【正文】 局部產(chǎn)生響應(yīng)。 輸入層 隱含層 輸 出層 圖 RBF 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) RBE 神經(jīng)網(wǎng)絡(luò)用于故障診斷的優(yōu)勢(shì) 上述運(yùn)用了 BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷，雖然 BP 網(wǎng)絡(luò)得到了廣泛的應(yīng)用，但它也存在缺陷和不足，從以下幾個(gè)方面說(shuō)明： 電子電路故障診斷系統(tǒng)設(shè)計(jì) 24 首先，學(xué)習(xí)速率是不變的，即每一次訓(xùn)練權(quán)值的變化量是固定不變的，往往使得網(wǎng)絡(luò)的訓(xùn)練時(shí)間很長(zhǎng)，甚至有時(shí)選取了較小的學(xué)習(xí)速率，已經(jīng)達(dá)到了訓(xùn)練步長(zhǎng)數(shù)，而網(wǎng)絡(luò)還沒(méi)有收斂，后來(lái)出現(xiàn)了很多改進(jìn)的 BP 算法，其中有改進(jìn)的自適應(yīng)學(xué)習(xí)速率算法等。 （ 4）分類(lèi)能力好。它是通過(guò) 徑向基神經(jīng)元 以及競(jìng)爭(zhēng) 神經(jīng)元 的組合搭建而成 。 RBF 神經(jīng) 網(wǎng)絡(luò)工具箱函數(shù) MATLAB 的 RBF 網(wǎng)絡(luò)工具箱中包含著多種函數(shù)，正是通過(guò)這些函數(shù)構(gòu)造 RBF 神經(jīng)網(wǎng)，這里介紹幾個(gè)常用的工具箱函數(shù)。徑向基傳遞函數(shù)。 % 訓(xùn)練目標(biāo) xn_test = n2。 % 顯示間隔 (默認(rèn)為 25) = newrb(P,T,goal,spread,MN,DF)。除此之外，一個(gè)元器件或者多個(gè)元器件的損壞很可能導(dǎo)致電路癱瘓或者更嚴(yán)重的人員傷亡。 BP 網(wǎng)絡(luò)算法，但是這也僅僅能對(duì)一些特定的問(wèn)題進(jìn)行較好的求解，而且即使對(duì)相同題目的求解也會(huì)出現(xiàn)反復(fù)的無(wú)常性，從而使之缺乏通用性。 最后深深感謝父親、母親以及眾多親友多年來(lái)始終如一地給予我的關(guān)心和支持。陳老師給我的輔導(dǎo)很多，只要不會(huì)或者不懂他都會(huì)耐心的給我講解，然后舉例幫助我去理解，態(tài)度嚴(yán)謹(jǐn)是一名優(yōu)秀的人民教師 。其次影響 RBF 神經(jīng)網(wǎng)絡(luò)的非線性映射能力的因素主要是由隱層基函數(shù)決定，但基函數(shù)的特性是由基函數(shù)的中心決定，這樣就會(huì)導(dǎo)致其不能提取出準(zhǔn)確的數(shù)據(jù)去構(gòu)造 RBF 神經(jīng)網(wǎng)絡(luò)，顯然，其性能也不能達(dá)到預(yù)想的效果 。傳統(tǒng)的設(shè)備檢測(cè)已經(jīng)難以滿足這種高設(shè)備高自動(dòng)化的維修需求，我們必須開(kāi)發(fā)出更加便利更加省心的診斷模擬 電路的方法。 % 此值越大 ,需要的神經(jīng)元就越少 (默認(rèn)為 1) MN = size(xn_train,2)。 RBF 神經(jīng)網(wǎng)絡(luò)訓(xùn)練的部分代碼如下 : xn_train = n1。格式為 =newrb(P， T， GOAL， SPREAD， MN， Dn，其中 P,T， SPREAD 變量的意義同 newrbe 0 函數(shù)， GOAL 為訓(xùn)練精度，缺省值為 0， MN 為神經(jīng)元個(gè)數(shù)的最大值， DF 為訓(xùn)練過(guò)程的顯示頻率。 