基于改进型BP神经网络的模拟电路软故障诊断方法技术

本发明专利技术涉及一种基于改进型ＢＰ神经网络的模拟电路软故障诊断方法，包括以下步骤：对模拟电路的激励信号与测试节点采用随机采样技术进行选择，然后对待测电路施加激励信号并在测试节点处提取电压值再经主元分析与归一化处理提取软故障特征值作为训练样本；采用免疫遗传算法优化ＢＰ网络；将训练样本输入优化后的ＢＰ网络实现对网络的训练；待测电路的实际测量信号经提取故障特征，将其输入训练好的优化ＢＰ神经网络，网络的输出即为故障类型。本发明专利技术不仅有效地处理了由于容差而带来的模拟电路故障诊断的困难，而且还提高了ＢＰ网络在实现模拟电路故障诊断方面的效率与性能。

【技术实现步骤摘要】

本专利技术涉及一种模拟电路软故障诊断方法，特别涉及一种基于改进型BP 神经网络的模拟电路软故障诊断方法。技术背景随着电子工业的迅猛发展，现代化工程技术系统的规模不断扩大，电子 产品日趋大型化、高速化、自动化和智能化。人们越来越意识到电子系统的 可靠性是系统稳定运行的保证，在许多场合其重要性甚至超过了系统的功能 和性能，尽管数字电路设计和诊断发展都十分迅速，但是在一个完整的系统 中，模拟电路不可能被完全替代。据统计多年来模拟电路和数字电路的比例 变化并不大，而模拟电路比数字电路更容易发生故障，因此工业生产对大规 模模拟电路的测试和诊断提出了新的更高的要求。基于BP神经网络的模拟电路软故障诊断方法是一种较好的模式识别方 法，它与传统的故障诊断分析方法相比，不需要建立对象的精确数学模型，因 而在故障诊断中得到了越来越广泛的重视。基于BP神经网络的模拟电路软故障诊断方法根据测试数据对故障分类， 从而达到故障定位的目的。主要包括激励的选择、测试节点的优择、故障特 征的提取和故障的检测与诊断。对待测电路进行灵敏度分析是确定电路的测试节点与激励信号的有效方 法，但是现有的灵敏度分析有诸多的约束条件，如它只能用以预报当网络参 数有微小变化时对网络性能的影响，而不能正确给出网络参数有较大改变时 网络性能函数的改变。BP神经网络的权值调整是通过传统的BP算法来完成的，它是一种基于梯度的搜索算法，通常存在学习效率低、收敛速度慢和易于陷入局部最优等缺点。
技术实现思路
为了解决现有模拟电路故障诊断存在的上述技术问题，本专利技术提出一种基于改进型BP神经网络的模拟电路软故障诊断方法。本专利技术解决上述技术问题的技术方案包括以下步骤 计算待测电路元件容差情况的灵敏度》〉；计算软故障情况下元件容差情况的灵敏度WI》〉-》；I); 根据元件容差情况的灵敏度曲线选择激励信号与测试节点；对样本电路施加所选的激励信号，在测试节点处提取电压信号并经主元 分析和归一化处理后提取故障特征，加入白噪声之后构成神经网络的训练样 本；采用免疫遗传算法优化BP网络；将训练样本输入优化后的BP网络实现对网络的训练；待测电路的实际测量信号经主元分析和归一化处理后提取故障特征，将 故障特征输入训练好的优化BP神经网络，网络的输出即为故障类型。本专利技术的技术效果在于本专利技术采用集蒙特卡罗分析与釆样技术结合的随机算法来进行灵敏度的分析，根据灵敏度选取能够充分隔离故障集中的极大部分故障的激励信号，并优选测试节点，；通过主元分析与归一化的策略有 效地提取了软故障的特征；并通过免疫遗传算法来优化设计BP神经网络，有 效地克服了 BP算法通常存在的学习效率低、收敛速度慢和易于陷入局部最优 等缺点。这种综合考虑容差与电路性质的模拟电路软故障诊断方法，不仅有效地处理了由于容差而带来的模拟电路故障诊断的困难，而且还提高了 BP网 络在实现模拟电路故障诊断方面的效率与性能。本专利技术在大规模及超大规模 的模拟电路故障诊断更能显示其优越性。下面结合附图对本专利技术作进一步的说明。 附图说明图l是本专利技术的流程框图。图2是本专利技术中随机采样的空间。 图3本专利技术中激励信号与测试节点选取的流程框图。 图4是本专利技术中免疫遗传算法对BP神经网络优化的框图。 图5是本专利技术中BP神经网络的结构图。具体实施方式本专利技术是一种模式识别诊断方法，根据测试数据对故障分类，从而达到故障定位的目的。本专利技术的流程框图如图l所示，具体诊断过程如下(1) 故障集的选择根据被测电路中的特点和以往的经验及元件故障概率 来选择若干单故障和多个故障作为故障集。(2) 激励信号与测试节点的选择在模拟电路故障诊断中，灵敏度分析在优选激励信号与测试节点方面已经得到了广泛的应用，但是传统的灵敏度只能用于电路元件参数有微小变化的场合，而当元件参数有较大改变时却不能给出正确的结果。因此本专利技术提出了基于随机采样哮术的灵敏度分析方法，不受参数变化幅值的影响。其特征在于设电路标称情况下的转移函数幅值为 y(x)，参见图2，阴影部分为由元件参数偏移量A构成的k维连续空间D，在空间D中引入满足勒贝格(Lebesgue)可积并且能够反映元件参数偏移量对网络性能函数影响的函数W(A)，即有<formula>formula see original document page 7</formula>其中^^^是关于随机变量X， Y的联合概率密度。如图2所示，虚线之外区域的点不满足(A)^y，其中;K为任一给定的非 负数。引入概率/^二Pr((A)^W，当Pr(w(A)《yHl，VAe/)时，(A)^y就成为了必然发生的事件，此时有7 = ^^，即^为最小。在空间D中随机采样 N个独立同分布的点Ay并要求y^;Kmin，其分布函数为<formula>formula see original document page 7</formula>引入函数》^=丄2]/( )，当样本数N足够大时，有IAv-/v^f，其中f为精度，为了反映这种近似程度的可信程度，引入置信度l-5，有 Pr{| & - ~|} ^ l - & W ^ 0， e 而样点数N是由切尔诺夫(Chernoff)不等式来确定，即<formula>formula see original document page 7</formula>(6)因此当精度f和置信度l-J足够小时，只要在空间D中采样适合的点，就可以 用^v来代替，此时概率的求解就不再需要遍历空间o的每个点。由于传统灵敏度模型的局限性，本专利技术提出了基于随机采样技术的灵敏 度模型来描述电路元件参数出现较大偏移(容差与软故障同时存在)时电路性能参数相对于元件参数的灵敏度。参见图3，设电路元件参数都处于标称情况 下电路性能函数为y，考虑元件容差时电路的性能函数为y( )，容差电路的灵敏度的求解包含以下内容① 给定可控节点X,候选节点Zp在某激励信号下，与节点A^与^间转移函数幅值相关的函数变化量用^(A,)表示。② 选定的^和s并求取样本数n。再根据元件参数的分布规律提取偏移量 。③ 对每一候选激励信号求出& = ^v00,Vy ^ ;kmin ^ 0 。 》〉曲线就是反映了在某一激励信号作用下电路性能函数对元件参数的灵敏度曲线。》〉曲线是仅考虑元件容差情况下节点的灵敏度，当元件发生软故障时，其灵敏度的求取方法就稍有变化。在模拟电路中，软故障是指元件的参数超出预定的容差范围， 一般它们 均未使设备完全失效。例如，由于元件的老化、变质或使用环境的变化等造 成的元件参数变化。此时，可以假想把参数偏移量的范围加大，即空间D的 范围也相对变宽。其节点灵敏度的求解方法与仅考虑容差情况下相似，具体如下① 设与故障元件相关的电路参数都超出了容差范围。② 在新空间中，在每候选激励信号作用下求取》；=》w00,V;k2;^ 20。③ 此时软故障时节点的灵敏度就为;k的数学期望￡(|》〉-《I)。 利用上述基于空间D的随机采样技术对待测电路进行灵敏度分析，所需的激励信号应该在此激励信号作用下，节点处灵敏度最大。再分析在每一故障情况下电路可及节点的灵敏度，对于所优选出本文档来自技高网...

