神經(jīng)網(wǎng)絡(luò)在電子設(shè)備檢測(cè)中的應(yīng)用研究

林海英

（閩江學(xué)院 計(jì)算機(jī)科學(xué)系，福建 福州 350108）

神經(jīng)網(wǎng)絡(luò)在電子設(shè)備檢測(cè)中的應(yīng)用研究

林海英

（閩江學(xué)院 計(jì)算機(jī)科學(xué)系，福建 福州 350108）

本文針對(duì)電子設(shè)備中模擬電路容差因素對(duì)故障定位的影響，提出一種基于SOM自組織特征映射神經(jīng)網(wǎng)絡(luò)的組合式故障檢測(cè)法，并就其基本原理和實(shí)際應(yīng)用展開具體討論.實(shí)踐結(jié)果證明，該方法行之有效、實(shí)用性強(qiáng)、拓展性寬.此類故障檢測(cè)方法值得人們進(jìn)一步研究和探索.

神經(jīng)網(wǎng)絡(luò)；字典法改進(jìn)；容差問題；故障檢測(cè)

筆者在長期工作實(shí)踐中發(fā)現(xiàn)，電子設(shè)備中模擬電路容差因素對(duì)故障定位的影響是設(shè)備故障檢測(cè)最常見的難題之一，所謂容差是指因元件老化變質(zhì)或使用環(huán)境不當(dāng)，其參數(shù)超出了預(yù)定容差的范圍.而容差問題又是導(dǎo)致設(shè)備出現(xiàn)既不完全失效，又無法正常運(yùn)行，即難以檢測(cè)的設(shè)備軟故障的根本原因.實(shí)際上故障檢測(cè)就是一種典型的模式識(shí)別和分類問題.由于人工神經(jīng)網(wǎng)絡(luò)是模擬生物神經(jīng)系統(tǒng)建立起來的非線性動(dòng)力學(xué)系統(tǒng)，具有強(qiáng)大的分類能力和非線性映射能力，非常適合處理模式識(shí)別和分類，因此常被人們以或單一，或與其它故障檢測(cè)法聯(lián)合的方式來解決設(shè)備系統(tǒng)故障檢測(cè)中的各種難題.在適用于故障檢測(cè)的如SOM、BP、BAM、ART以及B樣條等多種神經(jīng)網(wǎng)絡(luò)中，SOM自組織特征映射神經(jīng)網(wǎng)絡(luò)是一種當(dāng)外界輸入不同樣本時(shí)，網(wǎng)絡(luò)能自動(dòng)完成功能相近神經(jīng)元的有序排列，與人腦神經(jīng)元的組織原理類似，具有良好泛化特性的的神經(jīng)元網(wǎng)絡(luò).雖然該特性能有效克服容差因素對(duì)故障定位的影響，但如果把SOM神經(jīng)網(wǎng)絡(luò)技術(shù)與傳統(tǒng)交流故障字典法有機(jī)地結(jié)合起來構(gòu)成一種組合式故障檢測(cè)方法，將會(huì)在解決故障檢測(cè)容差問題上獲得事半功倍的顯著效果.筆者將在下文中就基于SOM神經(jīng)網(wǎng)絡(luò)組合式故障檢測(cè)法的基本原理及實(shí)際應(yīng)用展開討論.

1 SOM網(wǎng)的拓?fù)浣Y(jié)構(gòu)與權(quán)值調(diào)整域

1.1 拓?fù)浣Y(jié)構(gòu)

SOM網(wǎng)共有兩層，分別是輸入層和輸出層.輸入層各神經(jīng)元通過向量將外界信息匯集到輸出層各神經(jīng)元.輸入層的形式與BP網(wǎng)相同，節(jié)點(diǎn)數(shù)與樣本維數(shù)相等.輸出層也是競(jìng)爭(zhēng)層，其神經(jīng)元的排列有一維線陣，二維平面陣，三維柵格陣等多種形式.最常見的是前兩種類型，輸出層按一維陣列組織是SOM網(wǎng)最簡(jiǎn)單的組織方式，如圖1（a）所示.輸出層按二維平面組織是SOM網(wǎng)最典型的組織方式，該結(jié)構(gòu)更具有大腦皮層的形象.輸出層的每個(gè)神經(jīng)元同它周圍的其它神經(jīng)元側(cè)向連接，排列成棋盤狀平面，如圖 1（b）所示.

