基于RBF神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷的研究*

李澤宇　吳文全

(海軍工程大學(xué)電子工程學(xué)院　武漢　430033)

?

基于RBF神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷的研究*

李澤宇吳文全

(海軍工程大學(xué)電子工程學(xué)院武漢430033)

摘要對于模擬電路故障診斷問題,由于存在著容差以及非線性等問題,傳統(tǒng)的診斷方法計算復(fù)雜,實用性比較差。神經(jīng)網(wǎng)絡(luò)作為現(xiàn)代故障診斷的代表方法,越來越受到人們的重視。常用的BP神經(jīng)網(wǎng)絡(luò)由于其收斂速度慢,結(jié)構(gòu)難以確定等不足,在診斷過程中往往不能達到滿意的效果。為了解決這一問題,論文提出了基于徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷方法。通過建立電路仿真模型,使用小波分解能量作為特征向量,利用RBF神經(jīng)網(wǎng)絡(luò)實現(xiàn)模擬電路的故障診斷。實驗證明,使用這一方法,可以有效實現(xiàn)模擬電路的故障診斷。

關(guān)鍵詞神經(jīng)網(wǎng)絡(luò); 故障診斷; 特征提取

Fault Diagnosis of Analog Circuit Based on RBF Neural Network

LI ZeyuWU Wenquan

(School of Electronic Engineering, Naval University of Engineering, Wuhan430033)

AbstractFor fault diagnosis of analog circuit problems, due to the existence of tolerance and non-linear problems, traditional diagnostic methods are complex and have relatively poor practicality. As a representative of the modern fault diagnosis method, more attention has been paid on neural network. Commonly used BP neural network has slow convergence, and is difficult to determine the structure and other issues, so ideal goal in the diagnosis process cannot be achieved. In order to solve this problem, this paper presents a method on fault diagnosis of analog circuit based on RBF neural network. Through the establishment of circuit simulation model, using wavelet energy as feature vectors, RBF neural network is used to achieve fault diagnosis of analog circuit. Experimental results show that this method can effectively implement fault diagnosis of analog circuit.

Key Wordsnetwork, fault diagnosis, feature extraction

Class NumberTP18

1引言

隨著電路診斷技術(shù)的發(fā)展,傳統(tǒng)的電路診斷方法已經(jīng)不能滿足現(xiàn)代復(fù)雜性高的電路需求[1]。傳統(tǒng)的故障字典法、參數(shù)識別法等方法由于存在容差的影響,在面對現(xiàn)代復(fù)雜電路上的實用性較差[2]。面對這種情況,將人工智能與電路診斷結(jié)合的智能診斷方法是未來故障診斷的發(fā)展趨勢。神經(jīng)網(wǎng)絡(luò)由于具有對信息的較強處理能力以及魯棒性等特點,因此在故障診斷中得到了廣泛的應(yīng)用,特別是近幾年有了新的改進。神經(jīng)網(wǎng)絡(luò)種類很多,其中BP神經(jīng)網(wǎng)絡(luò)因為其具有較強的非線性映射能力而適合解決故障診斷問題,在故障診斷中得到了廣泛的應(yīng)用[3]。然而BP神經(jīng)網(wǎng)絡(luò)同樣存在著許多缺點與不足,特別是其收斂速度較慢,結(jié)構(gòu)難以確定等問題。相比于BP神經(jīng)網(wǎng)絡(luò),RBF神經(jīng)網(wǎng)絡(luò)在分類能力和收斂速度上的表現(xiàn)均優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。本文構(gòu)造RBF神經(jīng)網(wǎng)絡(luò)進行分類診斷,實現(xiàn)了較好的故障診斷效果。

2RBF神經(jīng)網(wǎng)絡(luò)基本原理

2.1RBF原理分析

RBF神經(jīng)網(wǎng)絡(luò)是一個三層前反饋神經(jīng)網(wǎng)絡(luò),從輸入層到隱含層是非線性變換,從隱含層到輸出層是線性變換[3]。對于RBF神經(jīng)網(wǎng)絡(luò),如果確定隱含層神經(jīng)元數(shù)目,那么久可以將輸入矢量直接映射到隱含層空間,從而省略了權(quán)值連接。由圖1可以看出RBF神經(jīng)網(wǎng)絡(luò)由三層組成,輸入層由信號源節(jié)點組成;中間層是隱含層,根據(jù)實際狀況確定隱含層數(shù)量;輸出層是用來對信號進行響應(yīng),網(wǎng)絡(luò)的輸出是隱含層單元輸出的線性加權(quán)。其網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1　RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

