搜索
模拟电路故障诊断的神经网络方法综述杨宣访1,2方华京1(1.华中科技大学控制科学与工程系湖北武汉4300742.海军工程大学电气与信息工程学院湖北武汉430033)摘要以近年来国内外有关的文献报道为依据，对目前已经提出的各种基于神经网络的模拟电路故障诊断方法进行进行系统的归纳和分类，重点讨论了神经网络故障字典法和神经网络优化诊断法。指出模拟电路故障诊断的神经网络诊断法不能完全取代传统的诊断方法，并预测这类方法的发展趋势是应用小波变换、模糊控制和遗传算法等技术，克服神经网络本身的局限性，并解决神经网络结构的确定、数据预处理和训练样本集的优选等问题。关键词：神经网络模拟电路故障诊断中图分类号:TM131文献标识码：AASummaryofTheNeuralNetworkApproachtoAnalogCircuitFaultDiagnosisYangXuanfang1,2FangHuajing1(1.HuazhongUniv.ofSci.&Tech.Wuhan430074China;2.NavalUniv.ofEngineering,Wuhan430033,China)Abstract:Thispapergiveasummaryoftheneuralnetworkapproachtoanalogcircuitfaultdiagnosisbyanalyzingtheconcernedliteraturespublishedinrecentyears.Everyneuralnetworkapproachissummarizedandclassifiedbyitstheory.Theneuralnetworkfaultdictionaryapproachandneuralnetworkoptimizediagnosisapproacharediscussedasemphases.Itispointedoutthattheneuralnetworkapproachcannotsubstituteclassicalapproachforanalogcircuitfaultdiagnosisabsolutely.Theresearchtrendofthisareaistheapplicationoftechnologiessuchaswavelettransform,fuzzylogicandgeneticalgorithmstoovercomethedisadvantageofneuralnetworkitself,fixonthestructureofneuralnetwork,preprocessdataandselectthetrainingsamplesets.Keywards:NeuralNetwork,Analogcircuit,Faultdiagnosis0引言模拟电路的故障诊断理论自1970年代中期开始研究以来，取得了不少成果，提出了很多方法，如故障字典法、故障参数识别法和K故障诊断法等。然而由于模拟电路故障诊断自身的困难，导致该领域的研究在相当长的一段时期内进展一直比较缓慢，前述经典的诊断方法在工程实践应用中都存在很大的局限性。近些年来，随着神经网络等人工智能技术的发展，模拟电路故障诊断的研究又开辟了一条新路，基于神经网络的模拟电路故障诊断方法已经成为新的研究热点。神经网络是一种非线性映射系统，由于其本身信息处理特点，如并行性、自学习、自组织性、联想记忆功能等，使其特别适合于处理那些传统的模式识别方法难以圆满解决的问题。早在1980年代末期起就有学者研究将人工神经网络应用到模拟电路的故障诊断中[1][2]，到目前为止已经提出了多种基于神经网络的模拟电路故障诊断方法，有些方法如BP神经网络故障字典法已经能有效应用于滤波电路、模拟放大电路等非线性容差电路的故障诊断，效果优于传统的故障字典法。