【正文】 Francis. Criterion Function for BrokenBar Fault Diagnosis .IEEE Power :220–234, 2009[10] ．Rencher．Methods of multivariate analysis．New York：Wiley，1995．[11] 朱彥卿，何怡剛．一種基于模糊神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷方法[M]．計(jì)算機(jī)科學(xué)，2010,37(12)：280282[12] ong R．Park， and Chung Chen．Predicting sunspots using alayered perceptron neural network．IEEE Trans．Neural networks，1996，7(2)：501505．致謝在此論文完成之際，我由衷地感謝那些直接或間接為本文作出貢獻(xiàn)，或給與作者關(guān)懷和幫助的人們。同樣，我們經(jīng)過matlab的訓(xùn)練調(diào)整，分類率在90%。格式為Y=sim(net，P)。利用MATLAB構(gòu)造RBF網(wǎng)絡(luò)時(shí)，其值總是從1開始，也就是說spread的默認(rèn)值是1。在訓(xùn)練中，當(dāng)權(quán)值調(diào)整的過大時(shí)，可能會(huì)導(dǎo)致網(wǎng)絡(luò)權(quán)值和閾值的調(diào)整停頓下來，這樣我們必須將初始權(quán)值選取的較小，學(xué)習(xí)速率也不宜過大。例如，把SF1故障模式的故障信號(hào)導(dǎo)入到MATLAB中，按照上述分析的方法提取故障特征的平均值（mean）、最大值（max）、最小值（min）、方差（var）、偏度（skewness）、峭度（kurtosis），得出的數(shù)據(jù)為n=[ ]表示出了SF1中20組數(shù)據(jù)的上述六種指標(biāo)。 %訓(xùn)練樣本dn_train = x1。用于在對(duì)話框中創(chuàng)建一個(gè)BP網(wǎng)絡(luò)。BP網(wǎng)絡(luò)隱含層數(shù)的變化會(huì)影響著故障診斷的準(zhǔn)確性，但往往選擇的層數(shù)都不會(huì)過大，一般兩層或兩層以下。在MATLAB中神經(jīng)元的網(wǎng)絡(luò)權(quán)值可以用一個(gè)的行矢量來表示。（1） 最大值（max）：是指一組數(shù)中的最大的數(shù)?，F(xiàn)在我們借用例子直觀的來說明設(shè)定故障值的做法，在一具備多個(gè)元器件組成的模擬電路中，其中有元器件電容C1=5nF，容差為10%，我們只考慮C1超出容差，其它值均在容差范圍內(nèi)變動(dòng)而不超過容差的10%，下面三種情況根據(jù)177。Lifen Yuant等人的做法在通過減少輸入個(gè)數(shù)簡化了網(wǎng)絡(luò)，也增加了診斷的準(zhǔn)確性，但不足的是沒有驗(yàn)證多組特征的情況下的故障診斷。故障字典法是指把模擬電路中的所有故障類型全部提取出來，并且將故障的類別與故障的關(guān)系對(duì)應(yīng)起來，構(gòu)成多個(gè)映射，達(dá)到每種類別對(duì)應(yīng)一種關(guān)系。結(jié)果表明BP神經(jīng)網(wǎng)絡(luò)及RBF神經(jīng)網(wǎng)絡(luò)的算法能夠有效的應(yīng)用于模擬電路故障診斷。最新資料表明，高集成電子設(shè)備的維護(hù)費(fèi)遠(yuǎn)高于其研發(fā)費(fèi)用，這也就要求著我們不能光顧著產(chǎn)品的研發(fā)而忽視了電子設(shè)備的維護(hù)，維護(hù)做不好，研發(fā)工作也只是徒勞。故障驗(yàn)證法的做法主要是：猜測網(wǎng)絡(luò)中的故障元件，然后猜測出易發(fā)生的某個(gè)元件集合，再在對(duì)應(yīng)的集合中激勵(lì)信號(hào)，以及可及節(jié)點(diǎn)取得的測量數(shù)據(jù)，依據(jù)一定的判斷數(shù)據(jù)去驗(yàn)證猜測的正確性[3]。本文共分為五章，第一章 介紹了模擬電路故障診斷研究的背景與意義以及研究現(xiàn)狀和本文研究內(nèi)容的主要內(nèi)容及其結(jié)構(gòu)安排。