【正文】 等，也會給診斷帶來意想不到的困難。在早期的診斷技術(shù)中，電子系統(tǒng)的故障診斷基本上還是沿用傳統(tǒng)方式，即依靠一些測試儀表，按照跟蹤信號逐點尋跡的思路，借助人們的邏輯判斷來偵查系統(tǒng)中的故障所在。這種診斷技術(shù)在很大程度與維修人員的實踐經(jīng)驗與專業(yè)水平密切相關(guān)，而且也沒有一套可遵循的、科學的、成熟的辦法。近年來，世界各國許多電路理論工作者提出了各種不同的故障診斷原理和方法，如k故障診斷法、故障參數(shù)識別法、網(wǎng)絡(luò)識別法等。但是這些方法可以付諸實踐的還很少。在眾多的方法中，故障字典法因適用于非線性電路及診斷條件而實用性較強。但是對于軟故障以及多故障情況，診斷過程復雜，且準確度低。近年來，隨著對非線性理論、先進算法、信號處理及智能控制等技術(shù)的研究，非線性系統(tǒng)的故障診斷技術(shù)有了很大的發(fā)展。目前，非線性系統(tǒng)的故障診斷方法主要包括基于數(shù)學模型方法、基于信號處理方法和基于知識的方法。在基于知識的方法中，由于神經(jīng)網(wǎng)絡(luò)[]具有處理非線性和自學習及并行計算能力，使其在非線性系統(tǒng)的故障診斷方面具有很大優(yōu)勢。隨著計算機技術(shù)、人工智能技術(shù)等的發(fā)展，各種智能診斷系統(tǒng)應(yīng)運而生。故障診斷技術(shù)經(jīng)過了40多年的發(fā)展，人們已經(jīng)認識到了智能診斷技術(shù)的重要性，智能診斷技術(shù)已成為當今世界的研究熱點之一[5]。綜上所述，研究一種能夠進行電路元器件的自動故障診斷的模擬電路故障診斷方法，特別是軟故障診斷方法，無論對器件的使用部門還是對器件的生產(chǎn)部門都是一項非常有應(yīng)用前途的工作。 模擬電路故障診斷的發(fā)展及研究現(xiàn)狀模擬電路的故障診斷是一個十分困難的課題，在實際應(yīng)用中，模擬電路故障診斷之所以難于取得突破性進展，是因為其輸入輸出都是連續(xù)量，難以作簡單的量化、故障模型復雜、元件參數(shù)具有很大的分散性以及廣泛存在的非線性，故障電路的不精確性和不確定性，使得其難于像數(shù)字電路一樣提出系統(tǒng)而有效的方法。傳統(tǒng)的信息診斷在新的信息處理工具的出現(xiàn)下，重新煥發(fā)出新的活力，成為故障診斷領(lǐng)域發(fā)展的另一分支。目前，人工神經(jīng)網(wǎng)絡(luò)[6,7]作為信息軟處理的最新技術(shù)在診斷領(lǐng)域中得到了廣泛的應(yīng)用。但是神經(jīng)網(wǎng)絡(luò)的輸入量無法直接獲得，需要特征提取技術(shù)從原始數(shù)據(jù)中提取能反映其特征的若干特征量作為神經(jīng)網(wǎng)絡(luò)的輸入。小波分析具有很優(yōu)秀的“探微”能力，無論多么復雜的信號，只要選取適當?shù)男〔ㄟM行適當次數(shù)的變化，就可以發(fā)現(xiàn)其中所包含的診斷信息，從而應(yīng)用于診斷領(lǐng)域[8]。專家系統(tǒng)是人工智能應(yīng)用研究最活躍和最廣泛的課題之一[9]，它是一個計算機程序系統(tǒng)，其內(nèi)部具有大量專家水平的某個領(lǐng)域知識與經(jīng)驗，應(yīng)用人工智能技術(shù)，根據(jù)某個領(lǐng)域一個或多個人類專家提供的知識和經(jīng)驗進行推理和判斷，模擬人類專家決策的過程，以解決那些需要專家決定的復雜問題，用專家系統(tǒng)解決故障診斷問題，存在諸多優(yōu)勢，同時存在著不能自學習、自適應(yīng)，知識獲取困難和推理匹配沖突等問題?；谝陨峡紤]，利用神經(jīng)網(wǎng)絡(luò)的非線性映射特性、小波優(yōu)秀的特征提取特點，本文提出了將小波分析與神經(jīng)網(wǎng)絡(luò)相結(jié)合的模擬電路故障診斷方法，并針對神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)各自的特點提出將神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)結(jié)合用于開發(fā)模擬電路故障診斷系統(tǒng)的思路。