【正文】 level integer, study rate size and so on。在目錄上點右鍵“更新域”，然后“更新整個目錄”。模擬電路的故障診斷問題不僅引起廣泛的關(guān)注[1]，而且是國內(nèi)外專家設(shè)計和使用電子系統(tǒng)的一大難題，其中電路容差情況下的故障即軟故障診斷，也是困擾廣大科學工作者的難題。對于一些只有一個可測試點的電路，傳統(tǒng)的方法根本無法對它們進行有效診斷。本文將就這一些問題展開研究探討，通過理論推導和實踐仿真摸索出模擬電路的軟故障診斷方法，從而為構(gòu)建電路故障診斷系統(tǒng)奠定基礎(chǔ)。經(jīng)過幾十年的發(fā)展，它已成為網(wǎng)絡(luò)理論的一個重要分支[2,3]。一般說來，數(shù)字電路出故障的可能性較小且診斷較為容易；而模擬電路故障率較高，原因復雜[4]。由于容差的客觀存在，使實際故障的模糊性增大。硬故障常導致系統(tǒng)癱瘓，軟故障一般引起系統(tǒng)性能異常，因而從理論上講，單個元器件就可能引起無窮多個故障。在早期的診斷技術(shù)中，電子系統(tǒng)的故障診斷基本上還是沿用傳統(tǒng)方式，即依靠一些測試儀表，按照跟蹤信號逐點尋跡的思路，借助人們的邏輯判斷來偵查系統(tǒng)中的故障所在。近年來，世界各國許多電路理論工作者提出了各種不同的故障診斷原理和方法，如k故障診斷法、故障參數(shù)識別法、網(wǎng)絡(luò)識別法等。在眾多的方法中，故障字典法因適用于非線性電路及診斷條件而實用性較強。近年來，隨著對非線性理論、先進算法、信號處理及智能控制等技術(shù)的研究，非線性系統(tǒng)的故障診斷技術(shù)有了很大的發(fā)展。在基于知識的方法中，由于神經(jīng)網(wǎng)絡(luò)[]具有處理非線性和自學習及并行計算能力，使其在非線性系統(tǒng)的故障診斷方面具有很大優(yōu)勢。故障診斷技術(shù)經(jīng)過了40多年的發(fā)展，人們已經(jīng)認識到了智能診斷技術(shù)的重要性，智能診斷技術(shù)已成為當今世界的研究熱點之一[5]。 模擬電路故障診斷的發(fā)展及研究現(xiàn)狀模擬電路的故障診斷是一個十分困難的課題，在實際應(yīng)用中，模擬電路故障診斷之所以難于取得突破性進展，是因為其輸入輸出都是連續(xù)量，難以作簡單的量化、故障模型復雜、元件參數(shù)具有很大的分散性以及廣泛存在的非線性，故障電路的不精確性和不確定性，使得其難于像數(shù)字電路一樣提出系統(tǒng)而有效的方法。目前，人工神經(jīng)網(wǎng)絡(luò)[6,7]作為信息軟處理的最新技術(shù)在診斷領(lǐng)域中得到了廣泛的應(yīng)用。小波分析具有很優(yōu)秀的“探微”能力，無論多么復雜的信號，只要選取適當?shù)男〔ㄟM行適當次數(shù)的變化，就可以發(fā)現(xiàn)其中所包含的診斷信息，從而應(yīng)用于診斷領(lǐng)域[8]?；谝陨峡紤]，利用神經(jīng)網(wǎng)絡(luò)的非線性映射特性、小波優(yōu)秀的特征提取特點，本文提出了將小波分析與神經(jīng)網(wǎng)絡(luò)相結(jié)合的模擬電路故障診斷方法，并針對神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)各自的特點提出將神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)結(jié)合用于開發(fā)模擬電路故障診斷系統(tǒng)的思路。 模擬電路軟故障診斷發(fā)展現(xiàn)狀近年來，國內(nèi)外學者針對電路的軟故障診斷這一具有實際意義的問題展開了全面的研究和談討，并陸續(xù)推出了一些新方法和新思想。電路與元件之間的非線性關(guān)聯(lián)使實時診斷難于實現(xiàn)，甚至有時會導致錯誤診斷[10]，文獻[11]基于支路屏蔽的原理，提出了一種可診斷模擬電路軟故障的故障字典法，為工程上故障字典法的應(yīng)用開辟了一條新的途徑。