【導讀】電路的故障診斷和神經(jīng)網(wǎng)絡是當今學術界的兩大熱點問題。本文主要是以模擬電路。的故障診斷為例進行研究。結合，探索解決模擬電路故障診斷的一條新的途徑。率，加速網(wǎng)絡的收斂過程。有效并且精確的分類。以折線式有效值測量電路為例，設計了基于改進BP神經(jīng)網(wǎng)絡算。際測量數(shù)據(jù)進行診斷，結果正確，驗證了算法的有效性。

　　

【正文】 窗口，通過該窗口進行設置，該方法不適合從 M 文件中讀取數(shù)據(jù)。 BP 神經(jīng)網(wǎng)絡的 MATLAB 實現(xiàn) 在進行 BP 神經(jīng)網(wǎng)絡設計時，需要考慮以下問題：網(wǎng)絡的 拓撲結構 (隱層的層數(shù)及各層的神經(jīng)元的數(shù)目 )；神經(jīng)元的變換函數(shù)選??；網(wǎng)絡的初始化 (連接權值和閾值的初始化 )；17 訓練參數(shù)設置；訓練樣本的歸一化處理；樣本數(shù)據(jù)導入方式等。根據(jù)以上分析可知，對于網(wǎng)絡的實現(xiàn)有四個基本的步驟： （ 1）網(wǎng)絡建立：通過函數(shù) newff 實現(xiàn)，它根據(jù)樣本數(shù)據(jù)自動確定輸入層、輸出層的神經(jīng)元數(shù)目；隱層神經(jīng)元數(shù)目以及隱層的層數(shù)、隱層和輸出層的變換函數(shù)、訓練算法函數(shù)需由用戶確定。 （ 2）初始化：通過函數(shù) init 實現(xiàn)，當 newff 在創(chuàng)建網(wǎng)絡對象的同時，自動調動初始化函數(shù) init，根據(jù)缺省的參數(shù)對網(wǎng)絡進行連接 權值和閾值初始化。 （ 3）網(wǎng)絡訓練：通過函數(shù) train 實現(xiàn)，它根據(jù)樣本的輸入矢量 P、目標矢量 T；和預先已設置好的訓練函數(shù)的參數(shù)；對網(wǎng)絡進行訓練。 （ 4）網(wǎng)絡仿真：通過函數(shù) sim 實現(xiàn)，它根據(jù)已訓練好的網(wǎng)絡，對測試數(shù)據(jù)進行仿真計算。 18 第 4 章 電路故障調查 引言 基于 BP 神經(jīng)網(wǎng)絡的電路故障診斷的基本原理就是把從電路中獲得的狀態(tài)信息進行處理以后，輸入到事先訓練好的 BP 神經(jīng)網(wǎng)絡，再根據(jù) BP 神經(jīng)網(wǎng)絡的輸出，分析出當前設備的運行狀態(tài)，并找出故障原因。 本章主要是以模擬電路故障為 例，根據(jù)故障診斷的特點，并聯(lián)系前幾章的 BP 神經(jīng)網(wǎng)絡介紹，通過各種 BP 神經(jīng)網(wǎng)絡訓練方法的比較，分析設計了診斷故障的精確的 BP神經(jīng)網(wǎng)絡模型。通過檢測模擬電路故障的方法，將其推廣到其他領域的故障診斷中。經(jīng)實驗證明，這些方法是很有效的。 設備狀態(tài)信息采集 設備狀態(tài)信息的獲得主要是通過測量設備的各種當前狀態(tài)數(shù)值，在這次設計中主要包括時域峰值，時域能量，頻域峰值，頻域能量，頻域峰值頻率等幾個參數(shù)。 對于用 BP 神經(jīng) 網(wǎng)絡來進行故障診斷，工作可以分為測前工作和測后工作兩部分進行。測前，根據(jù)經(jīng)驗在一定的激勵條件下， 將常見的各種故障狀態(tài)及正常狀態(tài)所對應的理論值求出，并以此作為 BP 神經(jīng)網(wǎng)絡的訓練樣本輸入給 BP 神經(jīng) 網(wǎng)絡， BP 神經(jīng) 網(wǎng)絡經(jīng)過學習后，其輸出即為所對應的故障。但是，實際總是有容差的，且存在測量及觀察等因素的影響，其實際測量與理論值總存在著差異。但是，由于神經(jīng)網(wǎng)絡有聯(lián)想推理的能力，具有強大的魯棒性，它不僅能識別已經(jīng)訓練過的樣本，而且能通過聯(lián)想推理，識別未出現(xiàn)過的樣本，這就是所謂的“泛化”功能。 測前要完成故障集的選擇和激勵信號的選擇故障集的選擇，比較實際的方案是根據(jù)被測電路的特點和以往的經(jīng)驗及元件故障概率來選擇若干個 故障作為故障集。下面將列舉的是 故障狀態(tài)參數(shù) 表，這是訓練網(wǎng)絡的重要數(shù)據(jù)之一。 表 41 故障狀態(tài)參數(shù) 故障 時域峰值 頻域峰值 時域能量 頻域能量 頻域峰值頻率 D4 峰峰值 D5 峰峰值 正常情況 故障 A 故障 B 故障 C 故障 D 故障 E 故障 F 19 下面將列舉的是故障對應的目標輸出表，這也是訓練網(wǎng)絡的重要數(shù)據(jù)之一。 