【文章內(nèi)容簡(jiǎn)介】 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)的故障診斷過程如圖 所示。主要分為兩個(gè)過程，即訓(xùn)練過程 (虛 線所示 )，以及測(cè)試過程 (實(shí)線所示 )。首先我們對(duì)電路進(jìn)行波形模擬，得出故障值，并提取故障值的特征數(shù)據(jù)作用訓(xùn)練樣本，確立出適合診斷研究的神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，并且利用 matlab 算法去測(cè)試算法，這樣就可以把樣本訓(xùn)練成熟便于后續(xù)故障的測(cè)試。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(cè)試即可確定故障的類型 [7]。 圖 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)基本原理 神經(jīng)網(wǎng)絡(luò)的基本單位是神經(jīng)元。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)元就可稱之為神經(jīng)網(wǎng)絡(luò)。常見的神經(jīng)元模型如圖 所示 [8]。 定義電路故障集 訓(xùn)練神經(jīng)網(wǎng)絡(luò) 測(cè)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 Σ ? a b 1 ω (1,1) ω (1,R) P(1) P(2) P(R) 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) 電子電路故障診斷系統(tǒng)設(shè)計(jì) 14 圖 神經(jīng)元模型 由圖 所示，常見的神經(jīng)元模型由下列幾部分組成： 1）輸入： Rppp , 21 ? 代表神經(jīng)元 R 個(gè)輸入。在 MATLAB 中，輸入可以用一個(gè) 1?R 維的列矢量p 來表示（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。在 MATLAB 中神經(jīng)元的網(wǎng)絡(luò)權(quán)值可以用一個(gè)R?1 的行矢量 w 來表示。 ? ?R ,12,11,1 ,...,w ? (） 閾值 b 為 11? 的標(biāo)量。注意：網(wǎng)絡(luò)權(quán)值和閾值都是可以調(diào)節(jié)的，這是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)特性的基本內(nèi)容之一。 求和單元完成對(duì)輸入信號(hào)的加權(quán)求和，即： bwpnRi ii?? ??1 ,1 （ ） 這是神經(jīng)元對(duì)輸入信號(hào)處理的第一個(gè)過程。在 MATLAB 語言中，該過程可以通過輸入矢量和權(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。表 給 出了幾種典型的神經(jīng)元傳遞函數(shù)形式及描述。 表 幾種典型的神經(jīng)元傳遞函數(shù)形式 傳遞函數(shù)的名稱 函數(shù)表達(dá)式 函數(shù)曲線 MATLAB 函數(shù) 閾值函數(shù) Bardim a=hardlim(n) 0 a 1 +1 +1 n 0001)( ?????? xxxf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） 15 線性函數(shù) kxxf ?)( Purelin 對(duì)數(shù) sigmoid 函數(shù) )1( 1)(xexf ??? Logsig 正切 sigmoid 函數(shù) )(tan)( xbxf ? tansig 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。而后對(duì)這些故障一一提取特征值。特征值提取后對(duì)這樣特征值進(jìn)行分組，每個(gè)故障的特征值分為 20組，前 10 組用于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，后 10 組用于神經(jīng)網(wǎng)絡(luò)的測(cè)試。另外要指出的是，在做實(shí)際電路診斷時(shí)，每次故障值的波形對(duì)比取得故障值均是在外界相同條件下進(jìn)行的，例如相同信號(hào)的激勵(lì)，這樣獲得的特征值才會(huì)更準(zhǔn)確，有效避免其它因素的干擾。 BP 神 經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本并測(cè)試樣本后，會(huì)輸出相應(yīng)的期望值和實(shí)際的輸出值，并能給出分類模擬的正確百分比，表示出 BP 神經(jīng)網(wǎng)絡(luò)故障診斷的準(zhǔn)確率 BP 神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì) 訓(xùn)練樣本的獲取及輸入輸出模式的確定 （ 1）訓(xùn)練樣本的獲取 訓(xùn)練樣本 的獲取直接決定了 BP 網(wǎng)絡(luò)的應(yīng)用 的 成敗， 不當(dāng)?shù)挠?xùn)練樣本很可能會(huì)出現(xiàn)網(wǎng)絡(luò)訓(xùn)練的不收斂 。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]。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，越可避免其它無關(guān)因素的干擾 。 （ 2）輸入輸出模式的確定 ： 在 中我們已經(jīng)得到了 5 組數(shù)據(jù)，我們將每組中的二分之一作為訓(xùn)練樣本，另外二分之一作為測(cè)試樣本。 ： 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]，在下面的實(shí)例中共用這一輸出模 式。 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]。 (1) 網(wǎng)絡(luò)層數(shù)： 顧名思義，網(wǎng)絡(luò)層數(shù)指的是一個(gè)神經(jīng)網(wǎng)絡(luò)包含的分層數(shù)，而大部分的神經(jīng)網(wǎng)絡(luò)都有著固定的網(wǎng)絡(luò)層數(shù)，但這里研究的 BP 神經(jīng)網(wǎng)絡(luò)的層數(shù)卻是不固定的，相同，其隱含層是可以進(jìn)行設(shè)置更改的。 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。 (2)輸入層的節(jié)點(diǎn)數(shù)： 輸入層起緩沖存儲(chǔ)器的作用 , 它的功能是當(dāng)有數(shù)據(jù)進(jìn)行輸入時(shí) ,其進(jìn)行接 收，樣本輸入數(shù)據(jù)的維數(shù)決定著輸入的節(jié)點(diǎn)數(shù)，有幾維就會(huì)有對(duì)應(yīng)的幾個(gè)輸入節(jié)點(diǎn)。在本課題研究的故障診斷中，因?yàn)檠芯康氖莻€(gè) 5 維的輸入，故輸入節(jié)點(diǎn)就是 5 個(gè)。 （ 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)類型和表示該類型所需要的數(shù)據(jù)大小。當(dāng) BP網(wǎng)絡(luò)用于模式分類時(shí) , 以二進(jìn)制形式來表示不同模式輸出結(jié)果 , 輸出層的節(jié)點(diǎn)數(shù)可根據(jù)待分類模式數(shù)確定。 （ 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(zhǎng) 。太少又會(huì)導(dǎo)致識(shí)別能力過低，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)。常見的經(jīng)驗(yàn)公式有： 0in n n a? ? ? () 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） 17 式中 : n 為隱層節(jié)點(diǎn)數(shù) 。 ni 為輸入節(jié)點(diǎn)數(shù) 。 n0 為輸出節(jié)點(diǎn)數(shù) 。 a 為 110 之間的常數(shù)。 （ 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。根據(jù)日常研究總結(jié)出的 規(guī)律如下 [11]： ①不管研究的問題多復(fù)雜，首先用一個(gè)隱含層來嘗試訓(xùn)練效果； ②隱含層神經(jīng)元數(shù)越多，神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)就會(huì)越慢，故建議神經(jīng)元數(shù)盡量小點(diǎn)； ③隱含層神經(jīng)元數(shù)先從一個(gè)開始訓(xùn)練，然后再嘗試兩個(gè)或三個(gè)的情況，當(dāng)達(dá)到訓(xùn)練滿意的結(jié)果終止。 以下是日常研究總結(jié)出的確定隱含層神經(jīng)元數(shù)的經(jīng)驗(yàn)公式： n2lo g?S （ ） ???? nmS （ ） 1m2 ??S （ ） mn?S （ ） 式中， S 為隱含層神經(jīng)元數(shù)， n 為輸入層神經(jīng)元數(shù)， m 為輸出層神經(jīng)元數(shù)，σ為 1～ 10 之間的常數(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： =newff =newff(PR,[S1 S2..SN1],{TF1 TF2..TFN1},BTF,BLF,PF) 其中， =newff。用于在對(duì)話框中創(chuàng)建一個(gè) BP 網(wǎng)絡(luò)。 為創(chuàng)建的新 BP 神經(jīng)網(wǎng)絡(luò)； PR 為網(wǎng)絡(luò)輸入向量取值范圍的矩陣； [S1 S2…SN 1]表示網(wǎng)絡(luò)隱含層和輸出層神經(jīng)元的個(gè)數(shù)； {TF1 TF2…TFN1} 表示網(wǎng)絡(luò)隱含層和輸出層的傳輸函數(shù)，默認(rèn)為 ‘tans ig’ ； BTF 表示網(wǎng)絡(luò)的訓(xùn)練函數(shù)，默認(rèn)為 ‘train lm’ ； BLF 表示網(wǎng)絡(luò)的權(quán)值學(xué)習(xí)函數(shù)，默認(rèn)為 ‘learn gdm’ ； 電子電路故障診斷系統(tǒng)設(shè)計(jì) 18 PF 表示性能數(shù)，默認(rèn)為 ‘mse’ 。 （ 2） newcf 函數(shù)用于創(chuàng)建級(jí)聯(lián)前向 BP 網(wǎng)絡(luò)， newfftd 函數(shù)用于創(chuàng)建一個(gè)存在輸入延遲的前向網(wǎng)絡(luò)。 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 。 其要求是此傳遞函數(shù) 必須連續(xù)可微。 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)。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 型傳遞函數(shù)。調(diào)用格式為： A=tansig（ N） info=tansig（ 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（ 1， 1）之間。 （ 3） purelin