基于神经网络的电子线路故障诊断

11绪论随着现代化大生产的发展，电子线路故障诊断技术的研究越来越重要。根据电子线路的特点可将电子线路故障诊断分为模拟电路的故障诊断和数字电路的故障诊断。在现代电子设备中，绝大部分电子设备故障是由于模拟电路故障导致的，可以说，模拟电路的可靠性几乎决定了电子设备的可靠性。1.1模拟电路故障诊断的背景意义目前，模拟电路在航天、通信、自动控制、家用电器等许多方面得到广泛地应用。随着电子技术的发展,模拟电路的集成程度越来越高,规模越来越大。因此，对模拟电路的工作的有效性、可靠性、可维修性等提出了更高的要求。在模拟电路故障发生后,要求能及时将导致故障的原因诊断出来,以便检修和替换。对模拟电路的生产部门来说,同样也要求能及时诊断出故障，以便改进工艺,提高产品的合格率。对于某些重要设备中的模拟电路，还要求进行故障的预测，即对正常工作中的模拟电路进行不断的检测，在元件发生故障前就进行替换，以避免故障的发生。根据电子技术的发展状况，由以下三点说明模拟电路故障诊断技术的紧迫性:第一，微电子学时代的到来,电子线路的复杂性和密集性明显增加,成千上万个电路元器件集成在一个小芯片上,而对这些电路元器件的测试仅限于为数有限的引出端子之上，如此,通常的测量，微调的手段将不再实用甚至无济于事。第二，在无线电电子系统中,数字电路不能完全取代模拟电路，数字电路的故障诊断方法也不能取代模拟电路的故障诊断方法。第三，现代电子系统复杂度的增加,系统的可靠性显得更为重要,因此,必须提高电子系统的可靠性。综上所述,工业生产对模拟电路提出了新的要求,微电子技术的快速发展对模拟电路的测试和诊断也提出迫切的要求,这就使得科技人员不得不进一步探索模拟电路的测试和诊断上的新理论和新方法,研发新的测试和诊断设备以适应时代的需求。所以，开展模拟电路故障诊断的研究是一项非常有意义的课题。1.2模拟电路故障诊断的发展与现状相对于数字电路故障诊断而言，模拟电路故障诊断的发展较为缓慢，其中主要原因有以下六点：1）故障状态的多样性。模拟电路的输入、输出信号和元件参数都是连续的，电路中任何一个模拟元件都有可能具有无穷多种故障状态，因此，很难对模拟电2路故障进行模拟和仿真。2）诊断的信息量有限。由于实际条件的限制，模拟电路中的电流通常不容易测量，可测量的电压节点也往往是有限的，所以模拟电路供诊断的特征信息是有限的，这就容易造成故障定位的模糊性。3）存在容差。实际应用中的模拟电路元件都会有容差，即电路元件参数在其容差范围内有随机的偏移。电路中普遍存在的容差通常可等效为一个或者多个元件的“大故障”，这就容易导致电路故障的可测性变差。4）非线性问题。模拟电路中通常含有非线性元件，因此模拟电路庞大的计算量是不可避免的。此外，模拟电路通常还包含大量的反馈回路，也增加了测试的复杂性。5）抗干扰能力差。模拟电路对环境变化非常敏感，易受热效应和外界噪声等环境因素的影响。其输出响应也容易受到因为工艺偏差而引起的电路元件参数变化的影响。6）故障模型化困难。模拟电路的输入与输出之间的关系较为复杂并且模型化困难。可以成功应用在数字电路故障诊断中的模型并不能适用于模拟电路故障诊断，而模拟电路故障诊断至今仍然缺乏有效的通用的故障模型。以上六个方面的问题是模拟电路中普遍存在的问题，也是模拟电路故障诊断的难点。尽管存在这些困难，但仍然有许多研究者们致力于模拟电路故障诊断的研究。1960年，R.S.Berkowitz提出了关于模拟电路故障诊断的可解性分析[1]，研究出了无源线性集总电路元件可解性的必要条件，从此模拟电路故障诊断的理论研究开始了。20世纪70年代出现了一些新的故障诊断原理和方法，其中最突出的成果是参数辨识法与故障字典法，1979年国际电气与电子工程师协会（IEEE）为这两项重要成果出版了模拟电路故障诊断的专辑[2]，使得模拟电路故障诊断领域得到进一步的发展。但是这些方法不足之处在于要求电路具有较多的测试点，并且计算量大，难以在实际中得到应用。