基于神經(jīng)網(wǎng)絡(luò)的車載電源開關(guān)電容變換器的智能潛電路分析

何惠英，李良洪，付蘭芳，趙 玲

(軍事交通學(xué)院 基礎(chǔ)部，天津 300161)

?

● 基礎(chǔ)科學(xué)與技術(shù) Basic Science & Technology

基于神經(jīng)網(wǎng)絡(luò)的車載電源開關(guān)電容變換器的智能潛電路分析

何惠英，李良洪，付蘭芳，趙 玲

(軍事交通學(xué)院 基礎(chǔ)部，天津 300161)

在基于學(xué)習(xí)機(jī)制的智能潛電路分析過程中，如何有效地從大量電路信息中抽象出神經(jīng)網(wǎng)絡(luò)所需的樣本數(shù)據(jù)，是保證系統(tǒng)預(yù)測(cè)結(jié)果可靠性的重要前提。為提高神經(jīng)網(wǎng)絡(luò)樣本數(shù)據(jù)的有效性，基于圖的理論和無(wú)效路徑剔除方法，提出電路信息轉(zhuǎn)換成神經(jīng)網(wǎng)絡(luò)樣本數(shù)據(jù)的新方法，并將此方法應(yīng)用于車載電源中的基本降壓式諧振開關(guān)電容變換器潛電路分析過程中的樣本生成環(huán)節(jié)，再借助Matlab工具箱，用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)，對(duì)經(jīng)無(wú)效路徑剔除方法處理后的樣本數(shù)據(jù)和原始樣本數(shù)據(jù)分別進(jìn)行訓(xùn)練。訓(xùn)練結(jié)果驗(yàn)證了此方法的準(zhǔn)確性和實(shí)用性。通過誤差分析表明，網(wǎng)絡(luò)訓(xùn)練前對(duì)樣本數(shù)據(jù)進(jìn)行有效處理，不僅可以避免傳統(tǒng)潛電路分析中前期大量的數(shù)據(jù)輸入工作及線索表難以獲取等問題，還可提高系統(tǒng)預(yù)測(cè)的準(zhǔn)確性。

車載電源；潛電路分析；神經(jīng)網(wǎng)絡(luò)；有效樣本；開關(guān)電容變換器

隨著現(xiàn)代汽車用電設(shè)備種類的增多、功率的增加，所需車載開關(guān)電源輸出電壓種類多元化，即均需要采用開關(guān)變換器將蓄電池提供的直流電壓，經(jīng)DC-DC變換器變換為車輛內(nèi)部用電設(shè)備所需電壓，因此，開關(guān)變換器的可靠性直接關(guān)系到車內(nèi)用電設(shè)備工作的穩(wěn)定性[1]。實(shí)驗(yàn)證明，在車載電源的開關(guān)變換器中客觀存在著潛電路現(xiàn)象[2]。智能潛電路分析方法因其相對(duì)于傳統(tǒng)潛電路分析方法的諸多優(yōu)點(diǎn)[3-5]，已成為潛電路分析的重要發(fā)展方向。近年來(lái)出現(xiàn)了基于定性仿真、定量仿真、人工智能等多種智能潛電路分析方法[6-9]，其中基于神經(jīng)網(wǎng)絡(luò)的潛電路分析方法因其可以避免繁瑣的線索表獲取問題、減少前期大量的數(shù)據(jù)輸入工作等優(yōu)點(diǎn)而成為當(dāng)前研究的熱點(diǎn)[10-11]。訓(xùn)練樣本的質(zhì)量是影響神經(jīng)網(wǎng)絡(luò)性能的主要方面之一。在拓?fù)鋱D經(jīng)遍歷所得的全部路徑中，可能含有一些無(wú)效路徑，由無(wú)效路徑形成的訓(xùn)練樣本勢(shì)必會(huì)影響系統(tǒng)的預(yù)測(cè)準(zhǔn)確度。因此，本文提出基于有效樣本的神經(jīng)網(wǎng)絡(luò)潛電路分析方法。此方法在從電路信息到訓(xùn)練樣本的轉(zhuǎn)換過程中，采用無(wú)效路徑剔除方法，將樣本總空間提煉為有效樣本數(shù)據(jù)，目的在于提高神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)的準(zhǔn)確度，并將此方法應(yīng)用于基本降壓式諧振開關(guān)電容變換器[12-13]的潛電路分析，成為保證車載電源開關(guān)變換器可靠性的重要手段之一。

