民航飞机航电设备故障检测与诊断课件：模糊诊断方法

模糊诊断方法民航飞机航电设备

故障检测与诊断9.1

6.5模糊理论概述

基于模糊理论的机载气象雷达故障诊断9.2

基于模糊信息融合的运算放大器电路故障诊断9.3

模糊神经网络在电路故障诊断中的应用9.4

本章小结目录https://www.ypppt.com/

9.1模糊理论概述故障征兆与故障原因之间的对应关系存在模糊性，一种故障征兆可能由多种故障原因引起；另一方面的故障征兆则不明显，有些故障征兆是独立存在的，有些故障征兆之间又是相关的；设备从完好状态转变为故障状态往往是个渐进的过程，具有模糊性，不能把故障绝对识别为“存在”或“不存在”。它被用来描述大量存在不确定性的、模糊的事件。模糊理论(Fuzzy

Theory)9.1.1

模糊隶属度

模糊理论概述现代电子设备系统故障的模糊性模糊理论研究和处理模糊现象。由于自身模糊性以及概念外延的模糊而造成的不确定性称为模糊性，用隶属度函数μ(x)来定量描述这种模糊性，它在[0，1]之间取值。隶属度函数μ(x)的确定过程，本质上是客观的，但不同人对模糊概念的认识又有很大差异，因此又使它带有主观性。Γ型戒下型正态型戒上型三角型9.1.1

模糊隶属度

模糊理论概述u(x)=ቐ

1+[a(x−c)]b

,u(x)=ቐ

1+[a(x−c)]b

,x>c,a>0,b>0x≤c,a>0,b>0x≥c,a>0,b<0

x<c,a>0,b<0u(x)

=

e

−

,

b

>

ou(x)

=

ቐ

×

e

vvvvvv−vv入x入vx22u(x)=ቐx+1,x<−1or

x≥1−1≤x≤

00≤x≤1(9.1)(9.2)(9.3)(9.4)(9.5)9.1.1

模糊隶属度

模糊理论概述0,1−x,0,0,1,11不同的模糊集之间运算关系包含基本模糊补(9.6)，基本模糊并(9.7)，基本模糊交(9.8)u(x)=1−uC

(x)

(9.6)uC∪D(x)=max[uC

(x),uD

(x)]

(9.7)uC∩D(x)=min[uC

(x),uD

(x)]

(9.8)模糊关系在模糊集合论中占有重要地位，当论域为有限时，用模糊关系矩阵R=(rij)n×m来表示模糊关系。如果论域U、V、w是有限论域，R是U到V的模糊关系矩阵，S是V到w的模糊关系矩阵，Q是U到w的模糊关系矩阵，且Q是模糊关系R对模糊关系S的合成，记为Q=R⋅S

=

(qij)n×m

。模糊关系的合成，采用矩阵合成来实现，则合成的矩阵Q的隶属度函数uR⋅S(u

，w)可用式(9.9)

表示：C−9.1.1

模糊隶属度uQ(u,w)=uR⋅S(u,w)=v

V

(uR

(u,v)∧uS

(v,w))

模糊理论概述(9.9)式(9.9)中符号“∨”为取大，即求max；符号“∧”为取小，即求min。式(9.6)中符号“”表示为取补。除了基本模糊补(9.6)外，1977年Sugeno定义了一类其他模糊补式(9.10)中参数入∝(−1，∞)，对入的每一个取值，都可得到一个特定的模糊补公式。除了基本模糊并(9.7)外，1980年Yager定义了一类其他模糊并9.1.1

模糊隶属度

模糊理论概述uC∪D(C,d)=min[1,(Cw

+

dw)

]

1−a

u(a)=(9.11)(9.10)1+入a式(9.11)中w∝(0,∞)，w的每一个取值都对应一个特定的模糊并运算公式。除了基本模糊交(9.8)外，1982年Dombi定义了一类其他模糊交uC∩D(c,d)=

