电子电路故障诊断系统设计讲解

1、编号：本科毕业设计（论文）电子电路故障诊断系统设计Design of fault diagnosis system for electroniccircuit下属学院 理工学院专 业 电子信息工程班 级 10 电子信息工程学 号 104173350姓 名 赵闯指导教师 陈勇旗 职称 副教授完成日期 201 4 年 4 月 1 日宁波大学科学技术学院本科毕业设计（论文）诚信承诺我谨在此承诺：本人所写的毕业论文电子电路故障诊断系统 设计均系本人独立完成，没有抄袭行为，凡涉及其他作者的观点 和材料，均作了注释，若有不实，后果由本人承担。承诺人（签名） ：年月日宁波大学科学技术学院本科毕业设计（论文）

2、摘要【摘要 】目前电子自动化的发展越来越成熟，电子设备功能越来越多。一个小小的故障也会导致财 产的巨大损失。鉴于上述原因，本文利用 Multisim 仿真软件建立电路模型，进行故障设定，并提取故障特征值。针 对这些故障类别，根据神经网络的基本原理设计了BP神经网络以及 RBF神经网络的故障诊断系统结构然后用 MATLAB对样本进行训练与测试，并在实验室进行调试，得到的误差变化曲线基本上符合提出的期 望。结果表明 BP 神经网络及 RBF神经网络的算法能够有效的应用于模拟电路故障诊断。【 关键词 】故障诊断； BP神经网络； RBF神经网络；训练；测试- II -宁波大学科学技术学院本科毕业设计

3、（论文）Abstract【 ABSTRACT 】 At present, the development of electronic becomes more and more automation and the function of electronic also becomes more. Little fault will resulst in property .For these reasons, in this paper, the circuit model is established by using Multisim simulation software,then s

4、etting faults and extract the fault characteristic. In view of these fault categories,according to the basic principle of neural network to found fault diagnosis system for the structure of BP neural network and RBF neural network. Then the samples are trained and tested by MATLAB and debug in the l

5、aboratory.The error change curve is basically consistent with the expected. The results show that the BP neural network and RBF neural network algorithm can be effectively applied to analog circuit fault diagnosis.【 KEYWORDS 】 Fault diagnosis；BP neural network ； RBF neural network ；trained; testedII

6、I宁波大学科学技术学院本科毕业设计（论文）目录1 绪论 11.1 模拟电路故障诊断研究的背景与意义 11.2 模拟电路故障诊断方法的研究现状. 11.3 本文主要的研究内容与结构安排 . 31.3.1 本文主要的研究内容 . 31.3.2 本文主要的结构安排 . 32 诊断电路和故障特征提取 . 42.1 模拟电路故障设定的基本思想 . 42.2 两种诊断电路的故障设定 . 42.2.1 Sallen-Key 低通滤波器的故障设定 52.2.2 四运放双二阶高通滤波器的故障设定 82.3 诊断电路特征向量的提取 . 113 基于 BP 神经网络的模拟电路故障诊断 . 133.1 神经网络的故障

7、诊断 . 133.1.1 神经网络基本原理 . 133.1.2 BP 网络用于故障诊断的基本思想 153.2 BP 神经网络的设计 153.2.1 训练样本的获取及输入输出模式的确定 163.2.2 BP 神经网络的设计 163.2.3 BP 神经网络的工具箱函数 183.3 Sallen-Key 低通滤波器的故障诊断 204 基于 RBF神经网络的模拟电路故障诊断 . 244.1 RBF 神经网络的基本知识概述 244.1.1 RBF 神经网络的基本原理 244.1.2 RBF 神经网络用于故障诊断的优势 244.2 RBF 神经网络的设计 254.2.1 网络的设计 . 254.2.2 R

8、BF 神经网络工具箱函数 264.3 四运放双二阶高通滤波器的故障诊断 275 总结与展望 29参考文献 . 31致谢 32- IV -宁波大学科学技术学院本科毕业设计（论文）1 绪论1.1 模拟电路故障诊断研究的背景与意义随着电子行业的兴盛，智能手机、笔记本电脑等一些高集成电路产品出现在我们的生 活中，而且戚戚相关，难以离舍。很明显，这只是电子技术革新的开始，目前电子自动化 的发展越来越成熟，电子设备功能越来越多，其电路集成度也变得更高，这就会出现运行 时一个小小的故障也会导致财产的巨大损失以及我们生命的危险。目前模拟电路的应用不 光局限于我们个人电子产品使用中，其广泛性也已应用到军工、通信

