【正文】 絡的基本單位是神經(jīng)元。首先我們對電路進行波形模擬，得出故障值，并提取故障值的特征數(shù)據(jù)作用訓練樣本，確立出適合診斷研究的神經(jīng)網(wǎng)絡的結(jié)構(gòu)，并且利用matlab算法去測試算法，這樣就可以把樣本訓練成熟便于后續(xù)故障的測試。以下是正常情況下得出的數(shù)據(jù)：n=[ ]3 基于BP神經(jīng)網(wǎng)絡的模擬電路故障診斷 神經(jīng)網(wǎng)絡的故障診斷。公式如下，其中x（t）為瞬時振幅，為振幅均值，p（x）為概率密度，是樣本標準差[6]。公式為21所示： （）（4） 標準差（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，其公式為： （）（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，其中是第i個樣本，是樣本標準差。（2） 最小值（min）：是指一組數(shù)中的最小的值。故障代碼故障類別正常值故障值SF0NFSF1C1↑5n20nSF2C1↓5nSF3C2↑5n20nSF4C2↓5nSF5R1↑15kSF6R1↓3kSF7R2↑18kSF8R2↓2kSF9R3↑12kSF10R3↓SF11R4↑SF12R4↓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)∑?0組的最大值，最小值，平均值，標準差，偏度，峭度六種指標，簡單介紹下六種數(shù)據(jù)指標[5]。 （1) 當各元器件均為正常值，t1=，t2=， 正常電路波形 （2) 當C1增大到20F，t1=，t2=， C1增大到20nF的波形 （3) 當C2增大20nF時的波形，t1=，t2=， C2增大到20nF時的波形圖同理，我們可以模擬出其它組元件及減小的故障數(shù)據(jù)。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↓。故障值以及故障類別。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。給電路施加脈沖激勵進行仿真時，設定電阻和電容在各自的容差范圍內(nèi)變化，則認為電路為無故障狀態(tài)。 SallenKey低通濾波器故障設定 SallenKey低通濾波器，其中心頻率為25kHz。50％列出了C1在不同范圍內(nèi)變動的故障模式，即：(1) 當C1在4nF和6nF變化時，可以認定是正常變動值，此時即為正常模式；(2) ，這種情況的值是在標稱值的50％內(nèi)變化，稱之為C1偏小故障模式，即C1↓；(3) 當C1在6 nF變化時，這種情況下的值均大于正常值，然而是在標稱值的+50％內(nèi)變化，稱之為C1偏大故障模式，即C1↑。當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，然后記錄下對應波形下的故障值，用multisim軟件對正常波形也在上述某個特定時間段進行波形模擬，得出正常情況和故障情況的波形對比[4]。在濾波電路中，電阻和電容的容差分別為5％和10％。很多時候我們依靠傳統(tǒng)的笨拙的方法只能進行硬故障診斷，而不能有效的對出現(xiàn)的軟故障給予一定的診斷保障，然而在這樣一個電器自動化高速發(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行，才能更好地服務于民。第五章 總結(jié)與展望，給出了本論文研究的結(jié)論并說明了BP神經(jīng)網(wǎng)絡及RBF神經(jīng)網(wǎng)絡研究的不足，并展望了故障診斷研究的后續(xù)工作。第三章 運用BP神經(jīng)網(wǎng)絡進行故障診斷的基本思想和系統(tǒng)設計。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。根據(jù)神經(jīng)網(wǎng)絡的工作原理，設計BP神經(jīng)網(wǎng)絡和RBF神經(jīng)網(wǎng)絡故障診斷系統(tǒng)的結(jié)構(gòu)。 本文主要的研究內(nèi)容與結(jié)構(gòu)安排利用Multisim仿真軟件建立電路模型，對sallenKey低通濾波器及四運放雙二階高通濾波器進行分析，得出易出故障器件的故障值，并對故障進行分析，確定故障類型，然后對故障數(shù)據(jù)進行整理和計算。到了2010年，Lifen Yuant等人的做法是在一定頻域內(nèi)，對故障信號處理，運用提取器提取兩種故障特征，將特征通過神經(jīng)網(wǎng)絡進行模擬輸出。但是，這種小波網(wǎng)絡也存著著一個問題，就是會隨著樣本數(shù)據(jù)維數(shù)的增加，網(wǎng)絡的結(jié)構(gòu)將變得龐大，計算工作量，網(wǎng)絡的運行時間等，變得越來越難以接受。然而上述方法僅僅利用了分解信號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。下面我們了解下今年來比較有影響力的故障診斷的做法。這種方法要求模擬電路滿足可測的條件。故障驗證法的做法主要是：猜測網(wǎng)絡中的故障元件，然后猜測出易發(fā)生的某個元件集合，再在對應的集合中激勵信號，以及可及節(jié)點取得的測量數(shù)據(jù)，依據(jù)一定的判斷數(shù)據(jù)去驗證猜測的正確性[3]。