|
1 引 言 模擬電路故障診斷自20世紀60年代開始研究以來，已取得很多成就，提出了故障字典法、故障驗證法、參數辨識法及網絡撕裂法等。 從自動測試的角度來講，一個好的診斷方法應該具有較少的測試點、較小的測后計算量、較高的故障定位率，而且對容差和測量誤差的魯棒性好并能測試軟故障等。但到目前為止，上述診斷方法中沒有一種能滿足所有這些要求。故障字典法因其所需測試點少，適用于各種類型的電路，被認為是目前能較好地應用于實際電路診斷的有效方法，但他只能診斷硬故障，且隨著故障狀態增多測后計算量急劇增加。通過算法的改進來提高診斷速度必然是有限的，因此當神經網絡興起后，很多學者借助其高速并行信息處理能力從根本上解決字典法因測后計算量大而無法實用的問題，并取得了很多成就。這些方法大部分都把研究的重點放在神經網絡算法的改進上，對訓練樣本特征的研究較少，即使考慮了優選訓練樣本，也沒有對軟、硬故障的樣本特征進行深入研究。本文通過對元件軟、硬故障的測量數據進行分析，找到了他們之間的共同性，從而把元件軟、硬故障數據統一成一個樣本數據，然后用于子網絡級故障診斷，既大大減少了訓練樣本的數量，又提高了訓練速度和診斷精度。 2 元件軟、硬故障特征統一性 設節點a，b，c為待測電路N的可及點，當電路中任一元件參數Xi的變化為△Xi時，由此而引起的節點電壓Va，Vb，Vc的改變量分別為△Va，△Vb，△Vc。由容差模擬電路節點電壓靈敏度序列守恒定理可知，|△Va|，|△Vb|，|△Vc|的大小關系不隨Xi的變化而改變，且有： 當參數Xi發生不同的變化時，對待測電路進行第i次測量和第j次測量得到a，b，c三點的電壓改變量分別為△Vai，△Vbi，△Vci和△Vaj，△Vbj，△Vcj，他們間有如下關系： 3 診斷實例 電路如圖1所示，其中R14為非線性元件，R1=R3=R6=R10=2 kΩ；R4=R9=R12=510 Ω；R2=R8=R11=R13=1 kΩ；R5=R7=200 Ω，線性元件容差均為±5％；電路中節點1，3，5，6，8可及，在節點3，5，0處將電路撕裂為3個子網絡。 3.1 原始數據集的產生 對圖示電路，在節點1施加10 mA的直流激勵，取全部可及點作為測試點，對各元件故障情況進行仿真。所得數據見表1，其中只列出其中3個元件部分代表性數據。 3.2 數據分析及預處理 在取得了原始數據后，需進行數據的分析及預處理，目的是使變換后的數據特征更為突出，而且數據更易于神經網絡的學習和訓練。通過對原始數據的觀察和計算，可以證明不論參數發生什么變化，節點電壓改變量之間的相對變化量是恒定的，即元件的軟、硬故障特征是統一的。同時，為了便于神經網絡的學習和訓練，還需對數據進行尺度變換。 令BP網絡的輸入特征向量為： xi為經尺度變換后的第i個輸入特征值； Pi為原始數據中的第i次測量值； Pimin為原始數據第i次測量值中的最小值； pimax為原始數據第i次測量值中的最大值。 經過如上的規范化處理后，對各待測狀態，其特征向量的每個分量都被規范化在閉區間[=0.5，0.5]內。因此，神經網絡的輸入范圍對原點對稱。經過規范化處理后的數據也列在表1中，這些數據的絕對值幾乎相等，進一步驗證了上述結論。 3.3 統一樣本集的構造 由于同一元件在不同故障狀態下的輸入特征相同，所以只選取每個元件的一種故障狀態信息構成神經網絡的訓練樣本集，從而使得訓練樣本數量大大減少，加快了訓練的速度。 3.4 神經網絡的訓練與測試 選各元件對應的故障特征向量作為BP網絡的輸入樣本，并令網絡輸出代表待測的子網絡。這樣，網絡的輸入層為5個結點，輸出層為3個結點。對于隱層，根據Kol-mogorov定理：對于任意連續的函數φ，可以用一個三層網絡來精確地實現他，網絡的輸入層有m個單元，隱層有2m+1個單元，輸出層有n個單元。確定隱層結點數的理論值后，再通過試湊法對(L-δ，L+δ)區間內的數值進行仿真對比(其中δ∈N，L為理論隱層結點數)，從而得出神經網絡模型的最終隱層結點數。根據上面的敘述，可以確定網絡的隱層結點數理論值為11。為了得到最終的隱結點數，按照Kolmogorov定理，分別設置網絡隱結點數為9，11，13，經過訓練時間、精度等方面的比較，最終確定隱結點數為13。 經過規范化處理后，訓練樣本的數量大大減少，所以采用批處理法進行網絡的訓練。對應每一故障元件的測試數據，只選擇其中的兩個作為樣本數據，一個為元件參數增大方向的數據，另一個為參數減小方向的數據，他們分別對應相應子網絡的KCL值大于零(取值為0.5)和小于零(取值為-0.5)兩種情況。子網絡正常時，期望輸出為0(容差情況下輸出值介于±0.5之間)；子網絡故障時輸出為0.5(或-0.5)。訓練時，采用標準BP算法。訓練結束后，對網絡進行測試。 測試時選取了85個故障數據，BP網絡對其中80個故障診斷正確，5個錯誤，正確率為94％。這里需要指出的是，利用標準BP神經網絡對待測電路的所有可能故障(包括軟故障和硬故障)進行診斷，通過對診斷結果的觀察發現，網絡對大部分元件(包括非線性元件)的軟、硬故障的診斷正確率幾乎為100％，誤診斷集中在元件R2，R3故障時導致的子網絡1故障。經過分析發現，當R2，R3故障時，子網絡1的KCL方程值有 4 結 語 本文通過對元件軟、硬故障數據的研究，利用容差模擬電路節點電壓靈敏度序列守恒定理，統一了元件的軟、硬故障特征。BP網絡訓練時，只選擇元件的一種故障(軟、硬故障均可)數據作為訓練樣本，就可以達到診斷全部故障的效果，而且診斷正確率較高。但是本文所提方法仍沒有解決，故電容比比較小的情況下電路狀態的精確分類問題將在今后的研究中繼續完善。 |