針對模擬電路故障診斷方法所涉及的研究領(lǐng)域，現(xiàn)從模擬電路故障診斷方法、小波分析理論、神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)等幾個方面來分析本課題的研究現(xiàn)狀和發(fā)展趨勢，并在此基礎(chǔ)上確定課題研究的思路及主要研究內(nèi)容。 模擬電路軟故障診斷發(fā)展現(xiàn)狀近年來，國內(nèi)外學者針對電路的軟故障診斷這一具有實際意義的問題展開了全面的研究和談討，并陸續(xù)推出了一些新方法和新思想。模擬電路容差問題使元件參數(shù)難以確定，傳統(tǒng)的計算方法無法確定故障位置。電路與元件之間的非線性關(guān)聯(lián)使實時診斷難于實現(xiàn)，甚至有時會導致錯誤診斷[10]，文獻[11]基于支路屏蔽的原理，提出了一種可診斷模擬電路軟故障的故障字典法，為工程上故障字典法的應(yīng)用開辟了一條新的途徑。但此法對容差電路診斷時，運用“被屏蔽支路集求交集”的方法，由于故障因素與容差因素的相互交疊，因而易出現(xiàn)模糊故障集，文獻[12]對該法在容差情況下的應(yīng)用進行了較深入的探討，在建立故障字典與實施故障隔離時，充分考慮了容差對端口特性的影響，用模糊故障字典來取代傳統(tǒng)的故障字典。近些年來，隨著神經(jīng)網(wǎng)絡(luò)等人工智能技術(shù)的發(fā)展，模擬電路故障診斷的研究又開辟了一條新路，基于神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷方法已經(jīng)成為新的研究熱點[13]。早在20世紀80年代末期起就有學者研究將人工神經(jīng)網(wǎng)絡(luò)應(yīng)用到模擬電路的故障診斷中[14,15]，文獻[16]將BPNN和K故障診斷相結(jié)合來解決模擬電路容差問題，克服了單純使用K故障診斷速度慢，可靠性差等因素。到目前為止已經(jīng)提出了多種基于神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷方法，如BP神經(jīng)網(wǎng)絡(luò)故障字典法已經(jīng)能有效應(yīng)用于濾波電路、模擬放大電路等非線性容差電路的故障診斷[17,18]，效果優(yōu)于傳統(tǒng)的故障字典法。近年來，一個值得重視的現(xiàn)象是神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)、模糊控制、遺傳算法和小波分析等智能診斷技術(shù)相結(jié)合應(yīng)用于模擬電路的故障診斷領(lǐng)域的研究。 人工神經(jīng)網(wǎng)絡(luò)發(fā)展現(xiàn)狀早在1943年，心理學家MeCulloch和數(shù)學家Pits在《Bulletin of Mathematical Biophysics》上發(fā)表文章，提出了形式神經(jīng)元的數(shù)學描述與結(jié)構(gòu)方法，即MP模型。在這一模型中，賦予形式神經(jīng)元的功能較弱，但網(wǎng)絡(luò)的計算能力巨大，同時神經(jīng)元具有并行計算的能力。1948年，Wiener發(fā)表的《控制論》以及Wiener的杰出工作對神經(jīng)網(wǎng)絡(luò)的研究起到了重要的推動作用。1949年，心理學家Hebb提出了神經(jīng)元的學習規(guī)則，使神經(jīng)網(wǎng)絡(luò)具有了可塑性，這為學習算法奠定了基礎(chǔ)。50年代末，Rosenblat提出了感知機，第一次把神經(jīng)網(wǎng)絡(luò)應(yīng)用于工程實踐。