圖1 SOM網(wǎng)的輸出陣列

1.2 權(quán)值調(diào)整域

SOM網(wǎng)采用的是Kohonen算法，算法原理為SOM網(wǎng)的獲勝神經(jīng)元對(duì)其相鄰神經(jīng)元的影響是由近及遠(yuǎn)，由興奮逐漸變?yōu)橐种?，不僅算法中的獲勝神經(jīng)元本身要調(diào)整權(quán)向量，它周圍的神經(jīng)元在其影響下也要不同程度地調(diào)整權(quán)向量.調(diào)整方式可用圖2中的三種函數(shù)表示，按順序分別稱為墨西哥草帽函數(shù)，大禮帽函數(shù)和廚師帽函數(shù)，如圖2中的(a)、(b)、(c)所示.其中墨西哥草帽函數(shù)表明獲勝節(jié)點(diǎn)有最大的權(quán)值調(diào)整量，鄰近的節(jié)點(diǎn)有稍小的調(diào)整量，離獲勝節(jié)點(diǎn)距離越大，權(quán)的調(diào)整量越小，直到某一距離R時(shí)，權(quán)值調(diào)整量為零.當(dāng)距離再遠(yuǎn)一些，權(quán)值調(diào)整量略負(fù)，更遠(yuǎn)時(shí)又回到零.墨西哥草帽函數(shù)表現(xiàn)出的特點(diǎn)與生物系統(tǒng)十分相似，但其計(jì)算上的復(fù)雜性會(huì)影響網(wǎng)絡(luò)訓(xùn)練的收斂性，因此在SOM網(wǎng)的應(yīng)用中常使用與墨西哥函數(shù)類似的簡(jiǎn)化函數(shù)，如大禮帽函數(shù)和進(jìn)一步簡(jiǎn)化的廚師帽函數(shù).

圖2 權(quán)值調(diào)整函數(shù)

以獲勝神經(jīng)元為中心設(shè)定一個(gè)鄰域半徑R，該半徑圈定的范圍稱為優(yōu)勝鄰域.在SOM網(wǎng)學(xué)習(xí)方法中，優(yōu)勝鄰域內(nèi)的所有神經(jīng)元均按其與獲勝神經(jīng)元之見相差的距離對(duì)權(quán)值進(jìn)行不同程度的調(diào)整.優(yōu)勝鄰域開始定得很大，但其大小隨著訓(xùn)練次數(shù)的增加不斷收縮，最終收縮到半徑為零.

2 SOM網(wǎng)的運(yùn)行原理與學(xué)習(xí)算法

2.1 運(yùn)行原理

SOM網(wǎng)的運(yùn)行分訓(xùn)練和工作兩個(gè)階段.在訓(xùn)練階段，網(wǎng)絡(luò)隨機(jī)輸入訓(xùn)練集中的樣本，對(duì)某個(gè)特定的輸入模式，輸出層會(huì)有某個(gè)節(jié)點(diǎn)產(chǎn)生最大響應(yīng)而獲勝，而在訓(xùn)練開始階段，輸出層哪個(gè)位置的節(jié)點(diǎn)將對(duì)哪類輸入模式產(chǎn)生最大響應(yīng)是不確定的.當(dāng)輸入模式的類別改變時(shí)，二維平面的獲勝節(jié)點(diǎn)也會(huì)改變.獲勝節(jié)點(diǎn)周圍的節(jié)點(diǎn)因側(cè)向相互興奮作用也產(chǎn)生較大影響，于是獲勝節(jié)點(diǎn)及其優(yōu)勝鄰域內(nèi)的所有節(jié)點(diǎn)所連接的權(quán)向量均向輸入向量的方向作程度不同的調(diào)整，調(diào)整力度依鄰域內(nèi)各節(jié)點(diǎn)距獲勝節(jié)點(diǎn)的遠(yuǎn)近而逐漸衰減.網(wǎng)絡(luò)通過自組織方式，用大量訓(xùn)練樣本調(diào)整網(wǎng)絡(luò)權(quán)值，最后使輸出層各節(jié)點(diǎn)成為對(duì)特定模式類敏感的神經(jīng)細(xì)胞，對(duì)應(yīng)的內(nèi)星權(quán)向量成為各輸入模式類的中心向量.并且當(dāng)兩個(gè)模式類的特征接近時(shí)，代表這兩類的節(jié)點(diǎn)在位置上也接近.從而在輸出層形成能夠反映樣本模式類分布情況的有序特征圖.