1 基于神經(jīng)網(wǎng)絡(luò)的智能潛電路分析方法的一般步驟

基于神經(jīng)網(wǎng)絡(luò)的智能潛電路分析的一般流程如圖1所示。

2 基于學(xué)習(xí)機(jī)制的潛電路分析方法中的信息轉(zhuǎn)換

在基于神經(jīng)網(wǎng)絡(luò)的智能潛電路分析過程中，訓(xùn)練樣本的質(zhì)量在很大程度上影響著神經(jīng)網(wǎng)絡(luò)的性能，如何有效地將電路的系統(tǒng)信息轉(zhuǎn)換成神經(jīng)網(wǎng)絡(luò)的樣本數(shù)據(jù)，是保證預(yù)測(cè)結(jié)果可靠性的前提。對(duì)于開關(guān)電路的潛電路分析需求，神經(jīng)網(wǎng)絡(luò)所需的樣本信息即是電路中開關(guān)元件狀態(tài)組合與功能元件狀態(tài)之間的關(guān)系矩陣，其由電路信息獲得的過程如下。

2.1 樣本空間的確定

(1)拓?fù)浣Y(jié)構(gòu)圖。隱去電路網(wǎng)絡(luò)的電氣特性，依據(jù)圖的理論將其抽象為圖論的一個(gè)圖，即電路的拓?fù)浣Y(jié)構(gòu)圖。

(2)確定輸入/輸出變量及其取值。輸入變量為系統(tǒng)各開關(guān)元件狀態(tài)，輸出變量為系統(tǒng)功能元件狀態(tài)。因開關(guān)元件只有兩種工作狀態(tài)，即“斷開”和“閉合”，因此輸入變量的狀態(tài)應(yīng)對(duì)應(yīng)各開關(guān)元件的“斷開”和“閉合”。通常開關(guān)元件的“閉合”狀態(tài)用“1”表示，“斷開”狀態(tài)用“0”表示。因?yàn)?，在?shí)際電路中，系統(tǒng)功能元件的狀態(tài)反映了電路功能的實(shí)現(xiàn)與否，因此樣本空間中的輸出變量的取值也用“0”和“1”表示，“1”表示電路實(shí)現(xiàn)某功能，“0”表示電路未實(shí)現(xiàn)某功能。

但在訓(xùn)練過程中，神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型的輸出可能是0到1之間的任意值。鑒于潛電路分析屬于定性分析范疇，可采用閾值過濾方法來(lái)處理計(jì)算結(jié)果，即設(shè)置閾值參數(shù)。當(dāng)神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型的輸出大于閾值參數(shù)時(shí)，認(rèn)為系統(tǒng)功能實(shí)現(xiàn)；否則，認(rèn)為系統(tǒng)功能未實(shí)現(xiàn)。因此，閾值參數(shù)的取值直接影響潛電路的識(shí)別結(jié)果，一般要求閾值參數(shù)≥0．5[9]。

(3)確定樣本總空間。采用深度優(yōu)先搜索算法對(duì)電路的拓?fù)浣Y(jié)構(gòu)圖進(jìn)行遍歷，可得其樣本總空間個(gè)數(shù)。

(4)無(wú)效路徑的剔除。對(duì)電路的拓?fù)浣Y(jié)構(gòu)圖遍歷所得的樣本總空間中可能會(huì)包含若干個(gè)無(wú)效路徑[14-15]。預(yù)先剔除掉這些無(wú)效路徑，不但可以提高潛電路分析的準(zhǔn)確率，也可減小后續(xù)神經(jīng)網(wǎng)絡(luò)分析的工作量。依其所述的無(wú)效路徑剔除方法，并結(jié)合所分析電路的實(shí)際工作原理，得到無(wú)效路徑剔除條件，剔除無(wú)效路徑，得出訓(xùn)練總樣本。

