【正文】 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。 衷心感 謝我的導(dǎo)師陳勇旗副教授， 他的嚴(yán)格要求和在研究方法上對我的指導(dǎo)，使我能夠完成這篇論文。因此，未來的 BP 算法應(yīng)在收斂速度、尋找全局最優(yōu)寧波大學(xué)科學(xué)技術(shù)學(xué)院本科畢業(yè)設(shè)計（論文） 29 點和系統(tǒng)穩(wěn)定性上力求取得更大的突破。 有待改進的地方：首先，在理論上 BP 神 經(jīng)網(wǎng)絡(luò)的算法還有許多問題需要解決， BP 網(wǎng)絡(luò)的 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)練時間很長，甚至有時選取了較小的學(xué)習(xí)速率，已經(jīng)達到了訓(xùn)練步長數(shù)，而網(wǎng)絡(luò)還沒有收斂，后來出現(xiàn)了很多改進的 BP 算法，其中有改進的自適應(yīng)學(xué)習(xí)速率算法等。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。 表 實際輸出值 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 寧波大學(xué)科學(xué)技術(shù)學(xué)院本科畢業(yè)設(shè)計（論文） 27 表 期望輸出值 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 電子電路故障診斷系統(tǒng)設(shè)計 28 5 總結(jié)與展望 社會在進步，科技也伴隨著同時進步，而電日常所用電子設(shè)備及生活電子設(shè)備也更加的先進，這就要求我們對這些電子設(shè)備的維護更加的用心用力。 X = sim(,xn_test)。 % 訓(xùn)練誤差的平方和 (默認(rèn)為 0) spread = 40。 % 測試樣本 dn_test = x2。其中 為神經(jīng)網(wǎng)絡(luò)對象， P 為網(wǎng)絡(luò)輸入， Y 為網(wǎng)絡(luò)輸出。此函數(shù)是通過它的網(wǎng)絡(luò)輸入的輕快，從而來確定神經(jīng)元的輸出。 newrb()能更有效進行網(wǎng)絡(luò)設(shè)計，徑向基函數(shù)網(wǎng)絡(luò)逼近函數(shù)時， newrb()函數(shù)可以 自 動增加網(wǎng)絡(luò)的隱含層神經(jīng)元數(shù)目．直到均方差滿足精度或者神經(jīng)元數(shù)目達到最大為止。 (1)newrbe()。 spread 并不是 越大 越好 ， 當(dāng)其值取得較大時，函數(shù)的擬合會變得較平滑 ， 然而也會帶來漏洞，例如， 逼近誤差 也會隨著其值的增大而增大 ，另外還會導(dǎo)致神經(jīng)元的個數(shù)增多，學(xué)習(xí)的速度自然會下降 。 這種網(wǎng)絡(luò)的優(yōu)勢就是構(gòu)造起來很簡潔，樣本訓(xùn)練的速度也比較快。 （ 2） 廣義回歸神經(jīng)網(wǎng)絡(luò) GRNN RBF 神經(jīng)網(wǎng)絡(luò)不是單一的網(wǎng)絡(luò)，里面包含著 多種網(wǎng)絡(luò)形式，例如廣義回歸神經(jīng)網(wǎng)絡(luò) ,英文縮寫為 GRNN,它是通過 徑向基神經(jīng)元 以及 線性神經(jīng)元 的組合搭建而成， 在 診斷電路上的應(yīng)用在某種程度上精確度比單獨使用 RBF 網(wǎng)絡(luò)更 高 。 （ 5）學(xué)習(xí)過程收斂速度快。 而要彌補這些缺點，我們就來了解下 RBF 神經(jīng)網(wǎng)絡(luò)的優(yōu)點 （ 1）它具有唯一最佳逼近的特性，且無局部極小問題存在。 其次， BP 算法極易陷入局部極小值，得不到全局最優(yōu)解，改進的 BP 算法中有附加動量法可以避免此類現(xiàn) 象的出現(xiàn) [12]。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。當(dāng)輸入信號靠近基函數(shù)的中央范嗣時，隱含層節(jié)點將產(chǎn)生較大的輸出。 這樣就得到了 20 組用于訓(xùn)練和測試的原始數(shù)據(jù)樣本集。 %訓(xùn)練顯示間隔 = inf。 %測試輸出 = Epochs。 %訓(xùn)練輸入 t1 = dn_train。 %測試樣本 dn_test = x2。 traingdm 函數(shù)為梯度下降動量 BP 算法函數(shù)。 網(wǎng)絡(luò)學(xué)習(xí)函數(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，來計算權(quán)值或閾值的變化率。調(diào)用格式為： A=logsig（ N） info=logsig（ code）其中， N： Q 個 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)。 （ 2） newcf 函數(shù)用于創(chuàng)建級聯(lián)前向 BP 網(wǎng)絡(luò)， newfftd 函數(shù)用于創(chuàng)建一個存在輸入延遲的前向網(wǎng)絡(luò)。 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 BP 網(wǎng)絡(luò)。 a 為 110 之間的常數(shù)。太少又會導(dǎo)致識別能力過低，所以在構(gòu)造網(wǎng)絡(luò)時，需要選擇合適的隱層節(jié)點數(shù)。在本課題研究的故障診斷中，因為研究的是個 5 維的輸入，故輸入節(jié)點就是 5 個。 BP 神經(jīng)網(wǎng)絡(luò)的設(shè)計 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]。從系統(tǒng) 整體 的角度 來說 ， 如果 F 是一個獨立而不受外界干擾 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 對樣本數(shù)據(jù)的擬合度越高 ， 對系統(tǒng)模擬的越成功 [9]。而后對這些故障一一提取特征值。 求和單元完成對輸入信號的加權(quán)求和，即： bwpnRi ii?? ??1 ,1 （ ） 這是神經(jīng)元對輸入信號處理的第一個過程。在 MATLAB 中，輸入可以用一個 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)元之間的連接強度， b 為神經(jīng)元閾值，可以看作是一個輸入恒為 1 的網(wǎng)絡(luò)權(quán)值。 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。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 12 ] 寧波大學(xué)科學(xué)技術(shù)學(xué)院本科畢業(yè)設(shè)計（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。公式為 21 所示： 11 n iixxn ?? ? （ ） （ 4） 標(biāo)準(zhǔn)差（ var）：反映一組數(shù)據(jù)離散程度最常用的一種量化形式，是表示精密度的重要指標(biāo)，其公式為： 21(x )n iixn? ??? ? （ ） （ 5）偏度（ skewness）：是統(tǒng)計分布偏斜方向和程度的度量，是統(tǒng)計數(shù)據(jù)分布非對稱程度的數(shù)字特征，其公式如下，其中 ix 是第 i 個樣本， ? 是樣本標(biāo)準(zhǔn)差。 表 四運放雙二階高通濾波器的元件值及其單故障類別 故障代碼 故障類別 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（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)，簡單介紹下六種數(shù)據(jù) 指標(biāo) [5]。 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↓表示情形同表 。 下面我們用 multisim 軟件模擬電路，對正常電路和故障電路的波形限定在某個特定時間段，保證其波形對比的直觀，以獲得故障數(shù)值。 寧波大學(xué)科學(xué)技術(shù)學(xué)院本科畢業(yè)設(shè)計（論文） 5 SallenKey低通濾波器故障設(shè)定 圖 SallenKey 低通濾波器 圖 所示 SallenKey 低通濾波器，其中心頻率為 25kHz。當(dāng)電路中的任何一個元件高于 50%，或低于 50％，而其它元件均在 50%之內(nèi)浮動時，對電路進行仿真并獲得在某個特定時間段的模擬波形，然后記錄下對應(yīng)波形下的故障值，用 multisim 軟件對正常波形也在上述 某個特定