111式(9.12)中入∝(0,∞)，入的每一个取值都对应一个特定的模糊交运算公式。9.1.1

模糊隶属度

模糊理论概述1入

入

−入1+

c

−1

+

d

−1

(9.12)描述误差的模糊语言变量集合可写成式(9.13)。误差＝正大＋正较大＋正中等＋正较小＋正小＋零＋负小＋负较小＋负中等＋负较大＋负大语言变量名称语言变量名称集合语义规则论域语法规则9.1.2

模糊推理

模糊理论概述(9.13)推理规则如式(9.14)大前提：C→D；小前提：C1；结论：D1

=C1

.(C→D)(9.14)式(9.14)中符号“·”表示模糊关系的合成。模糊推理规则由若干模糊条件语句组成，每一模糊条件语句对应一个模糊关系R

，比如(1)“如果C

，则D”(“IFC，THEN

D”)R=C×D+×I

(9.15)式(9.15)中I为单位向量。9.1.2

模糊推理

模糊理论概述(2)“如果C

，则D

，否者E”(“IFC，THEND，ELSE

E”)

R=(C×D)+(

×E)(3)“如果C或D且F或G

，则H”(“IFCORDANDFORG，THEN

H”)

R=[(C+D)×H]⋅[(F+G)

×H](4)“如果C则D

，且如果C则E”(“IFCTHEND，AND，IFC

THEN

E”)

R=(C×D)⋅(C

×E)(5)“如果C则D

，或如果E则F”(“IF

C

THEN

D

，OR

，IF

E

THEN

F”)9.1.2

模糊推理

模糊理论概述R=C×D+E×

F(9.17)(9.18)(9.19)(9.16)CDC→

DCDC→

DTTTFTTTFFFFT如何解释上述IF-THEN

规则是模糊推理的关键问题。在经典模糊条件语句中，表达式IFCTHEN

D

可以写成C→D

，推理“→”可定义为表9.1的一种连接这里C和D是模糊条件语句中的变量，其值为真(T)或为假(F)。9.1.2

模糊推理

模糊理论概述表9.1C→D真值表式(9.20)和式(9.21)中，符号“－”“∨”“∧”分别代表逻辑运算的逻辑补、逻辑并、逻辑交。设C

是定义在论域X=X1

×X2×⋯×Xn上的模糊关系，设D

是定义在论域Y=Y1

×Y2

×⋯×Yn上的模糊关系，x、y分别是X和Y上的语言变量。表9.1中逻辑关系C→D等价解释为式(9.20)和式(9.21)。C→D=∨

DC→D=(C∧D)

∨9.1.2

模糊推理

模糊理论概述(9.20)(9.21)(1)Zadeh定义•直接用基本模糊补(9.6)，基本模糊交

(9.7)，基本模糊并(9.8)分别取代式(9.21)中的符号“－”“∨”“∧”，就得到了Zadeh定义。•这样，模糊IF-THEN规则可解释成X×Y中的一个模糊关系RZ，其隶属度可根据式 (9.22)计算。•uRZ(x,y)=max[min(uC

(x),uD

(y)),1−uC

(x)](9.22)(2)Mamdani最小算子定义•用最小算子取代式(9.21)中符号“∧”，

就得到了Mamdani定义1。•则模糊IF-THEN规则的模糊关系RMM，其隶属度可根据式(9.23)计算。•uRMM(x,y)=min[uC

(x),uD

(y)](9.23)9.1.2

模糊推理

模糊理论概述(3)Mamdani代数积定义：用代数积取代式(9.21)中符号“^”，就得到了Mamdani定义2。则模糊IF-THEN规则的模糊关系RMP

，其隶属度可根据式(9.24)计算。uRMP(x,y)=uC

(x)uD

(y)

(9.24)此外，模糊IT-THEN规则也可解释成一个从X到Y的映射。关键的问题是，如何对模糊规则库中一条以上的规则进行组合推理，常用推理方法有两种：组合推理和独立推理。9.1.2

