探究基于BP神经网络的模拟电路故障诊断

徐吟琼

苏州大学，江苏苏州 215000

探究基于BP神经网络的模拟电路故障诊断

徐吟琼

苏州大学，江苏苏州 215000

电子设备的种类越来越丰富，其复杂性也越来越高，相关调查显示电子设备中80%以上的故障都来自模拟电路。本文概括了BP神经网络的模式识别特点和用于模拟电路故障诊断的原理，并应用BP神经网络改进算法进行模拟电路的故障诊断。

模拟电路；BP神经网络；故障诊断

随着电子器件复杂性的提高，模拟电路的故障诊断也越来越复杂。传统的诊断方法已经不能满足要求，人工智能理论的出现使得模拟电路故障诊断成为了一项新的研究领域。

1 基于神经网络的故障诊断原理

基于神经网络的故障诊断可以看作模式识别问题，通过对一系列的过程参量的测量，应用神经网络将测量空间映射到故障空间，从而实现故障诊断。

BP神经网络一般指基于误差反向传播算法的多层前馈型神经网络，采用Sigmoid型可微函数，能够实现输入和输出间的任意非线性映射。BP网络用于模拟电路故障诊断首先要确定电路的待测状态集，然后求电路处于其中一种状态时的响应必要的预处理，作为对应状态类的一个特征。对状态集中的每一类状态，都按照同样的方法获取大量的特征，从这些特征中选择有代表性的特征，构成训练样本集。然后，用这些样本训练与所求问题相对应规模的BP网络。训练时，把状态特征输入到BP网络的输入节点，要求网络的输出能正确的指出电路状态所属类别。实际电路诊断时，将与样本相同的激励施加给被测电路，得到相应的特征并输入到已经训练好的BP网络，BP网络判断出电路中的故障并进行定位。诊断流程：1）提取故障样本：通过电路仿真软件对给定的模拟电路进行仿真，得出各种状态数据；2）特征参数提取：对状态数据进行特征参数分析；3）网络结构优化：根据输入数据的特点和系统需要的结果显示形式分别确定输入层和输出层的节点数；4）训练与识别；训练已知样本，训练成功后，输入待识别的故障信号，即可得到识别结果。

2 诊断实例

图1 待测电路图

表1 模拟电路故障字典

本例应用BP神经网络对模拟电路的部分元件进行诊断，图1为待测电路。电路发生故障时，测试点电压的变化情况能表征出故障特征，表1为建立的模拟电路故障字典。

根据表1所示的故障字典，可将其转化为前馈神经网络的输入节点（见表2）和输出节点（见表3）。其中，前馈网络的输入节点等于电路的测点数4，并根据测点实际意义确定其取值范围为[0V，5V]，测点的高低水平按正常情况分别设为[2.4V，5V]和[0V，0.7V]。网络的输出节点根据故障类型确定为3个，分别用（0 0 0），（0 1 1），（1 1 0），（0 0 1）和（1 0 0）表示各故障类型 ，相邻两故障差为3（十进制）。根据输入、输出节点情况，以蒙特卡罗分析方法可构造出相应的训练样本集和测试样本集，分别包括输入数据P和输出数据T。

表2 神经网络的输入节点

表3 神经网络的输出节点

依据训练和测试样本集，首先确定BP神经网络的输入层节点数n=4和输出节点数l=3。按照有关设计策略，分别在不同隐层节点m=9,10,11,12,13下设置对应的BP结构，并在相同的训练样本集和测试样本集条件下进行训练和测试。由于训练方法的随机性，在每种结构状态下分别训练5次，然后取各个BP诊断模型的正确识别率的平均值，相应的运算结果如下表（表4）所示。

表4 不同参数的BP模型诊断结果

分析上表数据可得，当选取隐层节点=11时，测试样本诊断正确率可达95%，诊断识别率很高，诊断效果很理想。

3 结论

将BP神经网络应用于电路故障诊断相比传统方法有更高的正确诊断率，本文中仿真实验表明，这一方法对模拟电路软故障的诊断正确率很高。

TN752

A

1674-6708（2010）30-0263-01