(5)樣本分類。將總樣本分成訓(xùn)練樣本和測(cè)試樣本，訓(xùn)練樣本用于建立網(wǎng)絡(luò)模型，測(cè)試樣本用于系統(tǒng)預(yù)測(cè)，并驗(yàn)證網(wǎng)絡(luò)模型性能。

2.2 樣本輸入輸出矩陣的確定

為應(yīng)用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)對(duì)樣本進(jìn)行訓(xùn)練，需要對(duì)訓(xùn)練樣本及測(cè)試樣本建立輸入輸出矩陣，從樣本數(shù)據(jù)到輸入輸出矩陣的轉(zhuǎn)換方法如下。

(1)訓(xùn)練樣本輸入矩陣的確定。輸入變量個(gè)數(shù)即開關(guān)元件數(shù)目作為樣本的輸入特征維數(shù)D，輸入變量的狀態(tài)分別用X1，X2，…，XD表示。設(shè)訓(xùn)練樣本數(shù)目為N，因此輸入矩陣P大小為D×N，并寫出輸入矩陣。

(2)訓(xùn)練樣本輸出矩陣的確定。輸出變量個(gè)數(shù)即功能元件數(shù)目作為樣本的輸出特征維數(shù)K，輸出變量的狀態(tài)用Y1，Y2，…，YK表示。設(shè)訓(xùn)練樣本數(shù)目為N，因此輸出矩陣T大小為K×N，并寫出輸出矩陣。

(3)測(cè)試樣本輸入輸出矩陣的確定。除此之外，為測(cè)試神經(jīng)網(wǎng)絡(luò)模型的泛化能力，需要將測(cè)試樣本的輸入作為神經(jīng)網(wǎng)絡(luò)模型的輸入，從而預(yù)測(cè)系統(tǒng)的輸出，因此需根據(jù)測(cè)試樣本的維數(shù)確定其輸入輸出矩陣。

2.3 網(wǎng)絡(luò)模型的確定

應(yīng)用遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)對(duì)訓(xùn)練樣本進(jìn)行訓(xùn)練[16]，得網(wǎng)絡(luò)模型，并用測(cè)試樣本進(jìn)行系統(tǒng)測(cè)試，最終確定網(wǎng)絡(luò)模型。用網(wǎng)絡(luò)模型進(jìn)行系統(tǒng)預(yù)測(cè)，并作出誤差分析。

3 基本降壓式諧振開關(guān)電容變換器的潛電路分析

基本降壓式諧振開關(guān)電容變換器的原理如圖2所示。在正常工作情況下，S1和S2輪流導(dǎo)通[13]。

若電路能實(shí)現(xiàn)諧振功能，則功能狀態(tài)用“1”表示，否則用“0”表示。根據(jù)電路的設(shè)計(jì)功能，得其預(yù)期功能狀態(tài)見表1。

表1 預(yù)期功能狀態(tài)

依上述方法，由本電路的系統(tǒng)信息到神經(jīng)網(wǎng)絡(luò)的樣本數(shù)據(jù)的轉(zhuǎn)換過程如下。

3.1 樣本空間的確定

由圖2得電路的拓?fù)浣Y(jié)構(gòu)(如圖3所示)。

將圖2電路中的6個(gè)開關(guān)元件S1、DS1、S2、DS2、D1、D2的狀態(tài)作為輸入變量，分別用X1、X2、X3、X4、X5、X6表示。設(shè)開關(guān)元件閉合時(shí)，狀態(tài)為“1”；斷開時(shí)，狀態(tài)為“0”。輸出變量為電路是否實(shí)現(xiàn)諧振功能，用Y表示。“1”表示實(shí)現(xiàn)諧振功能，“0”表示未實(shí)現(xiàn)諧振功能。同時(shí)可以確定輸入樣本的維數(shù)為6，輸出樣本的維數(shù)為1。

通過對(duì)圖3所示的拓?fù)鋱D進(jìn)行遍歷，可得其樣本總空間為26=64個(gè)，再經(jīng)無(wú)效路徑剔除過程[14]，得此電路的無(wú)效樣本數(shù)為28+4+4=36個(gè)。訓(xùn)練樣本空間為樣本總空間數(shù)減去無(wú)效樣本數(shù)，即64-36=28個(gè)，部分樣本狀態(tài)見表2。

