容差模擬電路的軟故障診斷

1、Evaluation Warning: The document was created with Spire.Doc for .NET.容差模擬電路的軟故障診斷中心議題： 容差模擬電電路的軟軟故障診診斷 解決方案： 將電路的各各種故障障狀態(tài)及及正常態(tài)態(tài)對應(yīng)的的理論值值用PSSpicce仿真真求出 用小波變換換從輸出出采樣信信號中提提取故障障特征并并對特征征向量進進行歸一一化 自20世紀紀70年年代以來來，模擬擬電路故故障診斷斷領(lǐng)域已已經(jīng)取得得了一定定的研究究成果，近近年來，基基于神經(jīng)經(jīng)網(wǎng)絡(luò)技技術(shù)的現(xiàn)現(xiàn)代模擬擬電路軟軟故障診診斷方法法已成為為新的研研究熱點點，神經(jīng)經(jīng)網(wǎng)絡(luò)的的泛化能能力和非非線性

2、映映射能力力，使之之能夠適適用于解解決模擬擬電路故故障診斷斷中的容容差和非非線性問問題，但但在軟故故障實際際檢測中中，由于于不同的的分類故故障之間間又不可可避免地地存在著著模糊性性，即不不同的分分類故障障可能有有相同或或相近的的故障特特征向量量，而這這僅僅靠靠神經(jīng)網(wǎng)網(wǎng)絡(luò)的泛泛化能力力是無法法解決的的。而量量子神經(jīng)經(jīng)網(wǎng)絡(luò)被被認為是是一種具具有固有有模糊性性的網(wǎng)絡(luò)絡(luò)，它的的隱層單單元采用用多量子子能級變變換函數(shù)數(shù)，每個個多能級級變換函函數(shù)是一一系列具具有量子子間隔偏偏移的SS型函數(shù)數(shù)之和，能能將決策策的不確確定性數(shù)數(shù)據(jù)合理理地分配配到各類類故障中中，從而而減少故故障識別別的不確確定度，提提高模式式

3、識別的的準確性性。文章章提出了了容差模模擬電路路軟故障障診斷的的小波與與量子神神經(jīng)網(wǎng)絡(luò)絡(luò)方法，利利用MoonteeCarrlo分分析解決決電路容容差問題題，又利利用小波波分析，取取其能反反映故障障信號特特征的成成分做為為電路故故障特征征，再輸輸入給量量子神經(jīng)經(jīng)網(wǎng)絡(luò)。不不僅解決決了一個個可測試試點問題題，并提提高了辨辨識故障障類別的的能力，而而且在網(wǎng)網(wǎng)絡(luò)訓練練之前，利利用主元元分析降降低了網(wǎng)網(wǎng)絡(luò)輸入入維數(shù)。通通過實驗驗可以看看出，這這種方法法不僅能能實現(xiàn)模模擬電路路單軟軟軟故障診診斷，也也能實現(xiàn)現(xiàn)多軟軟軟故障診診斷，實實驗統(tǒng)計計結(jié)果表表明：故故障診斷斷率為1100。1主主元分析析主元分分析即主主

4、成份分分析(PPrinncippalCCompponeentAAnallysiis，簡簡稱PCCA)，它它是最古古老的多多元統(tǒng)計計分析技技術(shù)之一一。主成成份分析析方法可可以將數(shù)數(shù)據(jù)從高高維數(shù)據(jù)據(jù)空間變變換到低低維特征征空間，因因而可以以用于數(shù)數(shù)據(jù)的特特征提取取及壓縮縮等方面面。其實實質(zhì)是將將研究對對象的多多個相關(guān)關(guān)變量轉(zhuǎn)轉(zhuǎn)化為少少數(shù)幾個個不相關(guān)關(guān)變量的的一種多多元統(tǒng)計計方法。它它基于KKarhhuneenLLoevve分解解，目的的是在數(shù)數(shù)據(jù)空間間中找一一組向量量盡可能能的解釋釋數(shù)據(jù)的的方差，通通過一個個特殊的的向量矩矩陣，將將數(shù)據(jù)從從原來的的高維空空間映射射到一個個低維向向量空間間，降維維后

5、保存存了數(shù)據(jù)據(jù)的主要要信息，從從而使數(shù)數(shù)據(jù)更易易于處理理。2小小波分析析小波變變換的含含義是：把一稱稱為基本本小波的的函數(shù)(t)做位移移后，再再在不同同尺度下與待待分析信信號(t)做做內(nèi)積33量子神神經(jīng)網(wǎng)絡(luò)絡(luò)NBBKaarayyiannniss等人119977年提出出多層激激勵函數(shù)數(shù)的量子子神經(jīng)網(wǎng)網(wǎng)絡(luò)，這這種量子子神經(jīng)網(wǎng)網(wǎng)絡(luò)是33層的網(wǎng)網(wǎng)狀結(jié)構(gòu)構(gòu)，輸入入層、隱隱層、輸輸出層，其其中輸入入層和輸輸出層與與傳統(tǒng)神神經(jīng)網(wǎng)絡(luò)絡(luò)無異，而而隱層的的量子神神經(jīng)元借借鑒了量量子理論論中量子子態(tài)疊加加的思想想，采用用多量子子能級變變換函數(shù)數(shù)，每個個多能級級函數(shù)是是一系列列具有量量子間隔隔(QuuanttumII

