【正文】 擬電路故障診斷 13 神經(jīng)網(wǎng)絡(luò)的故障診斷 13 神經(jīng)網(wǎng)絡(luò)基本原理 13 BP網(wǎng)絡(luò)用于故障診斷的基本思想 15 BP神經(jīng)網(wǎng)絡(luò)的設(shè)計 15 訓(xùn)練樣本的獲取及輸入輸出模式的確定 16 BP神經(jīng)網(wǎng)絡(luò)的設(shè)計 16 BP神經(jīng)網(wǎng)絡(luò)的工具箱函數(shù) 18 SallenKey低通濾波器的故障診斷 204 基于RBF神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷 24 RBF神經(jīng)網(wǎng)絡(luò)的基本知識概述 24 RBF神經(jīng)網(wǎng)絡(luò)的基本原理 24 RBF神經(jīng)網(wǎng)絡(luò)用于故障診斷的優(yōu)勢 24 RBF神經(jīng)網(wǎng)絡(luò)的設(shè)計 25 網(wǎng)絡(luò)的設(shè)計 25 RBF神經(jīng)網(wǎng)絡(luò)工具箱函數(shù) 26 275總結(jié)與展望 29參考文獻(xiàn) 31致謝 321 緒論 模擬電路故障診斷研究的背景與意義隨著電子行業(yè)的興盛，智能手機(jī)、筆記本電腦等一些高集成電路產(chǎn)品出現(xiàn)在我們的生活中，而且戚戚相關(guān)，難以離舍。目前模擬電路的應(yīng)用不光局限于我們個人電子產(chǎn)品使用中，其廣泛性也已應(yīng)用到軍工、通信、家用電器等各個方面，特別是隨著集成電路的越發(fā)復(fù)雜，任何一個元部件和元器件的故障都會影響整個全局的功能。但是往往維護(hù)又是一項(xiàng)巨大的難題，也是亟需解決的問題，我們必須要開發(fā)出一項(xiàng)優(yōu)越的診斷方法去面對故障診斷的研究，這樣才能保證設(shè)備系統(tǒng)功能的完整性與可靠性。可見，模擬電路的故障診斷是電子工業(yè)發(fā)展的一個迫切需要解決的難題。 模擬電路故障診斷方法的研究現(xiàn)狀模擬電路故障診斷的研究是從1970年開始的，到迄今也有幾十年的歷史，而電路的診斷技術(shù)也越來越成熟，方法也演變的多種多樣。模擬電路的故障診斷在今年的很長一段時間里都將是個難題，目前研究的主題包括故障的檢測、故障的辨識以及故障的預(yù)測[1]。目前研究的模擬電路故障診斷技術(shù)大體分為兩大類，一個是以傳統(tǒng)的人力財力為基礎(chǔ)而進(jìn)行的故障診斷，一個是以神經(jīng)網(wǎng)絡(luò)為主要的插入手段，將神經(jīng)網(wǎng)絡(luò)引用到模擬電路的故障診斷中，從而獲得準(zhǔn)確率較高的效果。故障字典法是指把模擬電路中的所有故障類型全部提取出來，并且將故障的類別與故障的關(guān)系對應(yīng)起來，構(gòu)成多個映射，達(dá)到每種類別對應(yīng)一種關(guān)系。這種方法得出的故障分類很準(zhǔn)確，是不錯的診斷方法。而它又可根據(jù)識別參數(shù)分類為元件值識別及元件值增量識別。假設(shè)猜測正確，就可找到對應(yīng)的故障元器件。（2）現(xiàn)代故障診斷技術(shù)現(xiàn)代故障診斷技術(shù)主要是指以神經(jīng)網(wǎng)絡(luò)為代表的故障診斷方法。2000年，F(xiàn)arzan Aminian等人主要是針對小波變換的思想，構(gòu)造出模擬電路的輸出信號，然后對這些信號進(jìn)行一系列的預(yù)處理，提取小波處理后的逼近信號，進(jìn)行主元分析，即PCA和歸一化處理，最后將前面的處理數(shù)據(jù)應(yīng)用到到神經(jīng)網(wǎng)絡(luò)并進(jìn)行故障診斷，這樣的診斷方法正確率可達(dá)到百分之九十五以上[4]。因此，2005年，He Y等人在上述做法的理論上，加入低頻和高頻的數(shù)據(jù)，從而增加了診斷的全面性，而且構(gòu)造小波網(wǎng)絡(luò)對系統(tǒng)故障進(jìn)行診斷，使得診斷準(zhǔn)確率提升到百分之九十九以上。2008年，Y．Tan等人提出了應(yīng)用遺傳算法及神經(jīng)網(wǎng)絡(luò)來進(jìn)行故障診斷，但是也要采集多個測試點(diǎn)的數(shù)據(jù)，這樣就會出現(xiàn)獲取樣本數(shù)據(jù)的復(fù)雜難題。