表 42 故障對應目標輸出 序號 故障類型 結果 標號 1 正常 情況 0 0 0 0 0 0 0 1 2 故障 A 0 0 0 0 0 1 0 2 3 故障 B 0 0 0 0 1 0 0 3 4 故障 C 0 0 0 1 0 0 0 4 5 故障 D 0 0 1 0 0 0 0 5 6 故障 E 0 1 0 0 0 0 0 6 7 故障 F 1 0 0 0 0 0 0 7 訓練 BP 網(wǎng)絡 把故障狀態(tài)表中的數(shù)據(jù)作為樣本輸入給 BP 神經(jīng) 網(wǎng)絡，對它進行訓練。下面用各種算法對其進行訓練。 %采用 TRAINLM 算法： %以下為清理變量過程 %關閉其它窗口 close all %清空內存 clear %清屏 clc %P 為訓練樣本、 T 為目標、 P1 為仿真輸入（即要識別的樣本模型） P =[ ； ； ； ； ； ； ]39。； %訓練樣本需要轉置 T=[1 2 3 4 5 6 7]； 20 %創(chuàng)建前向型神經(jīng)網(wǎng)絡 %trainlm為改進的 BP 算法類型，可以選擇 %這里創(chuàng)建的是 1 個隱含層的 BP 神經(jīng) 網(wǎng)絡，也可以選擇 2 個或者 2 個以上的隱含層 %對于隱含層的傳遞函數(shù)類型可以有 tansig和 logsig兩種選擇 = newff(minmax(P),[3,1],{39。tansig39。,39。purelin39。},39。trainlm39。)； %顯示當前輸入層權值、閾值 inputWeight = {1,1} inputbias = {1} %顯示當前網(wǎng)絡層權值、閾值 layerWeight = {2,1} layerbias = {2} %設置 BP 網(wǎng)絡訓練參數(shù) = 50； = ； = ； = 1000； = ； %調用 trainlm算法訓練 BP 神經(jīng) 網(wǎng)絡 [,tr] = train(,P,T)； %進行實際仿真輸出 A = sim(,P1)； %根據(jù)貼近度輸出故障類型結果 A = round(A) 仿真的 輸出結果為 ： %以下為輸入層到第 1 隱含層的連接權值 inputWeight = Columns 1 through 7 %以下為輸入層到第 1 隱含層的閾值 inputbias = %以下為第 1 隱含層到第 2 隱含層的連接權值 layerWeight = 21 %以下為第 1 隱 含層到第 2 隱含層的閾值 layerbias = %以下為訓練達到目標精度的步數(shù) TRAINLM, Epoch 0/100, MSE , Gradient TRAINLM, Epoch 11/100, MSE , Gradient TRAINLM, Performance goal met. %以下為實際輸出結果 A = 1 2 3 4 5 6 7 誤差逼近曲線（以 TRAINLM 為例）如圖 41 所示 圖 41 實際輸出的誤差 逼近曲線 從上面的 實際輸出的誤差 逼近曲線可以看出，對于 TRAINLM 算法而言，由于它的收斂速度很快，當其訓練次數(shù)為 11 步時，便能達到目標且能達到很高的要求。 22 各種算法的比較 為了克服傳統(tǒng) BP 算法的缺陷， MATLAB 神經(jīng)網(wǎng)絡工具箱對傳統(tǒng) BP 算法進行了改進，并提供了一系列快速學習算法。大體上可以分為兩大類：一類是采用啟發(fā)式學習方法，如 引入動量因子學習算法（ traingdm函數(shù)）、變學習速率學習算法（ traingda 函數(shù)）、和“彈性”學習算法（ trainrp 函數(shù)）等；另一類是采用更有效的數(shù)值優(yōu)化方法，如共軛梯度學習算法（包括 traincgf 函數(shù)、 traincgp 函數(shù)、 traincgb 函數(shù)、 trainscg 函數(shù)等等）、quasiNewton 算法（包括 trainbfg、 trainoss 函數(shù)等）以及 LevenbergMarquardt 優(yōu)化方法（ trainlm函數(shù)）等。對于不同的問題，在選擇學習算法對 BP 神經(jīng)網(wǎng)絡進行訓練時，不僅要考慮算法本身 的性能，還要視問題的復雜度、樣本集大小、網(wǎng)絡規(guī)模、網(wǎng)絡誤差目標和所要解決的問題類型而定。 下面進行各種算法的比較，主要包括 trainlm， traingdm， trainrp， trainscg， trainbfg， traingdx，traincgf， traincgp， traincgb， traingda 等 17 種改進型的 BP 算法。