电路故障诊断的研究尽管已取得了许多显著的阶段性理论成 果，但由于网络的拓扑结构与可测点不足等因素制约了电路的可诊断性与诊断方 法的适用性，电路元件的广泛非线性、具容差及其故障现象的多样性等使得现有 诊断理论与方法难以解决实际电路的诊断问题，至今国际上尚未出现能得以广泛 应用的有效诊断方法及其软件。要获得突破性的进展最终形成成熟的应用技术， 可能还需要更具创新性的研究和大量细致的完善工作。 1 4 诊断方法的分类 模拟电路的故障诊断方法很多，并各有其特点，从不同的角度有不同的分类 方法。如按故障诊断的环境区分，可分为在线诊断和离线诊断；按被测试电路性 质，可分为线性电路故障诊断与非线性电路故障诊断；按故障诊断的目的，可分 为故障检测法、故障定位法与故障识别法；按诊断所采用的测试信号区分，可分 为工作信号法与仿真信号法、单测试信号法与多测试信号法、单频信号法与多频 信号法、电量信号测试法与非电量信号测试法等。 常见的分类方法是依据电路的仿真是在实际测试的前或后来区分，将其分为 测试前模拟法、测试后模拟法以及介于两者之间的逼近法和智能化方法等，图 1 1 是基于这种分类思想对研究较多的诸方法的一种比较细致的分类。 模拟电路故障诊断方法 测试前模拟法 故 障 字 典 法 逼 近 法 人 工 智 能 法 测试后模拟法 参数识别法il 故障验证法 多 频 测 量 法 伴 随 网 络 法 k 故 障 诊 断 法 图1 1模拟电路故障诊断方法的分类 4 失 效 定 界 法 网 络 撕 裂 法 硕士学位论文 测前模拟诊断的工作量主要在测试之前进行，测后模拟诊断的工作量主要 在测试之后进行。测前模拟诊断易于做实时诊断，其典型方法有故障字典法，基 于神经网络等故障诊断方法。测后模拟诊断多用于离线诊断，元件参数辨识法、 故障验证法等均为测后模拟诊断方法。此外也有一些界于测前模拟诊断和测后模 拟诊断之间的测量方法，如逼近法，部分基于人工智能、专家系统、信息融合的 故障诊断等方法，它们通常是在测前模拟时收集故障特征处理数据，然后在测后 模拟中推理搜索等过程。 1 5 论文结构与研究内容 论文共分六个部分，其中： 第1 章：首先概述了模拟电路故障诊断的意义及其诊断理论的发展过程与现 状，简要分析了现有诊断方法的类别、当前的研究动向，介绍了本文的主要工作。 第2 章：首先介绍了b p 神经网络与径向基神经网络的结构模型、算法实现 与各自特点，在此基础上，重点研究了基于神经网络的模拟电路故障诊断模型、 训练样本输入方法、神经网络结构确定、学习训练方法以及故障定位策略等。 第3 章：首先介绍了分析了模拟电路故障诊断中特征信息的提取方法，然后 介绍k 近邻法的有关知识。在此研究基础上，提出了基于k 近邻法的元件工作 温度信息提取与故障定位规则，并通过理论分析与诊断实例说明了所提方法的有 效性。 第4 章：首先介绍了信息融合的基础理论，在此基础上，研究了基于信息融 合的模拟电路故障诊断的基本思想，构建基于多源信息、多层次融合的模拟电路 故障诊断基本功能模型，对其基本融合诊断方法进行了分析研究，并阐述了基于 决策融合的诊断实现步骤。 第5 章：首先介绍了d s 信息融合的基础理论，分析了d s 证据融合理论 的缺点，并简要论述了已有的几种改进方法。在此基础上提出了一种基于异质信 息融合的模拟电路故障诊断方法，以解决模拟电路诊断中故障特征信息缺乏和决 策融合中异质信息不相容而导致误判等问题。该法首先采用第三章提出的基于可 传递置信模型的k 近邻法，对电路进行温度特征信息提取，并进行故障预识别， 再结合基于可测点电压的神经网络故障预识别结果，在考虑信息不相容的情况下 计算关联权重系数、先验权重系数，从而实现电路的综合诊断。诊断实例验证了 方法的准确性。 第6 章：首先介绍了可传递置信模型的有关理论知识。在此基础上，对电路 的测试方案、融合诊断系统的构成与实现、容差电路的初级诊断方法、数据融合 算法以及故障定位规则等进行了研究，并提出了基于应用可传递置信模型决策层 融合的容差模拟电路故障诊断方法。