Lifen Yuant等人的做法在通過減少輸入個數(shù)簡化了網(wǎng)絡(luò)，也增加了診斷的準(zhǔn)確性，但不足的是沒有驗(yàn)證多組特征的情況下的故障診斷。并用BP神經(jīng)網(wǎng)絡(luò)以及RBF神經(jīng)網(wǎng)絡(luò)的方法建立sallenKey低通濾波器及四運(yùn)放雙二階高通濾波器的故障診斷系統(tǒng)。用matlab對過程進(jìn)行編程仿真，并進(jìn)行調(diào)試，得出輸出的期望值與實(shí)際值及正確百分比。第二章 闡述了診斷電路硬件設(shè)計的基本知識。第四章 運(yùn)用RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷的基本思想和系統(tǒng)設(shè)計。2 診斷電路和故障特征提取 模擬電路故障設(shè)定的基本思想本文主要針對電路的一個故障考慮，不考慮多個故障同時出現(xiàn)的情況。由此可見，對付軟故障診斷是亟需解決的難題，其對電路系統(tǒng)的影響很大，本文主要就是研究SallenKey低通濾波器以及四運(yùn)放雙二階高通濾波器電路軟故障的診斷。給電路施加脈沖激勵，進(jìn)行仿真時，設(shè)定電阻和電容在各自的容差范圍內(nèi)變化，則認(rèn)為電路為無故障狀態(tài)?，F(xiàn)在我們借用例子直觀的來說明設(shè)定故障值的做法，在一具備多個元器件組成的模擬電路中，其中有元器件電容C1=5nF，容差為10%，我們只考慮C1超出容差，其它值均在容差范圍內(nèi)變動而不超過容差的10%，下面三種情況根據(jù)177。 兩種診斷電路的故障設(shè)定本文主要研究SallenKey低通濾波器和四運(yùn)放雙二階高通濾波器的故障診斷，所以以下主要對兩種電路進(jìn)行簡單的概述。在濾波器電路中，電阻的容差為5%，電容的容差為10%。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(jìn)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時間段進(jìn)行波形模擬，得出正常情況和故障情況的波形對比。（1) 當(dāng)各元件均為正常值，t1=,t2=， (2) ,t1=，t2=， (3) 當(dāng)C2增加到10nF，t1=，t2=， C1增加到10nF時模擬波形這樣不斷的更改元器件的數(shù)值，并通過mutisim模擬得出了電路的9種故障類別即：即C1↑,C1↓,C2↑,C2↓,R3↑,R3↓,R4↑,R4↓故障和無故障類別(NF)，這里↑和↓分別表示故障值高于和低于各自正常值的50％時所對應(yīng)的故障狀態(tài)，把每種故障狀態(tài)分別定義為SF0,SF1,SF2,SF3,SF4,SF5,SF6,SF7,SF8。 SallenKey低通濾波器的元件值及其單故障類型故障代碼故障類別正常值故障值SF0NFSF1C1↑5n10nSF2C1↓5nSF3C2↑5n10nSF4C2↓5nSF5R2↑1k2kSF6R2↓1kSF7R3↑2k6kSF8R3↓2k1k 四運(yùn)放雙二階高通濾波器故障設(shè)定，其截至頻率為10KHz，其電路元件容差的設(shè)定同上例相同。 四運(yùn)放雙二階高通濾波器同樣地，下面我們用multisim軟件對正常電路和故障電路進(jìn)行模擬，以獲得故障數(shù)值。n就是nF，k就是k。（1） 最大值（max）：是指一組數(shù)中的最大的數(shù)。（3） 平均值（mean）：這里取的是算術(shù)平均值，為第i個樣本數(shù)據(jù)。 （）（6）峭度（kurtosis）：反映振動信號分布特性的數(shù)值統(tǒng)計量，是歸一化的4階中心矩。 () 按照上述介紹的六種指標(biāo)將數(shù)值提取后，將這20組數(shù)據(jù)的20組指標(biāo)放入同一矩陣中，這樣我們就有了輸入模式，而我取得電路故障是4種情況加一種正常情況共是5種情況，這樣輸入數(shù)據(jù)就是一個6行100列的矩陣。主要分為兩個過程，即訓(xùn)練過程(虛線所示)，以及測試過程(實(shí)線所示)。這樣當(dāng)需進(jìn)行故障診斷時，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)行測試即可確定故障的類型[7]。