基于小波分析和人工神經(jīng)網(wǎng)絡(luò)的容差模擬電路故障診斷

基于小波分析和人工神經(jīng)網(wǎng)絡(luò)的容差模擬電路故障診斷摘要隨著電路網(wǎng)絡(luò)規(guī)模和結(jié)構(gòu)日趨復(fù)雜以及大規(guī)模集成電路的廣泛應(yīng)用，如何運(yùn)用高效的診斷技術(shù)對(duì)大規(guī)模容差電路進(jìn)行準(zhǔn)確的故障診斷是目前實(shí)際工程急需解決的問(wèn)題，也是模擬電路故障診斷理論的發(fā)展趨勢(shì)。經(jīng)過(guò)多年的發(fā)展，模擬電路故障診斷作為一門(mén)融合多個(gè)學(xué)科和領(lǐng)域的理論、技術(shù)和方法的綜合性學(xué)科，已經(jīng)形成了一系列的診斷理論和方法，但由于模擬電路的容差性、非線性以及其故障的多樣性和復(fù)雜性，使得目前診斷容差模擬電路的故障的方法還十分有限，所以還需要探索新的模擬電路故障診斷方法。近年來(lái)，小波分析理論和人工神經(jīng)網(wǎng)絡(luò)理論發(fā)展迅速，并在許多研究領(lǐng)域開(kāi)展了廣泛應(yīng)用。將小波分析理論和人工神經(jīng)網(wǎng)絡(luò)理論相結(jié)合應(yīng)用于模擬電路故障診斷為模擬電路故障診斷開(kāi)辟了一條有效途徑，這也是目前熱門(mén)的研究課題且倍受關(guān)注。本文以小波分析和人工神經(jīng)網(wǎng)絡(luò)為理論基礎(chǔ)，利用小波良好時(shí)頻局部特性，對(duì)模擬電路故障信號(hào)的進(jìn)行預(yù)處理，并提取故障信號(hào)的特征向量；利用人工神經(jīng)網(wǎng)絡(luò)模式分類(lèi)能力強(qiáng)的特性，對(duì)各類(lèi)故障進(jìn)行模式識(shí)別，并通過(guò)診斷實(shí)例證明了所提出方法的正確性。本文的主要?jiǎng)?chuàng)新內(nèi)容有以下幾點(diǎn)：一、研究了模擬電路故障診斷的人工神經(jīng)網(wǎng)絡(luò)方法，分析并闡述了應(yīng)用神經(jīng)網(wǎng)絡(luò)進(jìn)行模擬電路故障診斷的步驟；研究了應(yīng)用BP神經(jīng)網(wǎng)絡(luò)診斷模擬電路故障的優(yōu)勢(shì)和不足，提出了一種改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)模型并將這種改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)應(yīng)用用于模擬電路故障診斷。二、研究了基于小波分析的模擬電路故障診斷的方法，利用小波良好的時(shí)頻局部特性，對(duì)采集的模擬電路故障信號(hào)的進(jìn)行小波分析預(yù)處理，提取處理后信號(hào)的特征參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入樣本，并對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，從而實(shí)現(xiàn)對(duì)模擬電路的故障診斷，達(dá)到識(shí)別各種故障的目的。三、研究了基于S變換和小波神經(jīng)網(wǎng)絡(luò)的容差模擬電路故障診斷的方法，利用S變換時(shí)窗寬度隨頻率變化和良好的時(shí)頻局部特性，對(duì)模擬電路的故障信號(hào)進(jìn)行分析處理并提取特征向量；構(gòu)造了一種以小波基函數(shù)代替BP神經(jīng)網(wǎng)絡(luò)中的激勵(lì)函數(shù)的小波神經(jīng)網(wǎng)絡(luò)，以該神經(jīng)網(wǎng)絡(luò)為分類(lèi)器進(jìn)行模擬電路故障診斷；并研究了這種方法在噪聲干擾、故障特征向量重疊率高、測(cè)試節(jié)點(diǎn)不足的情況下進(jìn)行容差模擬電路故障診斷的效果。關(guān)鍵詞：小波分析；神經(jīng)網(wǎng)絡(luò)；故障診斷；容差模擬電路；特征提取正文我先開(kāi)始講講本文的主要工作，本文呢主要就是圍繞容差模擬電路故障診斷的主題講容差模擬電路故障診斷的人工神經(jīng)網(wǎng)絡(luò)和小波分析相結(jié)合的方法，然后對(duì)利用小波分析和S變換對(duì)容差模擬電路的故障信號(hào)進(jìn)行分析處理及其特征提取和人工神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行了研究。然后分成了5章來(lái)進(jìn)行具體的講解。第一章就是一些概述來(lái)歷啊什么的內(nèi)容，第二章呢就是一些簡(jiǎn)單的分析模擬電路故障診斷的主要難點(diǎn)及發(fā)展趨勢(shì)也闡述了模擬電路故障診斷的基本理論、基本方法及方法分2.3模擬電路故障的分類(lèi)及特征提取方法。