模糊推理

模糊理论概述用对所有各条IT-THEN规则，全都采用逻辑“并”进行组合，称为Mamdani组合，则所有规则合

成的隶属度uQM(X,y)可根据式(9.25)计算。uQM(X,y)=uR1

(X,y)∨ሶ

uR2

(X,y)∨ሶ

⋯∨ሶ

uRn

(X,y)

(9.25)式(9.25)中，R1到Rn条模糊IT-THEN规则之间

采用符号“∨ሶ

”连接，表示模糊并，可采用基本模糊并式(9.7)计算，也可以采用其他模糊并式

(9.11)进行计算。用对所有各条IT-THEN规则，采用逻辑“交”进行组合，称为Godel组合，则所有规则合成的隶属度uQG(X,y)可根据式(9.26)计算。uQG(X,y)=uR1

(X,y)∧ሶ

uR2

(X,y)∧ሶ

⋯∧ሶ

uRn

(X,y)

(9.26)式(9.26)中，R1到Rn条模糊IT-THEN规则之间

采用符号“∧ሶ

”连接，表示模糊交，可以采用基本模糊交式(9.8)进行计算，也可以采用其他模糊

交式(9.12)计算。9.1.3

组合推理模糊理论概述假设C∗是X上的一

个任意模糊集合使用Mamdani组合推理式uD∗(y)=∧ሶ

[(uC∗(X),uQM(X,y)]使用Godel组合推理式uD∗

y=[(uC∗

X,uQG

X,y

]9.1.3

组合推理

模糊理论概述

步骤2：把C1×C2⋯Cn看作IF

C

THEN

D规则中的C，把Di(i=1,2,⋯,m)看作IFC

THEN

D规则中的D，根据Ri(i=1,2,⋯,m)条IF-THEN规则中依据式(9.22)

至式(9.24)所确定的各种定义来计算uR1

，uR2

，⋯，uRm。步骤4：对于给定的输入C∗，上述模糊推理机会根据式(9.27)或式(9.28)来

计算得到输出D∗隶属度。步骤3：根据式(9.25)或式(9.26)来组合推理计算得到隶属度uQM(x,y)或uQG(x,y)。步骤1：对于Ri(i=1,2,⋯,m)条规则中x1

为C1且x2

为C2且…且xn为Cn

，用下式计算，uC1×C2×⋯×Cn(x1,x2,⋯xn)=uC1(x1

)

∧ሶ

uC2(x2

)

∧ሶ

⋯

∧ሶ

uCn(xn)如果某模糊系统的模糊规则库由以下i=1,2,⋯,m条模糊IF-THEN规则组成Ri：如果x1

为C1且x2

为C2且…且xn为Cn，则yi为Di

(9.29)9.1.3

组合推理

模糊理论概述(9.30)步骤4：模糊推理机的输出是M个模糊集{D1,D2,⋯Dm}的并组合或交组合。当取并组合时，输出D∗的隶属度由式(9.32)计算得到uD∗(y)=uD1(y)∨ሶ

uD2(y)∨ሶ

⋯∨ሶ

uDM(y)步骤3：对于X上给定的输入模糊集合C∗，根据式(9.27)或式(9.28)来确定每一条规则Ri

的输出模糊集合Di(i=1,2,⋯,m)，即用式(9.31)计算uDi

(y)=∧ሶ

[(uC∗(x),uRi

(x,y)]，i=1,2,⋯m

(9.31)9.1.4

独立推理

模糊理论概述步骤1和步骤2：与组合推理的步骤1和步骤2相同。(9.32)进行计算。当取交组合时，输出D∗的隶属度由式(9.33)计算得到uD∗(y)=uD1(y)∧ሶD2