9、、家用电器等各个方 面，特别是随着集成电路的越发复杂，任何一个元部件和元器件的故障都会影响整个全局 的功能。最新资料表明，高集成电子设备的维护费远高于其研发费用，这也就要求着我们 不能光顾着产品的研发而忽视了电子设备的维护，维护做不好，研发工作也只是徒劳。但 是往往维护又是一项巨大的难题，也是亟需解决的问题，我们必须要开发出一项优越的诊 断方法去面对故障诊断的研究，这样才能保证设备系统功能的完整性与可靠性。所以今日我们的模拟电路的故障诊断绝不能局限于人力，显然人力也已经难以或无法 解决模拟电路的故障诊断这一难题。可见，模拟电路的故障诊断是电子工业发展的一个迫 切需要解决的难题。所以，我们必须要

10、学会用智能化的方式去处理解决故障诊断的难题。1.2 模拟电路故障诊断方法的研究现状模拟电路故障诊断的研究是从 1970年开始的， 到迄今也有几十年的历史， 而电路的诊 断技术也越来越成熟，方法也演变的多种多样。目前模拟电路故障诊断的主要任务有：在已知网络的拓扑结构，输入激励信号，及由 此获得的故障响应，从而来确定模拟电路故障发生的位置以及元器件的重要参数。模拟电路的故障诊断在今年的很长一段时间里都将是个难题，目前研究的主题包括故 障的检测、 故障的辨识以及故障的预测 1 。故障的检测是采用获得的采样数据， 电路结构 及参数来判定系统电路故障发生位置；故障的辨识是在已经了解到故障的发生，然后去判

11、 断并且确定故障存在的位置；故障的预报表明系统还没发生故障假想的故障位置，然后更 换易发故障位置的器件，确保系统正常运行。目前研究的模拟电路故障诊断技术大体分为两大类，一个是以传统的人力财力为基础电子电路故障诊断系统设计而进行的故障诊断，一个是以神经网络为主要的插入手段，将神经网络引用到模拟电路的 故障诊断中，从而获得准确率较高的效果。（ 1）传统故障诊断技术传统的故障诊断技术主要分为下述几种：故障字典法，故障参数识别法，故障验证法 等几类 2 。故障字典法是指把模拟电路中的所有故障类型全部提取出来，并且将故障的类别与故 障的关系对应起来，构成多个映射，达到每种类别对应一种关系。这样我们在进行

12、模拟电 路的故障诊断时只要将故障类别与故障字典中的相应关系对比即可获得故障发生的元件。 这种方法得出的故障分类很准确，是不错的诊断方法。故障参数识别法是根据网络的拓扑关系，输入激励和输出响应，估出网络中的所有参 数，或参数偏离标称值的偏差，最后对比容差范围确定故障器件，该方法尤其适用于诊断 软故障。而它又可根据识别参数分类为元件值识别及元件值增量识别。故障验证法的做法主要是：猜测网络中的故障元件，然后猜测出易发生的某个元件集 合，再在对应的集合中激励信号，以及可及节点取得的测量数据，依据一定的判断数据去 验证猜测的正确性 3 。假设猜测正确， 就可找到对应的故障元器件。 这种方法要求模拟电 路

13、满足可测的条件。（2）现代故障诊断技术 现代故障诊断技术主要是指以神经网络为代表的故障诊断方法。下面我们了解下今年 来比较有影响力的故障诊断的做法。2000 年，Farzan Aminian 等人主要是针对小波变换的思想， 构造出模拟电路的输出信 号，然后对这些信号进行一系列的预处理，提取小波处理后的逼近信号，进行主元分析， 即 PCA和归一化处理，最后将前面的处理数据应用到到神经网络并进行故障诊断，这样的 诊断方法正确率可达到百分之九十五以上 4 。然而上述方法仅仅利用了分解信号后的低频 部分并不能全部显示，这样也就出现了部分故障难以诊断的问题，需要改进。因此， 2005 年， He Y等人