其基本思想是用徑向基函數(shù)作為激活函數(shù),構(gòu)成隱含層空間。隱含層通過變換將低維的模式輸入數(shù)據(jù)變換到高維空間中,使得低維線性不可分問題轉(zhuǎn)化為高維的線性可分問題。徑向基函數(shù)是一種局部分布對中心點徑向?qū)ΨQ的函數(shù),它具有多種形式,徑向基函數(shù)的選擇之間存在一定的差異,會導(dǎo)致性能的變化[4]。常用的函數(shù)為高斯函數(shù),徑向基函數(shù)的表達式為

(1)

其中x是輸入向量,ci是第i個基函數(shù)的中心,σi是隱單元的寬度,m為隱層節(jié)點數(shù)。

輸出層采用線性優(yōu)化策略,調(diào)整線性權(quán)值,訓(xùn)練收斂較快,RBF輸出可以表示為

(2)

其中k為輸出層的節(jié)點數(shù),wij為連接隱含層和輸出層的權(quán)值。

2.2RBF學(xué)習(xí)算法

RBF學(xué)習(xí)算法需要確定隱層神經(jīng)元數(shù)量,確定對應(yīng)的基函數(shù)寬度以及數(shù)據(jù)中心[5]。RBF神經(jīng)網(wǎng)絡(luò)在確定這些參數(shù)后應(yīng)用偽逆法求解權(quán)重。其中K聚類方法是典型的學(xué)習(xí)算法,下面對這種方法作簡單介紹。

1) 對算法進行初始化,選擇t個不同的初始聚類中心,設(shè)置迭代步數(shù)為1,樣本從中隨機選取。

2) 尋找的訓(xùn)練樣本要與聚類中心的距離最近,即iXk需要滿足:

iXk=min‖Xk-Ci(m)‖,i=1,2,…,t,k=1,2,…,n

(3)

3) 計算調(diào)整隱節(jié)點的中心

(4)

4) 如果Ci(m+1)=Ci(m),即可判斷聚類結(jié)束,則聚類中心可以確定出隱節(jié)點的寬度。反之,則返回輸入樣本和中心距離的計算。由之前確定的節(jié)點寬度和中心,可以得到輸出權(quán)矢量w,這里可以使用偽逆矩陣方法直接計算得出。

3基于RBF神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷

RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)可以根據(jù)實際問題,在訓(xùn)練階段自適應(yīng)地調(diào)整,相比于BP神經(jīng)網(wǎng)絡(luò)有著更廣泛的適用性。RBF神經(jīng)網(wǎng)絡(luò)收斂速度快并且不存在陷入局部極小值的問題。由于RBF的諸多優(yōu)點,本文把它運用于模擬電路的故障診斷之中,在進行故障診斷之錢,首先需要確定其網(wǎng)絡(luò)結(jié)構(gòu),以及神經(jīng)元的數(shù)量,設(shè)置隱層函數(shù)的類型。RBF神經(jīng)網(wǎng)絡(luò)中最重要的參數(shù)為ci和δi,其中ci為核函數(shù)的中心位置,δi為擴展常數(shù),δi影響著徑向基函數(shù)的寬度。在確定網(wǎng)絡(luò)結(jié)構(gòu)之后,通過對這幾個參數(shù)的設(shè)置,為下一步的訓(xùn)練做好準(zhǔn)備。在實際仿真操作時,將采集來的信號進行特征提取,將提取來的特征作為樣本集并將其分為兩部分,一部分作為訓(xùn)練樣本集,一部分作為測試樣本集,通過訓(xùn)練樣本集訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò),得到神經(jīng)網(wǎng)絡(luò)分類器[6]。然后利用測試樣本集通入已經(jīng)訓(xùn)練好的RBF神經(jīng)網(wǎng)絡(luò),進行故障診斷操作。具體流程見圖2。

圖2　RBF神經(jīng)網(wǎng)絡(luò)診斷流程圖

4診斷實例及分析

4.1電路的設(shè)置

圖3所示為巴特沃斯低通濾波器電路,輸出端out為測試點。如圖3所示,使用OrCAD/PSpice對該電路進行仿真。由于電路發(fā)生故障時,輸出響應(yīng)電壓會有所變化,通過這種變化來進行故障特征的采集。

采用正弦波信號Vsin作為電路的激勵信號,幅值為1V,直流偏移為0V,頻率50Hz,通過靈敏度分析可以得出電路在C3、C4、R7、R8發(fā)生故障時,對輸出電壓影響最大。設(shè)置電路中電阻容差和電容容差分別為5%和10%,并把電路劃分為九種模式,其中包括C3↑、C3↓、C4↑、C4↓、R7↑、R7↓、R8↑、R8↓這八種故障模式,以及電路在正常容差范圍內(nèi)變化的正常模式。箭頭↑表示元件值高于標(biāo)準(zhǔn)值50%,箭頭↓表示低于標(biāo)準(zhǔn)值50%。在操作時首先做了60次蒙特卡洛分析,然后通過小波分解后的能量方法構(gòu)造特征向量組,其中R7↑的60組蒙特卡洛分析如圖4所示。

