电路板故障诊断中神经网络信息融合技术的应用.docVIP

　　电路板故障诊断中神经网络信息融合技术的应用|第1 ... 摘　要：将信息融合技术应用到导弹电子设备的电路板故障诊断之中，提出了一种基于红外热成像实验的温度故障隶属度函数构造形式以及改进的BP神经网络算法。进行了BP神经网络信息融合故障诊断的实验研究，从结果看信息融合能较好地解决电路板元件故障诊断的不确定性问题。 　　关键词：BP神经网络；信息融合技术；电路板；故障诊断 　　多传感器信息融合技术（Multi-Sensor Information Fusion，MSIF）是对人脑综合处理复杂问题的一种功能模拟。近十几年来，MSIF获得了普遍的关注和广泛的应用。其主要信息融合故障诊断方法有：Bayes推理、模糊信息融合、D-S (Dempster-Shafer)证据推理及神经网络信息融合等［1］。 　　导弹电子设备的故障检测与定位，一直是一个十分复杂困难的工作。在这方面，多传感器信息融合技术提供了一条崭新的途径，主要是由MSIF独特的多维信息处理方式决定的。我们将信息融合技术引入到导弹测发控系统CAMAC模件的故障元件诊断之中，通过测试电路板工作时电子元件的温度和输入输出测试向量两方面的数据信息，利用改进算法的BP神经网络进行数据融合，从而搜寻出故障元件。 1　神经网络信息融合方法 　　神经网络信息融合，是将神经网络引入信息融合之中，同时结合模糊集合论进行故障判断。其具体过程为：通过多传感器测试被诊断对象，求出每一传感器输出对各类故障的隶属度值，将所有传感器的故障隶属度值矢量作为神经网络的输入，网络输出即为融合后该症状属于各类故 障的隶属度值矢量。 1．1　网络结构的设计［2］ 　　人工神经元网络有多种网络模型，他们各有不同的应用范围和不同特性。其中BP（Back Propagation）网络较为简单，且具有强有力的自学习能力，高度非线性的映射能力和通过非线性函数（S型）的多次复合，以任意精度逼近任意连续函数的信息处理和模式识别能力，是目前被广泛采用的一种ANN模型，本文也采用了BP网络。 　　BP网络的结构设计分为两部分： 　　 （1）确定网络的层数。 　　 （2）确定每一层上的节点数。 　　在网络的结构设计中，分别对二层、三层和四层网络进行训练，发现网络的层数选取三层时，网络的估计误差较小，学习时间较短，因此网络的层数确定为三层。 　　网络的输入、输出节点数是由实际问题确定的。通过对CAMAC系统电路板被诊断元件以及传感器参数的实际情况的分析，确定网络的输入节点数为47个，分别对应多传感器各输出矢量；输出节点取24个，对应被诊断元件数。 　　网络的隐节点数选取到目前为止尚无完整理论指导。 隐节点数多，网络实现的映射复杂，网络的训练误差小；但如果网络的隐节点数过多，网络虽然对已知样本的训练误差小，但对未知样本的估计误差却增加。因此对于隐节点数的确定主要采用实验的方法，最终确定为20个。 1．2　BP算法的改进［3，4］ 　　考虑在实际应用中，网络的节点数较多，存在一些不足： 　　（1）网络学习训练收敛速度慢。 　　（2）由于他是一个非线性优化问题，因而不可避免地会遇到局部极小的问题。 　　（3）学习常数的选则较难。 　　在大量理论分析和实际运行的基础上，对BP算法做了以下改进： 1．2．1　误差函数的改进 　　从BP网络的学习训练原理可知，经过多次迭代后权值AC测试设备组成，比较复杂，出现问题后，单纯靠经验分析排除故障比较困难。对于CAMAC系统电路板而言，由于他们与CAMAC总线相连，如果仅仅依赖于其接口关系，对其进行故障检测与诊断，则可能会出现信息量不够的情况，因此这里考虑利用红外热成像技术用于对电路板故障诊断，这种非接触式检测手段不会因检测不慎使元件受损，同时他对电路板的可测性设计和测试连接设备无需提出额外要求［6］。 2．2　融合诊断原理 　　多传感器信息融合关键问题之一是各种故障信息的获取。对于本文研究的对象而言，电路板的输入输出响应可以作为故障信息源之一；另外，温度信号也反映了元件的故障信息。对电子电路系统某一特定元器件，当系统正常工作时，其元件的温度值是确定数值。当元器件出现故障时，一般地说其温度信号也会发生变化（无论是升高还是降低），偏差越大相对来说元器件出现故障的可能性会变大，因此，将温度信息作为故障的另一信息源。 2．3　隶属度函数的形式 　　隶属度函数主要由传感器本身的工作特性及被测参数的特性而定，电路板正常工作时，在环境温度一定的情况下，其芯片温度值是一稳定数值，当元器件出现故障时，一般地说其电压值会偏离正常范围，温度信号也会发生变化（无论是升高还是降低），偏差越大相对来说元器件出现故障的可能性会变大，依据对大量的实验结果的统计数据分析，隶属度函数μij（x）的分布如图2所示。