14、在上述做法的理论上，加入低频和高频的数据，从而增加了诊断的全面性， 而且构造小波网络对系统故障进行诊断， 使得诊断准确率提升到百分之九十九以上。 但是， 这种小波网络也存着着一个问题，就是会随着样本数据维数的增加，网络的结构将变得庞 大，计算工作量，网络的运行时间等，变得越来越难以接受。2008 年， YTan等人提出了应用遗传算法及神经网络来进行故障诊断，但是也要采集多个测试点的数据，这样就会出 现获取样本数据的复杂难题。到了 2010 年， Lifen Yuant 等人的做法是在一定频域内，对 故障信号处理， 运用提取器提取两种故障特征， 将特征通过神经网络进行模拟输出。 Lifen宁波大

15、学科学技术学院本科毕业设计（论文）Yuant 等人的做法在通过减少输入个数简化了网络，也增加了诊断的准确性，但不足的是 没有验证多组特征的情况下的故障诊断。1.3 本文主要的研究内容与结构安排1.3.1. 本文主要的研究内容利用 Multisim 仿真软件建立电路模型，对 sallen-Key 低通滤波器及四运放双二阶高 通滤波器进行分析，得出易出故障器件的故障值，并对故障进行分析，确定故障类型，然 后对故障数据进行整理和计算。 并用 BP神经网络以及 RBF神经网络的方法建立 sallen-Key 低通滤波器及四运放双二阶高通滤波器的故障诊断系统。根据神经网络的工作原理，设计 BP 神经网络

16、和 RBF神经网络故障诊断系统的结构。用matlab 对过程进行编程仿真，并进行调试，得出输出的期望值与实际值及正确百分比。1.3.2. 本文主要的结构安排本文共分为五章，第一章 介绍了模拟电路故障诊断研究的背景与意义以及研究现状和本文研究内容的 主要内容及其结构安排。第二章 阐述了诊断电路硬件设计的基本知识。第三章 运用 BP神经网络进行故障诊断的基本思想和系统设计。第四章 运用 RBF神经网络进行故障诊断的基本思想和系统设计。第五章 总结与展望，给出了本论文研究的结论并说明了BP神经网络及 RBF神经网络研究的不足，并展望了故障诊断研究的后续工作。电子电路故障诊断系统设计2 诊断电路和故障

17、特征提取2.1 模拟电路故障设定的基本思想本文主要针对电路的一个故障考虑，不考虑多个故障同时出现的情况。很多时候我们 依靠传统的笨拙的方法只能进行硬故障诊断，而不能有效的对出现的软故障给予一定的诊 断保障，然而在这样一个电器自动化高速发展的年代，又不得不提高故障诊断的效果，只 有这样才能保证电路正常运行，才能更好地服务于民。由此可见，对付软故障诊断是亟需 解决的难题， 其对电路系统的影响很大， 本文主要就是研究 Sallen-Key 低通滤波器以及四 运放双二阶高通滤波器电路软故障的诊断。在滤波电路中，电阻和电容的容差分别为5和 10。给电路施加脉冲激励，进行仿真时，设定电阻和电容在各自的容差

18、范围内变化，则认为电路为无故障状态。当电路中的 任何一个元件高于 50%，或低于 50，而其它元件均在 50%之内浮动时，对电路进行仿真 并获得在某个特定时间段的模拟波形， 然后记录下对应波形下的故障值， 用 multisim 软件 对正常波形也在上述某个特定时间段进行波形模拟，得出正常情况和故障情况的波形对比 4 。现在我们借用例子直观的来说明设定故障值的做法，在一具备多个元器件组成的模拟 电路中， 其中有元器件电容 C1=5nF，容差为 10%，我们只考虑 C1 超出容差， 其它值均在容 差范围内变动而不超过容差的 10%，下面三种情况根据 50列出了 C1 在不同范围内变动 的故障模式，

19、即：(1) 当 C1在 4nF 和 6nF 变化时，可以认定是正常变动值，此时即为正常模式；(2) 当 C1在 2.5 和 4nF变化时，这种情况的值是在标称值的 -50 内变化，称之为C1 偏小故障模式，即 C1；(3) 当 C1在 6 nF和 7.5 nF变化时，这种情况下的值均大于正常值，然而是在标称值的 +50内变化，称之为 C1偏大故障模式，即 C1。2.2 两种诊断电路的故障设定本文主要研究 Sallen-Key 低通滤波器和四运放双二阶高通滤波器的故障诊断， 所以以 下主要对两种电路进行简单的概述。宁波大学科学技术学院本科毕业设计（论文）2.2.1 Sallen-Key 低通滤波

