基于多分支深度神经网络的机载电路板智能化测试诊断方法技术

本发明专利技术涉及电路板自动化测试与故障诊断领域，具体是基于多分支深度神经网络的机载电路板智能化测试诊断方法，其具体步骤如下：S01、故障数据库的建立；S02、数据预处理；S03、网络前向推理；S04、参数反向更新；S05、多分支预测结果融合；采用飞针测试仪进行电路板的测试和数据采集，并根据元器件特性变化设计数据增强算法，完成数据库的搭建；设计的深度神经网络在不同特征层采用了不同的卷积核和池化核，以专注于不同维度的特征；设计的多分支深度神经网络以多个节点的VI特征曲线为输入，提升了测试和诊断结果的准确率和鲁棒性，尤其是降低了人为因素产生的特征不完备和环境变化引起的元器件参数变化而导致的识别误差。引起的元器件参数变化而导致的识别误差。引起的元器件参数变化而导致的识别误差。

【技术实现步骤摘要】
基于多分支深度神经网络的机载电路板智能化测试诊断方法


[0001]本专利技术涉及电路板自动化测试与故障诊断领域，具体是基于多分支深度神经网络的机载电路板智能化测试诊断方法。

技术介绍

[0002]随着电子技术的快速发展，现代航空电子装备在功能日益增强的同时，其设计集成度、复杂度不断增大，使得对功能测试和故障诊断的要求也越来越高。传统的依靠专业人员配以电子测量仪器的测试诊断方法，强烈依赖于测试人员的专业水平，而且时间成本较高，无法满足现代产品的生产及维修要求。因此，亟需研究智能化的机载电路板诊断方法，为测试维修人员以最小代价、最快速度完成测试定位故障提供指导。
[0003]针对电路板自动化测试与故障智能诊断，目前主流的方法是采集电路板节点的伏安(VI)特性曲线在时域、频域或时频域进行特征提取，然后应用机器学习算法如BP神经网络、支持向量机等进行分类识别。相比传统人工方法，虽然大大提高了测试及故障定位效率，但准确率受设计特征的影响较大，且对温度变化等噪声影响较为敏感。