20世纪80年代提出了一种新的故障诊断方法，即故障验证法，该方法的出现给故障诊断领域增添了新的活力，故障诊断的研究者们从故障诊断的实际出发，将研究的重点从求解全部元件值转变到求解一部分的元件值，以此来确定故障元件或者故障区域，并将之分成故障元件求值与故障定位两部分，大大减小了计算量，削弱了诊断条件。1985年，J.W.Bandler与A.E.Salama对模拟电路故障诊断的理论做了系统的论述[3]，模拟电路故障诊断理论从此形成了。20世纪90年代初期，伴随人工智能技术的发展，尤其是人工神经网络在不同领域里的广泛运用，故障诊断技术也向着智能化的方向发展。利用神经网络来完成故障状态的分类和故障字典的查询，既提高了故障诊断效率，同时利用神经网络所具有的泛化能力，使得实现对电路软故障的诊断成为可能。3在国内，对模拟电路的测试与故障诊断的研究一直都是被关注的研究方向。自80年代末以来，国内相继出版了杨士元[4]等人的专著。近年来发表了一系列关于应用神经网络的模拟故障诊断的学术论文。提出了基于神经网络的五种模拟电路故障诊断的方法：一是提出了采用模糊神经网络对模拟电路进行故障诊断的方法，但隶属度函数的选取问题仍然是一个难点；二是采用遗传算法对BP(Back-Proparga-tion)网络进行辅助设计和优化之后，再进行模拟电路故障诊断的方法；三是构造了一种新型神经网络电路故障诊断专家系统，但仅给出理论框架，离实验还有一定的距离；四是分别使用小波变换和小波包变换对输出电压响应的故障特征进行提取，提出了基于小波变换和神经网络的模拟电路故障诊断方法；五是构造模糊BP网络故障分类器融合被诊断元件的2个物理量(温度和电压)，以确定故障元件。本文采用两种方法进行模拟电路故障诊断研究：一种是基于BP神经网络的模拟电路故障诊断方法；另一种是先利用遗传算法优化BP神经网络，然后再利用优化后的网络进行模拟电路故障诊的方法。1.3研究内容与论文组织本文主要是利用神经网络进行模拟电路故障诊断的研究，采用BP和GA-BP两种网络对模拟电路故障进行了诊断，仿真效果表明基于神经网络的模拟电路故障诊断系统不但诊断速度快而且准确度高，具有广阔的应用前景。本文的各章节组织安排如下：2人工神经网络简介人工神经网络(Art1ficialNeuralNetwork,简称ANN)是模仿生物大脑的结构和功能，由大量类似于生物神经细胞的非线性处理单元（人工神经元）相互联接而成的网络，简称神经网络。2.1神经网络发展及其特点2.1.1神经网络发展过程神经网络的研究至今已有七十多年的历史,下面分三点进行阐述。（1）发展初期心理学家W.Mcculloch和数学家W.Pitts在1943年合作提出了形式神经元的数学模型（MP模型）[5]，从此开创了神经网络的研究。心理学家D.Hebb在1949年指出[6]神经元之间突触联系强度可变的假设，即改变神经元连接强度的Hebb规则，为神经网络的学习算法奠定了基础。计算机学家Rosenblatt[7]在1957年提出感知器（Perceptron）模型，第一次把神经网络研究从纯理论的探讨付诸于4工程实践。Widrow在1960年提出了自适应线性元件（Adaline）[8]，它是连续取值的线性网络，主要应用在自适应系统中，这与当时占主导地位的以符号推理为特征的传统人工智能途径完全不同，因而形成了神经网络研究的高潮。（2）低潮时期Minsky和Papert在1969年出版了一本关于感知器的书籍[9]，发现了感知器存在一些不足，如对于求解异或问题，因而研究工作趋向低潮。不过仍有不少学者继续研究神经网络。Grossberg[10]提出了自适应共振理论；Kohonen提出了自组织映射网络模型[11][12][13]；Fukushima提出了神经认知机网络理论等。这些都是在20世纪70年代和20世纪80年代初进行的工作。（3）第二次高潮时期进入世纪80年代，神经网络研究再次高潮。