相反隨著 spread 變 小，函數(shù)的逼近 誤差越小 ， 但是其 逼近 曲線將會(huì)隨著 spread 的減小變得 不 再 平滑。 （ 3） 概率神經(jīng)網(wǎng)絡(luò) PNN 以上介紹了廣義回歸神經(jīng)網(wǎng)絡(luò)是 RBF 神經(jīng)網(wǎng)絡(luò)的其中一分支，這里要說(shuō)的它的另一分寧波大學(xué)科學(xué)技術(shù)學(xué)院本科畢業(yè)設(shè)計(jì)（論文） 25 支。 （ 2） RBF 神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的輸入和輸出映射功能，并且理論證明在前向網(wǎng)絡(luò) RBF 神經(jīng)網(wǎng)絡(luò)是 完成映射功能的最優(yōu)網(wǎng)絡(luò)。 RBF 神經(jīng)網(wǎng)絡(luò)具備典型的前向網(wǎng)絡(luò)的特點(diǎn)，精確度高、可靠性強(qiáng)、學(xué)習(xí)速度快、網(wǎng)絡(luò)設(shè)計(jì)簡(jiǎn)潔、逼近能力不俗且不存在局部極小等一系列的優(yōu)勢(shì)。輸出樣本集采用“ 0— 1表示法，期望輸出為 x,即為： 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] 我們經(jīng)過(guò) 1000 次的訓(xùn)練調(diào)整，分類(lèi)率在 90%以上的訓(xùn)練誤差曲線如 所示，表 和表 分別是實(shí)際輸出值與期望輸出值。 %最大訓(xùn)練次數(shù) = 1e8。 %測(cè)試目標(biāo) NodeNum =10。調(diào)用格式為： [dW,ls]=learngd(W,P,Z,N,A,T,E,gW,gA,D,LP,LS) [db,ls]=learngd(b,ones(1,Q),Z,N,A,T,E,gW,gA,D,LP,LS) 寧波大學(xué)科學(xué)技術(shù)學(xué)院本科畢業(yè)設(shè)計(jì)（論文） 19 info=learngd(code) 2) learngdm 函數(shù)為梯度下降動(dòng)量學(xué)習(xí)函數(shù)，它利用神經(jīng)元的輸入和誤差、權(quán)值或閾值的學(xué)習(xí)速率和動(dòng)量常數(shù)，來(lái)計(jì)算權(quán)值或閾值的變化率。 2. 神經(jīng)元上的傳遞函數(shù) 傳遞函數(shù)是 搭建 BP 神經(jīng) 網(wǎng)絡(luò) 的橋梁 。 （ 5）網(wǎng)絡(luò)隱含層數(shù)及隱含層神經(jīng)元數(shù)的確定： 目前來(lái)說(shuō)沒(méi)有固定的公式或者規(guī)律去確定網(wǎng)絡(luò)隱含層數(shù)及隱含層神經(jīng)元數(shù)，而確定這兩個(gè)參數(shù)又至關(guān)重要，時(shí)刻影響著網(wǎng)絡(luò)的擬合能力。 （ 3）輸出層的節(jié)點(diǎn)數(shù)： 輸出層節(jié)點(diǎn)數(shù)取決于兩個(gè)方面 , 輸出數(shù)據(jù)類(lèi)型和表示該類(lèi)型所需要的數(shù)據(jù)大小。所以樣本a=logsig(n) 0 a 1 +1 +1 n a=purelin（（ ) 0 a 1 +1 +1 n a=tansig(n) 0 a 1 +1 +1 n 電子電路故障診斷系統(tǒng)設(shè)計(jì) 16 數(shù)據(jù)的獲取顯得十分重要，另外訓(xùn)練樣本模擬的越多，測(cè)試出的結(jié)果越準(zhǔn)確，越可避免其它無(wú)關(guān)因素的干擾 。