基于频率特性模拟电路故障分析.docVIP

基于频率特性模拟电路故障分析 　　【摘要】在分析神经网络模型的特点的基础上，提出基于频率特征进行神经网络模型的模拟电路诊断方法，通过模拟电路能量故障特征的提取、完成构造样本集、对输入输出数据进行灵敏度处理，不断完善神经网络设计，优化算法，结果表明基于频率特性的模拟电路故障测试达到预期效果。 　　【关键词】神经网络；模拟电路；频率特性；故障分析 　　近年来，电子技术、自动化技术得到了突飞迅猛的发展，模拟器件广泛应用于各种集成电路为核心的电子系统，随着科技进步、电子产业和社会生产的发展，电子系统的规模越来越大，结构越来越复杂，性能要求越来越高，体积尺寸要求越来越小，模拟电路电子元件的密集度和布线密度要求越来越高，当电路发生故障时，由于各种元器件精度存在误差，导致电路故障现象复杂多变，常规的检测仪器例如万用表、示波器等已经无法满足模拟电路故障检测需求，如何推动现代模拟电路故障诊断和测试的理论和研究方法的应用，已经成为重要的研究课题。笔者利用神经网络模型的原理，提出了利用频率特性对模拟电路的故障进行分析的方法。 　　1.神经网络模型特点 　　人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型系统，简称为神经网络。神经网络是一种运算模型，由大量的节点（或称神经元）和之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。神经网络拥有自主学习、联想记忆、非线性影射、识别判断、逻辑分析和智能处理等功能和优点，神经网络模型的特点和模拟电路结构高度吻合，为利用神经网络模型研究模拟电路故障提供了理论基础，1981年法国地质学家Morlet提出的小波神经网络具有较强的逼近能力和容错能力[1]。由于电子线路中存在模拟元件，模拟器件的精度，也就是容差，电路元件??数的变化是随机的、不确定的，只要是在容差范围内才是正常状态，小波神经网络成为现代模拟电路故障分析的有效工具之一。 　　2.神经网络模型的模拟电路诊断方法 　　当电路的工作状态发生异常时，必然会产生相应电源电流信号，产生的扫频信号呈现稳定的线性特征，通过待测样本的采样和处理，电路的工作状况可以根据各频带的能量故障特征进行提取，经过多次模拟学习训练的神经网络具备了数据分析判断能力，特征提取信息通过输出至小波神经网络中，经过数据分析判断处理，输出诊断结果。 　　2.1 基于频率特征的模拟电路能量故障特征的提取 　　按照电路中发生故障时损坏的元器件的数目来划分，可以将故障类型分为单故障和多故障。单故障是指电路中只有一个元器件发生故障的情况，多故障是指电路中有两个或者两个以上元器件同时发生故障的情况。据有关数据显示，模拟电路中70%—80%的故障为单故障形式[2]。发生单故障的电路，是整个故障诊断的首要任务，对于多故障电路，由于是两个以上的元件故障同时发生，这种故障的组合情况很多，比较复杂，不在这里讨论，本文只考虑单故障情形。根据实际情况，利用Orcad软件的PspiceAA高级分析对模拟电路进行Sensitivity处理，通过对待测样本采样，对绝对灵敏度和相对灵敏度进行处理，以便找出对测试节点贡献大的元件，从中选出坐标显示比例高即敏感度高的元件，将这些元件做为电路诊断的重点提取频率特征故障，并采用Pspice软件进行仿真，通过Pspice A/D仿真出测试点在某一频率段的电压值，对电压波形进行采样获得样本数据，将其分成训练数据和测试样本数据。对灵敏度的处理中利用小波变换把故障特征信息进行归一化处理，最后将这些处理后的信息在处理器中进行故障诊断和分析。 　　2.2 构造样本集 　　样本集的构造即对待测样本进行采样和处理是神经网络设计和训练的基础，样本数据选择的科学性和和对样本数据进行处理的科学性决定了神经网络设计的结果。样本集构造主要包括采样数据的收集，采样数据分析、筛选，和待测样本处理，然后提取输出频带的能量故障特征。故障特征值和故障模式构成神经网络的输入和输出序列[3]，即实现样本集的构建。 　　2.3 输入输出数据处理 　　输入量可以通过信号处理和特征提取技术从待测样本数据采样中获得的数据中提取频率特征参数作为网络的输入，根据电路输出的频率曲线，截取临界点对应的值，以其作为神经网络输入值。对输入数据进行归一化处理可以采用尺度变换和分布变换方法[4]。尺度变换是一种线性变换，当数据样本分布不合理时，线性变换可以统一样本数据的变化范围，却不能改变其分布规律，因而适用于分布均匀的数据样本，形成的分布曲线也比较平坦。