20、器故障设定图 2.1 Sallen-Key 低通滤波器图 2.1 所示 Sallen-Key 低通滤波器，其中心频率为 25kHz。在滤波器电路中，电阻的 容差为 5%，电容的容差为 10%。给电路施加脉冲激励进行仿真时，设定电阻和电容在各自的容差范围内变化，则认为电路为无故障状态。当电路中的任何一个元件高于50%，或低于 50 ，而其它元件均在 50%之内浮动时，对电路进行仿真并获得在某个特定时间段的模拟波形， 然后记录下对应波形下的故障值， 用 multisim 软件对正常波形也在上述某个特定 时间段进行波形模拟，得出正常情况和故障情况的波形对比。下面我们用 multisim 软件模拟电路

21、， 对正常电路和故障电路的波形限定在某个特定时 间段，保证其波形对比的直观，以获得故障数值。（ 1） 当各元件均为正常值， t1=52.945ms,t2=53.351ms 时，模拟波形图如图 2.2电子电路故障诊断系统设计图 2.2 正常电路波形(2) 当 C1 减小到 2.5nF,t1=52.944ms ，t2=53.351ms 时，模拟出的波形如图如图 2.3图 2.3 C1 减小到 2.5nF 的波形(3) 当 C2 增加到 10nF，t1=52.944ms ，t2=53.350ms 时，其波形如图 2.4宁波大学科学技术学院本科毕业设计(论文)图 2.4 C1 增加到 10nF 时模拟

22、波形这样不断的更改元器件的数值，并通过 mutisim 模拟得出了电路的 9 种故障类别即： 即 C1,C1,C2,C2,R3,R3,R4,R4故障和无故障类别 (NF) ，这里和分别 表示故障值高于和低于各自正常值的50时所对应的故障状态， 把每种故障状态分别定义为 SF0,SF1,SF2,SF3,SF4,SF5,SF6,SF7,SF8 。表 2.1 给出了 Sallen-Key 低通滤波器元件的 正常值，故障值以及故障类别。表 2.1 Sallen-Key 低通滤波器的元件值及其单故障类型故障代码故障类别正常值故障值SF0NF-SF1C15n10nSF2C15n2.5nSF3C25n10n

23、SF4C25n2.5nSF5R21k2kSF6R21k0.5kSF7R32k6kSF8R32k1k电子电路故障诊断系统设计2.2.2 四运放双二阶高通滤波器故障设定图 2.5 所示四运放双二阶高通滤波器，其截至频率为10KHz，其电路元件容差的设定同上例相同。故障类别包括C1 ,C1 ,C2 ,C2 ,R1 ,R1 ,R2 ,R2 ,R3 ,R3 ,R4,R4, 和故障状态（ NF），其中和表示情形同表 2.1。图 2.5 四运放双二阶高通滤波器同样地，下面我们用 multisim 软件对正常电路和故障电路进行模拟， 以获得故障数值。（1） 当各元器件均为正常值， t1=13.875ms ，

24、t2=14.414ms 时，模拟波形为图 2.6宁波大学科学技术学院本科毕业设计(论文)图 2.6 正常电路波形2) 当 C1 增大到 20F， t1=13.875ms ， t2=14.414ms 时，模拟波形如图 2.7 示图 2.7 C1 增大到 20nF 的波形3) 当 C2增大 20nF 时的波形， t1=13.876ms ，t2=14.415ms 时，波形如图 2.8 所示- 9 -电子电路故障诊断系统设计图 2.8 C2 增大到 20nF 时的波形图同理，我们可以模拟出其它组元件及减小的故障数据，表 2.2 给出了上述几种几种元件的故障值及正常情况下对应的故障类别。在表 2.1 和

25、 2.2 中，n就是 nF，k 就是 k 。表 2.2 四运放双二阶高通滤波器的元件值及其单故障类别故障代码故障类别正常值故障值SF0NF-SF1C15n20nSF2C15n2.5nSF3C25n20nSF4C25n1.5nSF5R16.2k15kSF6R16.2k3kSF7R26.2k18kSF8R26.2k2kSF9R36.2k12kSF10R36.2k2.7kSF11R41.6k2.5kSF12R41.6k0.5k- 10 -宁波大学科学技术学院本科毕业设计（论文）2.3 诊断电路的特征向量的提取首先我们先事先获取的故障从 Multisim 中提取出特征值，并将每种故障提取的数据 分为