在 MATLAB 語(yǔ)言中，該過(guò)程可以通過(guò)輸入矢量和權(quán)值矢量的點(diǎn)積形式加以描述，即： bpwn ?? * （ ） （ 4）傳遞函數(shù)： 在表 中 f 表示神經(jīng)元的傳遞函數(shù)或激發(fā)函數(shù)，它用于對(duì)求和單元的計(jì)算結(jié)果進(jìn)行函數(shù)運(yùn)算，得到神經(jīng)元的輸出。神經(jīng)元的特性往往在某種程度上決定著神經(jīng)網(wǎng)絡(luò)的總體特性，一個(gè)神經(jīng)網(wǎng)絡(luò)的構(gòu)成，包含著許許多多的神經(jīng)元，而不是孤立的單個(gè)神經(jīng)元就可稱(chēng)之為神經(jīng)網(wǎng)絡(luò)。 33(x )(n 1)(n 2)inxSK ??? ??? （ ） （ 6）峭度（ kurtosis）：反映振動(dòng)信號(hào)分布特性的數(shù)值統(tǒng)計(jì)量，是歸一化的 4 階中心矩。 圖 四運(yùn)放雙二階高通濾波器 同樣地，下面我們用 multisim 軟件對(duì)正常電路和故障電路進(jìn)行模擬，以獲得故障數(shù)值。在濾波器電路中，電阻的容差為 5%， 電容的容差為 10%。由此可見(jiàn)，對(duì)付軟故障診斷是亟需解決的難題，其對(duì)電路系統(tǒng)的影響很大，本文主要就是研究 SallenKey 低通濾波器以及四運(yùn)放雙二階高通濾波器電路軟故障的診斷。用 matlab 對(duì)過(guò)程進(jìn)行編程仿真，并進(jìn)行調(diào)試，得出輸出的期望值與實(shí)際值及正確百分比 。因此， 20xx年， He Y 等人在上述做法的理論上，加入低頻和高頻的數(shù)據(jù)，從而增加了診斷的全面性，而且構(gòu)造小波網(wǎng)絡(luò)對(duì)系統(tǒng)故障進(jìn)行診斷，使得診斷準(zhǔn)確率提升到百分之九十九以上。而它又可根據(jù)識(shí)別參數(shù)分類(lèi)為元件值識(shí)別及元件值增量識(shí)別。 模擬電路的故障診斷在今年的很長(zhǎng)一段時(shí)間里都將是個(gè)難題，目前研究的主題包括故障的檢測(cè)、故障的辨識(shí)以及故障的預(yù)測(cè) [1]。目前模擬電路的應(yīng)用不光局限于我們個(gè)人電子產(chǎn)品使用中，其廣泛性也已應(yīng)用到軍工、通信、家用電器等各個(gè)方面，特別是隨著集成電路的越發(fā)復(fù)雜，任何一個(gè)元部件和元器件的故障都會(huì)影響整個(gè)全局的功能。 一個(gè)小小的故障也會(huì)導(dǎo)致財(cái)產(chǎn)的巨大損失。然后用 MATLAB 對(duì)樣本進(jìn)行訓(xùn)練 與測(cè)試，并在實(shí)驗(yàn)室進(jìn)行調(diào)試，得到的誤差變化曲線基本上符合提出的期望。 所以今日我們的模擬電路的故障診斷絕不能局限于人力，顯然人力也已經(jīng)難以或無(wú)法解決模擬電路的故障診斷這一難題。 （ 1）傳統(tǒng)故障診斷技術(shù) 傳統(tǒng)的故障診斷技術(shù)主要分為下述幾種：故障字典法，故障參數(shù)識(shí)別法，故障驗(yàn)證法等幾類(lèi) [2]。這種方法要求模擬電路滿足可測(cè)的條件。到了 20xx 年， Lifen Yuant 等人的做法 是在一定頻域內(nèi)，對(duì)故障信號(hào)處理，運(yùn)用提取器提取兩種故障特征，將特征通過(guò)神經(jīng)網(wǎng)絡(luò)進(jìn)行模擬輸出。 第三章 運(yùn)用 BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷的基本思想和系統(tǒng)設(shè)計(jì)。