模擬電路故障診斷中的特征信息提取

摘要 在運用BP神經網絡進行模擬電路故障診斷過程中，代表故障特征的網絡輸入至關重要。分析了常見特征信息提取和故障診斷方法，提出一種基于多測試點、多特征信息原始樣本集的新方法。運用這種方法構造原始故障特征集，然后作為BP神經網絡的輸入對網絡進行訓練，仿真結果表明，通過該方法構造的樣本集訓練出來的網絡對模擬電路故障診斷的正確率優(yōu)于傳統(tǒng)方法，證明了該方法在模擬電路故障診斷中的可行性，為模擬電路的故障診斷提供了一種新方法。
關鍵詞 BP神經網絡；模擬電路；故障診斷；故障特征

近年來，模擬電路的故障診斷中神經網絡的運用越來越廣泛，電路故障特征信息是神經網絡輸入，直接影響著網絡的性能和診斷的正確率。模擬電路故障診斷中，可以在電路中選取多個測試點，通過提取每個測試點在各種故障狀態(tài)下的單一特征信息，以此作為神經網絡的輸入；也可從電路的輸出響應曲線中提取若干參數(shù)對應的信息作為故障特征，當電路出現(xiàn)故障時，輸出響應曲線與正常狀態(tài)有所差異，對應信息的變化即可反映該故障特征，將這些信息作為神經網絡的輸入。在這兩種方法的基礎之上，提出基于多測試點多特征信息的方法，重點在于構造故障樣本集。通過仿真并將3種方法進行比較表明，多測試點多特征信息方法構造出來的樣本集能更好地反映故障模式，訓練出來的網絡對樣本集的識別正確率更高。

1 單一特征信息構造樣本集
電路中測試點的選取依據電路靈敏度的分析。顯然測試點越多，數(shù)據量越大，需要根據電路的復雜程度和計算量、時間綜合考慮，仿真實驗表明，取3～4個測試點較好。
仿真電路選取Sallen-Key二階帶通濾波器，各元件的標稱值為：R1=1 kΩ，R2=3 kΩ，R3=2 kΩ，R4=R5=4 kΩ，C1=C2=5 nF。電路如圖1所示，在電路中選取3個測試點，分別為out、out1、out2，分別測出這3個點在正常狀態(tài)及各種故障狀態(tài)下的電壓作為BP網絡的輸入。經靈敏度測試，當R2、R3、C1、C2發(fā)生變化時，對輸出點的波形影響最為明顯。因此設定軟故障：R2+50％(F1)、R2-50％(F2)、R3+50％(F3)、R3-50％(F4)、C1+50％(F5)、C1-50％(F6)、C2+50％(F7)、C2-50％(F8)、正常(F0)一共9種故障，故障模式采用n-1表示法，即0為無故障，1為有故障。因為各測試點的輸出都是頻響曲線，所以將3個測試點在各種故障狀態(tài)下10 kHz所對應的電壓作為輸入向量，故障類型的編碼作為輸出向量，原始樣本集如表1所示，又稱為故障狀態(tài)表。

由于原始樣本中各分量的尺度相差較大，所以需要進行數(shù)據歸一化處理，以恰當?shù)姆绞綄?shù)據進行歸一化處理可以加快神經網絡的收斂，提高神經網絡的訓練效果。
此處對原始樣本數(shù)據進行模糊隸屬處理，采用正態(tài)分布函數(shù)對樣本數(shù)據進行歸一化，其中a為電路正常狀態(tài)下各測試點的特征值，將歸一化后的數(shù)據作為神經網絡的輸入。構建一個輸入神經元數(shù)目為3，輸出神經元數(shù)目為8的網絡，隱層神經元的數(shù)目參照美國科學家Hebb提出的經驗公式選取，經過多次嘗試，最終確定隱層神經元數(shù)目為13，即網絡結構為3—13—8。設定學習速度為0．01，訓練目標為0．01，訓練算法采用自適應速率的附加動量法，當隱層神經元數(shù)目為13時，所用的訓練次數(shù)為1 011次，訓練誤差曲線如圖2所示。

將經過歸一化的故障樣本輸入到訓練過的BP網絡中以檢測此網絡，故障的測試情況如表4所示。根據電路的特點，取判定閾值為ψ=0．85若>0．85，都視為1，若0．25，都視為0，0．25～0．85之間的視為不能區(qū)分。從表4可以看出，除F7、f8以外，其余的故障模式都能準確地識別，故障診斷的正確率為78％，實際診斷時，只需要測出每個測試點在10 kHz對應的電壓值即可用神經網絡進行診斷。