其運行結果和誤差曲線如下圖所示，通過表格的列舉，可以很容易的看出各種算法的優(yōu)劣。 trainlm 算法： traingdm 算法： 23 trainrp 算法： trainscg算法： 24 trainbfg算法： traingdx算法： 25 traincgf 算法： traincgp 算法： 26 traincgb 算法： traingda 算法 ： 27 圖 42 各種算法的誤差曲線 結合上面的分析可以繪制成下面的表格，可以方便的看出各個算法目標精度： 表 43 各種算法的目標精度比較 序號 函數(shù)名稱 目標精度 訓練 次數(shù) 在要求內是否 達到精確 1 trainlm 11 是 2 traingdm 100 否 3 trainrp 85 是 4 trainscg 93 是 5 trainbfg 32 是 6 traingdx 100 否 7 traincgf 63 是 8 traincgp 35 是 9 traincgb 87 否 10 traingda 100 否 神經(jīng)網(wǎng)絡 結構的選擇 從上面的分析，我們知道運用 trainlm 算法比較合適?，F(xiàn)在主要是對隱含結點的選擇，隱含結點的作用就是從樣本中提取和存儲其內在的規(guī)律，每個隱結點有若干個權值，而每個權值都是增強網(wǎng)絡映射能力的一個參數(shù)，如果隱含結點太少，網(wǎng)絡從樣本中獲得信息的能力就差，不足以概括和體現(xiàn)訓練集中的樣本規(guī)律，從而識別新樣本的能力就困28 難且容錯性差；如果隱含結點太多，又可能把樣本中非規(guī)律性的內容和噪聲等也會記住，從而出現(xiàn)所謂的“過度吻合”問題，反而降低了泛化能力，而且隱含結點太多也會增加網(wǎng)絡的訓練時間。 BP 算法對 神經(jīng)網(wǎng)絡的結構也十分的敏感，而 BP 算法本身也沒有從理論上解決網(wǎng)絡結構的設置問題。到目前為止，所有應用 BP 算法的網(wǎng)絡結構都是根據(jù)經(jīng)驗確定的，這就有一定的盲目性，從而減少網(wǎng)絡的學習速度和降低了網(wǎng)絡的性能，為此需要一個合理的網(wǎng)絡結構。 設置多少個隱含結點取決于訓練樣本數(shù)的多少，樣本噪聲的大小以及樣本中蘊含規(guī)律的復雜程度等多重因素。確定隱含結點數(shù)的常用方法是試湊法，用同一個樣本集對采用不同的隱含結點數(shù)的網(wǎng)絡進行訓練，選擇網(wǎng)絡誤差最小時對應的值。因此次收集的樣本不是很多，而且輸入層節(jié)點和輸出層節(jié)點也較少，所以，這里采 用先設置較少的隱含節(jié)點，然后通過增加節(jié)點數(shù)的方法來進行選擇確定。這個初始隱含層節(jié)點數(shù)的確定采用以下的經(jīng)驗公式： ?m ln? a? (41) 其中， m 為 隱含節(jié)點數(shù)， n 為輸入層節(jié)點數(shù)， l 為輸出層節(jié)點數(shù)， a 為 1— 10 之間的常數(shù)。本文采用 兩個隱含層，其神經(jīng)元數(shù)分別為 5 和 3。 自此 ,一個用于故障診斷的 BP網(wǎng)絡就訓練好了。 測試 BP 網(wǎng)絡 根據(jù)上面進行的函數(shù)類型和網(wǎng)絡結構兩個方面的比較，以及前面的分析，由此決定選用以下結構的神經(jīng)網(wǎng)絡： （ 1） 改進型 BP 網(wǎng)絡 trainlm函數(shù)； （ 2） 神經(jīng)網(wǎng)絡具有 1 個輸入層、 2 個隱含層、 1 個輸出層； （ 3） 每層神經(jīng)元數(shù)分別為： 1， 5， 3， 1； （ 4） 隱含層和輸出層的傳遞函數(shù)分別為： logsig， tansig， purelin。 將當前實際狀態(tài)數(shù)值測出，并提供給 BP 神經(jīng)網(wǎng)絡， BP 神經(jīng)網(wǎng)絡經(jīng)過學習后，它不僅能識別已經(jīng)訓練過的樣本，而且能通過聯(lián)想推理，識別未出現(xiàn)過的樣本，這正是神經(jīng)網(wǎng)絡魯棒性的體現(xiàn)。下面是當前測量的各種參數(shù)信息表和程序實現(xiàn)。 （一） 實際待檢驗的頻率域參數(shù)如下表所示： 表 44 實際待檢驗的頻率域參數(shù) 故障類型 時域峰值 頻域峰值 時域能量 頻域能量 頻域峰值頻率 D4峰峰值 D5峰峰值 實際故障結果標號 故障 B 3 故障 F 7 故障 E 6