基于神经网络模拟电路故障诊断方法应用研究.docVIP

基于神经网络模拟电路故障诊断方法应用研究 　　摘要：随着微电子技术的迅猛发展，模拟电路的诊断研究领域面临挑战，本文研究旨在将神经网络和模拟电路故障诊断将结合，探求模拟电路故障诊断的方法，文中以某模拟电路为例采用MATLAB软件对样本进行训练，通过学习，调整网络阈值，向网络输入待识别的样本特征参数，计算出网络的输出值，仿真结果表明，利用神经网络的理论对模拟电路故障的诊断方法具有可行性和可靠性。 　　关键词：模拟电路 神经网络 故障诊断 　　中图分类号: TN707 文献标识码：A 文章编号：1007-9416(2011)11-0225-02 　　 　　1、引言 　　20世纪60年代初,人们就开始着手对电路故障自动诊断进行研究，模拟电路中的元件具有容差和非线性等原因，使得模拟电路的故障诊断复杂，发展较缓。而以非线性数学理论为基础的神经网络科学，为模拟电路故障诊断提供了新的思路。 　　神经网络是一种非线性动态运算模型，模仿人脑工作，突出的分布式存储和并行协同处理信息的能力，使它在复杂环境、未知背景、不规则问题方面得到了较广的应用，将神经网络应用故障诊断就是最好的例子，神经网络高度的自学习和自组织能力，使得这一运算模型具有全局性，这一特性成为故障诊断的有效手段，基于神经网络的模拟电路诊断方法以测试得到的过程参量为依据，通过神经网络模型将测量空间和故障空间建立关联，从而做出电路故障诊断。 　　2、神经网络 　　1986年Rumelhant和Mcllelland科学家提出的BP(Back Propag ation)神经网络,是一种按误差反传算法训练的多层前向网络,是当前使用最广泛的神经网模型,无需事前知道输入和输出之间的映射关系,能够进行自学习。 　　BP神经网络是由一个输入层、多个隐含层和一个输出层组成的多层前馈网络，如图1所示神经网络输入节点为是神经网络的第零层，不具备计算功能，各层节点表示具有计算功能的计算单元，图示网络由前至后依次为第1到第N层，构成m层前向网络，网络输出为，网络中的第一节点层和输出节点层为可见层，中间层称为隐含层，由上图看到，神经网络通常有一个或者多个隐含层。 　　BP神经网络在学习过程中分为正向和反向两个过程，信号样本值从输入层输入，经多层隐层处理后到达输出，这个过程是正向传输，当输出和期望值不一致时，信号转向反向传播，此时将输出误差通过多节隐层逐层向前传输，在这一过程中，输出误差会分摊到各层单元，这也作为修正各单元权值的依据，信号的正向传输和误差的反向传输共同构成了神经网络的学习过程，这个过程不断循环进行，权值逐步修正，最终使得误差达到一个可接受的值，正是由于这一学习过程，使得神经网络具备高度自我调整的能力。 　　通过上面的分析得出神经网络的误差是各层权值和输入样本的函数，如函数式1，误差函数E在多维空间中是一个复杂曲面，曲面平坦的区域表示误差下降缓慢，对权值的变化不敏感，这个曲面中也存在凹凸，低凹点即函数的极小点，此处误差梯度为0，当模型训练过程中常会陷入这些极小点，很难收敛于给定值，标准的BP算法一种简单的快速下降寻优算法，它没有考虑到以前积累的经验，表现为收敛速度慢、出现局部极值等现象。 　　通过上面的分析得出神经网络的误差是各层权值和输入样本的函数，如函数式1，误差函数E在多维空间中是一个复杂曲面，曲面平坦的区域表示误差下降缓慢，对权值的变化不敏感，迭代次数增多，调整时间长，这个曲面中也存在凹凸，低凹点即函数的极小点，此处误差梯度为0，当模型训练过程中常会陷入这些极小点，很难收敛于给定值，标准的BP算法一种简单的快速下降寻优算法，它没有考虑到以前积累的经验，表现为收敛速度慢、出现局部极值等现象。 　　将神经网络应用于电路故障诊断时，需要注意以下几个方面： 　　2.1 调整步长 　　标准BP算法中，步长（也称学习速率）是固定值，在模拟电路故障诊断过程中，就很难找出一个合适的值去适应整个电路网络的误差调整，结合前面误差曲面的分析，对于平坦区域，步长太小使得训练次数增大，这时希望值大一些；在凹凸区域，步长太大会出现跨过较窄的凹处，出现震荡训练，增加了迭代次数，不同的区域对步长有不同的要求，学习速率最好能够具备自适应的能力，加速收敛。比如可以根据网络总误差来调整:在网络经过一次权值调整后，若增加，则本次调整无效。若总减小，则有效。 　　2.2 增加动量项 　　标准BP算法在调整权值时，不考虑t时刻以前误差的梯度方向，只对t时刻的梯度下降方向做调整，这样的调整会使学习过程产生振荡，收敛变缓，为了改善这一情况，在权值项中增加动量项，如公式2，称为动量系数，定义动量项反映了以前积累的调整经验。当误差梯度出现局部极小时，虽然，但，使其跳出局部极小区域，加快迭代收敛速度。 　　2