技术实现思路

[0004]为了解决上述问题，本专利技术提出基于多分支深度神经网络的机载电路板智能化测试诊断方法。
[0005]基于多分支深度神经网络的机载电路板智能化测试诊断方法，其具体步骤如下：
[0006]S01、故障数据库的建立：
[0007]a、搭建功能类似的实验电路板，向正常的电路中逐个加入典型故障类型，并采用飞针测试仪采集故障发生时电路各个关键节点的VI曲线；
[0008]b、构成M/>×
N
×
2大小的数据矩阵，表示当前状态电路板的VI曲线响应并采用one
‑
hot方式进行故障编号、保存，形成故障数据；
[0009]c、采用蒙特卡罗模拟方法进行50
‑
100次仿真，与真实采集数据一起作为训练与测试；
[0010]S02、数据预处理：
[0011]a、构建的VI数据矩阵，不同特征维度的数据具有不同的分布范围，需要进行预处理再送入神经网络进行处理；
[0012]b、采用式(1)所示的均值方差归一化方法对电压和电流数据分别进行预处理，使处理后的数据x
scale
符合标准正态分布，其中均值x
mean
和标准差x
std
从训练数据统计而来；
[0013][0014]S03、网络前向推理：
[0015]a、基于经典的图像分类网络VGG16，构建多分支深度神经网络；
[0016]b、以用于局部特征计算的卷积层和用于特征降维及增强的池化层为基本操作单
元，构建网络的特征提取模块包含了13个卷积层和5个池化层；
[0017]c、配合网络参数的具体配置对输入的67
×
100
×
2大小的VI响应矩阵，经过各层计算后输出矩阵的大小；
[0018]d、特征提取初期，第1、2、3、4个卷积层和第1、2个池化层分别采用1
×
3尺寸的卷积核和1
×
2尺寸的池化核，其余卷积层均采取被用广泛使用的3
×
3尺寸的卷积核，以融合不同节点之间的VI特征；
[0019]e、池化层采用2
×
2尺寸的池化核，以同时缩减VI维度和测试节点维度数据的尺寸；
[0020]f、全连接层FCcls2和FCloc2的节点数目根据可能的故障类别数和该类故障对应的最大位置数设置，且会使用Softmax函数将网络原始输出转化为[0,1]范围的预测概率，以表示电路板发生各类故障的概率或对应若干个位置发生故障的概率；
[0021]S04、参数反向更新：根据计算的网络损失对参数进行更新的过程，给定训练样本(x，y，l)，其中故障类别标签y是18维向量，而故障位置编号标签l是15维向量，具体为：
[0022]a、若是类别i，则yi＝1，否则yi＝0，若是位置i发生故障，则li＝1，否则li＝0；
[0023]b、假设网络两个分支的输出分别为pcls和ploc,则基于交叉熵分类损失函数可得网络总损失为：
[0024][0025]其中，K
cls
＝18和K
loc
＝15分别是电路板状态种类数和故障状态下的最大位置编号；
[0026]S05、多分支预测结果融合：
[0027]a、对于输入的测试数据，先根据网络输出的各类故障发生的概率选择最大者确定故障类型，再选择概率最大的故障位置；
[0028]b、两者进行组合即可得到当前电路板的故障状态及故障位置。
[0029]所述的步骤S01的b中，数据矩阵包括作为电路板测试节点数目的M、作为VI曲线采样点数的N、表示电路板第i个节点处的VI曲线上第j个采样点值的Vij和Iij。
[0030]所述的步骤S01的c中，蒙特卡罗模拟方法仿真与真实采集数据按照7：3的比例划分为训练集和测试集，为深度神经网络参数的学习和性能测试做准备。
[0031]所述的步骤S03的网络前向推理是将预处理数据送入搭建的深度神经网络，进行特征提取和映射以得到网络输出的过程。
[0032]所述的步骤S03的b中，每个卷积层后默认跟了一个用于特征非线性映射的激活层，还包括能够防止梯度消失的Relu函数f(x)＝max(0,x)的激活函数、两个分别预测电路板故障类别和故障位置分支的输出模块，每个分支包含2个全连接层，用于特征的进一步抽取和特征到类别概率的映射。
[0033]所述的步骤S03的c中，矩阵包括分别表示第k个卷积层和池化层的Ck和Pk、分别表示类别预测分支和故障定位分支中第k个全连接层的FCclsk和FClock、表示卷积核或池化核大小的ks、表示卷积核个数的kn。
[0034]所述的步骤S04中，每一次迭代训练，根据计算的损失，使用学习率为0.001，动量系数为0.9的动量梯度下降即Momentum SGD的方法更新网络参数。
[0035]本专利技术的有益效果是：采用飞针测试仪进行电路板的测试和数据采集，并根据元器件特性变化设计数据增强算法，完成数据库的搭建；设计的深度神经网络在不同特征层采用了不同的卷积核和池化核，以专注于不同维度的特征；设计的多分支深度神经网络以多个节点的VI特征曲线为输入，提升了测试和诊断结果的准确率和鲁棒性，尤其是降低了人为因素产生的特征不完备和环境变化引起的元器件参数变化而导致的识别误差。
附图说明
[0036]下面结合附图和实施例对本专利技术进一步说明。
[0037]图1为本专利技术的流程示意图；
[0038]图2为本专利技术的电路板的VI响应矩阵示意图；
[0039]图3为本专利技术的多分支深度神经网络结构图示意图。
具体实施方式
[0040]为了使本专利技术实现的技术手段、创作特征、达成目的与功效易于明白了解，下面对本专利技术进一步阐述。
[0041]如图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多分支深度神经网络的机载电路板智能化测试诊断方法，其特征在于：其具体步骤如下：S01、故障数据库的建立：a、搭建功能类似的实验电路板，向正常的电路中逐个加入典型故障类型，并采用飞针测试仪采集故障发生时电路各个关键节点的VI曲线；b、构成M
×
N
×
2大小的数据矩阵，表示当前状态电路板的VI曲线响应并采用one
‑
hot方式进行故障编号、保存，形成故障数据；c、采用蒙特卡罗模拟方法进行50
‑
100次仿真，与真实采集数据一起作为训练与测试；S02、数据预处理：a、构建的VI数据矩阵，不同特征维度的数据具有不同的分布范围，需要进行预处理再送入神经网络进行处理；b、采用式(1)所示的均值方差归一化方法对电压和电流数据分别进行预处理，使处理后的数据x
scale
符合标准正态分布，其中均值x
mean
和标准差x
std
从训练数据统计而来；S03、网络前向推理：a、基于经典的图像分类网络VGG16，构建多分支深度神经网络；b、以用于局部特征计算的卷积层和用于特征降维及增强的池化层为基本操作单元，构建网络的特征提取模块包含了13个卷积层和5个池化层；c、配合网络参数的具体配置对输入的67
×
100
×
2大小的VI响应矩阵，经过各层计算后输出矩阵的大小；d、特征提取初期，第1、2、3、4个卷积层和第1、2个池化层分别采用1
×
3尺寸的卷积核和1
×
2尺寸的池化核，其余卷积层均采取被用广泛使用的3
×
3尺寸的卷积核，以融合不同节点之间的VI特征；e、池化层采用2
×
2尺寸的池化核，以同时缩减VI维度和测试节点维度数据的尺寸；f、全连接层FCcls2和FCloc2的节点数目根据可能的故障类别数和该类故障对应的最大位置数设置，且会使用Softmax函数将网络原始输出转化为[0,1]范围的预测概率，以表示电路板发生各类故障的概率或对应若干个位置发生故障的概率；S04、参数反向更新：根据计算的网络损失对参数进行更新的过程，给定训练样本(x，y，l)，其中故障类别标签y是18维向量，而故障位置编号标签l是15维向量，具体为：a、若是类别i，则y...

【专利技术属性】
技术研发人员：李金猛，潘庆国，项卓，田江敏，曹九稳，
申请(专利权)人：国营芜湖机械厂，
类型：发明
国别省市：