26、20 组，然后我们取其 20 组的最大值，最小值，平均值，标准差，偏度，峭度六种指 标，简单介绍下六种数据指标 5 。（ 1）最大值（ max）：是指一组数中的最大的数。（ 2）最小值（ min）：是指一组数中的最小的值。（ 3）平均值（ mean）：这里取的是算术平均值， xi 为第 i 个样本数据。公式为 2-1 所 示：1nxxi（2.1 ）n i 1（ 4）标准差（ var ）：反映一组数据离散程度最常用的一种量化形式，是表示精密度 的重要指标，其公式为：2.2)5）偏度（ skewness ）：是统计分布偏斜方向和程度的度量，是统计数据分布非对称程度的数字特征，其公式如下，其中xi

27、是第 i 个样本， 是样本标准差。4 阶中心3 n （x i x） SK i 3 （2.3 ） （n 1）（n 2） 36）峭度（ kurtosis ）：反映振动信号分布特性的数值统计量，是归一化的矩。公式如下，其中 x（ t ）为瞬时振幅， x 为振幅均值， p（ x）为概率密度， 是样本标 准差 6 。4x（t） x4 p（x）dxK 4 （2.4）按照上述介绍的六种指标将数值提取后， 将这 20 组数据的 20 组指标放入同一矩阵中， 这样我们就有了输入模式，而我取得电路故障是4 种情况加一种正常情况共是 5 种情况，这样输入数据就是一个 6 行 100 列的矩阵。以下是正常情况下得出的

28、数据：n=-0.1612 2.1116 -3.7196 0.9462 -1.5183 7.8078-0.1431 2.1628 -3.6974 0.9524 -1.4725 7.7337- 11 -电子电路故障诊断系统设计-0.12272.2157-3.67730.9558-1.43097.7093-0.18192.0597-3.73580.9463-1.55557.7829-0.19922.0110-3.75680.9408-1.59747.8498-0.16162.1019-3.71970.9438-1.53067.8336-0.16202.0919-3.71980.9413-1.5431

29、7.8595-0.16082.1211-3.71950.9487-1.50637.7822-0.16042.1304-3.71940.9511-1.49447.7566-0.16362.0888-3.72380.9468-1.54717.8072-0.16612.0673-3.72770.9477-1.57167.8071-0.15862.1319-3.71510.9452-1.49237.8100-0.15582.1520-3.71040.9442-1.46527.8131-0.16452.0470-3.72020.9372-1.58497.8753-0.16771.9898-3.72080

30、.9297-1.64207.9386-0.15732.1811-3.71880.9561-1.44837.7370-0.15292.2583-3.71810.9675-1.37027.6648-0.16232.0909-3.71980.9433-1.53927.8296-0.16332.0690-3.72000.9402-1.56297.8516-0.16002.1331-3.71930.9492-1.49687.7856- 12 -宁波大学科学技术学院本科毕业设计（论文）3 基于 BP 神经网络的模拟电路故障诊断3.1 神经网络的故障诊断神经网络的故障诊断过程如图 3.1 所示。主要分为两个

31、过程， 即训练过程 （ 虚线所示 ）， 以及测试过程 （实线所示 ） 。首先我们对电路进行波形模拟，得出故障值，并提取故障值的 特征数据作用训练样本， 确立出适合诊断研究的神经网络的结构， 并且利用 matlab 算法去 测试算法，这样就可以把样本训练成熟便于后续故障的测试。这样当需进行故障诊断时， 只需要将故障电路的特征值进行提取，然后在做好的神经网络中进行测试即可确定故障的 类型 7 。定义电路故障构造神经网络训练样本集确定确定神 经网络的结训练神经网络测 试 信 号神 经 网 络故 障 分 类图 3.1 基于神经网络的模拟电路故障诊断原理图3.1.1 神经网络基本原理神经网络的基本单位是

