基于PSO-RBF神经网络的模拟电路故障诊断研究

郭 珂， 伞 冶， 朱 亦

（哈尔滨工业大学 黑龙江 哈尔滨 150001）

当今社会，电子设备广泛应用于人们科研、生产、生活的各个领域。电子设备中的电路系统分为模拟电路和数字电路两个部分，数字电路由于输入输出信号比较规范，电路集成度高等自身特点决定了其出现故障的可能性较小，而且即使出了故障也比较容易诊断。理论分析和长期的实际使用经验均表明，虽然电子设备中数字电路部分超过80%，但80%以上的故障均来自模拟电路[1]，因此模拟电路故障诊断的研究具有重要意义。

笔者首先利用主成分分析方法对故障信息作特征提取，然后采用PSO算法优化RBF网络，最后将训练好的RBF网络模型用于模拟电路的故障。

1 基于主成分分析的模拟电路故障特征提取

主成分分析（Principal Component Analysis， PCA）实质是上把高维数据信息线性投影到低维子空间中，用维数较少且相互独立的新变量来表征原变量所提供的绝大部分信息，从而简化问题处理的难度并提高信噪比。采用主成分分析方法对原始故障数据集进行预处理，可以在不损失有用信息的情况下提取出故障本质特征向量。将提取出的特征向量送入RBF网络进行处理，由于训练数据的规模得到约简，因而可以简化神经网络的结构，提高网络训练速度进而达到提高诊断效率的目的。

假定模拟电路的每一故障模式对应有c个特征参数，每种故障模式有l个样本数目，构成一个l×c原始故障样本矩阵X。

其中：Xi=[xi1，xi2，…，xil]T，i=1，2，…，c。

根据PCA方法的基本原理，给出基于PCA的故障数据压缩及特征提取算法步骤如下：