這一節(jié)分成了幾個(gè)小節(jié)，第一個(gè)是模擬電路的故障類(lèi)型，講解了各種的故障類(lèi)型，不過(guò)值得注意的是，在實(shí)際工程應(yīng)用中，出現(xiàn)的故障并不一定完全唯一隸屬于上述哪一類(lèi)型的故障，實(shí)際發(fā)生的故障可同時(shí)屬于其中的一類(lèi)或幾類(lèi)的混合型故障。第二個(gè)是模擬電路故障診斷的模式識(shí)別法第三個(gè)是故障特征提取，這跟上一個(gè)有點(diǎn)相像。本章概述了模擬電路故障診斷的基本理論以及當(dāng)前存在的一些難點(diǎn)和待解決的問(wèn)題，介紹了從不同角度對(duì)模擬電路故障診斷的方法分類(lèi)，比較了各種方法的優(yōu)缺點(diǎn)和適用范圍。重點(diǎn)闡述了模擬電路故障診斷的模式識(shí)別方法，這種方法比傳統(tǒng)的模擬電路故障診斷方法更具靈活性和準(zhǔn)確性，而應(yīng)用這種方法的關(guān)鍵在于有效有效地提取各種故障狀態(tài)的特征，本章最后介紹了如小波分析、分形理論、粗糙集等幾種特征提取的方法。3．1人工神經(jīng)網(wǎng)絡(luò)的基本原理3.1.1人工神經(jīng)網(wǎng)絡(luò)理論的基本特性。人工神經(jīng)網(wǎng)絡(luò)之所以能應(yīng)用廣泛并受到廣大研究人員的重視，是因?yàn)樗哂幸韵聨追N優(yōu)良的基本特性：(1)并行式處理能力。(2)分布式處理能力。(3)非線性映射能力。(4)自適應(yīng)學(xué)習(xí)能力。(5)魯棒性。(6)分類(lèi)識(shí)別能力。因此，人工神經(jīng)網(wǎng)絡(luò)的優(yōu)良特性是顯而易見(jiàn)的，將人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于模擬電路故障診斷是十分有前景的。3．1．2人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與函數(shù)映射。神經(jīng)元是仿生神經(jīng)元的簡(jiǎn)化模型，在數(shù)學(xué)上可將它等效為一足多輸入、單輸出的非線性關(guān)系，即以下表達(dá)式：人工神經(jīng)網(wǎng)絡(luò)可以通過(guò)學(xué)習(xí)從輸入到輸出的樣本集來(lái)實(shí)現(xiàn)從輸入到輸出的線性或非線性映射關(guān)系，它的作用機(jī)制如圖3．1表示。通常神經(jīng)網(wǎng)絡(luò)的訓(xùn)練就是完成空間XN空間Y的映射F。3．1．3人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法。這里分為無(wú)監(jiān)督Hebb學(xué)習(xí)算法、Perception學(xué)習(xí)規(guī)則、算法、內(nèi)星／外星學(xué)習(xí)算法，除了這些算法以外，還有諸如模糊學(xué)習(xí)算法、強(qiáng)化學(xué)習(xí)算法、Boltzmann學(xué)習(xí)等等。3.2人工神經(jīng)網(wǎng)絡(luò)的基本類(lèi)型。3．2．1BP神經(jīng)網(wǎng)絡(luò)。一個(gè)單隱層BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程如下：(1)首先設(shè)置該網(wǎng)絡(luò)的各權(quán)值和閾值的初始值，分別為小的隨機(jī)數(shù)；(2)設(shè)置訓(xùn)練樣本，(3)計(jì)算實(shí)際輸出(4)計(jì)算隱層誤差，計(jì)算輸出層誤差(5)根據(jù)計(jì)算出的輸出和誤差進(jìn)行修正權(quán)值和閾值（6）迭代運(yùn)算。然后又說(shuō)了盡管BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用十分廣泛，但是它還是存在很多的不足之處。3.2.2徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)3．2．3Hopfield神經(jīng)網(wǎng)絡(luò)3.3這一節(jié)講的是模擬電路故障診斷的BP神經(jīng)網(wǎng)絡(luò)方法實(shí)例.這里我簡(jiǎn)單的講解一下，第一步：確定故障集。第二步、選擇測(cè)試節(jié)點(diǎn)并獲取以節(jié)點(diǎn)電壓值為元素的故障特征向量。