通过理论分析与诊断实例说明了所提方法的 5 模拟电路故障特征提取与智能融合诊断方法 准确，有效。 结论：给出了本论文研究的有关结论及今后的研究工作。 6 硕士学位论文 第2 章模拟电路故障诊断的神经网络方法 2 1 引言 模拟电路故障诊断自从研究以来，已从理论上提出了诸多诊断理论和方法。 但由于缺乏统一的故障模型、元件容差和非线性等问题，大大增加了模拟电路故 障诊断的难度而使其一直成为极具挑战性的研究课题。人工神经网络能够通过学 习和训练获取用数据表达的知识，除了可以记忆已知的信息之外，神经网络还具 有一定的概括能力、联想记忆能力、鲁棒性与较强的模式识别能力，这都为模拟 电路故障诊断提供了一条良好的解决途径。 本章将首先介绍b p 神经网络与径向基神经网络的结构模型、算法实现与各 自特点h 8 5 0 1 。在此基础上，研究基于神经网络的模拟电路故障诊断模型、训练样 本选择、输入方法、学习训练方法以及故障定位策略。 2 2 神经网络概述 神经网络的研究历史可追溯到19 4 0 年，m c c u l l o c h 和p i t t s 证明神经元可以 模拟为一个简单的阀值装置进行逻辑函数操作。但是由于种种历史原因，到2 0 世纪8 0 年代后，神经网络的研究才取得突破性进展。尤其是19 8 2 年，美国加州 工学院物理学家h o p i e l d 提出的联想记忆网络和r u m e l h a r t 等人针对早期的多层 前向感知器网络提出的误差反向传播法( 即b p 算法) ，对神经网络研究的复兴 起到了关键作用。这两种网络是目前应用最为广泛的神经网络。在此期间， c o r s s b e r g 等人对于自适应谐振理论的研究h 引，k o h n o e n 对自组织特征映射的研 究，h i n t o n 对随机网络研究及f u k u s h i m a 对新认知机的研究等都取得了令人满意 的结果。 从信息处理观点看，神经网络是一个具有高度非线性的超大规模并行信息融 合处理系统，可看做是实现多输入信号的某种函数变换的一种融合系统。就工程 应用角度看，人们则更多地关心所示的神经网络3 个基本能力h 引： 网络映射变换能力 这是一个网络结构问题，即网络具有什么样的拓扑结构才可实现输入与输出 之间的线性或非线性的映射变换，尤其是神经网络对于传统的控制难于解决的非 线性问题是否有效。关于这类问题，神经网络专家们早已证明，当三层前向网络 的神经元激励函数具有s i g m o i d 函数特征，而且隐层节点数目足够多时，它可以 任意精度逼近输入与输出之间的映射变换。 网络学习能力 7 模拟电路故障特征提取与智能融合诊断方法 这是网络训练算法问题，即能否找到一组网络参数，使网络记忆输入，输出 之间存在变换关系。实际上，学习算法问题是属于给定标记下的优化设计问题。 这方面已提出许多有效的神经网络学习算法。 网络泛化能力 这是直接关系到网络推广能力的问题。所谓网络泛化问题，是指经过训练后 的网络对测试集的处理能力。因为实际系统的训练样本本身存在着局限性、模糊 性、并含噪声，所以网络泛化能力的研究对于神经网络实际应用具有重要意义。 目前已有的数十种神经网络模型，按网络结构划分可归纳为三大类：前向网 络、反馈网络和自组织网络。前向网络采用信息从输入层单元向后一层单元逐层 传递方式，这类网络结构通常适于预测、模式识别及非线性函数逼近，较为典型 的是b p 神经网络。反馈网络又称回归网络，输入信号决定反馈系统的初始状态， 系统经过一系列状态转移后逐渐收敛于平衡状态，因此，稳定性是反馈网络最重 要的指标之一，比较典型的是h o p f i e l d 神经网络。自组织神经网络是无教师学 习网络，它模拟人脑行为，根据过去经验自动适应无法预测的环境变化，由于无 教师信号，这类网络通常采用竞争原则进行网络学习。 神经网路技术的出现，为模拟电路故障诊断提供了一种新的解决途径。特别 是对于在实际中难以建立数学模型的复杂系统，神经网络更显示出其独特的作 用。