CN101231672A - 基于改进型bp神经网络的模拟电路软故障诊断方法 - Google Patents

Abstract

本发明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。

Description

基于改进型BP神经网络的模拟电路软故障诊断方法

技术领域

本发明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。

背景技术

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。

发明内容

为了解决现有模拟电路故障诊断存在的上述技术问题，本发明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。

本发明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

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。

本发明的技术效果在于：本发明采用集蒙特卡罗分析与采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。本发明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。

下面结合附图对本发明作进一步的说明。

附图说明

图1是本发明的流程框图。

图2是本发明中随机采样的空间。

图3本发明中激励信号与测试节点选取的流程框图。

图4是本发明中免疫遗传算法对BP神经网络优化的框图。

图5是本发明中BP神经网络的结构图。

具体实施方式

本发明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。本发明的流程框图如图1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。因此本发明提出了基于随机采样技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Δ_i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u(Δ)，即有

u＝u(Δ)＝∫(y(x)-y(x，Δ))²ddp_xydxy(1)

其中ddp_xy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u(Δ)≤γ，其中γ为任一给定的非负数。引入概率p_γ＝Pr{u(Δ)≤γ}，当Pr{u(Δ)≤γ}＝1， Δ∈D时，u(Δ)≤γ就成为了必然发生的事件，此时有γ＝γ_min，即γ为最小。在空间D中随机采样N个独立同分布的点Δ_i并要求γ≥γ_min，其分布函数为

$I\left({\mathrm{\Δ}}_i\right)\left\{\begin{array}{cc}1& u\left({\mathrm{\Δ}}_i\right)\≤\mathrm{\γ}\\ 0& u\left({\mathrm{\Δ}}_i\right)>\mathrm{\γ}\end{array}\right.---\left(2\right)$

引入函数 ${\hat{p}}_N=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}I\left({\mathrm{\Δ}}_i\right),$ 当样本数N足够大时，有 $|{\hat{p}}_N-p_{\mathrm{\γ}}|\≤\mathrm{\ϵ},$ 其中ε为精度，为了反映这种近似程度的可信程度，引入置信度1-δ，有

$\mathrm{Pr}\left\{\right|p_{\mathrm{\γ}}-{\hat{p}}_N|\≤\mathrm{\ϵ}\}\≥1-\mathrm{\δ},\∀\mathrm{\γ}\≥0,\∀\mathrm{\δ},\mathrm{\ϵ}\∈\left[\begin{array}{cc}0& 1\end{array}\right]---\left(3\right)$

而样点数N是由切尔诺夫(Chernoff)不等式来确定，即

$N\≥\frac{\ln \frac{2}{\mathrm{\δ}}}{2{\mathrm{\ϵ}}^2}---\left(4\right)$

综合上述，有

$\mathrm{Pr}\left\{\right|p_{\mathrm{\γ}}-{\hat{p}}_N|\≤\mathrm{\ϵ}\}\≥1-\mathrm{\δ}\≡$

$\mathrm{Pr}\left\{\right|\mathrm{Pr}(u\left(\mathrm{\Δ}\right)\≤\mathrm{\γ})-\frac{1}{N}\underset{i}{\mathrm{\ΣI}}\left({\mathrm{\Δ}}_i\right)|\≤\mathrm{\ϵ}\}\≥1-\mathrm{\δ}---\left(6\right)$

因此当精度ε和置信度1-δ足够小时，只要在空间D中采样适合的点，就可以用

来代替p_γ，此时概率p_γ的求解就不再需要遍历空间D的每个点。

由于传统灵敏度模型的局限性，本发明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(Δ_i)，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_i，候选节点X_k，在某激励信号下，与节点X_k与X_i间转移函数幅值相关的函数变化量用u_k(Δ_i)表示。

②选定的δ和ε并求取样本数N。再根据元件参数的分布规律提取偏移量Δ_i。

③对每一候选激励信号求出 ${\hat{p}}_{\mathrm{\γ}}^{\′}={\hat{p}}_N\left(\mathrm{\γ}\right),\∀\mathrm{\γ}\≥{\mathrm{\γ}}_{\min }\≥0.$

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 ${\hat{p}}_{\mathrm{\γ}}^{\′\′}={\hat{p}}_N\left(\mathrm{\γ}\right),\∀\mathrm{\γ}\≥{\mathrm{\γ}}_m\≥0.$

③此时软故障时节点的灵敏度就为γ的数学期望

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，对于所优选出来的测试节点应该在某节点处的灵敏度大，而且该节点的灵敏度曲线能够反映电路的性能。

(3)训练样本与故障特征的提取：在选定的激励信号作用下，从优选出来的测试节点处对待测电路进行灵敏度分析，针对上述故障集中的故障情况，在样本提取节点处提取信号并经AD转换作为候选故障特征，再经主元分析(PCA)与归一化得到故障特征。在分析故障时，对电路在给定的容差范围内进行Monte-Carlo分析，以形成容差电路的样本，其中，一部分用作神经网络的训练样本，另一部分用作检验样本，并存于存储器中。

(4)神经网络结构的设计及训练：BP网络存在着固有的易于陷入局部极小、泛化能力差和网络收敛速度慢等缺陷，因此本发明利用免疫遗传算法来优化BP神经网络，在遗传算法的基础上融合了生物免疫系统的抗原识别、抗体多样性、免疫记忆和浓度控制等机制，有效地保持抗体的多样性，避免早熟收敛。图4为基于免疫遗传算法的BP神经网络优化流程框图，其网络结构为图5所示的前向神经网络，其输入节点数和输入值与输出节点数和输出值都是由实际测试情况确定，激活函数采用S型函数，基于免疫遗传算法的BP神经网络优化包括以下步骤：