【技术保护点】
一种基于改进型ＢＰ神经网络的模拟电路软故障诊断方法，包括以下步骤：计算待测电路元件容差情况的灵敏度＊′↓［γ］；　　　　计算软故障情况下元件容差情况的灵敏度Ｅ（｜＊′↓［γ］－＊″↓［γ］｜）；　　　　根据元件容差情况的灵敏度曲线选择激励信号与测试节点；　　　　对样本电路施加所选的激励信号，在测试节点处提取电压信号并经主元分析和归一化处理后提取故障特征，加入白噪声之后构成神经网络的训练样本；　　　　采用免疫遗传算法优化ＢＰ网络；　　　　将训练样本输入优化后的ＢＰ网络实现对网络的训练；　　　　待测电路的实际测量信号经主元分析和归一化处理后提取故障特征，将故障特征输入训练好的优化ＢＰ神经网络，网络的输出即为故障类型。

【技术特征摘要】
1、一种基于改进型BP神经网络的模拟电路软故障诊断方法，包括以下步骤计算待测电路元件容差情况的灵敏度计算软故障情况下元件容差情况的灵敏度根据元件容差情况的灵敏度曲线选择激励信号与测试节点；对样本电路施加所选的激励信号，在测试节点处提取电压信号并经主元分析和归一化处理后提取故障特征，加入白噪声之后构成神经网络的训练样本；采用免疫遗传算法优化BP网络；将训练样本输入优化后的BP网络实现对网络的训练；待测电路的实际测量信号经主元分析和归一化处理后提取故障特征，将故障特征输入训练好的优化BP神经网络，网络的输出即为故障类型。2、 根据权利要求1所述的基于改进型BP神经网络的模拟电路软故障诊 断方法，所述电路元件容差情况的灵敏度^计算步骤如下将电路元件参数偏移量 构成的k维连续...

【专利技术属性】
技术研发人员：何怡刚，祝文姬，刘美容，阳辉，方葛丰，谢宏，朱彦卿，唐志军，谭阳红，肖迎群，
申请(专利权)人：湖南大学，
类型：发明
国别省市：43[中国|湖南]