摘要 在運用BP神經(jīng)網(wǎng)絡進行模擬電路故障診斷過程中，代表故障特征的網(wǎng)絡輸入至關重要。分析了常見特征信息提取和故障診斷方法，提出一種基于多測試點、多特征信息原始樣本集的新方法。運用這種方法構造原始故障特征集，然后作為BP神經(jīng)網(wǎng)絡的輸入對網(wǎng)絡進行訓練，仿真結果表明，通過該方法構造的樣本集訓練出來的網(wǎng)絡對模擬電路故障診斷的正確率優(yōu)于傳統(tǒng)方法，證明了該方法在模擬電路故障診斷中的可行性，為模擬電路的故障診斷提供了一種新方法。
關鍵詞 BP神經(jīng)網(wǎng)絡；模擬電路；故障診斷；故障特征

近年來，模擬電路的故障診斷中神經(jīng)網(wǎng)絡的運用越來越廣泛，電路故障特征信息是神經(jīng)網(wǎng)絡輸入，直接影響著網(wǎng)絡的性能和診斷的正確率。模擬電路故障診斷中，可以在電路中選取多個測試點，通過提取每個測試點在各種故障狀態(tài)下的單一特征信息，以此作為神經(jīng)網(wǎng)絡的輸入；也可從電路的輸出響應曲線中提取若干參數(shù)對應的信息作為故障特征，當電路出現(xiàn)故障時，輸出響應曲線與正常狀態(tài)有所差異，對應信息的變化即可反映該故障特征，將這些信息作為神經(jīng)網(wǎng)絡的輸入。在這兩種方法的基礎之上，提出基于多測試點多特征信息的方法，重點在于構造故障樣本集。通過仿真并將3種方法進行比較表明，多測試點多特征信息方法構造出來的樣本集能更好地反映故障模式，訓練出來的網(wǎng)絡對樣本集的識別正確率更高。

1 單一特征信息構造樣本集
電路中測試點的選取依據(jù)電路靈敏度的分析。顯然測試點越多，數(shù)據(jù)量越大，需要根據(jù)電路的復雜程度和計算量、時間綜合考慮，仿真實驗表明，取3～4個測試點較好。
仿真電路選取Sallen-Key二階帶通濾波器，各元件的標稱值為：R1=1 kΩ，R2=3 kΩ，R3=2 kΩ，R4=R5=4 kΩ，C1=C2=5 nF。電路如圖1所示，在電路中選取3個測試點，分別為out、out1、out2，分別測出這3個點在正常狀態(tài)及各種故障狀態(tài)下的電壓作為BP網(wǎng)絡的輸入。經(jīng)靈敏度測試，當R2、R3、C1、C2發(fā)生變化時，對輸出點的波形影響最為明顯。因此設定軟故障：R2+50％(F1)、R2-50％(F2)、R3+50％(F3)、R3-50％(F4)、C1+50％(F5)、C1-50％(F6)、C2+50％(F7)、C2-50％(F8)、正常(F0)一共9種故障，故障模式采用n-1表示法，即0為無故障，1為有故障。因為各測試點的輸出都是頻響曲線，所以將3個測試點在各種故障狀態(tài)下10 kHz所對應的電壓作為輸入向量，故障類型的編碼作為輸出向量，原始樣本集如表1所示，又稱為故障狀態(tài)表。

由于原始樣本中各分量的尺度相差較大，所以需要進行數(shù)據(jù)歸一化處理，以恰當?shù)姆绞綄?shù)據(jù)進行歸一化處理可以加快神經(jīng)網(wǎng)絡的收斂，提高神經(jīng)網(wǎng)絡的訓練效果。
此處對原始樣本數(shù)據(jù)進行模糊隸屬處理，采用正態(tài)分布函數(shù)對樣本數(shù)據(jù)進行歸一化，其中a為電路正常狀態(tài)下各測試點的特征值，將歸一化后的數(shù)據(jù)作為神經(jīng)網(wǎng)絡的輸入。構建一個輸入神經(jīng)元數(shù)目為3，輸出神經(jīng)元數(shù)目為8的網(wǎng)絡，隱層神經(jīng)元的數(shù)目參照美國科學家Hebb提出的經(jīng)驗公式選取，經(jīng)過多次嘗試，最終確定隱層神經(jīng)元數(shù)目為13，即網(wǎng)絡結構為3—13—8。設定學習速度為0．01，訓練目標為0．01，訓練算法采用自適應速率的附加動量法，當隱層神經(jīng)元數(shù)目為13時，所用的訓練次數(shù)為1 011次，訓練誤差曲線如圖2所示。

將經(jīng)過歸一化的故障樣本輸入到訓練過的BP網(wǎng)絡中以檢測此網(wǎng)絡，故障的測試情況如表4所示。根據(jù)電路的特點，取判定閾值為ψ=0．85若>0．85，都視為1，若0．25，都視為0，0．25～0．85之間的視為不能區(qū)分。從表4可以看出，除F7、f8以外，其余的故障模式都能準確地識別，故障診斷的正確率為78％，實際診斷時，只需要測出每個測試點在10 kHz對應的電壓值即可用神經(jīng)網(wǎng)絡進行診斷。