近些年來，隨著神經(jīng)網(wǎng)絡(luò)等人工智能技術(shù)的發(fā)展，模擬電路故障診斷的研究又開辟了一條新路，基于神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷方法已經(jīng)成為新的研究熱點[13]。到目前為止已經(jīng)提出了多種基于神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷方法，如BP神經(jīng)網(wǎng)絡(luò)故障字典法已經(jīng)能有效應(yīng)用于濾波電路、模擬放大電路等非線性容差電路的故障診斷[17,18]，效果優(yōu)于傳統(tǒng)的故障字典法。 人工神經(jīng)網(wǎng)絡(luò)發(fā)展現(xiàn)狀早在1943年，心理學家MeCulloch和數(shù)學家Pits在《Bulletin of Mathematical Biophysics》上發(fā)表文章，提出了形式神經(jīng)元的數(shù)學描述與結(jié)構(gòu)方法，即MP模型。1948年，Wiener發(fā)表的《控制論》以及Wiener的杰出工作對神經(jīng)網(wǎng)絡(luò)的研究起到了重要的推動作用。50年代末，Rosenblat提出了感知機，第一次把神經(jīng)網(wǎng)絡(luò)應(yīng)用于工程實踐。神經(jīng)網(wǎng)絡(luò)的研究已有半個多世紀的歷史，但它的發(fā)展并不是一帆風順的，而是經(jīng)過兩起一落中間呈現(xiàn)馬鞍形的過程。近年來，神經(jīng)網(wǎng)絡(luò)理論的應(yīng)用取得了令人矚目的進展，特別是在人工智能、自動控制、計算機科學、信息處理、機器人、模式識別、CAD/CAM等方面都有重大的應(yīng)用實例。經(jīng)典的故障字典法需要進行繁瑣的模糊集分割處理，且一般只能診斷硬故障。應(yīng)用該方法的主要難點為：（1）神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)等只能依據(jù)經(jīng)驗反復調(diào)試，難以確定所設(shè)計的神經(jīng)網(wǎng)絡(luò)是最優(yōu)的。如何根據(jù)實際電路對原始數(shù)據(jù)進行預(yù)處理以突出故障特征信息，以及如何優(yōu)選訓練樣本是需要深入研究的課題。該方法發(fā)展的主要趨勢是引入人工智能或其它的新技術(shù)新方法以解決上述難題，近年來，一個值得重視的現(xiàn)象是在該方法中引入小波變換、主元分析法、專家系統(tǒng)、模糊邏輯和遺傳算法等新方法新技術(shù)，以克服神經(jīng)網(wǎng)絡(luò)本身的許多局限性，并解決神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的確定、數(shù)據(jù)預(yù)處理和訓練樣本集的優(yōu)選等問題。小波分析與神經(jīng)網(wǎng)絡(luò)結(jié)合應(yīng)用于模擬電路的故障診斷。目前，小波與神經(jīng)網(wǎng)絡(luò)的結(jié)合有以下兩個途徑：一個是輔助式結(jié)合，比較典型的是利用小波分析對信號進行預(yù)處理，然后用神經(jīng)網(wǎng)絡(luò)學習與判別[20]；另一個是嵌套式結(jié)合，即把小波變換的運算融入到神經(jīng)網(wǎng)絡(luò)中去，其基本思想是用小波元代替了神經(jīng)元，即激活函數(shù)為已定位的小波函數(shù)基，通過仿射變換建立小波變換與神經(jīng)網(wǎng)絡(luò)的聯(lián)接，形成所謂的“小波神經(jīng)網(wǎng)絡(luò)”或“小波網(wǎng)絡(luò)”。目前而言，將其應(yīng)用于模擬電路的故障診斷領(lǐng)域還是一個嶄新的、很有前途的研究方向。采用遺傳算法對BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)（隱層結(jié)點數(shù)）和具體參數(shù)進行優(yōu)選[24]。