近年来国内外最新的研究热点是在该方法中引入小波变换、主元分析法、专家系统、模糊逻辑和遗传算法等新方法新技术，以克服神经网络本身的许多局限性，并解决神经网络结构的确定、数据预处理和训练样本集的优选等问题。尽管模拟电路故障诊断的神经网络方法已经取得了较大进展，但这方面综述性的文献却极少。基于这种现状，作者简介：杨宣访(1968)，男，湖北天门人，副教授，博士生，主要从事自动测试及电路系统的故障诊断方向的研究。方华京(1955)，男，湖北武汉市人，教授，博士生导师，主要从事神经网络、控制系统的故障诊断等领域的研究。本文对各种模拟电路故障诊断的神经网络方法进行系统的总结，按照神经网络应用原理的不同，将各种方法进行分类归纳，阐述各类方法的基本思想，分析比较各方法的特点，并对未来的发展趋势进行预测。1神经网络故障字典法神经网络故障字典法把模拟电路的故障诊断看成是一个分类问题，利用神经网络的分类功能来诊断故障。在测前把神经网络训练成一部故障字典，字典的信息蕴含在网络的连接权值中，只要输入电路的测量特征，就可以从其输出查出故障。目前用于模拟电路故障诊断的神经网络主要有BP神经网络和SOM神经网络两种类型。1.1BP神经网络故障字典法BP（ErrorBackPropagationNetwork）是一种多层网络误差反传学习算法，是目前应用最为广泛和成功的神经网络之一。应用BP神经网络故障字典法进行模拟电路故障诊断的具体步骤如下：(1)确定待测电路的故障集和状态特征参量，采用电路仿真或实验的方法获取电路每一故障状态下的状态特征数据，经筛选和归一化处理后构造训练样本集。(2)设计BP神经网络并进行训练。根据实际需要和经验设计神经网络的结构、参数和训练算法。然后用训练样本集中的样本训练好网络，即完成学习的过程。一般采用3层BP神经网络，输入层节点数与电路状态特征参量的维数相同，输出层节点数可与电路待测故障类别数相同，也可小于待测故障类别数（采用编码指示对应故障），隐层节点数则需按经验公式试凑。(3)实际诊断时给被测电路加相同的测试激励，将测得的实际状态特征参量输入到训练好的BP神经网络，则其输出即可指示相应的故障状态。在所有基于神经网络的模拟电路故障诊断方法中，BP神经网络故障字典法是研究最多最具实用价值的一种方法。文献[2]为一个直流放大电路建立BP神经网络故障识别器[2]，该识别器以测量信息为输入特征，输出结点分别与待测故障类对应，用于指示是否有相应故障。文献[3]用电路可及节点的电压增量作为故障特征，将BP网络训练成直流故障字典。文献[4]采用多频测试法提取非线性模拟电路频域故障特征，将BP网络训练成交流故障字典。文献[5]研究采用BP网络诊断容差非线性电路时，直流故障样本的优选问题。文献[6]以两个实际的滤波电路为例证，研究采用简单的神经网络建立交流故障字典时数据预处理技术及训练样本集的优选方法。所采用的技术和方法包括小波分解、归一化和主元分析法，利用SPICE进行电路仿真以选择故障特征，而神经网络训练样本集的原始数据则通过实际电路实验所获取。文献[7]采用改进的BP神经网络算法对一个实际的视频放大电路建立故障诊断字典，以电路可及节点电压作为故障特征，采用双隐层结构的BP神经网络，对BP网络学习算法的改进包括附加动量项和采用自适应学习速率法。这方面的研究还包括文献[8]～[11]。1.2SOM神经网络故障字典法SOM神经网络是芬兰教授Kohonen于1981年提出的一种自组织特征映射神经网络（SelforganizingFeatureMap），因此又称Kohonen网络。这种自组织特征映射神经网络通过对输入模式的反复学习，使连接权矢量空间分布密度与输入模式的概率分布趋于一致，即连接权矢量的空间分布密度能反映输入模式的统计特性。因此SOM网络能对输入模式自动分类，通过输入模式的自组织学习，在竞争层将分类结果表示出来。应用SOM神经网络建立模拟电路故障诊断字典的具体步骤如下：(1)确定电路的故障集和激励信号，通过仿真获取电路在每一故障状态下的状态特征向量，并进行预处理得到训练样本数据；(2)确定SOM网络结构。