美国物理学家Hopfield在1982年提出了Hopfield神经网络模型[14]，有力地推动了神经网络的研究。他引入了“计算能量函数”的概念，给出了网络稳定性判据。在1984年他用此模型成功地解决了复杂度为NP的旅行商问题（TSP）。Felemann和Balllard的连接网络模型指出了传统的人工智能计算与生物计算的区别，给出了并行分布的计算规则。1986年，Rumelhart等人提出并行分布处理（PDP）的理论，同时提出了多层网络的误差反向传播学习算法，简称BP算法[15]。这种算法根据学习的误差大仙，把学习的结果反馈到中间层次的隐单元，改变他们的权系数矩阵，从而达到预期的检测目的，解决了多层网络的学习问题。BP算法从实践上证明了神经网络的运算能力很强，可以完成许多学习任务，解决许多具体问题。BP网络时迄今为止最常用、最普通的网络。（4）新的发展阶段上世纪90年代，Narendra和Parthasarthy提出了推广动态神经网络系统及其连接权的学习算法[16]，其具有非线性特性，增强了神经网络的鲁棒性。另外，在1995年，Jenkins提出了光学神经网络[17]，可以发挥光学的互连能力和并行处理能力，加强了神经网络的自适应能力与学习能力，光学神经网络的神经元之间的连接权不但数量大而且动态控制结合强度，可以实现高速运算，极大地促进神经网络的发展。在国内，对神经网络的研究开始于20世纪80年代末，中科院的汪云九先生起到了先导作用[18]。1997年，申金媛提出了多目标旋转不变分类识别的新方法，也就是基于联想存储级联WTA模型的旋转不变识别[19]。在识别多模式时可以联想到一个模式，采用全单极的形式，对互连权值实行二值化截取，同时把联想存储模型和WTA模型级联起来，如此，提升了存储容量和容错性。1994年，廖晓昕对细胞神经网络提出了新的数学理论[20]，推动了该领域的发展。吴佑寿提出了5传递函数可调的神经网络，这对神经网络理论的发展具有十分重要的意义。以上研究开拓了神经网络的应用领域。2.1.2神经网络的特点神经网络模拟了生物神经系统的一些特征，从而具有一些与传统数字计算机不同的特点，具体有下面几点：（1）非线性映射从本质上而言，神经网络就是一个非线性系统，可以实现从输入空间到输出空间的非线性映射，具有较强的非线性信息处理能力。工程界普遍面临的问题就是寻求输入空间到输出空间之间的非线性关系模型，神经网络可以很好地模拟大部分无模型的非线性系统。（2）固有的并行结构神经网络在结构上是并行的，在信息处理顺序上也是并行的，神经网络同一层内的神经元都是同时工作的。因此，利用超大规模的集成硬件实现的神经网络可以大大提高信息处理速度。（3）泛化能力神经网络的泛化是指对不在训练样本集中的数据，网络也可以产生合理的输出。神经网络信息分布存储的特征，使之对外界输入信息和输入模式具有联想记忆的能力。（4）容错性神经网络具有天生容错的能力（也称鲁棒性），即其性能在不利于运行的条件下是逐渐下降的，如果一个神经元或者神经元的连接被损坏了，则存储模式的记忆能力将会降低。由于神经网络信息分布式存储的特性，在网络的严重恶化之前这种破损是分散的。因此，神经网络的性能是一个缓慢变化的过程而不是灾难性的改变。为确保神经网络的容错性，在设计神经网络的算法时应进行正确的度量。（5）自适应性由于神经网络经过学习可以调整自身的突触权值和阈值，从而具备适应外界变化的能力。神经网络的自适应性主要体现在学习性、可训练性、自组织能力以及推理能力这四个方面。2.2神经网络原理2.2.1神经网络基本结构单元神经元是神经网络的基本单元,它类似于生物体的神经系统基本单元,神经元是一个多输入单输出的结构,其功能是模拟生物神经元最基本的特征，图1为6神经网络中的第i个神经元的结构示意图。神经元是一个多输入、单输出的非线性元件,其输入输出关系可以描述为1()nkikiikfpwyb（1）其中，i12n={,,...,}pppP为的输入信号,ib为神经元单元阈值,ikw为神经元的连接输入信号的权值，n