神经网络在电路故障诊断方面的应用

【摘要】神经网络是一种具有优越的联想、推测、记忆功能，并且反应速度较快的网络技术，它能够通过调整电路内部大量节点之间相互连接的关系，达到诊断故障的目的，因此受到越来越多的人的关注，现已成为故障诊断的一种有效方法和手段。本文介绍了神经网络的相关知识，并且通过对于神经网络在电路故障诊断方面的具体应用，证明了神经网络在电路故障诊断方面的可行性与精确性。

【关键词】神经网络；电路故障诊断；应用

1.神经网络在电路故障诊断方面的应用

1.1 神经网络概述

神经网络是由大量的神经元连接而形成的复杂的非线性动态系统，是人脑各项功能的综合反映、简化和模拟，具有分布式存储、并行处理、高容错能力以及良好的自学习、自适应、联想、记忆等特点以及较强的故障分析与辨别的能力，因此广泛应用于电路故障的诊断。模拟电路故障诊断的主要任务是在已知网络的拓扑结构，输入激励信号，在电路可触及的节点上测得故障下的响应，以确定故障元器件的位置及其参数值①。

1.2 神经网络在电路故障诊断的应用

电路故障的征兆错综复杂，往往呈现出非线性和不确定性，因而很难用某一种固定的逻辑或算法和模式进行识别。随着电路复杂性的提高，人们越来越倾向于运用新的技术来监测电路故障，以增加设备的安全性和可靠性。神经网络是一种模拟人脑发现以及分析故障的较为实用的方法，具有多种模式及联想、推测、记忆功能，并且反应速度较快，因此特别适合应用于电路故障方面的诊断。在设备的正常运行过程中，利用神经网路对于整个系统进行监测可以大大的减少人力物力，保证设备系统的运行。神经网络在电路故障诊断方面的应用本质上是将不同的故障模式进行分类，然后通过分析进而定位故障元件。电路故障诊断主要包含三方面的内容：智能电路故障检测、智能电路故障隔离、智能电路故障辨识以及对电路故障的智能分析。

1.2.1 智能电路故障诊断

传统的电路故障的诊断方法主要有三种：故障字典法、故障参数识别法以及故障验证法，但是这三种诊断方法的抗干扰能力较差，实用性不强，已无法满足科技发展的要求，逐渐被时代所淘汰。目前，用于故障诊断的神经网络主要有BP网络、RBF网络、SUM和ART网络，而BP网络是最为常用于电路故障诊断方法，具有结构简单、可操作性强等优点。BP神经网络电路故障诊断的具体过程为：首先在以往故障经验的基础上，学习与记忆后建立有关电路故障的数据信息库，即一个智能的网络程序，通过参数的对比和推理，进而判断电路是否存在故障。换句话说，当正常的电路出现故障时，电路系统中的某些功能将会失效，引起各节点参数发生变化。BP神经网络可以模拟人类头脑，基于历史故障信息，智能的进行信息比对，得出故障原因。具体操作为（如图一所示）：首先分别将正常状态下以及常见故障状态下的数据作为样本输入到已经训练好的BP神经网络中，开始在各层之间传播分别得出结果，再根据BP神经网络记忆的信息对比，经过隐含层后，最终到达输出层，分析电路的实际运行状态，进而诊断出电路是否存在故障。

1.2.1.1 智能电路故障隔离

利用已训练好的BP神经网络的非线性映射能力，可以在电路发生故障的早期，智能的对于故障的电路进行隔离，从而防止重大事故的发生、减少经济损失。

1.2.1.2 智能电路故障辨识

在神经网路中每一节点的输出将会传送至下一层的所有节点，输入层节点不加任何作用地将输入信号传送到下一层。因此，通过已监测的数据，神经网络可以智能的辨识出电路中存在故障的类型是属于硬故障还是软故障，以便更快的找出解决方案。

(1)硬故障

硬故障是指故障元件的参数发生极端的变化，如短路、功率开关器件的开路和直通等故障，会使电路拓扑结构发生变化。一旦发生硬故障，则会导致电路系统停止工作，严重时整个系统也会完全瘫痪，造成较大的经济损失。

(2)软故障

软故障是指元器件的性能参数随着时问推移或受环境条件的影响而降低，如电阻阻值超出容差范围，一般软故障不会造成设备的完全失效。将已电路中的节点的电压输入训练神经网络，然后利用被测电路的节点电压测试神经网络以定位故障元件。这种智能的网络技术方法在软故障诊断方面的应用较为广泛。