給電路施加脈沖激勵(lì)進(jìn)行仿真時(shí)，設(shè)定電阻和電容在各自的容差范圍內(nèi)變化，則認(rèn)為電路為無故障狀態(tài)。公式如下，其中x（t）為瞬時(shí)振幅，為振幅均值，p（x）為概率密度，是樣本標(biāo)準(zhǔn)差[6]。傳遞函數(shù)的名稱函數(shù)表達(dá)式函數(shù)曲線MATLAB函數(shù)a=hardlim(n)0a1+1+1n閾值函數(shù)Bardim線性函數(shù)a=purelin（（)0a1+1+1nPurelin對(duì)數(shù)sigmoid函數(shù)a=logsig(n)0a1+1+1nLogsig正切sigmoid函數(shù)a=tansig(n)0a1+1+1ntansig BP網(wǎng)絡(luò)用于故障診斷的基本思想BP神經(jīng)網(wǎng)絡(luò)應(yīng)用在故障診斷上提高了以往傳統(tǒng)方法難以達(dá)到的準(zhǔn)確性，其研究的思路主要是：首先確定電路的故障，對(duì)于故障值的確定是根據(jù)正常值及故障值的波形對(duì)比，從而獲得較典型的故障參數(shù)，把電路中容易出故障的器件都找出來作出故障集。（4）隱層節(jié)點(diǎn)數(shù)：隱層節(jié)點(diǎn)數(shù)的確定直接會(huì)導(dǎo)致訓(xùn)練的成敗，節(jié)點(diǎn)太多會(huì)導(dǎo)致學(xué)習(xí)時(shí)間過長。常見的BP神經(jīng)網(wǎng)絡(luò)多采用下列函數(shù)： （1) logsig該傳遞函數(shù)為S型的對(duì)數(shù)函數(shù)。 %輸出維數(shù)p1 = xn_train。輸入層節(jié)點(diǎn)的功能是將輸入信號(hào)通過擴(kuò)散的特點(diǎn)傳遞到隱層，然后隱含層節(jié)點(diǎn)中的作用函數(shù)對(duì)輸入信號(hào)在局部產(chǎn)生響應(yīng)。（5）學(xué)習(xí)過程收斂速度快。(1)newrbe()。 % 測試樣本 dn_test = x2。因此模擬電路故障診斷已經(jīng)發(fā)展為亟需解決的熱門課題。他們的理解以及不斷地相信我讓我讀滿了四年的大學(xué)，讓我的視野更加開闊，心胸更加寬廣。BP神經(jīng)網(wǎng)絡(luò)的展望：目前，國內(nèi)外很多學(xué)者已經(jīng)研究出很多改進(jìn)型的。 % 最大神經(jīng)元數(shù)(默認(rèn)為訓(xùn)練樣本個(gè)數(shù)) DF = 1。(3)radbas。即：概率神經(jīng)網(wǎng)絡(luò)，英文縮寫為PNN。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)簡潔、逼近能力不俗且不存在局部極小等一系列的優(yōu)勢。 %最大訓(xùn)練次數(shù) = 1e8。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)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)，來計(jì)算權(quán)值或閾值的變化率。 （5）網(wǎng)絡(luò)隱含層數(shù)及隱含層神經(jīng)元數(shù)的確定：目前來說沒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。所以樣本數(shù)據(jù)的獲取顯得十分重要，另外訓(xùn)練樣本模擬的越多，測試出的結(jié)果越準(zhǔn)確，越可避免其它無關(guān)因素的干擾。構(gòu)造神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本集確定確定神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) 定義電路故障集訓(xùn)練神經(jīng)網(wǎng)絡(luò)測試信號(hào)神經(jīng)網(wǎng)絡(luò)診斷電路電路響應(yīng)信號(hào)電路故障特征提 取故障分類 基于神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷原理圖神經(jīng)網(wǎng)絡(luò)的基本單位是神經(jīng)元。