目前神经网络模型种类很多，其中b p 网络与径向基( r b f ) 网络由于其具备 的并行处理，分布式存储，自学习、学习速率快以及出色的模式分类能力而被广 泛应用于模拟电路故障诊断中，取得了较好诊断效果。 2 3 神经网络模型 2 3 1b p 神经网络 误差反向传播( e r r o rb a c k p r o p a g a t i o n ) 的思想最早由b r y s o n 等人于1 9 6 9 年在其所著的应用最优控制中提出。之后w e r b o s 在19 7 4 年哺，p a r k e r 于1 9 8 5 年哺2 1 提出的误差反向传播的思想和算法。 b r y s o n 、w e r b o s 、p a r k e r 和r u m e l h a r t 等人各自独立地完成了自己的工作。 然而，b r y s o n 、w e r b o s 和p a r k e r 等人的工作被忽视了。直到1 9 8 6 年r u m e l h a r t 及其研究小组在自然( n a t u r a l ) 凹3 3 杂志上发表其研究成果时，b p 网络和b p 算法才得到人们的关注。 感知器的发明人r o s e n b l a t t 和自适应线性神经网络的发明人w i d r o w 为了突 破单层前馈型神经网络的局限性，曾致力于多层前馈型神经网络的研究却未能取 得成功。r u m e l h a r t 等人的误差反向传播学习算法解决了多层前馈神经网络的关 键问题，即多层前馈神经网络中神经元联结权值的调整问题。过去只是理论上存 在的复杂映射的前馈神经网络表达，现在可通过误差反向传播学习算法调节其神 8 硕士学位论文 经元联结数值，使其真正地实现对复杂映射的表达。 误差反向传播( b a c k p r o p a g a t i o n ，b p ) 学习算法简称为b p 算法引，采用b p 算法的前馈型神经网络简称b p 网络。其自出现以来一直是神经网络计算科学中 最为流行的神经计算模型，得到了广泛的应用。 定义：一个n 阶的b p 网络是一个由n 个b p n 神经元组成的六元组： 刀册龆= ( 2 1 ) 其中： 节点集合： = y ( 7 忙= o ，1 ，2 ，日， 其中包含l + 1 个子集 矿( 7 ) = “，) l i = l ，2 ，l ) ( k 1 ，2 ，l ) ，为b p 神经元。 联结关系矩阵：令矽( 7 ( ，= 1 ，2 ，l ) 为y ( 7 - 1 ) j 矿( 7 的联结强度矩阵，彬为 矿( 卜1 ) 一乃的联结强度向量，即 j 蟛k ( 懈，蚴，哩。，) r ( j _ 1 ，2 ，荆 ( 2 2 ) iw ( t ) = ( 埘n ，彬，蟛( z = 1 ，2 ，3 ，三) 其中，蟛) 为矿【“) 专唾o 的联结强度值。对中的节点进行适当的排序，则 刀册蟛j ，中神经元的联结关系矩阵为 如= 0w 0 ) oo l 三 y ( o ) o oo oo 000w ( t ) oo oo y ( o ) v 0 ) 尹1 ) ( 2 3 ) l ) v 0 ) y ( 2 ) y ( 工一1 ) v ( t ) 输入域： 1 f = y ( o ) = “o i i = 1 ，2 ，n o = 以) ，巧o ) 接受信号x i ( i = 1 ，2 ，以) 。 输入域：o f = 矿( 三) = “i f = 1 ，2 ，他= m ) ，v l ) 发送信号o i ( i = 1 ，2 ，1 ) 。 工作算法：w a ：i fj o f b p n w a ( x ( t ) ，d ( f ) ) s t e p l 初始化：d o ( f ) = 薅( z ) o = 1 ，2 ， ) 且z = 1 ( 2 4 ) s t e p 2 整合：“y ( f ) = 蟛o f i - 1 ) ( f ) ( _ ，= 1 ，2 ，n ) ( 2 5 ) i = l s t e p 3 激发：掣2 再焉石i 二：秒丽1 矽历丽j = 1 ，2 ，嘞) 2 6 ) s t e p 4 条件转移： ， o ；函“，铆，姚砧一o ，加2 其中，盯为学习率，且： y “1 d ( 7 ) = ( 辞n ，醴n ，酲：) r ：局域误差向量( 掣为蟛的局域误差) ； b 7 = ( 群n ，噬n ，碟) r ：偏离值向量( b j ( 1 为v ； f 的偏离值) ； d 7 = ( d f n ，彰，) r ：既是第z 层b p n 神经元集合v 。