專家系統(tǒng)以神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果 為依據(jù)進行反向不確定性推理，同時記錄下推理軌跡。 小波變換理論發(fā)展現(xiàn)狀小波（Wavelet）是近幾年國際科技界和眾多學術(shù)團體高度關(guān)注的前沿領(lǐng)域，它目前也是在許多科學和工程技術(shù)聚會中一個非常廣泛的話題，它作為一種數(shù)學理論和分析方法，正在科學技術(shù)界引起一場軒然大波[26]。在應(yīng)用領(lǐng)域，特別是在信號處理、圖象處理、語音識別、模式識別、數(shù)據(jù)壓縮、故障診斷、量子物理等眾多領(lǐng)域中被認為是近年來在工具和方法上的重大突破[27]。若數(shù)據(jù)量不大時，小波變換的時間較短，則小波分析可用于信號的實時分析。信號中不規(guī)則的突變部分和奇異點往往包含有比較重要的信息，它是信號重要特征之一。長期以來，傅里葉變換是研究函數(shù)奇異性的主要工具。小波分析具有空間局部化性質(zhì)，因此，利用小波分析來分析信號的奇異性以及奇異性的位置和奇異度的大小是比較有效的[28]。根據(jù)美國斯坦福大學計算機系教授費根鮑姆于1982年給出的定義，專家系統(tǒng)“是一種智能的計算機程序，這種程序使用知識與推理過程，求解那些需要杰出人物的專門知識才能求解的高難度問題”[29,30,31]。人工智能的問世是人類進行機器智能研究的一個重要轉(zhuǎn)折。LT和Chechers是最先在計算機上投入運行的啟發(fā)式智能程序，它們的出現(xiàn)堅定了人工智能研究者的信心。同時人工智能研究者在知識表示、推理方法、搜索策略等方面也獲得了許多有益的成果。DENDRAL系統(tǒng)是一個結(jié)合啟發(fā)式程序和大量專門知識的實用智能系統(tǒng)。70年代專家系統(tǒng)趨于成熟，專家系統(tǒng)的觀點也開始廣泛地被人們接受。至此，一般認為專家系統(tǒng)技術(shù)已基本成熟。七十年代后期開始出現(xiàn)一些其他類型的專家系統(tǒng)。與人類專家和傳統(tǒng)計算機程序相比，專家系統(tǒng)有如下特點[32]：1．可以有效利用領(lǐng)域?qū)＜业闹R和經(jīng)驗。所以專家系統(tǒng)所具有的能力往往可超過任意一位為它提供過經(jīng)驗的專家，甚至具有任意一位專家都沒有的功能。2．易于擴充和完善。因此一個專家系統(tǒng)的擴充和完善主要是對知識庫來做的。顯見，知識庫的改進涉及的面比較小，因此專家系統(tǒng)的擴充和完善以致移植都是非常方便的。專家系統(tǒng)所用規(guī)則多數(shù)是由專家提供的經(jīng)驗總結(jié)而成，因此帶有很大程度的不精確性，甚至不能用顯性的公式描述出來。專家系統(tǒng)是利用這些模糊的信息對所求問題求解并做出結(jié)論，再做出相應(yīng)的決策。但截至目前，專家系統(tǒng)仍存在以下幾個主要問題：1．知識獲取的“瓶頸”。通常專家系統(tǒng)的知識是由知識工程師向領(lǐng)域?qū)＜耀@取后，再人工移植到計算機中，它是間接的，因而不但費時，而且效率低。2．知識的“窄臺階效應(yīng)”。對于相近領(lǐng)域的邊緣性問題，求解能力較差，對于其他領(lǐng)域，則是一無所知。3．推理能力弱。4．智能水平低?，F(xiàn)有的專家系統(tǒng)一般還不具備自學習能力和聯(lián)想記憶的能力，一個專家系統(tǒng)往往要包含上萬甚至數(shù)萬條規(guī)則，使得維護和管理工作十分困難。 神經(jīng)網(wǎng)絡(luò)專家系統(tǒng) 神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)結(jié)合的可行性自1965年Fegenbaum等人研制了世界上第一個專家系統(tǒng)DENDRAL以來，專家系統(tǒng)已經(jīng)應(yīng)用了40余年。專家系統(tǒng)與神經(jīng)網(wǎng)絡(luò)具有很多相似之處，它們具有相同的動機和目的，二者都是用來模擬人類的思維過程。