32、神经元。 神经元的特性往往在某种程度上决定着神经网络的总体特性，一个神经网络的构成，包含着许许多多的神经元，而不是孤立的单个神经元就可 称之为神经网络。常见的神经元模型如图 3.2 所示 8 。1- 13 -电子电路故障诊断系统设计图 3.2 神经元模型由图 3.2 所示，常见的神经元模型由下列几部分组成：1）输入：p1, p2, , pR代表神经元 R个输入。在 MATLAB中，输入可以用一个 R 1维的列矢量p 来表示（其中 T 表示取转置）3.1 )b 为神经元阈P p1，p2,p3,pk T2）网络权值和阈值：1,w1,2, ,w1,R 代表网络权值，表示输入与神经元之间的连接强度，值

33、，可以看作是一个输入恒为 1 的网络权值。在 MATLAB中神经元的网络权值可以用一个1 R的行矢量 w 来表示。w w1,1,w1,2,.w. 1,R(3.2阈值 b 为 1 1的标量。注意：网络权值和阈值都是可以调节的，这是神经网络学习特性的基本内容之一。求和单元完成对输入信号的加权求和，即：Rnpi w1,i bi 1（3.3 ）这是神经元对输入信号处理的第一个过程。在 MATLAB语言中， 该过程可以通过输入矢量和权值矢量的点积形式加以描述，即：3.4 )n w* p b4）传递函数：在表 3.1 中 f 表示神经元的传递函数或激发函数，它用于对求和单元的计算结果进行 函数运算，得到神

34、经元的输出。表 3.1 给出了几种典型的神经元传递函数形式及描述。表 3.1 几种典型的神经元传递函数形式传递函数的名称函数表达式函数曲线MATLAB函数阈值函数1 x 0 f (x)0 x 0+10 n -1 a=hardlimBardim- 14 -宁波大学科学技术学院本科毕业设计（论文）线性函数f (x) kxa=p0+ 1 n-1 urelinPurelin对数 sigmoid 函数1 f(x) x(1 e x )+1-1 a=logsig(n)Logsig正切 sigmoid 函数f (x) tanb(x)+1+-01 a=tansing(n)tansig3.1.2 BP 网络用于故

35、障诊断的基本思想BP神经网络应用在故障诊断上提高了以往传统方法难以达到的准确性， 其研究的思路 主要是：首先确定电路的故障，对于故障值的确定是根据正常值及故障值的波形对比，从 而获得较典型的故障参数，把电路中容易出故障的器件都找出来作出故障集。而后对这些 故障一一提取特征值。特征值提取后对这样特征值进行分组，每个故障的特征值分为 20 组，前 10组用于神经网络的训练，后 10 组用于神经网络的测试。另外要指出的是，在做 实际电路诊断时，每次故障值的波形对比取得故障值均是在外界相同条件下进行的，例如 相同信号的激励，这样获得的特征值才会更准确，有效避免其它因素的干扰。 BP神经网络 训练样本并

36、测试样本后，会输出相应的期望值和实际的输出值，并能给出分类模拟的正确 百分比，表示出 BP神经网络故障诊断的准确率3.2 BP 神经网络的设计3.2.1 训练样本的获取及输入输出模式的确定（ 1）训练样本的获取训练样本的获取直接决定了 BP网络的应用的成败， 不当的训练样本很可能会出现网络 训练的不收敛。从系统整体的角度来说，如果F 是一个独立而不受外界干扰的理想封闭系统， X=（ x1， x2,.x m）为系统输入向量， Y=（ y1， y2,.,y n） 为系统输出向量，输入和输 出满足 Y = fX ，我们认为对样本数据的拟合度越高，对系统模拟的越成功 9 。所以样本- 15 -电子电路

37、故障诊断系统设计数据的获取显得十分重要，另外训练样本模拟的越多，测试出的结果越准确，越可避免其 它无关因素的干扰。( 2)输入输出模式的确定1. 输入模式的确定：在 2.3 中我们已经得到了 5 组数据，我们将每组中的二分之一作为训练样本，另外二 分之一作为测试样本。2. 输出模式的确定：输出样本集采用“ 0 1表示法，期望输出为 x,即为： x=1，0，0，0，0；0，1，0， 0，0；0，0，1，0，0；0，0，0，1，0；0，0，0，0，1 ，在下面的实例中共用这一输出 模式。3.2.2 BP 神经网络的设计BP神经网络主要包含以下几部分， 主要有输入层 , 隐层, 输出层， 及各层间的