人工神經(jīng)網(wǎng)絡(luò)是指由大量與生物神經(jīng)細胞相類似的人工神經(jīng)元互連而成的網(wǎng)絡(luò)，這種網(wǎng)絡(luò)具有某些智能和仿人控制功能，簡稱神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)的研究已有半個多世紀的歷史，但它的發(fā)展并不是一帆風順的，而是經(jīng)過兩起一落中間呈現(xiàn)馬鞍形的過程。20世紀60年代經(jīng)歷了一個低潮期，80年代后又掀起了研究和開發(fā)及應(yīng)用神經(jīng)網(wǎng)絡(luò)的熱潮。近年來，神經(jīng)網(wǎng)絡(luò)理論的應(yīng)用取得了令人矚目的進展，特別是在人工智能、自動控制、計算機科學、信息處理、機器人、模式識別、CAD/CAM等方面都有重大的應(yīng)用實例。目前在模擬電路故障診斷中多采用BP神經(jīng)網(wǎng)絡(luò)，BP神經(jīng)網(wǎng)絡(luò)用于模擬電路故障診斷具有如下的優(yōu)勢[19]：優(yōu)點是測后診斷速度快，實時性強，其原因是該方法利用了神經(jīng)網(wǎng)絡(luò)高度并行的信息處理能力。經(jīng)典的故障字典法需要進行繁瑣的模糊集分割處理，且一般只能診斷硬故障。而神經(jīng)網(wǎng)絡(luò)故障字典法由于神經(jīng)網(wǎng)絡(luò)的泛化能力和魯棒性，可以診斷容差模擬電路，而且對軟故障情況也有很好的應(yīng)用前景。應(yīng)用該方法的主要難點為：（1）神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)等只能依據(jù)經(jīng)驗反復調(diào)試，難以確定所設(shè)計的神經(jīng)網(wǎng)絡(luò)是最優(yōu)的。（2）數(shù)據(jù)預處理技術(shù)和訓練樣本集的篩選至關(guān)重要，神經(jīng)網(wǎng)絡(luò)故障字典法的診斷效果主要依賴于此。如何根據(jù)實際電路對原始數(shù)據(jù)進行預處理以突出故障特征信息，以及如何優(yōu)選訓練樣本是需要深入研究的課題。目前對神經(jīng)網(wǎng)絡(luò)故障字典法的研究主要集中在上述兩個方面。該方法發(fā)展的主要趨勢是引入人工智能或其它的新技術(shù)新方法以解決上述難題，近年來，一個值得重視的現(xiàn)象是在該方法中引入小波變換、主元分析法、專家系統(tǒng)、模糊邏輯和遺傳算法等新方法新技術(shù)，以克服神經(jīng)網(wǎng)絡(luò)本身的許多局限性，并解決神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的確定、數(shù)據(jù)預處理和訓練樣本集的優(yōu)選等問題。神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)、模糊控制、遺傳算法和小波分析等技術(shù)相結(jié)合應(yīng)用于模擬電路的故障診斷領(lǐng)域的研究。小波分析與神經(jīng)網(wǎng)絡(luò)結(jié)合應(yīng)用于模擬電路的故障診斷。小波分析與神經(jīng)網(wǎng)絡(luò)的結(jié)合是一個十分活躍的研究領(lǐng)域。目前，小波與神經(jīng)網(wǎng)絡(luò)的結(jié)合有以下兩個途徑：一個是輔助式結(jié)合，比較典型的是利用小波分析對信號進行預處理，然后用神經(jīng)網(wǎng)絡(luò)學習與判別[20]；另一個是嵌套式結(jié)合，即把小波變換的運算融入到神經(jīng)網(wǎng)絡(luò)中去，其基本思想是用小波元代替了神經(jīng)元，即激活函數(shù)為已定位的小波函數(shù)基，通過仿射變換建立小波變換與神經(jīng)網(wǎng)絡(luò)的聯(lián)接，形成所謂的“小波神經(jīng)網(wǎng)絡(luò)”或“小波網(wǎng)絡(luò)”。小波神經(jīng)網(wǎng)絡(luò)[21]由于把神經(jīng)網(wǎng)絡(luò)的自學習特性和小波的局部特性結(jié)合起來，因此具有自適應(yīng)分辨性和良好的容錯性。