表11列舉了神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)的特征比較。一方面，神經(jīng)網(wǎng)絡(luò)的引入可以提高專家系統(tǒng)解決問題的能力，使系統(tǒng)具有采用單一方法所不具備的能力；利用神經(jīng)網(wǎng)絡(luò)可以為專家系統(tǒng)提供模式識別能力、相關(guān)存儲能力以及信號處理能力；利用神經(jīng)網(wǎng)絡(luò)的學習能力使專家系統(tǒng)能夠根據(jù)系統(tǒng)的數(shù)據(jù)、事例來學習新的知識與信息，進行規(guī)則的學習與調(diào)整；利用神經(jīng)網(wǎng)絡(luò)的數(shù)字特性協(xié)助專家系統(tǒng)處理非線性和不確定性復雜信息；利用神經(jīng)網(wǎng)絡(luò)協(xié)助專家系統(tǒng)提高推理效率。表11 專家系統(tǒng)與神經(jīng)網(wǎng)絡(luò)特征比較Table 51 Feature parison between expert system and neural network特征專家系統(tǒng)神經(jīng)網(wǎng)絡(luò)自學習能力無有容錯能力無有處理模糊數(shù)據(jù)能力通常無有編程量大小維護量大小解釋能力強差數(shù)據(jù)存儲能力強低計算能力單一、同一復雜、多樣邏輯能力嚴格模糊推理能力有策略沒有策略適用領(lǐng)域特定廣泛 神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)出現(xiàn)的必要性70年代末的設(shè)備故障診斷專家系統(tǒng)是基于規(guī)則建立起來的。但它仍有許多局限性，如知識獲取的“瓶頸”問題、自學習能力弱、復雜系統(tǒng)知識庫維護不方便、推理效率低等。在基于神經(jīng)網(wǎng)絡(luò)的專家系統(tǒng)中，專家系統(tǒng)的全部或部分功能為神經(jīng)網(wǎng)絡(luò)取代。在專家系統(tǒng)方法中，知識是通過符號以某種數(shù)據(jù)結(jié)構(gòu)來表示的，若采用神經(jīng)網(wǎng)絡(luò)之間的連接及各連接權(quán)值的分布來表示特定的決策規(guī)則，這種方法可以較容易地表示專家知識。 模擬電路故障診斷系統(tǒng)的結(jié)構(gòu)和功能針對目前模擬電路故障診斷系統(tǒng)的現(xiàn)狀和不足，本文次設(shè)計的模擬電路故障診斷系統(tǒng)主要適用于由器件超出容差所引起的模擬電路的軟故障診斷。圖11為一個電路故障診斷系統(tǒng)的結(jié)構(gòu)框圖。故系統(tǒng)將節(jié)點電壓特征量作為分析的對象，所選的特征量要能夠盡量多的反映電路故障信息。利用小波變換將每一個故障狀態(tài)所對應(yīng)的節(jié)點電壓信號進行分解，然后對所產(chǎn)生的小波系數(shù)進行處理，提取出的最佳故障特征量作為輸入對神經(jīng)網(wǎng)絡(luò)進行學習和訓練，神經(jīng)網(wǎng)絡(luò)調(diào)整它的權(quán)值直到滿足要求。系統(tǒng)所診斷的故障重點放在模擬電路中由于元器件超出容差引起的軟故障。通過構(gòu)建以上的故障診斷系統(tǒng)就為本文最后搭建基于神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷專家系統(tǒng)奠定了基礎(chǔ)。在這一部分首先介紹了小波變換與神經(jīng)網(wǎng)絡(luò)的基本理論知識；然后在此基礎(chǔ)上提出了模擬電路故障診斷的分析方法，并對其可行性進行了分析。這一部分首先選定了具體采用的診斷方法，詳細介紹了本課題研究方案的原理、組成及設(shè)計，最后進行了模擬電路故障診斷仿真實驗。這一部分選定特定的診斷電路，開發(fā)了一個診斷軟件平臺。利用小波和神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法檢測電路的故障將是一項很有前景的工作。