基于神经网络的模拟电路故障诊断方法应用研究

《基于神经网络的模拟电路故障诊断方法应用研究》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

　　基于神经网络的模拟电路故障诊断方法应用研究：随着微电子技术的迅猛发展，模拟电路的诊断研究领域面临挑战，本文研究旨在将神经X络和模拟电路故障诊断将结合，探求模拟电路故障诊断的方法，文中以某模拟电路为例采用MATLAB软件对样本进行训练，通过学习，调整X络阈值，向X络输入待识别的样本特征参数，计算出X络的输出值，仿真结果表明，利用神经X络的理论对模拟电路故障的诊断方法具有可行性和可靠性。　　关键词：模拟电路神经X络故障诊断　　:TN707：A：1007-9416(2011)11-0225-02　　　　1、引言　　20世纪60年代初,人们就开始着手对电路故障自动诊断进行研究，模拟电路中的元件具有容差和非线性等原因，使得模拟电路的故障诊断复杂，发展较缓。而以非线性数学理论为基础的神经X络科学，为模拟电路故障诊断提供了新的思路。 　　神经X络是一种非线性动态运算模型，模仿人脑工作，突出的分布式存储和并行协同处理信息的能力，使它在复杂环境、未知背景、不规则问题方面得到了较广的应用，将神经X络应用故障诊断就是最好的例子，神经X络高度的自学习和自组织能力，使得这一运算模型具有全局性，这一特性成为故障诊断的有效手段，基于神经X络的模拟电路诊断方法以测试得到的过程参量为依据，通过神经X络模型将测量空间和故障空间建立关联，从而做出电路故障诊断。　　2、神经X络　　1986年Rumelhant和Mcllelland科学家提出的BP(BackPropagation)神经X络,是一种按误差反传算法训练的多层前向X络,是当前使用最广泛的神经X模型,无需事前知道输入和输出之间的映射关系,能够进行自学习。　　BP神经X络是由一个输入层、多个隐含层和一个输出层组成的多层前馈X络，如图1所示神经X络输入节点为是神经X络的第零层，不具备计算功能，各层节点表示具有计算功能的计算单元，图示X络由前至后依次为第1到第N层，构成m层前向X络，X络输出为，X络中的第一节点层和输出节点层为可见层，中间层称为隐含层，由上图看到，神经X络通常有一个或者多个隐含层。 　　BP神经X络在学习过程中分为正向和反向两个过程，信号样本值从输入层输入，经多层隐层处理后到达输出，这个过程是正向传输，当输出和期望值不一致时，信号转向反向传播，此时将输出误差通过多节隐层逐层向前传输，在这一过程中，输出误差会分摊到各层单元，这也作为修正各单元权值的依据，信号的正向传输和误差的反向传输共同构成了神经X络的学习过程，这个过程不断循环进行，权值逐步修正，最终使得误差达到一个可接受的值，正是由于这一学习过程，使得神经X络具备高度自我调整的能力。　　通过上面的分析得出神经X络的误差是各层权值和输入样本的函数，如函数式1，误差函数E在多维空间中是一个复杂曲面，曲面平坦的区域表示误差下降缓慢，对权值的变化不敏感，这个曲面中也存在凹凸，低凹点即函数的极小点，此处误差梯度为0，当模型训练过程中常会陷入这些极小点，很难收敛于给定值，标准的BP算法一种简单的快速下降寻优算法，它没有考虑到以前积累的经验，表现为收敛速度慢、出现局部极值等现象。　　通过上面的分析得出神经X络的误差是各层权值和输入样本的函数，如函数式1，误差函数E在多维空间中是一个复杂曲面，曲面平坦的区域表示误差下降缓慢，对权值的变化不敏感，迭代次数增多，调整时间长，这个曲面中也存在凹凸，低凹点即函数的极小点，此处误差梯度为0，当模型训练过程中常会陷入这些极小点，很难收敛于给定值，标准的BP算法一种简单的快速下降寻优算法，它没有考虑到以前积累的经验，表现为收敛速度慢、出现局部极值等现象。　　将神经X络应用于电路故障诊断时，需要注意以下几个方面：　　2.1调整步长 　　标准BP算法中，步长（也称学习速率）是固定值，在模拟电路故障诊断过程中，就很难找出一个合适的值去适应整个电路X络的误差调整，结合前面误差曲面的分析，对于平坦区域，步长太小使得训练次数增大，这时希望值大一些；在凹凸区域，步长太大会出现跨过较窄的凹处，出现震荡训练，增加了迭代次数，不同的区域对步长有不同的要求，学习速率最好能够具备自适应的能力，加速收敛。比如可以根据X络总误差来调整:在X络经过一次权值调整后，若增加，则本次调整无效。若总减小，则有效。　　2.2增加动量项　　标准BP算法在调整权值时，不考虑t时刻以前误差的梯度方向，只对t时刻的梯度下降方向做调整，这样的调整会使学习过程产生振荡，收敛变缓，为了改善这一情况，在权值项中增加动量项，如公式2，称为动量系数，定义动量项反映了以前积累的调整经验。当误差梯度出现局部极小时，虽然，但，使其跳出局部极小区域，加快迭代收敛速度。　　2.3引入陡度因子　　在误差函数曲面上的平坦区域，由于转移函数S的饱和特性使得调整权值过程较缓，所以引入陡度因子来防止饱和，具体方法是当训练到达平坦区，通过压缩净输入，使得输出结果远离转移函数S的饱和区，具体如下： 　　而仍较大时，进入平坦区，此时，令>1；当退出平坦区后再令=1，使转移函数恢复原状。　　3、仿真研究　　应用神经X络检测电路故障首先要依据经验，在给定激励下，求出各种状态（包含正常状态和故障状态）下的理论输出值作为样本值输入到神经X络进行训练，确定适合给定电路的神经X络，诊断时，在同样激励下，将测出的输出实际值输入已经训练好的神经X络，经过X络的学习，得出模拟电路对应的故障。本文选择图2所示电路来验证前向神经X络对模拟电路故障诊断的有效性。　　给图2所示电路输入端Vin加3V的激励，测试频率分别为10kHz、22kHz、32kHz，取为输出点，当各元件出现故障时，输出点对应不同频率的激励产生的电压值作为故障信息，对应3个频率的故障信息形成一个3维故障特征向量，其中为第个测试频率下获得的输出值。电路故障诊断的设计与训练在MATLAB环境下进行，将样本集输入神经X络，均方误差设定为0.01，学习速度为1.2，动量因子0.3，误差变化曲线图如图3所示。　　为了更好的比较学习速度对BP神经X络以及误差变化曲线的影响，特保持其他数值不变，而将学习速度分别调整为1.0和0.3，对BP神经X络进行训练，误差变化曲线分别如图4和图5所示。 　　由以上3个图对比可见，学习速度的改变对误差变化曲线影响很大。虽然在误差曲线的平坦区域内，我们希望学习速度增大，从而可以减少训练次数，减短训练时间，但在误差变化剧烈的区域，当学习速度太大时，误差变化曲线会一直振荡并难以收敛，这样就会影响神经X络对训练样本集序列的学习和训练。　　4、结语　　针对模拟电路的非线性特点，通过调整步长、增加动量项、引入陡度因子改善神经X络的适应性，将改进神经X络的方法引入模拟电路故障诊断中，使得X络能够快速收敛，本文在matlab环境下通过测试实验电路验证了神经X络诊断模拟电路的优良性能。