故障參數(shù)識別法是根據(jù)網(wǎng)絡的拓撲關(guān)系，輸入激勵和輸出響應，估出網(wǎng)絡中的所有參數(shù)，或參數(shù)偏離標稱值的偏差，最后對比容差范圍確定故障器件，該方法尤其適用于診斷軟故障。這樣我們在進行模擬電路的故障診斷時只要將故障類別與故障字典中的相應關(guān)系對比即可獲得故障發(fā)生的元件。（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)識別法，故障驗證法等幾類[2]。故障的檢測是采用獲得的采樣數(shù)據(jù)，電路結(jié)構(gòu)及參數(shù)來判定系統(tǒng)電路故障發(fā)生位置；故障的辨識是在已經(jīng)了解到故障的發(fā)生，然后去判斷并且確定故障存在的位置；故障的預報表明系統(tǒng)還沒發(fā)生故障假想的故障位置，然后更換易發(fā)故障位置的器件，確保系統(tǒng)正常運行。目前模擬電路故障診斷的主要任務有：在已知網(wǎng)絡的拓撲結(jié)構(gòu)，輸入激勵信號，及由此獲得的故障響應，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)。所以，我們必須要學會用智能化的方式去處理解決故障診斷的難題。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)難以或無法解決模擬電路的故障診斷這一難題。最新資料表明，高集成電子設備的維護費遠高于其研發(fā)費用，這也就要求著我們不能光顧著產(chǎn)品的研發(fā)而忽視了電子設備的維護，維護做不好，研發(fā)工作也只是徒勞。很明顯，這只是電子技術(shù)革新的開始，目前電子自動化的發(fā)展越來越成熟，電子設備功能越來越多，其電路集成度也變得更高，這就會出現(xiàn)運行時一個小小的故障也會導致財產(chǎn)的巨大損失以及我們生命的危險?！娟P(guān)鍵詞】故障診斷；BP神經(jīng)網(wǎng)絡；RBF神經(jīng)網(wǎng)絡；訓練；測試Abstract【ABSTRACT】At present, the development of electronic bees more and more automation and the function of electronic also bees more. Little fault will resulst in property .For these reasons, in this paper, the circuit model is established by using Multisim simulation software,then setting faults and extract the fault characteristic. In view of these fault categories,according to the basic principle of neural network to found fault diagnosis system for the structure of BP neural network and RBF neural network. Then the samples are trained and tested by MATLAB and debug in the error change curve is basically consistent with the expected. The results show that the BP neural network and RBF neural network algorithm can be effectively applied to analog circuit fault diagnosis.【KEYWORDS】Fault diagnosis；BP neural network；RBF neural network；trained。然后用MATLAB對樣本進行訓練與測試，并在實驗室進行調(diào)試，得到的誤差變化曲線基本上符合提出的期望。鑒于上述原因，本文利用Multisim仿真軟件建立電路模型，進行故障設定，并提取故障特征值。本科畢業(yè)設計（論文） 電子電路故障診斷系統(tǒng)設計Design of fault diagnosis system for electronic circuit摘　要【摘要】目前電子自動化的發(fā)展越來越成熟，電子設備功能越來越多。一個小小的故障也會導致財產(chǎn)的巨大損失。針對這些故障類別，根據(jù)神經(jīng)網(wǎng)絡的基本原理設計了BP神經(jīng)網(wǎng)絡以及RBF神經(jīng)網(wǎng)絡的故障診斷系統(tǒng)結(jié)構(gòu)。結(jié)果表明BP神經(jīng)網(wǎng)絡及RBF神經(jīng)網(wǎng)絡的算法能夠有效的應用于模擬電路故障診斷。 tested目　錄1 緒論 1 1 模擬電路故障診斷方法的研究現(xiàn)狀 1 本文主要的研究內(nèi)容與結(jié)構(gòu)安排 3 本文主要的研究內(nèi)容 3 本文主要的結(jié)構(gòu)安排 32 診斷電路和故障特征提取 4 模擬電路故障設定的基本思想 4 兩種診斷電路的故障設定 4 SallenKey低通濾波器的故障設定 5 四運放雙二階高通濾波器的故障設定 8 診斷電路特征向量的提取 113 基于BP神經(jīng)網(wǎng)絡的模