6、nteervaal)偏偏移的nns，個個Siggmoiid函數(shù)數(shù)的線性性疊加，稱稱之為多多層激勵勵函數(shù)。即即隱層神神經(jīng)元的的輸出可可寫為為為量子躍躍遷位置置，而量量子間隔隔取決于于躍遷位位置。量量子神經(jīng)經(jīng)網(wǎng)絡(luò)的的學習分分兩步，一一是對權(quán)權(quán)值的調(diào)調(diào)整，使使輸人數(shù)數(shù)據(jù)對應(yīng)應(yīng)到不同同的類空空間中，二二是對隱隱層的量量子神經(jīng)經(jīng)元的量量子間隔隔進行調(diào)調(diào)整，體體現(xiàn)數(shù)據(jù)據(jù)的不確確定性。4基于小波和量子神經(jīng)網(wǎng)絡(luò)的故障診斷原理采用小波與量子神經(jīng)網(wǎng)絡(luò)對模擬電路進行軟故障診斷的過程，與小波神經(jīng)網(wǎng)絡(luò)對模擬電路進行軟故障的過程相似：首先將電路的各種故障狀態(tài)及正常態(tài)對應(yīng)的理論值用PSpice仿真求出，然后用小波變換從輸出

7、采樣信號中提取故障特征并對特征向量進行歸一化；最后是狀態(tài)識別和故障診斷。其結(jié)構(gòu)如圖1所示：診斷過程：(1)構(gòu)造特征向量，提取能量特征信息：在pspice中對電路的每一種狀態(tài)進行瞬時分析，取500個采樣點，并對每一種故障模式進行300次MonteCarlo分析，在Probe窗口中選擇菜單ViewoutputFile，或直接在Probe內(nèi)選擇菜單FileExport將波形采樣數(shù)據(jù)存盤，可得到out節(jié)點的具體信息，將數(shù)據(jù)轉(zhuǎn)化為MATLAB數(shù)據(jù)文件，然后進行小波分析，在實驗中，經(jīng)分析與比較，小波選擇db2小波，對每個故障信號進行5尺度小波分解。得能量特征信息F=(ED5，ED4，ED1，EC5)。這里

8、可利用MATLAB中的sumsqr函數(shù)。從而得到網(wǎng)絡(luò)的訓練樣本集和測試樣本集。300次MonteCarlo分析，其中200次為訓練樣本，100次為測試樣本。(2)對測得的數(shù)據(jù)進行處理：在把小波分解系數(shù)序列能量輸入給神經(jīng)網(wǎng)絡(luò)之前，為了加快網(wǎng)絡(luò)收斂，有必要對數(shù)據(jù)進行歸一化處理，這里利用MATLAB中的premnmx進行歸一化。(3)確定量子與BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)：利用文獻3中算法建立量子神經(jīng)網(wǎng)絡(luò)。在實驗中，網(wǎng)絡(luò)的輸入節(jié)點數(shù)為小波分解系數(shù)序列能量個數(shù)，BP與QNN均為6，QNN與自適應(yīng)BP網(wǎng)絡(luò)均為3個輸出節(jié)點。隱層的選取及其它由設(shè)計者憑經(jīng)驗和試驗次數(shù)自行決定。本文經(jīng)過多次試驗，確定QNN與BP的隱

9、層節(jié)點均為(15，15)，QNN及BP的S型函數(shù)的斜率因子均設(shè)置為10，初始權(quán)值取為(-1，1)之間的隨機數(shù)，期望誤差為001，初始學習速率為0001，動量因子MC為090，QNN的隱層采用具有38個量子能級的量子神經(jīng)元。在訓練之前，利用主元分析降低網(wǎng)絡(luò)輸入維數(shù)，主元分析在MATLAB里用princomp函數(shù)。(4)訓練QNN網(wǎng)絡(luò)：自適應(yīng)BP神經(jīng)網(wǎng)絡(luò)在第2040步收斂如圖3，量子神經(jīng)網(wǎng)絡(luò)在第4810步收斂如圖4。(5)測試神經(jīng)網(wǎng)絡(luò)：為了檢驗已經(jīng)訓練過的QNN網(wǎng)絡(luò)與BP網(wǎng)絡(luò)的性能，現(xiàn)用測試樣本(測試樣本數(shù)據(jù)在輸入給神經(jīng)網(wǎng)絡(luò)之前也進行歸一化處理)對網(wǎng)絡(luò)進行測試，將測試樣本，輸入到已訓練好的BP神經(jīng)網(wǎng)絡(luò)、QNN神經(jīng)網(wǎng)絡(luò)，從統(tǒng)計結(jié)果可以看出，BP的平均診斷率為6667，而QNN的平均診斷率為100，QNN與BP相比，故障診斷率提高較多。從試驗可以看出：BP網(wǎng)絡(luò)對正常狀態(tài)和R1+50無法區(qū)分，而QNN對三個狀態(tài)都能正確區(qū)分，QNN網(wǎng)絡(luò)能夠?qū)P網(wǎng)絡(luò)無法分類的數(shù)據(jù)進行正確分類，比如說這兩組數(shù)據(jù)(281132816828121280932808900082)，(285202857928532285042850000087)，在實驗中，可以觀察到：QNN與BP在輸入、輸出、隱層相同的情況下，增加QNN的隱層神經(jīng)元的量子能級能提高故障診斷率，與BP