(y)∧ሶ

⋯∧ሶ

uDm(y)(9.33)式(9.33)中“∧ሶ

”表示模糊交计算，可采用基本模糊交式(9.8)或模糊交式(9.12)计算。式(9.32)中，符号“∨ሶ

”表示模糊并计算，可采用基本模糊并式(9.7)或模糊并式(9.11)9.1.4

独立推理

模糊理论概述1．乘积推理机(Product

Inference

Engine)①使用模糊并组合的独立推理[式(9.32)]；②Mamdani最小算子定义[式(9.23)]；③所有模糊交计算采用代数积，所有模糊并计算采用最大(max)。这样得到的乘积推理机计算式(9.34)如下uD*(y)

=[uC*(x)

uRi(xj)uDi(y)]jjjjjjj11j9.1.5

模糊推理机

模糊理论概述(9.34)2．最小推理机(Minimum

Inference

Engine)①使用模糊并组合的独立推理[式(9.32)]；②Mamdani代数积定义[式(9.24)]；③所有模糊交计算采用最小(min)，所有模糊并计算采用最大(max)；这样得到的最小推理机计算式(9.35)如下。i=1uD∗(y)=x[min(uC∗(x),uC1(x1),uC2(x2

),⋯,uCN(xN

),uDi(y))]mam9.1.5

模糊推理机

模糊理论概述(9.35)3

．Zadeh推理机(Zadeh

Inference

Engine)①使用模糊交组合的独立推理[式(9.33)]；②Zadeh定义[式(9.22)]；③所有模糊交计算采用最小(min)；这样得到的Zadeh推理机计算式(9.36)如下。i=1uD∗(y)=min[min(uC∗(x),max(min(uC1(x1),uC2(x2),⋯uCn(xn),9.1.5

模糊推理机j=1muDi(y)),1−min(uC

(xj))))]ji

模糊理论概述(9.36)m第一要满足在清晰点x*处模糊集C应该有一个更大的隶属度值；第二如果模糊系统受到干扰，要求模糊器有助于克服噪声的影响；第三模糊器应该简化模糊推理机的计算。1．模糊器模糊器(Fuzzifier)，可定义为由一实值点x*

e

X

e

Rn

向X上的模糊集C的映射。9.1.6

模糊器与解模糊器

模糊理论概述(1)高斯模糊器。高斯模糊器就是将清晰实值点x∗

∈X映射成X上的一个模糊集C，它具有高斯隶属度函数，如式(9.37)所示。uC∗(x)

=

e

−

e

−

⋯

e

−

(9.37)(2)三角模糊器。三角模糊器就是将清晰实值点x∗

∈X映射成X上的一个模糊集C，它具有三角形隶属度函数，如式(9.38)所示。22222222222222uC∗(x)

=

⃞1

−

b1

1

−

b2

⋯9.1.6

模糊器与解模糊器

模糊理论概述，|xi

−x|≤bi(i=1,2,⋯,

n)|x1−

x

|

|x2−

x

|2∗1∗|xn

−

x

|bnn∗0，otℎeT(9.38)1−2．解模糊器解模糊器(Defuzzifier)，可定义为Y

e

Rn

上模糊集D*

(模糊推理机的输出)向清晰点y*

eY的一种映射。(1)重心解模糊器，即确定y*是D*的隶属度函数所覆盖区域的中心，如式(9.39)所示。9.1.6

模糊器与解模糊器重心解模糊器的优点在于直观合理，缺点在于当隶属度函数不规则时，计算难度高。计算方便言之有据连续性

模糊理论概述y

*

=

(9.39)(2)中心平均解模糊器，由于模糊集D*是m个模糊集的模糊并合成或模糊交合成，所以解模糊器的计算逼近就是m个模糊集中心的加权平均，其权重等于相应模糊集的高度。故，令y-L

是第L个模糊集的中心，wL

为其高度，则中心平均解模糊器可由式(9.40)确定。9.1.6

模糊器与解模糊器

模糊理论概述y

*

=

(9.40)https://www.ypppt.com/9.2基于模糊理论的机载气象雷达故障诊断123456

。1．机载气象雷达故障现象与故障原因基于模糊理论的机载气象雷达故障诊断：五边NAVPREDW/S

DET

FAULT；：PFR上“WXR1(SQ1)”信息；：红色警告信息WXRANT：雷达SYS1显示不正常；(1)故障现象主要有：：回波显示不正常；：雷达风切变警告；XXXXXXYY45