38、传输函 数等 10 。(1) 网络层数： 顾名思义，网络层数指的是一个神经网络包含的分层数，而大部分的神经网络都有着 固定的网络层数， 但这里研究的 BP神经网络的层数却是不固定的， 相同， 其隐含层是可以 进行设置更改的。 BP网络隐含层数的变化会影响着故障诊断的准确性，但往往选择的层数都不会过大，一般两层或两层以下。(2) 输入层的节点数：输入层起缓冲存储器的作用 , 它的功能是当有数据进行输入时 , 其进行接收，样本输入 数据的维数决定着输入的节点数，有几维就会有对应的几个输入节点。在本课题研究的故 障诊断中，因为研究的是个 5 维的输入，故输入节点就是 5 个。(3) 输出层的节点数：

39、输出层节点数取决于两个方面 , 输出数据类型和表示该类型所需要的数据大小。 当 BP 网络用于模式分类时 , 以二进制形式来表示不同模式输出结果 , 输出层的节点数可根据待 分类模式数确定。( 4)隐层节点数：隐层节点数的确定直接会导致训练的成败， 节点太多会导致学习时间过长 ; 太少又会导 致识别能力过低，所以在构造网络时，需要选择合适的隐层节点数。常见的经验公式有：n ni n0 a (3.5)- 16 -宁波大学科学技术学院本科毕业设计（论文）式中 : n 为隐层节点数 ; ni 为输入节点数 ; n0 为输出节点数 ; a 为 1-10 之间的常数。 （5）网络隐含层数及隐含层神经元数

40、的确定：目前来说没有固定的公式或者规律去确定网络隐含层数及隐含层神经元数，而确定这 两个参数又至关重要， 时刻影响着网络的拟合能力。 根据日常研究总结出的规律如下 11 ： 不管研究的问题多复杂，首先用一个隐含层来尝试训练效果；隐含层神经元数越多，神经网络的学习就会越慢，故建议神经元数尽量小点；隐含层神经元数先从一个开始训练，然后再尝试两个或三个的情况，当达到训练满 意的结果终止。以下是日常研究总结出的确定隐含层神经元数的经验公式：log 2 n3.6)3.7)S 2m 13.8 )S mn3.9)式中， S 为隐含层神经元数， n 为输入层神经元数，m为输出层神经元数， 为 1 10 之间的

41、常数。3.2.3 BP 神经网络的工具箱函数1. BP 网络创建函数1) newff该函数用于创建一个 BP网络。调用格式为：net=newffnet=newff（PR,S1 S2.SN1,TF1 TF2.TFN1,BTF,BLF,PF）其中，net=newff; 用于在对话框中创建一个 BP 网络。net 为创建的新 BP神经网络；PR为网络输入向量取值范围的矩阵；S1 S2 SN1 表示网络隐含层和输出层神经元的个数；TF1 TF2TFN1表示网络隐含层和输出层的传输函数，默认为 tans ig ；BTF 表示网络的训练函数，默认为 train lm；BLF 表示网络的权值学习函数，默认为

42、 learn gdm；- 17 -电子电路故障诊断系统设计PF 表示性能数，默认为 mse。（ 2） newcf 函数用于创建级联前向 BP网络， newfftd 函数用于创建一个存在输入延迟 的前向网络。2. 神经元上的传递函数传递函数是搭建 BP 神经网络的桥梁。其要求是此传递函数必须连续可微。常见的 BP 神经网络多采用下列函数：（1） logsig该传递函数为 S 型的对数函数。调用格式为：A=logsig （ N）info=logsig （ code ）其中， N：Q个 S 维的输入列向量； A：函数返回值，位于区 间（ 0， 1）中；（ 2） tansig该函数为双曲正切 S 型传

43、递函数。调用格式为：A=tansig （ N）info=tansig （code ）其中，N：Q个 S 维的输入列向量； A：函数返回值，位于区间（ -1 ，1）之间。（ 3） purelin 该函数为线性传递函数。调用格式为：A=purelin （ N）info=purelin （ code）其中，N： Q个 S 维的输入列向量；A：函数返回值， A=N。3. BP 网络学习函数1） learngd该函数为梯度下降权值 / 阈值学习函数， 它通过神经元的输入和误差， 以及权值和阈值的学 习效率，来计算权值或阈值的变化率。调用格式为：dW,ls=learngd（W,P,Z,N,A,T,E,gW