第三步、訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)這一章主要就是介紹了人工神經(jīng)網(wǎng)絡(luò)理論的起源、發(fā)展和基本原理，闡述了人工神經(jīng)網(wǎng)絡(luò)基本特性、基本學(xué)習(xí)算法、結(jié)構(gòu)以及函數(shù)映射，介紹了一些認(rèn)同神經(jīng)網(wǎng)絡(luò)的常見(jiàn)類(lèi)型，并總結(jié)了這些人工神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點(diǎn)。講得是模擬電路故障診斷的小波分析方法。4.1這小節(jié)就是講了小波分析的基本原理、小波變換及其時(shí)頻特性及小波函數(shù)的基本類(lèi)型4.2基于小波的故障特征提取。4．2．1小波變換的分解與重構(gòu)。4．2．2特征提取的小波方法4．3基于小波變換的模擬電路故障診斷4．3．1診斷方法概述4.3.2診斷實(shí)例一：故障類(lèi)型的確定。二、對(duì)待測(cè)電路給予沖激信號(hào)作為激勵(lì)，對(duì)電路的輸出信號(hào)進(jìn)行0～20ms之間的采樣。神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的確定及其訓(xùn)練與測(cè)試。最后就是實(shí)際診斷數(shù)據(jù)講的是基于S變換的容差模擬電路故障診斷。5．1講了S變換的基本原理5．2講了故障特征提取的S變換方法5．2．1基于S變換的信號(hào)處理5．2．1特征提取5．3S變換在容差模擬電路故障診斷中的應(yīng)用5．3．1診斷方法概述然后后面的實(shí)例跟前面講過(guò)的基本上一樣。最后的第五章總結(jié)講來(lái)講去就是說(shuō)通過(guò)診斷實(shí)例證明，利用S變換對(duì)信號(hào)做預(yù)處理和小波神經(jīng)網(wǎng)絡(luò)相結(jié)合的模擬電路故障診斷的方法。能夠有效地提取被測(cè)電路的故障信號(hào)特征，簡(jiǎn)化了神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、提高了故障診斷的速度和準(zhǔn)確率，并且在噪聲干擾、故障特征向量重疊率高以及可測(cè)節(jié)點(diǎn)不足的情況下仍具有較高的故障識(shí)別準(zhǔn)確率。對(duì)于本次研究的總結(jié)就是，模擬電路故障診斷技術(shù)既面臨著電路結(jié)構(gòu)規(guī)模日趨復(fù)雜的挑戰(zhàn)，也面臨著以小波分析、人工神經(jīng)網(wǎng)絡(luò)等先進(jìn)理論方法為解決方案的機(jī)遇。隨著工業(yè)界和學(xué)術(shù)界在模擬電路測(cè)試與故障診斷方面的需求越來(lái)越大，本文所做將小波分析、S變換和人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的模擬電路故障診斷方法是很有價(jià)值的。參考文獻(xiàn)參考文獻(xiàn)太多就簡(jiǎn)單的列幾個(gè)，【1】朱大奇．電子設(shè)備故障診斷原理與實(shí)踐[M】．北京：電子工業(yè)出版社，2004，1：14-17【2】BerkowitzR．S．ConditionforNetwork-element—valueSolvablity．IRETrans．OnCircuitTheory,1962，15(9)：25—29【3】N．NavidandA．A．Willson．AtheoryandanAlgorithmforAnalogCircuitFaultDiagnosis．IEEETrans．onCAS，1979，26(7)：440-457【4】MallatS．MultiresolutionapproximationsandwaveletorthonormalbasesofLz(R)．Trans．Amer．Math．Soc．，1989，315：69-87【5】DaubechiesI．Orthnormalbasesofcompactlysupportedwavelets．Comm．OnPureandAppl．Math．，1988，41(7)：909-996[6】崔錦泰．小波分析導(dǎo)論．西安：西安交通大學(xué)出版社1995[7]DaubechiesI．TheWaveletTransform，Time-FrequencyLocalizationandSignalAnalysis．IEEETrans．OnInformationTheory，1990，36(5)：961—1005[8]MallatS．Atheoryofmultiresolutionsignaldecomposition：thewaveletrepresentation．IEEETransPatternAnal．MachineIntel．1989．11：674—693【9]MallatS．Multifrequencychanneldecompositionofimagesandwavelet