目前而言，將其應(yīng)用于模擬電路的故障診斷領(lǐng)域還是一個嶄新的、很有前途的研究方向。又如神經(jīng)網(wǎng)絡(luò)與模糊邏輯理論相結(jié)合，即所謂的“模糊神經(jīng)網(wǎng)絡(luò)”用于模擬電路的故障診斷，其基本思想是在BP神經(jīng)網(wǎng)絡(luò)的輸入層與輸出層中間增加1到2層模糊層構(gòu)造模糊神經(jīng)網(wǎng)絡(luò)，利用神經(jīng)網(wǎng)絡(luò)處理低層感知數(shù)據(jù)，利用模糊邏輯描述高層的邏輯框架，其對模擬電路軟故障的診斷效果優(yōu)于單一的神經(jīng)網(wǎng)絡(luò)分類器[22,23]。采用遺傳算法對BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)（隱層結(jié)點數(shù)）和具體參數(shù)進行優(yōu)選[24]。文獻[25]將神經(jīng)網(wǎng)絡(luò)技術(shù)和專家系統(tǒng)結(jié)合，研究了基于神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)的模擬電路故障診斷系統(tǒng)，其采集數(shù)據(jù)先輸入到模糊處理模塊進行模糊處理，再送人工神經(jīng)網(wǎng)絡(luò)模塊推理。專家系統(tǒng)以神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果 為依據(jù)進行反向不確定性推理，同時記錄下推理軌跡。推理結(jié)果需進行融合處理，以提高診斷的可靠性，再根據(jù)融合結(jié)果檢索操作指導數(shù)據(jù)庫得到指導信息，最后得到診斷結(jié)論以期將模糊技術(shù)，神經(jīng)網(wǎng)絡(luò)技術(shù)和專家系統(tǒng)技術(shù)進行優(yōu)勢互補。 小波變換理論發(fā)展現(xiàn)狀小波（Wavelet）是近幾年國際科技界和眾多學術(shù)團體高度關(guān)注的前沿領(lǐng)域，它目前也是在許多科學和工程技術(shù)聚會中一個非常廣泛的話題，它作為一種數(shù)學理論和分析方法，正在科學技術(shù)界引起一場軒然大波[26]。在數(shù)學領(lǐng)域，它是泛函分析，F(xiàn)ourier變換，樣條分析，調(diào)和分析，數(shù)值分析的完美結(jié)合。在應(yīng)用領(lǐng)域，特別是在信號處理、圖象處理、語音識別、模式識別、數(shù)據(jù)壓縮、故障診斷、量子物理等眾多領(lǐng)域中被認為是近年來在工具和方法上的重大突破[27]。由于小波變換具有很好的時頻局域化特性，其對高頻突變信號和低頻緩變信號的分析有著獨特的優(yōu)點，可以利用信號在小波變換的多尺度刻劃下所表現(xiàn)行為的不同特點來檢測出突變的故障信號。若數(shù)據(jù)量不大時，小波變換的時間較短，則小波分析可用于信號的實時分析。作為在模擬電路故障診斷中應(yīng)用，小波變換被有效地用來提取故障特征信息。信號中不規(guī)則的突變部分和奇異點往往包含有比較重要的信息，它是信號重要特征之一。在故障診斷中，例如，電力系統(tǒng)故障、腦電圖、心電圖中的異常等，都對應(yīng)于測試信號的突變點，因而對突變點的檢測在故障診斷中有著非常重要的意義。長期以來，傅里葉變換是研究函數(shù)奇異性的主要工具。但是傅里葉變換缺乏空間局部性，它只能確定一個函數(shù)奇異性的整體性質(zhì)，而難以確定奇異點在空間的位置和分布情況。小波分析具有空間局部化性質(zhì)，因此，利用小波分析來分析信號的奇異性以及奇異性的位置和奇異度的大小是比較有效的[28]。 專家系統(tǒng)發(fā)展現(xiàn)狀關(guān)于專家系統(tǒng)（Expert System，簡寫為ES），目前尚無公認的嚴格定義。根據(jù)美國斯坦福大學計算機系教授費根鮑姆于1982年給出的定義，專家系統(tǒng)“是一種智能的計算機程序，這種程序使用知識與推理過程，求解那些需要杰出人物的專門知識才能求解的高難度問題”[29,30,31]。