SOM網(wǎng)訓(xùn)練結(jié)束后，輸出層各節(jié)點(diǎn)與各輸入模式類的特定關(guān)系就完全確定了，因此可當(dāng)作模式分類器用.當(dāng)輸入一個(gè)模式時(shí)，網(wǎng)絡(luò)輸出層代表該模式類的特定神經(jīng)元將產(chǎn)生最大響應(yīng)，從而將該輸入自動(dòng)歸類.應(yīng)當(dāng)指出的是，當(dāng)網(wǎng)絡(luò)輸入的模式不屬于網(wǎng)絡(luò)訓(xùn)練時(shí)見過的任何模式類時(shí)，SOM網(wǎng)只能將它歸入最接近的模式類.

2.2 學(xué)習(xí)算法

對(duì)應(yīng)上述運(yùn)行原理的學(xué)習(xí)算法是Kohonen算法，其具體步驟如下：

（1）初始化

（2）接受輸入

（3）尋找獲勝節(jié)點(diǎn)

（4）定義優(yōu)勝鄰域Nj*(t)

以j*為中心確定t時(shí)刻的權(quán)值調(diào)整域，一般Nj*(0)較大（大約為總節(jié)點(diǎn)的50%~80%）,訓(xùn)練過程中Nj*(t)隨訓(xùn)練時(shí)間逐漸收縮.如圖3所示.

圖3 鄰域Nj*(t)的收縮

（5）調(diào)整權(quán)值

對(duì)優(yōu)勝鄰域Nj*(t)內(nèi)的所有節(jié)點(diǎn)調(diào)整權(quán)值

wij(t+1)=wij(t)+α(t,N)[xpi-wij(t)]i=1,2,…,n,j∈Nj*(t)

式中，α(t,N)是訓(xùn)練時(shí)間t和鄰域內(nèi)第j個(gè)神經(jīng)元與獲勝神經(jīng)元j*之間的拓?fù)渚嚯xN的函數(shù)，該函數(shù)一般有一下規(guī)律：t↑→α↓N↑→α↓，由此規(guī)律可得：α(t,N)=α(t)e-N，α(t)可采用 t的單調(diào)下降函數(shù)也稱退火函數(shù).

（6）結(jié)束判定

當(dāng)學(xué)習(xí)率α(t)≤αmin時(shí)，訓(xùn)練結(jié)束；若不滿足結(jié)束條件，則轉(zhuǎn)回步驟（2）繼續(xù).Kohonen學(xué)習(xí)算法的程序流程如圖4所示.

圖4 Kohonen學(xué)習(xí)算法程序流程

3 SOM網(wǎng)絡(luò)在設(shè)備電路故障檢測(cè)中的應(yīng)用

3.1 SOM網(wǎng)與故障字典法聯(lián)合進(jìn)行故障檢測(cè)的工作原理

思路：利用SOM自組織特征映射神經(jīng)網(wǎng)絡(luò)對(duì)傳統(tǒng)的交流故障字典法加以改進(jìn)，先將模擬系統(tǒng)的激勵(lì)響應(yīng)經(jīng)小波變換得到特征值，然后應(yīng)用SOM神經(jīng)網(wǎng)絡(luò)建立故障字典，進(jìn)行故障的快速定位.

故障字典形成：建立故障字典的過程實(shí)際上是設(shè)備故障檢測(cè)前的分析過程，該過程主要完成故障集和激勵(lì)信號(hào)的選擇；故障特征模糊域的分割；故障特征碼生成等工作.故障字典的形成步驟如下：

（1）在確定故障集、激勵(lì)信號(hào)后，通過現(xiàn)有的各種模擬電路的分析程序（如常用的PSPICE程序），仿真每一個(gè)故障狀態(tài)下模擬系統(tǒng)的沖激響應(yīng).

（2）利用小波變換，將每一個(gè)故障狀態(tài)下模擬系統(tǒng)的沖激響應(yīng)進(jìn)行處理，得到與正常情況的能量差，進(jìn)行歸一化處理，得到故障特征值.