。Y3Y2Y11．机载气象雷达故障现象与故障原因基于模糊理论的机载气象雷达故障诊断(2)故障原因主要有：：雷达驱动机构故障；：雷达控制面板故障；：雷达收发机故障；：雷达计算机故障：雷达天线故障；故障现象故障原因X1X2X3X4X5X6Y1521020Y2210000Y3100100Y4000001Y5001001某航空公司统计的某型飞机机载气象雷达故障数据中，故障现象与故障原因相关出现频次次数如表9.3所示。表9.3故障事件中统计得到的故障现象与故障原因之间出现相关频次2．故障现象与故障原因之间相关出现频次统计

基于模糊理论的机载气象雷达故障诊断0.63,0.25,0.13,0.00,0.000.67,0.33,0.00,0.00,0.000.50,0.00,0.00,0.00,0.50V

=0.00,0.00,1.00,0.00,0.001.00,0.00,0.00,0.00,0.000.00,0.00,0.00,0.50,0.50式(9.44)中，矩阵V的经验隶属度值元素Vij由式(9.45)确定第i

现象属于第j原因次数基于模糊理论的机载气象雷达故障诊断由机载雷达维修经验得到隶属度值矩阵V=(Vij)6×5如式(9.44)：3．隶属度矩阵构建Vij

=

第

i

现象出现总次数(9.45)(9.44)0.60,0.20,0.20,0.00,0.000.70,0.30,0.00,0.00,0.000.50,0.00,0.00,0.00,0.500.00,0.00,1.00,0.00,0.001.00,0.00,0.00,0.00,0.000.00,0.00,0.00,0.50,0.50设隶属度值的经验权重为w2

=0.4，(9.47)设隶属度值的专家权重为w1

=0.6，维修后的融合隶属度值Rij计算公式如式基于模糊理论的机载气象雷达故障诊断由技术专家择优得到气象雷达故障诊断隶属度值矩阵S=(Sij)6×5如式(9.46)3．隶属度矩阵构建Rij

=

0.6Sij

+

0.4Vij融合专家维修与经验(9.47)(9.46)=S0.61,0.22,0.17,0.00,0.000.69,0.25,0.00,0.00,0.000.50,0.00,0.00,0.00,0.500.00,0.00,1.00,0.00,0.001.00,0.00,0.00,0.00,0.000.00,0.00,0.00,0.50,0.50基于模糊理论的机载气象雷达故障诊断3．隶属度矩阵构建由式(9.47)得到的融合隶属度矩阵R=(Rij)6×5如式(9.48)(9.48)R

=由故障诊断模型Y=X×R，输入故障现象向量X，即可得出故障原因向量Y，再由最大隶属度原则可诊断出故障原因。当输入X=(1,1,1,0,0,0)时，经过Y=X×R得到Y=(1.798,0.472,0.170,0,0.500)。由最大隶属度原则，得到最大隶属度的是第一种原因Y1，即雷达收发机故障。其次可能还有第5种和第2种原因。针对实际发生的几起雷达维修中发生的故障现象，得到实际诊断的结果如表9.4所示。序

号1234故障现象X2,

X3X1,

X2X2,

X4X2,

X3,

X4诊断原因Y1Y1Y3Y1,

Y3基于模糊理论的机载气象雷达故障诊断4．机载气象雷达故障诊断实例表9.4模糊模型诊断结果表https://www.ypppt.com/9.3基于模糊信息融合的运算放大器电路故障诊断应用模糊集合理论对电压、温度两种测量信息的故障隶属度值进行信息融合处理。再根据一定的判定规则进行电路故障元件的判定。得到两种测量信息融合后的故障隶属度值。