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，而不是孤立的單個神經(jīng)元就可稱之為神經(jīng)網(wǎng)絡(luò)。Σ ?ab1ω(1,1)ω(1,R)P(1)P(2)P(R) 神經(jīng)元模型，常見的神經(jīng)元模型由下列幾部分組成：1）輸入：代表神經(jīng)元R個輸入。在MATLAB中神經(jīng)元的網(wǎng)絡(luò)權(quán)值可以用一個的行矢量來表示。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。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： （）（4）傳遞函數(shù)：，它用于對求和單元的計算結(jié)果進(jìn)行函數(shù)運(yùn)算，得到神經(jīng)元的輸出。而后對這些故障一一提取特征值。另外要指出的是，在做實(shí)際電路診斷時，每次故障值的波形對比取得故障值均是在外界相同條件下進(jìn)行的，例如相同信號的激勵，這樣獲得的特征值才會更準(zhǔn)確，有效避免其它因素的干擾。從系統(tǒng)整體的角度來說，如果F是一個獨(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)為對樣本數(shù)據(jù)的擬合度越高，對系統(tǒng)模擬的越成功[9]。（2）輸入輸出模式的確定：，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試樣本。 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]。BP網(wǎng)絡(luò)隱含層數(shù)的變化會影響著故障診斷的準(zhǔn)確性，但往往選擇的層數(shù)都不會過大，一般兩層或兩層以下。在本課題研究的故障診斷中，因?yàn)檠芯康氖莻€5維的輸入，故輸入節(jié)點(diǎn)就是5個。當(dāng)BP網(wǎng)絡(luò)用于模式分類時, 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。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(diǎn)數(shù)。 ni 為輸入節(jié)點(diǎn)數(shù)。 a為110之間的常數(shù)。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)先從一個開始訓(xùn)練，然后再嘗試兩個或三個的情況，當(dāng)達(dá)到訓(xùn)練滿意的結(jié)果終止。 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)。用于在對話框中創(chuàng)建一個BP網(wǎng)絡(luò)。 （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)。其要求是此傳遞函數(shù)必須連續(xù)可微。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)。（3）purelin該函數(shù)為線性傳遞函數(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。train神經(jīng)網(wǎng)絡(luò)訓(xùn)練函數(shù)，調(diào)用其他訓(xùn)練函數(shù)，對網(wǎng)絡(luò)進(jìn)行訓(xùn)練。traingdm函數(shù)為梯度下降動量BP算法函數(shù)。 %訓(xùn)練樣本dn_train = x1。 %測試樣本dn_test = x2。 %隱層節(jié)點(diǎn)數(shù)TypeNum =5。 %訓(xùn)練輸入t1 = dn_train。 %訓(xùn)練次數(shù)P = xn_test。 %測試輸出 = Epochs。 %最小均方誤差 = 1e20。 %訓(xùn)練顯示間隔 = inf。例如，把SF1故障模式的故障信號導(dǎo)入到MATLAB中，按照上述分析的方法提取故障特征的平均值（mean）、最大值（max）、最小值（min）、方差（var）、偏度（skewness）、峭度（kurtosis），得出的數(shù)據(jù)為n=[