的输出向量，又是第 z + 1 层b p n 神经元集合y ( “1 ) 的输入向量。 从计算的角度看，一个b p 网络，l 嘏是一个n 输l n m 输出的非线性映射， 可记作： ，l c 磁篇：r 万一r 肼 ( 2 8 ) 符号栉c 聊燃明确了b p 网络的输入层i l 和输出层o l 的维数。如果需要同 时明确b p 网络的隐含层h l ，可将b p 网络，l 铡记作n c m 鼢。也x ，其中 嘞2 刀，刀。m o b p 网络是一种具有三层或三层以上的神经网络，包括输入层、中间层( 隐 层) 和输出层，隐层可以是一层，也可以是多层。结点的作用函数通常选用s 型函数。图2 1 给出了误差反传传播学习过程的原理图晦们。 在这种网络中，学习过程由输入信号正向传播和误差反向传播组成。在正向 传播过程中，输入信号从输入层经隐层单元逐层处理，并传向输出层，每一层神 经元的状态只影响下一层神经元的状态。如果在输出层得不到期望的输出，则转 入反向传播，将输出信号的误差沿原来的连接通路返回。 权修正 隐层 图2 ib p 网络结构 1 0 训练信号 硕十学位论文 2 3 2r b f 神经网络 19 8 5 年，p o w e l l 构造了多变量插值的径向基函数拍引( r a d i a lb a s i sf u n c t i o n ， r b f ) 。1 9 8 8 年，b r o o m h e a d 和l o w e 将插值计算演绎为神经计算，将r b f 应 用于人工神经网络设计，构造了径向基函数。 r b f 网络中的神经元也可分为感觉神经元和联想神经元拍引，以及反应神经 元。 r b f 感觉神经元 r b f 感觉神经元s i ( i = 1 ，2 ，n ) 是一种虚设的传入神经元，只起信号接收和传 递作用，无信号变换功能。 r b f 联想神经元 r b f 联想神经元a i ( i = 1 ，2 ，) 是r b f 网络的本质特征所在，其结构特征和 功能特征等与其他静态神经元模型一样，作为一种“整合激发 运算装置。 整合映射： i t 一：工- - h “ m ( 2 9 ) i t a ) ：彩棚o ) = ) 一刮l ( 2 1 0 ) 其中，f 为时间，石( f ) = ( 西( f ) ，恐( f ) ，( f ) ) r 为q 时刻t 的输入向量，“；彳( f ) 为a i 时刻t 的整合量，c ( ) 为a i 的中心向量。 激发映射： f ( 彳：“ 彳) - - 0 彳) ( 2 1 1 ) f ( 一) ：砖彳( f ) = r b f ( u 一( f ) ) ( 2 1 2 ) 其中，4 爿( f ) 为q 时刻t 的输入量，r b f ( ) 为径向基函数。 如图2 2 所示，将c j ) c t j ) ( i = 1 ，2 ，n ) 分配给各对应输入通道屯o - 1 ，2 ，刀) 之后，r b f 联想神经元便会成为赋权神经元。由于c f _ ，) 可取实数域内任意值，且 r b f 激发映射是连续的，故r b f 联想神经元具有相对联结的结构特征和相对激 发的功能特征，可表现突触不同程度的兴奋性联结和不同程度的抑制性联结，而 且，携接近c f ，时神经元口，倾向于兴奋，x i 远离c f 时候趋于抑制。 图2 2r b f 网络结构 模拟电路故障特征提取与智能融合诊断方法 在标准的r b f 网络中，r b f 联想神经元是不具有局域学习机制的。然而， 许多改进的r b f 网络增加了联想神经元局域学习机制。 