圖3　巴特沃斯低通濾波電路

圖4　R8↑的60組蒙特卡洛分析

使用同樣的方法對其他八種模式進行60組蒙特卡洛分析,然后把數(shù)據(jù)導(dǎo)入到Matlab中進行數(shù)據(jù)預(yù)處理,進而進行小波分解的能量提取。

4.2特征向量提取

表1　R8↑部分歸一化特征向量

對電路的所有模式分別提取相應(yīng)的故障特征,處理方法如上所示。其中每種模式50組特征數(shù)據(jù)作為訓(xùn)練樣本,另外10組作為測試樣本,共計450組作為訓(xùn)練樣本,90組作為測試樣本。

4.3診斷結(jié)果

選擇4.2節(jié)所得的特征向量組作為輸入節(jié)點,經(jīng)過測試可以得知隱層神經(jīng)元個數(shù)由實際情況設(shè)置為23個,我們設(shè)計的輸出神經(jīng)元為9個,輸入神經(jīng)元設(shè)置為6,即可以確定神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu),整個設(shè)計與操作是在Matlab2010中進行仿真訓(xùn)練[8～11],利用已經(jīng)訓(xùn)練好的RBF神經(jīng)網(wǎng)絡(luò)模型進行測試驗證,設(shè)置均方誤差為0.02,實驗運行可以得到以下結(jié)果。

表2　RBF訓(xùn)練正確率結(jié)果

由圖5可知誤差指標(biāo)經(jīng)過1520次達到訓(xùn)練要求,誤差指標(biāo)設(shè)置為0.02,訓(xùn)練模式的平均正確率為94%,測試模式平均正確率為92.2%,基本達到了預(yù)期要求。圖6為測試樣本的診斷結(jié)果,通過觀察可以看出相應(yīng)的診斷率。

圖5　誤差變化曲線圖

圖6　測試準(zhǔn)確率示意圖

5結(jié)語

本文根據(jù)RBF神經(jīng)網(wǎng)絡(luò)的特點,將其應(yīng)用于模擬電路故障診斷的研究,通過選取模擬電路進行了特征提取以及分類測試的驗證。首先確定了適用于電路的RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型,然后結(jié)合小波能量特征提取進行了分類實驗,在實驗中取得了較好的診斷效果,豐富了模擬電路故障診斷的理論與方法。但是該方法中存在隱層神經(jīng)元個數(shù)過多,下一步需要通過一定的優(yōu)化方法,改進參數(shù),控制隱層神經(jīng)元的數(shù)量。

參 考 文 獻

[1] 楊士元.模擬系統(tǒng)的故障診斷與可靠性設(shè)計[M].北京:清華大學(xué)出版社,1993:1-50.

[2] 朱大奇.電子設(shè)備故障診斷原理與實踐[M].北京:電子工業(yè)出版社,2004:1-30.

[3] 王承,謝永樂.基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的模擬/混合電路故障診斷[J].電路與系統(tǒng)學(xué)報,2007,12(2):66-68.

[4] 周煥銀,劉金生,魏雄.RBF神經(jīng)網(wǎng)絡(luò)在電路故障診斷中的應(yīng)用研究[J].東華理工大學(xué)學(xué)報,2009,32(1):97-100.

[5] 秦慶強,張曉安,李艾華,等.基于RBF網(wǎng)絡(luò)的模擬電路故障診斷算法[J].計算機仿真,2010,27(5):331-335.

[6] Haiying Yuan, Guanju Chen, Yongle Xie. Feature evaluation and extraction based on neural network in analog circuit fault diagnosis[J]. Journal of Systems Engineering and Electronics,2007,18(2):434-437.

[7] 譚陽紅,葉佳卓.模擬電路故障診斷的小波方法[J].電子與信息學(xué)報,2006,28(9):1748-1751.

[8] 葛哲學(xué),孫志強.神經(jīng)網(wǎng)絡(luò)理論與MATLAB實現(xiàn)[M].北京:電子工業(yè)出版社,2007.

[9] 王承.基于神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷方法研究[D].成都:電子科技大學(xué),2005:45-47.

[10] 金瑜.基于小波神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷方法研究[D].成都:電子科技大學(xué),2008:74-78.

[11] 李勇,李春明,李秀娟.基于RBF神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷方法的研究[J].機械工程與自動化,2009,16(1):116-117.

中圖分類號TP18

DOI:10.3969/j.issn.1672-9730.2016.01.033

作者簡介:李澤宇,男,碩士研究生,研究方向:模擬電路故障診斷。吳文全,男,副教授,碩士生導(dǎo)師,研究方向:模擬電路故障診斷。

*收稿日期:2015年7月11日,修回日期:2015年8月26日