44、,gA,D,LP,LS） db,ls=learngd（b,ones（1,Q）,Z,N,A,T,E,gW,gA,D,LP,LS）- 18 -宁波大学科学技术学院本科毕业设计（论文）info=learngd(code) 2） learngdm 函数为梯度下降动量学习函数，它利用神经元的输入和误差、权值或阈值的 学习速率和动量常数，来计算权值或阈值的变化率。4. BP 网络训练函数train神经网络训练函数，调用其他训练函数，对网络进行训练。该函数的调用格式为：net,tr,Y,E,Pf,Af=train(NET,P,T,Pi,Ai)net,tr,Y,E,Pf,Af=train(NET,P,T,Pi

45、,Ai,VV,TV)traingd 函数为梯度下降 BP 算法函数。BP神经网络训练的部分代码如下：traingdm 函数为梯度下降动量 BP 算法函数。xn_train = n1; %训练样本dn_train = x1; %训练目标xn_test = n2; %测试样本dn_test = x2; %测试目标NodeNum =10; %隐层节点数TypeNum =5; %输出维数p1 = xn_train; %训练输入t1 = dn_train; %训练输出Epochs = 1000; %训练次数P = xn_test; %测试输入T = dn_test; %测试输出et.trainParam

46、.epochs= Epochs; %net.trainParam.goal =1e-8; %net.trainParam.min_grad = 1e-20; %net.trainParam.show200; %net.trainParam.time =inf; %Result = sum(abs(X-x2) %Percent = sum(Result)/length(Result)%最大训练次数最小均方误差 最小梯度 训练显示间隔 最大训练时间 正确分类显示为 1正确分类率3.3 Sallen-Key 低通滤波器的故障诊断由于数据庞大 , 我们选取了其中的 SF0,SF1,SF3,SF5,SF

47、8 进行研究。例如，把 SF1故- 19 -电子电路故障诊断系统设计障模式的故障信号导入到 MATLAB中，按照上述分析的方法提取故障特征的平均值 （ mean）、 最大值（ max）、最小值（ min）、方差（ var ）、偏度（ skewness ）、峭度（ kurtosis ），得出 的数据为n=-0.16122.1116-3.71960.9462-1.51837.8078-0.14312.1628-3.69740.9524-1.47257.7337-0.12272.2157-3.67730.9558-1.43097.7093-0.18192.0597-3.73580.9463-1.55

48、557.7829-0.19922.0110-3.75680.9408-1.59747.8498-0.16162.1019-3.71970.9438-1.53067.8336-0.16202.0919-3.71980.9413-1.54317.8595-0.16082.1211-3.71950.9487-1.50637.7822-0.16042.1304-3.71940.9511-1.49447.7566-0.16362.0888-3.72380.9468-1.54717.8072-0.16612.0673-3.72770.9477-1.57167.8071-0.15862.1319-3.715

49、10.9452-1.49237.8100-0.15582.1520-3.71040.9442-1.46527.8131-0.16452.0470-3.72020.9372-1.58497.8753-0.16771.9898-3.72080.9297-1.64207.9386-0.15732.1811-3.71880.9561-1.44837.7370-0.15292.2583-3.71810.9675-1.37027.6648-0.16232.0909-3.71980.9433-1.53927.8296-0.16332.0690-3.72000.9402-1.56297.8516-0.1600

50、2.1331-3.71930.9492-1.49687.7856表示出了 SF1中 20 组数据的上述六种指标。 同理，得到其它 4 种模式的输入， 输出样 本集。这样就得到了 20 组用于训练和测试的原始数据样本集。输出样本集采用“0 1表示法，期望输出为 x, 即为：x=1 ，0，0，0，0；0，1，0，0，0；0，0，1，0，0；0，0，0，1，0；0，0，0， 0，1我们经过 1000 次的训练调整，分类率在 90%以上的训练误差曲线如 3.3 所示，表 3.2和表 3.3 分别是实际输出值与期望输出值。- 20 -宁波大学科学技术学院本科毕业设计（论文）图 3.3 训练误差变化曲线表 3.2 实际输出值1111111111000000000000000000000000011111111100000000000000000000000001111110000000000000000000000000000000000000000000000000