基于神經網絡的電路故障診斷

前言：想要寫出一篇引人入勝的文章？我們特意為您整理了基于神經網絡的電路故障診斷范文，希望能給你帶來靈感和參考，敬請閱讀。

摘要：研究神經網絡在電路故障診斷中的應用。通過分析故障的類型和神經網絡在故障診斷中的優勢，設計了一種利用神經網絡進行故障診斷的方法。通過實例分析，驗證了神經網絡在故障診斷中的有效性。

關鍵詞：神經網絡；電路分析；故障診斷；故障類別。

1引言

隨著設計理念和制造工藝地不斷發展，電子產品已經向小型化、智能化方向發展，這也給故障診斷帶來更加嚴峻地挑戰，由于傳統的故障診斷方法已經不能滿足發展的需求了[1]，因此急需研究開發出行之有效的新方法。神經網絡[2]是在對人腦網絡認識理解的基礎上構造的，是模仿人腦網絡結構和功能而建立的一種信息處理系統，是理論化的人腦網絡的數學模型。電路故障診斷[3]是一個非常復雜的模式識別問題，神經網絡由于其本身信息處理的特點，如并行性、自學習、自組織性、對外界輸入樣本有很強的識別分類能力以及聯想記憶功能等，使其能夠出色解決那些傳統模式識別方法難以圓滿解決的問題。

2故障的類型

對電子產品進行故障診斷，最基本的就是對電路的診斷，因此，首先要確定的就是電路的故障類型[4]。從對電路的影響程度來劃分，故障可以分為硬故障和軟故障；從故障的隨機性來劃分，可以分為永久型故障和間歇型故障。永久型故障即固定故障，不隨時間的變化而變化，一直固定在某種狀態不變間歇型故障即隨機出現的故障，電路有時正常，有時則出現了故障。硬故障即結構故障，是電路中元件的參數發生了極端變化的情況，包括橋接故障（BF，bridgefault）、開路故障（OF，openfault）、時滯故障等。軟故障即偏差故障，指電路元件的參數與正常情況相比，偏出了約定的容差范圍，但此時器件并非完全失效。

3神經網絡的電路故障診斷

神經網絡之所以在電路故障診斷中得到了廣泛應用，主要是因為它具有如下諸多優勢[5]。（1）學習能力。學習能力是神經網絡在故障診斷中的重要表現。通過對神經網絡的訓練可讀出故障的主要特征，表現出強大的適應能力。（2）聯想記憶能力。因為神經網絡具有并行計算和分布存儲信息的功能，所以它對輸入的特征信息具有聯想記憶的能力。這一能力使得它在模式識別、故障分類中起到了巨大的作用。（3）分類識別能力。因為神經網絡能夠很好地對非線性曲面進行逼近，所以它的分類識別能力要優越于傳統的分類器。對于樣本的分類實質上就是找到合適的分割區域，每個區域的樣本屬于一類。（4）非線性映射能力。由于神經網絡可以尋求輸入到輸出之間的非線性模型，即可實現輸入空間到輸出空間之間的非線性映射。因此，神經網絡可以很好地對電路故障進行診斷。從本質上說，電路故障診斷就是一個故障模式識別的過程，將正常電路及各種故障狀態下的特征信息輸入到神經網絡，運用神經網絡對這些特征信息進行學習、記憶，從而識別對應的故障模式，達到故障診斷的目的。診斷過程包括訓練階段和測試階段[6]，具體步驟如下。（1）首先在仿真軟件中對正常狀態及故障狀態進行模擬仿真，得到原始的響應信號，再對原始信號進行相關處理，作為神經網絡的訓練樣本。各種故障狀態對應的輸出模式，由故障數目來確定。根據輸入樣本和對應的輸出樣本來訓練神經網絡，達到訓練的目的。（2）神經網絡具有一定的泛化能力，不僅能夠識別已經訓練過的樣本，而且能夠通過聯想識別未出現過的樣本。加入相同的激勵，檢測實際特征，將此信息同樣經過信號處理，作為測試樣本送入神經網絡，最后根據網絡的輸出即可判斷時應的故障模式。神經網絡應用于具體的電路故障診斷，還有一些診斷過程中需要解決的關鍵問題。（1）測試節點的選擇。神經網絡進行電路故障診斷時，為了得到各種故障模式的特征信息，應選取有效的測試點。通過這些測試點的輸出信號，提取有效的特征信息，從而進行模式識別。雖然測試點的選擇標準不盡相同，但是都要遵循如下基本原則：①盡可能選取診斷能力強，同時故障隔離能力強的節點。②在滿足隔離要求的情況下，盡量少選取節點。③獲取節點信息時，不能影響到整個電路系統的正常工作及性能。（2）故障集的構造。因為電路中元件數眾多，故障模型地構成也各不相同，因此對所有元件、所有故障模型都進行診斷是不現實的。比較可行的辦法就是根據待測電路的特點和以往的經驗模擬若干個元器件，組成故障集。

4實例分析

通過一個555構成的單穩態觸發器電路進行仿真實驗。首先，設定電阻容差為10%，電容容差為5%，在容差范圍內對元器件的軟故障進行研究。其次，選取文獻[2]的無故障與有故障各50次蒙特卡洛分析結果，其中30次作為訓練樣本，20次作為測試樣本。最后，將訓練樣本集輸入到網絡結構為6-10-4的BP神經網絡進行訓練，測試樣本集輸入到訓練好的神經網絡即可得出故障診斷率。同樣地，為了加快訓練速度，采用附加動量自適應梯度下降法，訓練函數為traingdx，隱層傳遞函數為tansig，輸出層傳遞函數為purelin訓練目標為0.01，學習速率為0.01。可知20個測試樣本的診斷概率為95%，達到了預期的要求。

5結語

本文分析了電路故障的類型以及神經網絡在電路故障診斷中的優勢，設計了一種將神經網絡應用于故障診斷的方法，并通過555構成的單穩態觸發器電路驗證了理論的有效性，為實現更加快速、精確地故障診斷奠定了基礎。

參考文獻

[1]王青萍.集成電路中混合信號的測試[J].湖北第二師范學院學報,2009,26(02):86-89.

[2]王懷龍,潘強.基于電流測試的混合電路故障診斷[J].現代電子技術,2012,35(11):180-182.

[3]曹福全.深亞微米工藝下芯片的IDDQ測試技術的研究及應用[D].上海：華東師范大學，2008.

[4]徐翠鋒.基于I(DDT)集成電路故障診斷小波函數選擇[A].中國儀器儀表學會.2010中國儀器儀表與測控技術大會論文集[C].中國儀器儀表學會:《儀器儀表學報》雜志社,2010:3.

[5]王玲,杜慶東,楊雨迎,楊軍.基于BP神經網絡的裝備智能故障診斷技術研究[J].科學技術與工程,2011,11(06):1344-1347.

作者：蔣霖鋒 單位：北京一零一中學