模拟电路融合智能故障诊断探究.docVIP

模拟电路融合智能故障诊断探究对模拟电路的故障进行诊断是在20世纪60年代最开始出现的,直到20世纪70年代,已经有了丰富的理论基础。但是由于模拟电路出现的故障的元件参数的非线性、离散性和多样性的原因,因此模拟电路的故障诊断理论还有待于进一步的发展。直到20世纪90年代,因为智能技术的不断发展和深入,模糊理论、神经网络理论等对模拟电路进行诊断的方式开始出现,数据融合的技术成为处理智能信息技术核心工具。 1融合诊断模型 要使模拟电路的可测试性得到提高,就应该通过增加测试信息、测试节点和优选激励等方式实现。从理论的角度上来说,假如模拟电路具有十分理想的拓扑结构,那么只需要选择数量较少的测试点就可以对较多的故障进行诊断。但是从可测试性的角度出发,我国目前在实际电路之中,普遍存在着拓扑性不理想的现象,因此,在进行测试的过程之中,应该选择较多数量的可测试点,尽量避免子网络或至路故障无法预测的情况。为了对测试点不够的现象进行弥补,可以进行优选激励,在频域分析的基础之上,可以选择多种能够对故障特征进行反应的测试频率,使用这些频率的交流信号对模拟电路的故障特征进行提取。在时域分析的基础之上,可以使用噪声信号的方式对被测试的电路进行激励,最终使在激励信号之中存在的频率成分大于被测试的电路的带宽,同时保证在激励信号之中存在的频率成分有足够的幅度。对测试信息的数量进行增加,是使模拟电路的可测试性得到提高的有效方式,我国目前针对模拟故障进行的故障诊断一般通过抽取和测量节点的电压,对故障的特征进行提取,虽然节点的数量受到一定限制,尤其是在大规模和超大规模的集成电路之中,存在着选择的节点在总节点之中所占比例较低的现象。 在选择了适合的测试方法之后,应该对各种测试的数据采取规范化的处理方式,最终得到各种输入特征的数据,之后再输入神经网络,对模拟电路的故障情况进行初级的诊断。但是BP网络大多使用梯度下降的搜索式的计算方式,因此对初始权向量的变化十分敏感,很容易对极小的故障进行不适当的反应。和以往的搜索方式相比,遗传算法的鲁棒性更强,而且不受到函数连续性和可微性的影响,很容易在全局的范围之中得到最优性的诊断。 2遗传BP网络的故障分类器 因为BP网络具有外推力受限的特点,因此,如果将模拟电路在标称状态之中的故障情况作为整体的训练样本,很难与容差的情况相适应,最终使诊断的准确率大幅度的降低。同时,一旦模拟电路之中,某一个元件产生软故障时,其电路的测量时会和该电路在发生硬故障时的测量值有很大的差别,因为在硬故障特征基础上建立的网络很难在对软故障进行诊断的过程中使用。在一般的情况之中,如果在模拟电路之中的元件参数和正态分布相符合,依据统计学的相关原理,这些线性组合依然是正态分布之中的随机变量。对于模拟电路的硬故障来说,对有故障的电路进行实际测量之中得到的特征向量,可以将这种状态作为训练的样本,使用神经网络本身存在的容错性特征,在进行分类的过程之中,可以将在一定范围之中的样点归类为训练样本集。对于模拟电路的软故障来说,在对故障进行定位的过程之中,容差的扰动效应和特征参量的模成反比,因此,如果软故障的故容比较大,则很容易对故障进行定位,如果软故障的故容比较小,则很难对故障的定位进行分辨。因此,可以使用Monte -Carlo法随机的选择出数量较多的测试样本,再在随机样本之中选择出受到容差影响较大的样本,组成训练样本集。 BP网络的遗传算法优化,是使用遗传算法能够进行全局性搜索的特征,寻找最佳的网络结构和网络连接权。在BP网络较好的分类效果性能之中,对节点的连接权和数量进行优化。 3模糊诊断融合 使用模糊积分对多种分类器进行融合的过程之中,模糊测度会对融合函数的形成产生影响,因此,应该选择适合的模糊测度值,提高数据融合的分类性能。对于诊断系统来说,模糊密度值是对模拟电路进行故障诊断的重要依据,因此应该通过模糊诊断器的使用,对单独的遗传神经网络进行检验,提高故障识别的准确性。 4结语 本文综合了模糊技术、遗传算法和神经网络技术,在各种测试信息的基础之上取得诊断电路受到各种故障损害的可能性,在对每一种神经网络的输出信息的重要性进行考虑,在进行决策融合的过程之中使用模糊积分融合的方式,并对诊断方式的鲁棒性、快速性和准确性进行了验证。 参考文献 [1] 刘汝杰,袁保宗,庸晓芳.用遗传算法实现模糊测度赋值的一种多分类器融合算法[J]．电子学报,2002,30(1):145～147. [2] 何平,杨保华,王牟本.利模糊数据融合技术在系统故障诊断中的应用[J]．电机与控制学报,2004,30(1):51～55． [3] 清泉,杨奇逊,扬以涵．基于故障测度概念与证据理论的配电网单相接地故障多判据融合[