模擬電路故障診斷的神經(jīng)網(wǎng)絡方法及其應用.pdf

1、模擬電路故障診斷的神經(jīng)網(wǎng)絡方法可以看成是模式識別問題。通過對一系列過程參量進行測量,然后用神經(jīng)網(wǎng)絡從測量空間映射到故障空間,實現(xiàn)故障診斷?？梢?模擬電路故障診斷神經(jīng)網(wǎng)絡方法中的兩大問題是通過信號處理來實現(xiàn)特征提取的問題和神經(jīng)網(wǎng)絡結構建立的問題。目前,圍繞這兩大問題的熱點研究是采用小波分析、演化算法等技術與神經(jīng)網(wǎng)絡結合的方法進行模擬電路硬故障或單值軟故障的診斷,而這種結合包括神經(jīng)網(wǎng)絡的前置處理技術的改進和神經(jīng)網(wǎng)絡結構的優(yōu)化兩方面。但是,很

2、少有文獻涉及這些優(yōu)化算法的優(yōu)缺點的對比以及應用場合的闡述。此外,單值軟故障診斷的實用性受到質(zhì)疑,因為模擬電路故障診斷是需要區(qū)分電路元件參數(shù)處于容差允許范圍內(nèi)還是發(fā)生了硬故障或軟故障。而且目前對重疊故障的診斷還有一定的難度。因此,本文對模擬電路故障診斷神經(jīng)網(wǎng)絡方法存在的問題進行了深入的研究后,提出一些新的故障診斷方法以及設計相關的自動測試與診斷系統(tǒng)裝備的技術方案,以形成較為完整的模擬電路故障診斷神經(jīng)網(wǎng)絡方法體系。本文的主要內(nèi)容和創(chuàng)新如下:

3、
　　 1、探討模擬電路故障診斷的小波方法。本文在模擬電路節(jié)點電壓信號進行小波消噪與分解處理后獲得的小波系數(shù)的基礎上,提出三種故障特征提取的方法:小波系數(shù)各分量絕對值的最大值法、小波系數(shù)各分量平方和法以及小波分形法。前兩種方法是首先利用小波變換來對電路測試節(jié)點的電壓信號進行消噪和分解,對分解后的小波系數(shù)計算其各分量的最大值或各分量平方和,然后進行主元分析與歸一化處理,形成電路的故障特征,輸入神經(jīng)網(wǎng)絡來進行分類。小波分形法與前兩種

4、方法所不同的是,計算小波分解后的信號的盒維數(shù)來實現(xiàn)模擬電路故障特征的提取。文中將詳細分析它們各自的優(yōu)缺點和適用的場合并將這三種方法應用于診斷實例來進一步驗證所述方法的正確性。
　　 2、提出模擬電路故障診斷的綜合神經(jīng)網(wǎng)絡方法?；谀M電路元件硬故障和軟故障統(tǒng)一描述的思想,提出將電路測試節(jié)點電壓信號的偏斜度與標準差組成的向量作為故障特征向量的方法。測前,首先對被測電路進行參數(shù)掃描和交流分析,計算該電路測試節(jié)點電壓信號的偏斜度和標準

5、差,標準差與偏斜度構成的向量即為故障特征向量。然后,根據(jù)以標準差為橫坐標、以偏斜度為縱坐標的二維坐標系中的軌跡的特點選擇神經(jīng)網(wǎng)絡的訓練樣本與檢驗樣本。測后,訓練過的神經(jīng)網(wǎng)絡就能夠正確的區(qū)分電路處于容差允許范圍內(nèi)的狀態(tài)還是發(fā)生了硬故障或軟故障。文中將詳述其診斷原理與適用場合,通過診斷實例來進一步驗證所述方法的正確性,并通過與相關文獻方法進行比較,說明所提方法的優(yōu)越性。
　　 3、探討模擬電路故障診斷的優(yōu)化神經(jīng)網(wǎng)絡方法。針對BP網(wǎng)絡

6、易于陷入局部最優(yōu)的缺點,探討基于遺傳BP網(wǎng)絡的模擬電路故障診斷方法與基于免疫遺傳BP網(wǎng)絡的模擬電路故障診斷方法;提出基于粒子群算法優(yōu)化BP網(wǎng)絡的模擬電路故障診斷方法與基于分組粒子群算法優(yōu)化BP網(wǎng)絡的模擬電路故障診斷方法。這四種方法分別采用遺傳算法、免疫遺傳算法、粒子群算法、分組粒子群算法來代替BP網(wǎng)絡中的梯度下降算法來實現(xiàn)神經(jīng)網(wǎng)絡權值的調(diào)整以及神經(jīng)網(wǎng)絡結構的優(yōu)化。遺傳BP網(wǎng)絡是將遺傳算法的“優(yōu)勝劣汰"原則引入到BP網(wǎng)絡中,提高其收斂性能

7、。免疫遺傳BP網(wǎng)絡是在遺傳算法的基礎上融合了免疫系統(tǒng)的機理來優(yōu)化BP網(wǎng)絡,使其具有全局搜索的能力。粒子群算法優(yōu)化的BP網(wǎng)絡是將粒子群算法的速度一位移模型引入到BP網(wǎng)絡中來改善其未成熟收斂,具有模型簡單與易于實現(xiàn)的特點。分組粒子群算法是在粒子群算法的基礎上發(fā)展起來的,具有重組和變異的特點。采用分組粒子群算法來優(yōu)化:BP網(wǎng)絡是以確保BP網(wǎng)絡收斂于全局最優(yōu)解。文中將通過比較的方式來詳述這四種方法的具體應用場合和效果。
　　 4、針對模

8、擬電路重疊故障的診斷,分別從其表現(xiàn)形式和產(chǎn)生原因出發(fā),探討模擬電路重疊故障診斷的重分類方法和提出模擬電路重疊故障診斷的融合神經(jīng)網(wǎng)絡方法。在模擬電路重疊故障診斷的重分類方法中,首先將故障特征重疊的區(qū)域劃分出來歸為新的故障類,然后采用常規(guī)的神經(jīng)網(wǎng)絡方法來對重分類后的故障類型進行識別。模擬電路重疊故障診斷的融合神經(jīng)網(wǎng)絡方法主要包括測前和實時診斷兩個步驟:測前,將重疊故障類分配在不同的子神經(jīng)網(wǎng)絡中,并且將不同類的故障特征作為各子神經(jīng)網(wǎng)絡的訓練樣

9、本,對各子網(wǎng)絡進行訓練。而將各子神經(jīng)網(wǎng)絡的目標輸出用來作為決策融合神經(jīng)網(wǎng)絡的訓練樣本,對決策融合神經(jīng)網(wǎng)絡進行訓練;實時診斷時,將采集到的信號經(jīng)預處理后輸入到已訓練的融合診斷系統(tǒng)中,從決策融合神經(jīng)網(wǎng)絡的輸出就能確定故障的類型。文中將詳述這兩種方法的基本原理與應用條件,并通過診斷實例來進一步驗證所述方法的有效性。
　　 5、探討基于DSP控制的自動測試與診斷系統(tǒng)(Automatic Test and DiagnosisSystem,