在運用BP神經網絡進行模擬電路故障診斷過程中，代表故障特征的網絡輸入至關重要。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神經網絡的輸入對網絡進行訓練，仿真結果表明，通過該方法構造的樣本集訓練出來的網絡對模擬電路故障診斷的正確率優于傳統方法，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。
近年來，模擬電路的故障診斷中神經網絡的運用越來越廣泛，電路故障特征信息是神經網絡輸入，直接影響著網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下的單一特征信息，以此作為神經網絡的輸入；也可從電路的輸出響應曲線中提取若干參數對應的信息作為故障特征，當電路出現故障時，輸出響應曲線與正常狀態有所差異，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網絡的輸入。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電路靈敏度的分析。顯然測試點越多，數據量越大，需要根據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個點在正常狀態及各種故障狀態下的電壓作為BP網絡的輸入。經靈敏度測試，當R2、R3、C1、C2發生變化時，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，所以需要進行數據歸一化處理，以恰當的方式對數據進行歸一化處理可以加快神經網絡的收斂，提高神經網絡的訓練效果。
此處對原始樣本數據進行模糊隸屬處理，采用正態分布函數對樣本數據進行歸一化，其中a為電路正常狀態下各測試點的特征值，將歸一化后的數據作為神經網絡的輸入。構建一個輸入神經元數目為3，輸出神經元數目為8的網絡，隱層神經元的數目參照美國科學家Hebb提出的經驗公式選取，經過多次嘗試，最終確定隱層神經元數目為13，即網絡結構為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，當隱層神經元數目為13時，所用的訓練次數為1 011次，訓練誤差曲線如圖2所示。
將經過歸一化的故障樣本輸入到訓練過的BP網絡中以檢測此網絡，故障的測試情況如表4所示。根據電路的特點，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網絡進行診斷。
2多特征信息構造樣本集
同樣對于Sallen—Key二階帶通濾波器，從輸出頻響曲線上提取4個頻率（5 kHz，10 kHz，15 kHz，30 kHz）對應的電壓值作為該電路正常時的原始特征值，當電路出現故障時，就可以通過提取頻響曲線原始故障特征值來反映該元器件是否發生故障，構造原始樣本集，如表2所示。
將數據進行歸一化，然后按照與方法一相同的網絡進行訓練，經過307次達到訓練目標，故障測試情況如表所示5.故障模式F0與F1無法區分，說明R2+50％這個故障模式與正常模式的故障特征相互重疊，同時也看到故障模式F2的故障特征表示的不夠明顯，以至于沒能達到診斷的閾值，其余故障模式都能準確識別，識別正確率為67％。
3多測試點多特征信息構造樣本
集結合上面兩種方法，提出一種多測試點多故障特征量的模擬電路故障診斷方法。
為了與上面兩種方法進行比較，依然選取相同的電路和相同的故障集，選取方法一中的3個測試點，每個測試點在每種故障狀態下分別提取V5k，V10k，V15k，所對應的電壓作為故障特征值，如表3所示，由于篇幅有限，只列出部分故障模式的原始樣本集。
依然采用正態分布函數對數據進行歸一化，歸一化時，每種頻率對應的正常狀態下的特征值為a，其余故障模式按照對應的頻率分別進行歸一化，將上述數據經過同樣的網絡結構進行訓練，神經網絡采用L—M算法，網絡經過101次訓練達到目標。為與方法一和方法二比較，將歸一化后的原始樣本數據輸入訓練過的網絡中，檢查網絡的故障識別率，判定閾值不變。輸出結果如表6所示。
從表6可以看出，在所有的訓練樣本集中，只有4個樣本在經過訓練后無法識別，此時訓練好的神經網絡識別正確率為85％。說明此方法構造的樣本集能更好的反映故障特征。將此方法與前面兩種方法對比，在網絡訓練目標相同的前提下，對比故障識別正確率如表7所示。
4結束語
通過比較可以發現，在神經網絡訓練目標相同的前提下，通過多測試點多特征信息構造出來的樣本集所訓練的神經網絡對故障識別正確率高于前兩種方法，這種多測試點多特征信息的診斷方法，在構造原始故障樣本集上盡可能地覆蓋更多的故障信息，使得故障特征能更好地反映故障模式，因此訓練出來的神經網絡的診斷能力更強，仿真結果表明，此方法在模擬電路的故障診斷中是可行的，提供了一種樣本集的構造方法，對模擬電路的故障診斷有著一定的意義。 |