①由隐层节点数与网络的权值的混合实数编码形成抗体串。

②适应度函数f(X_i)定义为BP神经网络的平方误差均值函数E(X_i)，有

$f\left(X_i\right)=\frac{1}{E\left(X_i\right)+C}---\left(7\right)$

其中

$E\left(X_i\right)=\frac{1}{2N}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{S}{\mathrm{\Σ}}}{(T_j^n-Y_j^n)}^2---\left(8\right)$

式中N为训练样本的总数，S为BP神经网络输出层节点数，T_j ⁿ和Y_j ⁿ分别是第n个训练样本在第j个输出节点的期望输出和实际输出，C为大于0的常量。

③实施两点交叉产生下一代抗体：设 $X_1^l=\left[\begin{array}{cccc}{x}_1^1& x_2^1& \·\·\·& x_n^1\end{array}\right],$ $X_2^l=\left[\begin{array}{cccc}{x}_1^2& x_2^2& \·\·\·& x_n^2\end{array}\right]$ 是第1代的两个抗体，在第i个点和第j个点实施两点算术交叉，产生的下一代抗体为：

$X_1^{l+1}=\left[\begin{array}{cccccccc}{x}_1^1& \·\·\·& x_i^{\′}& \·\·\·& x_j^{\′}& x_{j+1}^1& \·\·\·& x_n^1\end{array}\right]$

$X_1^{l+1}=\begin{array}{}\left[\begin{array}{cccccccc}{x}_1^2& \·\·\·& x_i^{\′\′}& \·\·\·& x_j^{\′\′}& x_{j+1}^2& \·\·\·& x_n^2\end{array}\right]\end{array}$

其中x_k′与x_k″(i≤k≤j)是由如下的线性组合产生：

$x_k^{\′}=C{x}_k^1+(1-C)x_k^2$

$x_k^{\′\′}=C{x}_k^2+(1-C)x_k^1---\left(9\right)$

式中，C∈[0 1]为比例系数。

④对抗体进行高斯变异产生新抗体：采用高斯变异时，先将各抗体解码为相应的网络结构，即按照下式改变网络的所有权值：

$X_i^m=X_i+\∂\exp (-f\left(X_i\right))\×\mathrm{\μ}\left(\mathrm{0,1}\right)---\left(10\right)$

式中，X_i ^m为变异后的抗体，X_i是变异前的抗体，μ(0，1)是均值为0、方差为1的正态分布的随机变量，∈(-1，1)为个体的变异率，f(X_i)为抗体X_i的适应度，即目标函数的适应值。由(10)式可以看出，抗体的变异程度和适应度成反比，即适应度越低，个体的变异率越高，反之亦然。变异后，重新将所有隐节点分量和权值分量组成一个新抗体。

⑤基于抗体浓度的群体更新：为了保证抗体的多样性，提高算法的全局搜索能力，采用基于抗体间欧氏距离和适应度来计算抗体相似度和浓度的方法。记抗体X_i和X_j的欧氏距离为D(X_i，X_j)，适应度分别为f(X_i)和f(X_j)，给定适应度常数η＞0，t＞0，当抗体X_i与X_j相似时应该满足下式

$\left\{\begin{array}{c}D(X_i,X_j)\≤\mathrm{\η}\\ |f\left(X_i\right)-f\left(X_j\right)|\≤t\end{array}\right.---\left(11\right)$

抗体X_i的浓度为与抗体X_i相似的抗体的个数，可记为C_i，抗体X_i被选择的几率为p(X_i)，即

$p\left(X_i\right)=\mathrm{\α}{C}_i[1-\frac{f\left(X_i\right)}{M\left(X\right)}]+\mathrm{\β}\frac{f\left(X_i\right)}{M\left(X\right)}---\left(12\right)$

式中，α，β为(0，1)之间的可调参数，M(X)为所有抗体的最大适应度，C_i为抗体X_i的浓度。从(12)式可以看出，当抗体浓度高时，适应度高的抗体被选中的几率就小，当抗体浓度不高时，适应度高的抗体被选中的几率就越大，这样既保留了优秀个体，又可减少相似抗体的选择，确保了个体的多样性。

采用免疫遗传算法优化设计BP神经网络得到改进型BP神经网络，设典型故障情况数为n，样本提取节点数为m，则BP神经网络的输入节点数为m，输出节点数为n，则BP神经网络的输出样本向量为y＝{0，0，...1，0，...0}，，即当电路处于第j种故障时，y_j＝1，其余元素为0。利用训练样本训练该网络，使其误差平方和小于期望误差，并将训练后的网络权值、阈值及误差存于存储器中。

(5)利用存储器中的检验样本实现故障模拟以检验分类器的正确性。

(6)诊断：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。

Claims (3)

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Δ_i构成的k维连续空间D，并在空间D引入满足勒贝格可积而且能够反映元件参数偏移量对电路性能影响的函数u(Δ)，求出 ${\hat{p}}_{\mathrm{\γ}}^{\′}={\hat{p}}_N\left(\mathrm{\γ}\right),\∀\mathrm{\γ}\≥{\mathrm{\γ}}_{\min }\≥0$ 曲线就是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。

3.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BP网络的输入节点数和输入值与输出节点数和输出值都是由实际测试电路确定，激活函数采用S型函数，采用免疫遗传算法来优化BP网络步骤如下：对隐层节点数与网络的权值进行混合实数编码形成抗体串，适应度函数f(X_i)定义为BP神经网络的平方误差均值函数E(X_i)，对抗体实施两点交叉产生下一代抗体，同时对抗体进行高斯变异产生新抗体，最后采用基于抗体浓度的高低对抗体群体进行更新，实现BP神经网络的优化。