故障類別包括C1↑,C1↓,C2↑,C2↓,R1↑,R1↓,R2↑,R2↓,R3↑,R3↓,R4↑,R4↓,和故障狀態(tài)（NF），其中↑和↓。很多時(shí)候我們依靠傳統(tǒng)的笨拙的方法只能進(jìn)行硬故障診斷，而不能有效的對(duì)出現(xiàn)的軟故障給予一定的診斷保障，然而在這樣一個(gè)電器自動(dòng)化高速發(fā)展的年代，又不得不提高故障診斷的效果，只有這樣才能保證電路正常運(yùn)行，才能更好地服務(wù)于民。然而上述方法僅僅利用了分解信號(hào)后的低頻部分并不能全部顯示，這樣也就出現(xiàn)了部分故障難以診斷的問題，需要改進(jìn)。目前模擬電路故障診斷的主要任務(wù)有：在已知網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，輸入激勵(lì)信號(hào)，及由此獲得的故障響應(yīng)，從而來確定模擬電路故障發(fā)生的位置以及元器件的重要參數(shù)。本科畢業(yè)設(shè)計(jì)（論文） 電子電路故障診斷系統(tǒng)設(shè)計(jì)Design of fault diagnosis system for electronic circuit摘　要【摘要】目前電子自動(dòng)化的發(fā)展越來越成熟，電子設(shè)備功能越來越多。 模擬電路故障診斷方法的研究現(xiàn)狀模擬電路故障診斷的研究是從1970年開始的，到迄今也有幾十年的歷史，而電路的診斷技術(shù)也越來越成熟，方法也演變的多種多樣。2000年，F(xiàn)arzan Aminian等人主要是針對(duì)小波變換的思想，構(gòu)造出模擬電路的輸出信號(hào)，然后對(duì)這些信號(hào)進(jìn)行一系列的預(yù)處理，提取小波處理后的逼近信號(hào)，進(jìn)行主元分析，即PCA和歸一化處理，最后將前面的處理數(shù)據(jù)應(yīng)用到到神經(jīng)網(wǎng)絡(luò)并進(jìn)行故障診斷，這樣的診斷方法正確率可達(dá)到百分之九十五以上[4]。2 診斷電路和故障特征提取 模擬電路故障設(shè)定的基本思想本文主要針對(duì)電路的一個(gè)故障考慮，不考慮多個(gè)故障同時(shí)出現(xiàn)的情況。 SallenKey低通濾波器的元件值及其單故障類型故障代碼故障類別正常值故障值SF0NFSF1C1↑5n10nSF2C1↓5nSF3C2↑5n10nSF4C2↓5nSF5R2↑1k2kSF6R2↓1kSF7R3↑2k6kSF8R3↓2k1k 四運(yùn)放雙二階高通濾波器故障設(shè)定，其截至頻率為10KHz，其電路元件容差的設(shè)定同上例相同。這樣當(dāng)需進(jìn)行故障診斷時(shí)，只需要將故障電路的特征值進(jìn)行提取，然后在做好的神經(jīng)網(wǎng)絡(luò)中進(jìn)行測試即可確定故障的類型[7]。從系統(tǒng)整體的角度來說，如果F是一個(gè)獨(dú)立而不受外界干擾的理想封閉系統(tǒng)，X=（x1，x2,...xm）為系統(tǒng)輸入向量，Y=（y1，y2,...,yn)為系統(tǒng)輸出向量，輸入和輸出滿足Y = fX，我們認(rèn)為對(duì)樣本數(shù)據(jù)的擬合度越高，對(duì)系統(tǒng)模擬的越成功[9]。 a為110之間的常數(shù)。1）learngd該函數(shù)為梯度下降權(quán)值/閾值學(xué)習(xí)函數(shù)，它通過神經(jīng)元的輸入和誤差，以及權(quán)值和閾值的學(xué)習(xí)效率，來計(jì)算權(quán)值或閾值的變化率。 %測試輸出 = Epochs。目前理論上已經(jīng)得出結(jié)論，認(rèn)為隱含層神經(jīng)元數(shù)越多，網(wǎng)絡(luò)的逼近效果越強(qiáng)。（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，這里要說的它的另一分支。格式為net=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)練過程的顯示頻率。 % 此值越大,需要的神經(jīng)元就越少(默認(rèn)為1) MN = size(xn_train,2)。其次影響RBF神經(jīng)網(wǎng)絡(luò)的非線性映射