r b f 反应神经元 r b f 反应神经元吒( 扛1 ，2 ，m ) 是标准的自适应线性神经元，接受来自r b f 联想神经元的信号。，的输出o j 为r b f 联想神经元a i ( i = 1 ，2 ，日) 输出值 4 彳o = 1 ，2 ，h ) 的线性组合： h q ( f ) = w i j o f a ) ( f ) 一b j ( 2 1 3 ) i = 1 其中，w u 为a i 专r j 的联结强度值，b j 为的偏离值。 2 3 3r b f 网络与b p 神经网络的比较 2 3 3 1b p 网络的缺点 与传统的数理统计方法相比，b p 网络具有不需要原始数据的高斯正态分布、 可融合多种类型数据及并行计算等优点，因此在分类效果上优于常规的概率统计 方法。却存仍然在自身的缺陷和不足： 需要较长的训练时间 对于一些复杂的问题，b p 算法可能要进行长时间的训练。主要是由于学习 速率太小造成的。可采用变化的学习速率或自适应的学习速率来加以改进。 完全不能训练 这主要表现在网络出现的麻痹现象上。在网络的训练过程中，当其权值调得 过大，可能使得所有的或大部分神经元的加权总和偏大，这使得激活函数的输入 工作在s 型转移函数的饱和区，导致其导数厂( x ) 非常小，从而使得对网络权值 的调整过程几乎停顿下来。 局部极小值 b p 算法可以使网络权值收敛到一个解，但它并不能保证所求为误差超平面 的全局最小解，很可能是一个局部极小解。这是因为b p 算法采用的是梯度下降 法，训练时从某一起始点沿误差函数的斜面逐渐达到误差的最小值。对于复杂的 网络，其误差函数为多维空间的曲面且很有可能导致无法跳出收敛区域，导致无 法全部收敛。 2 3 3 2 径向基网络的优点 尽管许多文献提出了一些b p 网络的改进学习算法，但网络收敛缓慢和易陷 入局部最小等问题仍没有从根本上解决。为了提高诊断精度，还必须寻找一些新 的学习算法。 r b f 网络作为是一种可用于模式分类的神经网络，目前已经得到广泛的应 用。r b f 网络与b p 网络比较，其主要优点为 快速训练，其训练时间仅仅略大于读取数据的时间。 1 2 硕十学位论文 无论分类问题多么复杂，只要有足够的训练数据和隐层数，r b f 网络可 任意逼近目标值。 允许增加或减少训练数据而无需重新进行长时间的训练。 2 4 基于神经网络的模拟电路故障诊断 神经网络具有大规模并行处理、并行存储、鲁棒性、白适应学习和在线计算 等优点，为模拟电路故障诊断问题提供了一种新的解决途径，对非线性、含容差 等情况均适用。与传统的故障诊断分析方法相比，神经网络不需要建立对象的精 确数学模型，因而在故障诊断中得到了越来越广泛的重视。特别是复杂系统，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 障诊断方法也就成了重要的、切实可行的方法。 2 4 1 诊断基本框架 基于神经网络的模拟电路故障自动诊断系统原理结构如图2 3 所示。包括两 个工作过程，即训练过程( 学习过程，图中虚线所示的过程) 和测试过程( 诊断 过程，图中实线所示的过程) 。即首先对无故障电路和各故障电路进行仿真，从 模拟电路的输出响应信号中提取电路的故障特征，然后对数据进行预处理，形成 神经网络的训练样本，再构造神经网络的结构以及学习算法，用训练样本训练神 经网络，当故障诊断的时候， 囤国圃圃 牟! 图2 3 故障诊断结构框图 对被测电路施加同样的激励，提取相应的故障特征，输入己经训练好的神经 网络，神经网络的输出显示被诊断电路属于哪个故障类阳 。其诊断步骤具体为 激励信号 模拟电路的测试激励信号通常可选择工作信号或其它输入信号，如直流信 号、多音正弦信号( 多个频率正弦信号的组合) ，方波信号，脉冲信号，分段线性 函数信号，阶跃信号等。激励信号的参数对故障诊断效率影响很大。 电路响应信号采集 根据激励信号的性质和采用的特征提取方法的不同，可以采集电路的静态信 号、瞬态响应信号和稳态响应信号。 1 3 模拟电路故障特征提取与智能融合诊断方法 选择定义故障集 模拟电路的故障分为两类：一类为硬故障