SOM网络只有输入层和输出层两层，没有隐层。输入层的形式与BP网络相同，其结点数应与电路状态特征向量的维数相同。输出层即竞争层的神经元一般采用二维平面阵结构排列，也可采用一维线阵或三维栅格阵的结构排列。采用一维线阵时，输出层结点数可与电路的故障类别数相同。(3)经过SOM训练形成具有容差的故障字典。SOM网络的学习算法可采用标准的Kohonen算法。可以看出，SOM网络法与BP网络法构建故障字典的方法步骤完全相似，但SOM网络法一般适用于交流电路，以电路响应的频域参量为状态特征，它能更有效地克服容差因素对故障定位的影响，但SOM网络法实际诊断时容易出现模糊故障集，诊断过程要比BP网络法复杂。文献[12]提出以电压源提供的电流信号为故障状态特征向量，采用SOM神经网络建立故障诊断字典的方法。文献[13]以简单的无源RC滤波电路为例，探讨应用SOM网络建立容差电路交流故障字典的方法。该方法将电路各故障状态下输出电压的冲激响应进行小波变换，得到与正常情况的能量差再进行归一化处理作为神经网络的输入，所设计的SOM网络输出层采用的是一维线阵结构。文献[14]以矩形波电压激励下的电源电流信号作为故障状态特征，采用SOM神经网络为一个CMOS电路建立分级诊断的故障字典，典型故障样本的提取采用了Montecarlo容差分析法。值得一提的是文献[15]提出为改善故障字典法中神经网络的结构和测后诊断速度，可以同时采用两种不同类型神经网络相级联建立故障诊断字典，并以一个梯形电阻电路为例，采用SOM网络加BP网络为其建立直流故障字典，效果优于单个神经网络故障字典法。1.3神经网络故障字典法的特点、难点及发展趋势同经典的故障字典法相比，神经网络故障字典法突出的优点是测后诊断速度快，实时性强，其原因是该方法利用了神经网络高度并行的信息处理能力。经典的故障字典法需要进行繁琐的模糊集分割处理，且一般只能诊断硬故障。而神经网络故障字典法由于神经网络的泛化能力和鲁棒性，可以诊断容差模拟电路，而且对软故障情况也有很好的应用前景。应用该方法的主要难点为：(1)神经网络的结构和参数等只能依据经验反复调试，难以确定所设计的神经网络是最优的；(2)数据预处理技术和训练样本集的筛选至关重要，神经网络故障字典法的诊断效果主要依赖于此。如何根据实际电路对原始数据进行预处理以突出故障特征信息，以及如何优选训练样本是需要深入研究的课题。目前对神经网络故障字典法的研究主要集中在上述两个方面。该方法发展的主要趋势是引入人工智能或其它的新技术新方法以解决上述难题，如采用遗传算法对BP神经网络的结构（隐层结点数）和具体参数进行优选[16]，避免靠经验确定这些参数的弊端，保证得到用于故障诊断的最优神经网络，从而提高故障诊断的精度以及建立诊断模型的自动化程度。而数据预处理技术则通常是采用小波分解和主元分析等方法。2神经网络优化诊断法传统的优化诊断法依据被测电路的解析关系，按照一定的判据（目标函数），估计出最有可能出现故障的元件。优化诊断法是一种测后模拟的逼近法，可在较少的测量数据下诊断故障，并避免了元件的容差问题，可以诊断软故障和多故障[17]。但传统的优化诊断法存在一个复杂的重复过程，需要多个优化过程和多次电路模拟，测后计算量很大。神经网络优化诊断法对传统方法进行改进，利用Hopfield神经网络的优化计算功能寻优，克服了传统的优化诊断方法测后计算量大、实时性差的缺点。由于该方法最终是通过求解元件参数或参数增量来判定故障元件的，因而又可称为神经网络参数辨识法。Hopfield神经网络是美国J.J.Hopfiled教授于1983年提出的一种完全互连的反馈网络，其中引入了“能量函数”的概念。其突出特点是具有求解优化组合问题的功能。神经网络优化诊断法的基本思想是将模拟电路的故障诊断方程转换为带约束条件的优化问题，然后利用Hopfield神经网络进行优化问题的求解。将优化问题映射到一种神经网络的特定组态上