模糊数学在模拟电路故障诊断中应用研究.docVIP

模糊数学在模拟电路故障诊断中应用研究 　　摘 要：为了研究模糊数学对于模拟电路故障诊断效果的具体影响，分别采用了BP网络和模糊BP网络建立电路故障诊断模型，对电路相同工作状态参数的诊断结果进行比较，得出了依据模糊数学进行数据预处理对提高电路故障诊断精度效果明显的结论。本文具体比较了模糊数学与神经网络结合前后对电路故障诊断精度的影响，突出了将模糊数学应用于数据预处理对建立高效诊断模型的重要作用。 　　关键词：模拟电路；故障诊断；模糊数学；BP网络；模糊BP网络 　　0引言 　　电路故障是指在规定的条件下，电路工作时它的一个或几个性能参数不能保持在要求的上、下限之间，其结构、组件、元器件等出现性能减退、老化、破损、断裂、击穿等现象，丧失了在规定条件和环境下完成所需功能的能力。 　　长期以来，学界对模拟电路工作特点的研究已相当深入，但对于故障诊断方法的研究却困难较大，这是由于模拟电路本身的特性决定的：1）输入激励和输出响应都是连续量，模拟电路中的故障模型复杂，量化难度大；2）模拟电路信号量程宽，不管电压、电流的量程还是频率都可达十几个数量级，测量难度大；3）模拟电路中的元器件参数具有容差，导致电路的故障状态的模糊性，而无法准确定位；4）模拟电路中存在广泛的反馈回路和非线性问题，使计算的难度更加复杂。因此，学界提出了许多模型和方法来完成对某些符合特定条件的模拟电路的故障诊断。其中神经网络法的使用就相当普遍，在硬和软故障诊断中都有应用，因为神经网络的技术优势针对模拟电路故障诊断有较好的适用性，这主要体现在：1）神经网络的大规模并行处理特点，大大提高了诊断效率；2）自适应与自组织能力使神经网络在学习和训练中改变权重值，发展出新的功能。同时，模糊数学也与神经网络相结合，这是利用了模糊数学对待诊断模拟元器件的故障不确定性进行量化处理，能够有效克服模拟电路元器件因为容差、非线性及噪声造成的电路参数模糊性。 　　本文的研究目的就是分别利用单纯BP神经网络和模糊BP神经网络的方法建立模拟电路故障诊断模型，利用电路仿真收集电路不同工作状态下的关键点电压，代入诊断模型并得到诊断结果。根据各网络的结果分析比较各诊断模型的优缺点，找出模糊数学对改进模拟电路故障诊断模型的具体表现。 　　1模糊神经网络的故障诊断模型 　　1.1典型模糊神经网络诊断模型介绍 　　图1显示的是一个典型的模糊神经网络模型，该模型由原始知识获取（Fundamental Knowledge Acquire,FKA）、特征参数处理（Characteristic Parameter Produce,CDP）、知识提取（Knowledge Extracted,KE）、经验知识库（Experience Knowledge Base,EKB）、学习样本集（Learning Sample Set,LSS）和模糊神经网络（Fuzzy Neural Networks,FNN）共6个模块共同组成，其工作流程是： 　　 　　图1 典型模糊神经网络诊断模型 　　1）原始知识获取模块通过对电路工作原理进行分析，模拟或仿真各类故障发生时输入和输出参数，从而获取原始知识（X，Y），将其传入知识提取模块中供系统学习，所得经验集存入经验知识库中； 　　2）将原始知识和已经存放在经验知识库中的经验知识（初始库可为空）一起输入学习样本组织模块中，进行学习样本的构建，合成训练样本集为（X1，Y1）； 　　3）将（X1，Y1）输入到模糊神经网络模块，学习训练，并在达到指定精度后停止； 　　4）将从模拟电路中获得的实测参数Xc输入至特征参数提取模块中，完成数据分析和处理，输出特征参数数据Xc； 　　5）将特征参数数据输入到学习收敛后的模糊神经网络中，进行诊断推理，得出诊断结果Yc； 　　6）将得到的实测数据集（Xc，Yc）输入学习样本组织模块，动态增强模糊神经网络的自适应能力； 　　7）将得到的实测数据集（Xc，Yc）输入知识提取模块，进行分析和处理，如能提取出经验知识，则归入经验知识库中[1]。 　　1.2模糊神经网络结构 　　模糊神经网络的结构应该包括4层，如图2所示。 　　模糊层的作用是将输入量进行模糊化。每一个模糊层节点对应一个该论域中的模糊子集和隶属函数。该层接收精确数值输入，经过模糊化计算得出对应的隶属度并输出。 　　 　　图2 模糊神经网络结构图 　　输入层、隐含层和输出层共同构成一个完整的神经网络。输入层不具有运算功能，它只是将所感知的输入值精确传递到神经网络中；隐含层的作用相当于特征检测器，提取输入模式中包含的有效特征信息，使输出层所处理的模式是线性可分的，该层节点是模糊神经元，与输入层间的连接权值是随机设定的固定值；输出层节点也是模糊神经元，与隐含层之间采用