當(dāng)電路中的任何一個(gè)元件高于 50%，或低于 50％，而其它元件均在 50%之內(nèi)浮動(dòng)時(shí)，對(duì)電路進(jìn)行仿真并獲得在某個(gè)特定時(shí)間段的模擬波形，然后記錄下對(duì)應(yīng)波形下的故障值，用 multisim 軟件對(duì)正常波形也在上述 某個(gè)特定時(shí)間段進(jìn)行波形模擬，得出正常情況和故障情況的波形對(duì)比[4]。 下面我們用 multisim 軟件模擬電路，對(duì)正常電路和故障電路的波形限定在某個(gè)特定時(shí)間段，保證其波形對(duì)比的直觀，以獲得故障數(shù)值。 表 四運(yùn)放雙二階高通濾波器的元件值及其單故障類(lèi)別 故障代碼 故障類(lèi)別 正常值 故障值 SF0 NF SF1 C1↑ 5n 20n SF2 C1↓ 5n SF3 C2↑ 5n 20n SF4 C2↓ 5n SF5 R1↑ 15k SF6 R1↓ 3k SF7 R2↑ 18k SF8 R2↓ 2k SF9 R3↑ 12k SF10 R3↓ SF11 R4↑ SF12 R4↓ 寧波大學(xué)科學(xué)技術(shù)學(xué)院本科畢業(yè)設(shè)計(jì)（論文） 11 診斷電路的特征向量的提取 首先我們先事先獲取的故障從 Multisim 中提取出特征值，并將每種故障提取的數(shù)據(jù)分為 20 組，然后我們?nèi)∑?20 組的最大值，最小值，平均值，標(biāo)準(zhǔn)差，偏度，峭度六種指標(biāo)，簡(jiǎn)單介紹下六種數(shù)據(jù) 指標(biāo) [5]。以下是正常情況下得出的數(shù)據(jù)： n=[ 電子電路故障診斷系統(tǒng)設(shè)計(jì) 12 ] 寧波大學(xué)科學(xué)技術(shù)學(xué)院本科畢業(yè)設(shè)計(jì)（論文） 13 3 基于 BP 神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷 神經(jīng)網(wǎng)絡(luò)的故障診斷 神經(jīng)網(wǎng)絡(luò)的故障診斷過(guò)程如圖 所示。在 MATLAB 中，輸入可以用一個(gè) 1?R 維的列矢量p 來(lái)表示（其中 T 表示取轉(zhuǎn)置） ? ?TkpppP ,....,p 321，? （ ） （ 2）網(wǎng)絡(luò)權(quán)值和閾值： R ,12,11,1 , ? 代表網(wǎng)絡(luò)權(quán)值，表示輸入與神經(jīng)元之間的連接強(qiáng)度， b 為神經(jīng)元閾值，可以看作是一個(gè)輸入恒為 1 的網(wǎng)絡(luò)權(quán)值。而后對(duì)這些故障一一提取特征值。 BP 神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì) BP 神經(jīng)網(wǎng)絡(luò)主要包含以下幾部分，主要有輸入層 , 隱層 , 輸出層，及各層間的傳輸函數(shù)等 [10]。太少又會(huì)導(dǎo)致識(shí)別能力過(guò)低，所以在構(gòu)造網(wǎng)絡(luò)時(shí)，需要選擇合適的隱層節(jié)點(diǎn)數(shù)。 BP 神經(jīng)網(wǎng)絡(luò)的工具箱函數(shù) 1. BP 網(wǎng)絡(luò)創(chuàng)建函數(shù) （ 1) newff 該函數(shù)用于創(chuàng)建一個(gè) BP 網(wǎng)絡(luò)。調(diào)用格式為： A=logsig（ N） info=logsig（ code）其中， N： Q 個(gè) S 維的輸入列向量； A：函數(shù)返回值，位于區(qū)間（ 0， 1）中； （ 2） tansig 該函數(shù)為雙曲正切 S