（3）用SOM網(wǎng)絡(luò)建立故障字典.通過SOM訓(xùn)練后，形成具有容差且與故障特征值相匹配的故障字典.

SOM網(wǎng)的運(yùn)行：SOM網(wǎng)絡(luò)通過輸入模式的自組織學(xué)習(xí)，使連接權(quán)矢量空間分布密度與輸入模式的概率分布趨于一致，即連接權(quán)矢量的空間分布能反映輸入模式的統(tǒng)計(jì)特性并由若干神經(jīng)元同時(shí)（并行）將分類結(jié)果在競(jìng)爭(zhēng)層上反映出來.具體過程如下：

如果輸入樣本用xp表示，每個(gè)樣本xp的分量與輸入第i個(gè)神經(jīng)元相連，與輸出第j個(gè)神經(jīng)元之間的連接權(quán)為wij，其輸出為yj，則輸入輸出之間的關(guān)系為：

式3-1中，γ(yj)是非線性量，其效果是使輸出的變化速度變慢.競(jìng)爭(zhēng)就是比較xip與wij之間的相近程度，計(jì)算xip與wij的點(diǎn)積，從中找到點(diǎn)積最大的獲勝節(jié)點(diǎn)j*；定義優(yōu)勝鄰域Nj*(t)；網(wǎng)絡(luò)的訓(xùn)練過程即是wij的調(diào)整學(xué)習(xí)過程：

概況而言，SOM網(wǎng)的運(yùn)行全過程即是：利用自組織方法，通過樣本訓(xùn)練，調(diào)整網(wǎng)絡(luò)權(quán)值，最終達(dá)到使網(wǎng)絡(luò)的輸出能反映樣本數(shù)據(jù)分布情況的目的.

3.2 SOM網(wǎng)與故障字典法聯(lián)合進(jìn)行故障檢測(cè)的實(shí)際應(yīng)用

在此被檢測(cè)對(duì)象是某設(shè)備電路中一個(gè)無源線性網(wǎng)絡(luò)，其中元件參數(shù)如下：R1=1MΩ，R2=10MΩ，R3=2MΩ，R4=1MΩ，C1=0.01μF，C2=1000μF，C3=1000μF.

3.2.1 具有容差故障字典的構(gòu)建

利用PSPICE程序得到的模擬電路的輸出電壓，并采用蒙特卡羅分析法得到最壞情況下的容差.經(jīng)過小波變換提取各種故障的特征量，并進(jìn)行數(shù)據(jù)處理，形成具有容差的故障集特征向量.如表1所示.

表1 故障集特征向量

為了解決故障定位中的容差問題，此處采用了輸出層按一維線陣組織的SOM網(wǎng)絡(luò)，把故障集中各條記錄作為一個(gè)輸入模式，分別映射到一維處理單元上，經(jīng)過網(wǎng)絡(luò)訓(xùn)練后，每一個(gè)故障特征量以一個(gè)神經(jīng)元及其相鄰的兩個(gè)神經(jīng)元反映結(jié)果，使每個(gè)故障不僅僅依賴于故障集中的標(biāo)稱值，而且具有上下容差，形成故障字典.如故障集中（0.2712，0.3446，0.6588，0.5573，0.2449，0.0561） 數(shù)據(jù)代表故障C3正偏50%(C3+)，該故障數(shù)據(jù)經(jīng)過SOM網(wǎng)絡(luò)訓(xùn)練后，分別用（0.2542，0.3398，0.6661，0.5560，0.2404，0.0546）、 （0.2622，0.3402，0.6602，0.5612，0.2399，0.0547） 和（0.2653，0.3343，0.6483，0.5816，0.2283，0.0466）三組數(shù)據(jù)代表此故障，其中（0.2622，0.3402，0.6602，0.5612，0.2399，0.0547） 為網(wǎng)絡(luò)主神經(jīng)元，另兩者為其相鄰神經(jīng)元.從網(wǎng)絡(luò)的結(jié)構(gòu)看，與主神經(jīng)元及其相鄰神經(jīng)元相連的權(quán)向量代表此類故障，主神經(jīng)元代表最主要的特征.

