基于多级构架的模拟电路故障诊断实现.docVIP

基于多级构架的模拟电路故障诊断实现 　　【摘 要】本文利用仿真分析软件采集电路各种故障模式的特征数据，后将采集到的数据构造多层次的神经网络来进行诊断，最后使用虚拟仪器LabVIEW完成对整个流程的编程与控制，通过实际验证故障诊断正确率非常好。 　　【关键词】BP神经网络；多级构架；Labview 　　【Abstract】Characteristics of the data we use simulation software acquisition circuit failure mode analysis， the neural network structure of multi-level data collected for diagnosis， finally， using the virtual instrument LabVIEW to complete the programming and control of the whole process， through the actual verification accuracy of fault diagnosis is very good. 　　【Key words】BP Multilevel；Framework；Labview 　　0 引言 　　模拟电路故障诊断研究在军事领域率先兴起，随后在通讯、自动控制、电气化网络等领域掀起研究热潮，引起广大学者的兴趣，至今与电网分析和电网综合一起作为网络理论的重要分支[1]。国内外学者已提出的故障诊断理论和方法包括：神经网络、蚂蚁算法、主元分析、遗传算法、马氏距离、及其他故障诊断方法[2]。根据实际工作中对装备故障排除的方法与经验，本文在提出多级神经网络构造的思路上，并最终使用LabVIEW完成系统设计。 　　1 多级神经网络的模型 　　模拟电路的故障诊断可以看作是故障分类问题。BP神经网络用于故障诊断的原理是：通过分析确定电路故障集，选择电路测试点对某一或多种特征参数进行测量，根据得到的数据进行BP神经网络训练，经过训练的网络即可对故障数据进行判断，识别故障类型，但是往往会存在这样的问题，故障集内总有几个故障非常类似，只有少量参数有所区别，造成网络对这类故障的识别率不高，本文针对这种问题提出多级神经网络的来解决。 　　1.1 软件平台实现功能介绍 　　首先利用Pspice软件对电路进行器件灵敏度分析，找出器件故障时影响最大的参数，一般根据电路特性选择即可，如放大电路选择节点电压或信号幅值，锁相环电路选择节点电压或输出频率值等，然后利用蒙特卡罗分析功能（抵消器件容差的影响）对电路进行分析，输出故障数据到输出文件。 　　其次在Matlab设计程序对Pspice软件生成的数据进行读取，读取后的数据进行预处理后利用BP神经网络进行训练，训练完成后，利用训练好的网络对检验样本进行检验，利用诊断结果对故障模式进行再分类，组建成多个神经网络，以故障类型最多的神经网络为主网络，少的为子网络，并将子网络中的故障做为一类在主网络中进行体现。 　　最后，在Labview中利用MathScript节点实现对Matlab程序的调用，并通过图形化程序完成对多级神经网络的控制。 　　1.2 多级神经网络构建步骤 　　第一步：对样本数据进行神经网络训练。 　　第二步：用测试样本检验是故障诊断结果。 　　第三步：若诊断结果无错误则结束训练。若存在错误，对诊断错误的故障类型进行分析，找出差异特征参数集M，和共同参数集N。 　　第四步：将诊断错误的故障类型合为一类与其它故障类型组成主网络故障集，特征参数使用N，诊断错误的故障类型使用参数集M组成子网络，分别进行训练。 　　第五步：若诊断结果无错误则结束训练，对主网络及子网络进行参数记录。若仍有错误，返回第一步。 　　2 故障诊断实例 　　本文采用的一个典型负反馈放大器电路，如图1所示。电阻的容差范围取5%，信号源采用幅值0.1V，频率10Mhz的固定信号频率（与实际测试电路相符），V2为12V直流电压，R1=500k，R2=1k，R3=l0k，R4=2k，R5=0.5，R6=3k，R7=1k，R8=9k，R9=5k。 　　按照器件不同的故障类型，使用蒙特卡洛分析方法，对所有器件故障状态响应数据进行采集并分析数据，找到电路故障时比较灵敏的特征参数，同时确定电路故障集，最终找出确定14种故障模式：正常状态，R2开路，R3开路，R4开路，R5增大50%，R6开路，R7开路，R8开路，C4短路，Q4基极与发射极短路，Q5基极与发射极短路，Q4基极开路，Q5基极开路。 　　对样本数据进行BP神经网络进行分析后发现，故障11、12难以分辨故合为一类，差异主元为V