基于模糊信息融合的运算放大器电路故障诊断对电路系统某一特定元件，当系统正常工作时，其关键点电压值应是稳定的

，其温度也在一定范围内是确定值，当元件出现故障时，电压、温度都会偏离正常范围，偏差越大，元件出现故障的概率就越大，定义元器件隶属函数uij(x)的分布如图9.1所示，定义uij(x)表达式如式(9.49)所示1,

xij

≤

x0ij

−

tij−a(xj

−x0ij

+eij)/(tij

−eij),

x0ij

−tij

<

xij

≤

x0ij

−

eij0,

x0ij

−

eij

<

xij

≤

x0ij

+

eija(xj

−x0ij

−eij)/(tij

−eij),

x0ij

+

eij

<

xij

<

x0ij

+tij1,

xij

>

x0ij

+

tij基于模糊信息融合的运算放大器电路故障诊断1．模糊信息融合故障隶属函数(9.49)uij

=基于模糊信息融合的运算放大器电路故障诊断1．模糊信息融合故障隶属函数图9.1元器件隶属函数分布图图9.2为待诊断的运算放大器电路图，该图引用自参考文献[4]。其中3个运算放大器为待诊断元器件，取U1，U2，U3分别为运放元件A1，A2，A3的电压测试点，取T1，T2，T3分别为运放元件A1，A2，

A3的温度值。基于模糊信息融合的运算放大器电路故障诊断1．模糊信息融合故障隶属函数图9.2待诊断的运算放大器电路诊断步骤如下：(1)通过改变输入信号Ui，测得多组U1，U2，U3和T1，T2，T3实验数据，包括正常值和故障值。(2)由式(9.49)计算出元件电压数据和温度数据的故障隶属度uij，根据uij可得到模糊关系矩阵R，并对其归一化处理，得到归一化隶属度uj。(3)进行模糊信息融合。由归一化隶属度u

j得归一化关系矩阵R′=[u

j]；将电压、温度可靠性系数用权函数=(w1

，w2)表示，其中0≤w1

，w2

≤1，w1

+w2

=1，对于本例，从实验结果来看，元件温度的不确定性小于电压的不确定性，故取温度权限w1

=0.6，电压权限w2

=0.4。按照模糊加权线性变换得融合后的故障隶属度式(9.50)：i′i′i′基于模糊信息融合的运算放大器电路故障诊断1．模糊信息融合故障隶属函数u

1,u

2,u

3

u

1,u

2,u

32′2′2′1′1′1′uY

=×R′

=[w1,w2](9.50)其次判定的故障元器件的隶属度值要大于某一阈值。首先判定的故障元器件应具有最大的隶属度值。最后判定的故障元器件和其他元器件的隶属度值之差要大于某个门限。基于模糊信息融合的运算放大器电路故障诊断1．模糊信息融合故障隶属函数(4)故障判定规则。隶属度值故障元器件A1A2A3电压0.1420.2140.734温度0.0860.1820.425电压与温度融合0.1080.1950.549表9.5为元件电压测量信息、温度测量信息故障隶属度值及两种信息融合后的故障隶属度值，实际测量时设置了人为故障，目的是为了说明信息融合的效果。表9.5元件电压、温度以及二者信息融合的故障隶属度值基于模糊信息融合的运算放大器电路故障诊断1．模糊信息融合故障隶属函数https://www.ypppt.com/

9.4模糊神经网络在电路故障诊断中的应用模拟电路的正常状态和故障状态之间没有明确的界限，不能用具体的数学模型表述。而模糊理论不需要建立数学模型，只需制定一定的模规则就可以把这种不确定的状态表述出来。模糊模式识别就是利用模拟电路故障普遍存在不确定信息、模糊信息的现象，运用模糊规则把这些信息有机地归纳总结，进行模式分类。最后根据最大模糊隶属度值进行故障分类。首先对N个故障特征信号进行提取，然后计算各种故障的隶属度值。接着依据一定规则进行模糊信息融合。1．故障的模糊识别模糊神经网络在电路故障诊断中的应用附加自适应调节动量项则可根据实际判断是否增加动量项，使网络跳过局部极小点，减少震荡，保持算法相对稳定。在采用附加自适应调节动量项的基础上，对学习速度也进行自适应调整。在较平坦的曲面增大学习速率，使网络加快收敛，而在斜率增大时减小学习速率，避免震荡过大；具体的改进BP神经网络算法如式(9.51)所示。 ij(t+1)=ij(t)+(t)[1−me(t)]6(t)+me(t)[ij(t)−