3.2.2 故障特征量的再映射

經(jīng)過SOM網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)后，輸出神經(jīng)元興奮的位置與輸入樣本的大小有關(guān).即競(jìng)爭(zhēng)層可以在一維或二維處理單元陣列上，形成輸入信號(hào)的分布拓?fù)鋱D.為了使測(cè)試數(shù)據(jù)輸入網(wǎng)絡(luò)后快速、準(zhǔn)確定位，可進(jìn)行故障特征量的再映射.具體方法為：故障數(shù)據(jù) 標(biāo) 稱 值（0.2712，0.3446，0.6588，0.5573，0.2449，0.0561）經(jīng)過SOM訓(xùn)練后，對(duì)于網(wǎng)絡(luò)的最大輸入，神經(jīng)元7對(duì)應(yīng)的輸出為1，其相關(guān)神經(jīng)元為6和8，用7、6、8代表同類故障，也就是說，對(duì)訓(xùn)練后的網(wǎng)絡(luò)而言，如輸入的測(cè)試數(shù)據(jù)能使7、6、8這三個(gè)神經(jīng)元中的任一個(gè)興奮，就可將它歸為此類故障模式.這樣一來，用三個(gè)神經(jīng)元的標(biāo)號(hào)代表一種故障模式類，形成一個(gè)新的數(shù)據(jù)陣列，如表2所示，故障診斷時(shí)就可以直接對(duì)表2進(jìn)行數(shù)據(jù)查找，準(zhǔn)確快速地進(jìn)行故障分類了.

表2 故障數(shù)據(jù)分配結(jié)果

實(shí)踐證明，以上這種基于SOM自組織特征映射神經(jīng)網(wǎng)絡(luò)形成的故障檢測(cè)法，在對(duì)電子設(shè)備進(jìn)行一種或多種軟（主要由容差因素引起）、硬故障的有效識(shí)別和快速定位方面有很強(qiáng)的針對(duì)性和可行性.

4 結(jié)語

SOM神經(jīng)網(wǎng)絡(luò)最顯著的特點(diǎn)就是其自適應(yīng)功能，具體表現(xiàn)在當(dāng)輸入數(shù)據(jù)隨時(shí)間按某個(gè)統(tǒng)計(jì)分布變化時(shí)，系統(tǒng)仍能繼續(xù)模擬當(dāng)前輸入模式數(shù)據(jù)的分布，即使被測(cè)對(duì)象的運(yùn)行狀態(tài)出現(xiàn)了網(wǎng)絡(luò)學(xué)習(xí)過程中未曾考慮到的變化情況，網(wǎng)絡(luò)也能正確診斷，及時(shí)將新的數(shù)據(jù)并入網(wǎng)絡(luò)，從而實(shí)現(xiàn)網(wǎng)絡(luò)的自適應(yīng)診斷.此外，SOM網(wǎng)絡(luò)的速度極快，活化過程用的是單向前饋，而非多遍反饋的方式，因此，基于SOM網(wǎng)絡(luò)的故障檢測(cè)是一種很有潛力的診斷方法，值得人們深入研究和探討.

〔1〕Kohonen T.The self-organizing map.Proc.IEEE,1990:1464-1480.

〔2〕Kohonen T.Learning rector quantization.Neural Networks,1988,1(4):290-303.

〔3〕栗青，楊璐，劉一芳，等.神經(jīng)網(wǎng)絡(luò)技術(shù)在設(shè)備故障診斷中的應(yīng)用進(jìn)展 [J].沈陽工業(yè)大學(xué)學(xué)報(bào)，2004，26（2）：174-175.

〔4〕趙欣欣，王秋勤，等.神經(jīng)網(wǎng)絡(luò)理論在故障診斷中的應(yīng)用 [J].林業(yè)機(jī)械與木工設(shè)備，2011,39（10）：48-49.

〔5〕虞和濟(jì)，陳長征，張省，等.基于神經(jīng)網(wǎng)絡(luò)的智能診斷[M].北京：冶金工業(yè)出版社，2000.

〔6〕韓力群.人工神經(jīng)網(wǎng)絡(luò)理論設(shè)計(jì)及應(yīng)用（第二版）[M].北京：化學(xué)工業(yè)出版社，2007.

〔7〕王仲生.智能故障診斷與容錯(cuò)控制[M].西安：西北工業(yè)大學(xué)出版社，2005.

〔8〕朱大奇，史慧，等.人工神經(jīng)網(wǎng)絡(luò)原理及應(yīng)用[M].北京：科學(xué)出版社，2006.

TP183

A

1673-260X（2012）05-0040-05