1.2.1.3 电路故障的智能分析

首先，通过测试最佳节点电压，进行分析后得出电路故障的信息，然后对于信号进行采集同时提取特征向量。通过对已提取的特征向量进行归一化和特征关联，然后把它作为神经网络的输入空间，进而诊断出故障元件。笔者在电路故障诊断方面主要采用3层BP网络结构：即输入层、输出层和一个隐层。若被测电路元件具有N个输入，即输入层的测试节点为N，输出层的节点数为M代表M一1种故障和1种正常输出情况；隐层节点数的确定方法有很多种，可采用如下常用的经验公式：P=+L（P为隐含层节点数，L为1～1O之间的一整数）。

2.神经网络在电路故障诊断方面的诊断实例

图二模拟电路图的参数为：

R1=R2=R3=R4=R5=R6=R7=1k?，V1=10V，利用PSPICE得到模拟电路的节点电压，神经网络对应每种模式的3个神经元输入，分别为U1、U2和U3。通过表一，我们可以看到：故障集中故障类型A记录(0.9123，0.1926，0.3550)代表R3开路故障时U1、U2和U3的数值，经过SOFM训练后，分别用3，4，5输出神经元表示此故障.其中网络的最大输出神经元4为网络主神经元，其余两项为其邻域神经元.由于3，4，5神经元代表同类故障，用这样的一系列代码构成一个新的数据矩阵。R3开路故障特征量(0.9123，0.1926，0.3550)代入训练好的神经网络进行检测后，结果主神经元4输出为1，说明该电路的故障为R3开路，这表明利用神经网络可以达到诊断电路故障类型的目的。

经过运算，根据表二，当隐层单元数为11时，训练次数最少，为756次，这样神经网络的结构就确定了，输入层5个节点，隐层11个节点，输出层4个节点，训练最大次数设定为5000，虽然存在一定的容差，但是该神经网络经过训练后达到了均方误差小于0.001的要求，这表明电路故障诊断的准确性几乎达到100%，准确度极高，即能够成功诊断出电路故障。为了进一步提高神经网络故障识别的准确度，笔者建议采用更大容量的训练样本。

3.总结

电路中任何一个元件出现故障都可能导致其部分功能失效或者整个电路完全瘫痪，进而造成设备失灵，造成严重的事故。传统的故障诊断方法花费时间长、精确度低且效果不佳，因此人们一直不断探索和应用新的故障诊断方法和技术。神经网络的诞生为模拟电路故障诊断方面提供了新的手段，能够帮助人们快速找出电路故障的原因，进而节约人力物力。本文提出了在电路故障诊断中应用神经网络的方法，通过调整电路内部大量节点之间相互连接的关系，提取故障特征进行学习、记忆与联想，进而而快速精确的诊断出电路中是否发生故障。这种方法开辟了电路故障诊断的新途径。随着计算机网络技术的不断发展以及大规模集成电路的应用，人们的科技意识日益增长，神经网络模拟电路的应用领域更为广泛。但是，模拟电路的故障诊断还未完全实现自动化以及智能化，容差、噪声以及表达属性失真等问题一直存在，因而需要人们进一步的研究、探索和创新，不断的发现问题并且运用新的技术解决问题。

注释：

①康占成.模拟电路故障诊断方法浅析[J].山西大同大学学报(自然学科版),2007(08).

参考文献

[1]杨士元.模拟系统的故障诊断和可靠性设计[J].北京:清华大学出版社,1993.

[2]闻新,周露,力等.MATLAB神经网络应用设计[M]北京:科学出版社，2000.

[3]高泽函.电子电路故障诊断技术[J].西安:西安电子科技大学出版社,2004.

[4]辛秀华,杨宣访.现代模拟电路故障诊断方法综述[J].自动化与仪器仪表,2005.

[5]康占成.模拟电路故障诊断方法浅析[J].山西大同大学学报(自然学科版),2007.

[6]禹旺兵,彭良玉,禹恒州.基于小波分析和神经网络的模拟电路故障诊断方法[J].微电子学与计算机,2007.

[7]李明亮.基于神经网络的模拟电路故障诊断方法研究[J].硕士学位论文,北京:中国地质大学,2007.

[8]梁瑞胜,孙有,周希亚.小波包变换和神经网络的某型导弹故障诊断方法研究[J].海军航空工程学院学报,2008.

[9]冯志红,林志贵,王炜.基于信息融合的模拟电路故障诊断方法分析[J].电子测量与仪器学报,2008.