專家系統(tǒng)的發(fā)展大致可分為四個階段：孕育期（1965年以前），產(chǎn)生期（19651971年），成熟期（19721977年），發(fā)展期（1978年至今）。人工智能的問世是人類進行機器智能研究的一個重要轉(zhuǎn)折。人工智能的早期研究是從具體問題入手的，1956年有兩項具有重要意義的突破：一是紐厄爾和西蒙合作研制的邏輯理論機LT。LT和Chechers是最先在計算機上投入運行的啟發(fā)式智能程序，它們的出現(xiàn)堅定了人工智能研究者的信心。奠定了專家系統(tǒng)基礎(chǔ)的另一個理論工具是1960年麥卡錫研制的表處理語言LISP。同時人工智能研究者在知識表示、推理方法、搜索策略等方面也獲得了許多有益的成果。1965年費根鮑姆在研究以往人工智能系統(tǒng)成功與失敗的經(jīng)驗和教訓的基礎(chǔ)上，、。DENDRAL系統(tǒng)是一個結(jié)合啟發(fā)式程序和大量專門知識的實用智能系統(tǒng)。它的問世標志人工智能研究的一個嶄新應(yīng)用領(lǐng)域——專家系統(tǒng)的誕生。70年代專家系統(tǒng)趨于成熟，專家系統(tǒng)的觀點也開始廣泛地被人們接受。到了70年代中期，一批卓有成效的專家系統(tǒng)開始出現(xiàn)，這些系統(tǒng)涉及醫(yī)藥、自然語言處理、數(shù)學、教學、地質(zhì)等多個應(yīng)用領(lǐng)域，其中對專家系統(tǒng)技術(shù)的發(fā)展做出突出貢獻的典型專家系統(tǒng)有：MYCIN、CASNET、HEARSAY、PROSPECTOR等。至此，一般認為專家系統(tǒng)技術(shù)已基本成熟。隨著專家系統(tǒng)技術(shù)的逐漸成熟，一方面，專家系統(tǒng)的應(yīng)用日益滲透到各個領(lǐng)域；另一方面，隨著專家系統(tǒng)所處理的問題難度不斷增大，專家系統(tǒng)技術(shù)的研究得到不斷深入。七十年代后期開始出現(xiàn)一些其他類型的專家系統(tǒng)。同時，人們在開發(fā)專家系統(tǒng)的實踐中發(fā)現(xiàn)，專家系統(tǒng)的“瓶頸”問題是知識獲取，并由此提出建設(shè)專家系統(tǒng)的中心任務(wù)是知識獲取，并且先后研制出一批用于建造和維護專家系統(tǒng)的工具系統(tǒng)。與人類專家和傳統(tǒng)計算機程序相比，專家系統(tǒng)有如下特點[32]：1．可以有效利用領(lǐng)域?qū)＜业闹R和經(jīng)驗。專家系統(tǒng)中的知識可能來自多位專家，即集中了多人的知識精華，此外一些專家系統(tǒng)具有自學習和自我完善的功能（即有人工智能），因此知識庫中的知識可不斷擴充和完善。所以專家系統(tǒng)所具有的能力往往可超過任意一位為它提供過經(jīng)驗的專家，甚至具有任意一位專家都沒有的功能。因此專家系統(tǒng)可以像一位具有極高水平的某領(lǐng)域的專家一樣，對所求問題迅速做出正確的判斷和結(jié)論。2．易于擴充和完善。在一個專家系統(tǒng)中，專家知識與推理策略是分別存儲的，在設(shè)計一個專家系統(tǒng)時，如果推理的控制策略已經(jīng)確定，則推理機的結(jié)構(gòu)設(shè)計就已完全確定。因此一個專家系統(tǒng)的擴充和完善主要是對知識庫來做的。換句話說，此時該專家系統(tǒng)的功能強弱主要決定于知識庫的完善程度。顯見，知識庫的改進涉及的面比較小，因此專家系統(tǒng)的擴充和完善以致移植都是非常方便的。3．可作非精確的推理。專家系統(tǒng)所用規(guī)則多數(shù)是由專家提供的經(jīng)驗總結(jié)而成，因此帶有很大程度的不精確性，甚至不能用顯性的公式描述出來。此外知識庫中的知識和有關(guān)問題的征兆往往也有一定的模糊性或不完全確定。專家系統(tǒng)是利用這些模糊的信息對所求問題求解并做出結(jié)論，再做出相應(yīng)的決策。一般計算機軟件對此幾乎是無能為力的。但截至目前，專家系統(tǒng)仍存在以下幾個主要問題：1．知識獲取的“瓶頸”。知識的獲取一直是專家系統(tǒng)