3．對采集的模擬仿真信號分別進行小波分析，即多分辨分析和小波包分析的計算機仿真，構(gòu)造適當?shù)男〔ê瘮?shù)及分解階數(shù)進行特征提取，從而為電路的故障診斷做鋪墊。5．對模擬電路故障診斷方法進行實例仿真，完成電路的故障診斷任務(wù)，并能在較短的時間內(nèi)獲得正確的診斷結(jié)果，證明該方法的可行性，并比較了多分辨分析和小波包分析提取故障特征進行神經(jīng)網(wǎng)絡(luò)診斷的效果。第2章 人工神經(jīng)網(wǎng)絡(luò)和小波分析基本理論 神經(jīng)網(wǎng)絡(luò)的基本原理神經(jīng)網(wǎng)絡(luò)是由大量的神經(jīng)元互相連接而成的網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)的基本單元是神經(jīng)元，所以我們先從神經(jīng)元談起。圖21給出了一種簡化的神經(jīng)元結(jié)構(gòu)。圖21 神經(jīng)元結(jié)構(gòu)模型Figure 21 Structure model of neuron 傳遞函數(shù)通常采用一些非線性函數(shù)，來表現(xiàn)神經(jīng)網(wǎng)絡(luò)的非線性特征。2．神經(jīng)網(wǎng)絡(luò)模型[34,35]神經(jīng)網(wǎng)絡(luò)是由大量的神經(jīng)元廣泛互連而成的網(wǎng)絡(luò)。前向網(wǎng)絡(luò)由輸入層、中間層（或叫隱含層）和輸出層組成，中間層可以有若干層，每一層的神經(jīng)元只接受前一層神經(jīng)元的輸出。目前雖然已有數(shù)十種的神經(jīng)網(wǎng)絡(luò)模型，但已有的神經(jīng)網(wǎng)絡(luò)可分成三大類，即前向網(wǎng)絡(luò)（Feedforward NNs）、反饋網(wǎng)絡(luò)（Feedback NNs）和自組織網(wǎng)絡(luò)（Selforganizing NNs）。 BP網(wǎng)絡(luò)的結(jié)構(gòu)BP網(wǎng)絡(luò)（BackPropagation Network）是一種多層前向神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)權(quán)值的調(diào)整規(guī)則采用的是后向傳播學習算法，即BP學習算法。自此，BP神經(jīng)網(wǎng)絡(luò)就獲得了最為廣泛的應(yīng)用。目前在模擬電路故障診斷中也多以BP網(wǎng)絡(luò)為主。層與層之間實現(xiàn)全連接，而每層神經(jīng)元之間無連接。每一層的每個神經(jīng)元（節(jié)點）的輸出經(jīng)連接權(quán)值加權(quán)和作為下一層每個神經(jīng)元的輸入，層與層之間沒有反饋。若它的輸入數(shù)據(jù)為n個，輸出數(shù)據(jù)為m個，則該網(wǎng)絡(luò)可視為從n維輸入空間到m維輸出空間的非線性映射。（2）網(wǎng)絡(luò)的期望輸出與網(wǎng)絡(luò)的實際輸出之差值由輸出層經(jīng)隱層向輸入層逐層修正連接權(quán)的“反向傳播”。（4）網(wǎng)絡(luò)趨向收斂。1．正向傳播如圖22所示，設(shè)BP網(wǎng)絡(luò)的輸入層有n個節(jié)點，隱層有q個節(jié)點，輸出層有m個節(jié)點，輸入層與隱層之間的權(quán)值為，隱層與輸出層之間的權(quán)值為，隱層的激活函數(shù)為，輸出層的激活函數(shù)為，則隱層節(jié)點的輸出為（將閾值寫入求和項中）： （25）輸出層節(jié)點的輸出為： （26）至此BP網(wǎng)絡(luò)就完成了n維空間向量對m維空間的近似映射。第p個樣本輸入到網(wǎng)絡(luò)后得到輸出（）。對于p個樣本，全局誤差為： （28）2）輸出層權(quán)值的變化采用累計誤差BP算法調(diào)整，使全局誤差E變小，即