ij(t−1)]2

．

BP神经网络及其改进模糊神经网络在电路故障诊断中的应用(9.51)式(9.51)中，wij(t)为第t次训练第i层的连接权值；6(t)为第t次训练的负梯度；r(t)为第t次训练的学习速率；me(t)为第t次训练的动量因子，取值范围是[0，1]。在本例子中，对动量因子me(t)和学习速率r(t)进行自适应调整，其判决条件如式(9.52)和式(9.53)r(t

+

1)

=

ቐ

0.68r(t)

，e(t)

>

1.1e(t

−

1)me(t

+

1)

=

ቐ

0

，e(t)

>

1.1e(t

−

1)模糊神经网络在电路故障诊断中的应用2

．

BP神经网络及其改进me(t)

，e(t

−

1)

<

e(t)

<

1.1e(t

−

1)r(t)

，e(t

−

1)

<

e(t)

<

1.1e(t

−

1)1.15r(t)

，e(t)

<

e(t

−

1)0.95

，e(t)

<

e(t

−

1)(9.52)(9.53)模糊模式识别容易获取由语言表达的专家知识，能有效地识别难以建立精确模型的系统，特别适用于数学模型未知的、复杂的非线性电路系统故障诊断；而BP神经网络具有并行处理和自学习的能力，能有效利用系统本身的信息映射任意函数关系，容错能力也很强。3．模糊神经网络设计模糊神经网络在电路故障诊断中的应用串联型结合并联型结合松散型结合3．模糊神经网络设计模糊神经网络在电路故障诊断中的应用模糊推理层模糊化层去模糊化层3．模糊神经网络设计模糊神经网络在电路故障诊断中的应用图9.3为两级RC耦合模拟放大电路。电路的元件标称值均已在图9.3中给定，设定电阻容差为5%，电容容差为10%，超过容差值50%以下的故障称为软故障，其余为硬故障。模糊神经网络在电路故障诊断中的应用3．模糊神经网络设计图9.3模糊神经网络诊断用模拟电路分析发现对这6个

测试点比较敏感的元件有C3，R3，R4，R7，R8，人为设定6个故障状态：C3短路、R3偏大、R3偏小、R4偏大、R7短路、R8偏。把它们建成故障状

态表，如表9.6所示，作为训练样本，用以训练网络。分别在各种状态下

多次测试它们的电

压值，并对设定的

各种状态进行多次MonteCarlo分析，

提取出参数生成各

状态对应的特征向

量，作为模糊神经

网络的训练样本和测试样本。选择6个节点作为电路的测试点(见图9.3已标注)，

开始前先用EDA软

件对电路进行仿真。3．模糊神经网络设计模糊神经网络在电路故障诊断中的应用小样本序号电路状态样本数据/VV1V2V3V4V5V61正常3.0275.9872.3793.9188.9923.2652C3短路3.0235.6272.3765.6277.4404.9683R3偏大3.0203.9623.2733.9198.9963.2664R3偏小3.0318.0132.3803.9158.9963.2685R4偏大3.0697.4982.4253.9278.9933.2656R7短路3.0275.9852.3773.83812.013.2867R8偏小3.0235.9872.3773.9198.0333.1993．模糊神经网络设计模糊神经网络在电路故障诊断中的应用表9.6部分故障状态表(训练样本)样本序号电路状态样本数据/VV1V2V3V4V5V61R3偏大3.0224.4942.3763.9198.9923.2662R3偏大3.0547.0322.4153.9