選第7和第14個(gè)樣本為測(cè)試樣本，其余為訓(xùn)練樣本，總訓(xùn)練樣本數(shù)N=28-2=26。

3.2 訓(xùn)練樣本輸入輸出矩陣的確定

在本基本降壓式諧振開關(guān)電容變換器中，樣本的輸入特征維數(shù)D即輸入變量也即開關(guān)元件數(shù)目為6，訓(xùn)練樣本數(shù)目為26，因此其輸入矩陣P大小為D×N=6×26。

樣本的輸出特征維數(shù)即輸出變量也即功能元件數(shù)目為1，訓(xùn)練樣本數(shù)目為26，因此其輸出矩陣T大小為K×N=1×26。

T=[0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0]

測(cè)試樣本的開關(guān)狀態(tài)對(duì)應(yīng)的輸入矩陣P′為

表2 訓(xùn)練樣本總空間

3.3 訓(xùn)練模型及誤差分析

借助Matlab神經(jīng)網(wǎng)絡(luò)工具箱，用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)對(duì)未經(jīng)處理的訓(xùn)練樣本(即樣本空間數(shù)64個(gè))，以及無(wú)效路徑剔除后的有效訓(xùn)練樣本(即樣本空間數(shù)26個(gè))分別進(jìn)行訓(xùn)練，得其對(duì)應(yīng)的網(wǎng)絡(luò)模型，并用測(cè)試樣本分別進(jìn)行測(cè)試。運(yùn)行程序50次，取其預(yù)測(cè)輸出的平均值作為測(cè)試結(jié)果，其誤差分析見表3。

表3 訓(xùn)練結(jié)果對(duì)比

經(jīng)以上對(duì)比分析可以看出：

(1)測(cè)試結(jié)果均大于所設(shè)置的閾值參數(shù)，即認(rèn)為在測(cè)試樣本所對(duì)應(yīng)的開關(guān)元件狀態(tài)條件下，神經(jīng)網(wǎng)絡(luò)模型的輸出為1，這使得電路功能狀態(tài)與預(yù)期功能狀態(tài)不一致，因此，判定此條件下的路徑為潛路徑，這與文獻(xiàn)[2，13]的分析結(jié)果一致，驗(yàn)證了以上潛電路分析方法的正確性。

(2)相對(duì)于樣本總空間，由有效訓(xùn)練樣本建立的BP神經(jīng)網(wǎng)絡(luò)模型對(duì)潛電路的預(yù)測(cè)誤差大大降低，說明無(wú)效路徑剔除方法在形成有效樣本環(huán)節(jié)中的有效性和實(shí)用性。

(3)預(yù)測(cè)結(jié)果還存在著較大誤差，這與電路的復(fù)雜程度(電路越復(fù)雜，即樣本數(shù)越多，預(yù)測(cè)精度越高)、BP神經(jīng)網(wǎng)絡(luò)本身局限性等因素有關(guān)。

3.4 潛電路消除

根據(jù)以上潛電路分析結(jié)果，改進(jìn)電路[13]，從而消除潛電路，保證電路按預(yù)期功能可靠工作。

4 結(jié) 語(yǔ)

本文在神經(jīng)網(wǎng)絡(luò)潛電路分析的訓(xùn)練樣本形成環(huán)節(jié)中，基于無(wú)效路徑剔除方法，提出了基于有效樣本的神經(jīng)網(wǎng)絡(luò)智能潛電路分析方法，并將此方法應(yīng)用于車載電源的基本降壓式諧振開關(guān)電容變換器的潛電路分析，提高了神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)的準(zhǔn)確度，同時(shí)減小了后續(xù)預(yù)測(cè)環(huán)節(jié)的工作量，驗(yàn)證了此方法的正確性和實(shí)用性，同時(shí)提高了車載電源變換器的可靠性。在基于神經(jīng)網(wǎng)絡(luò)等學(xué)習(xí)機(jī)制的智能潛電路分析方法中，人工智能技術(shù)本身參數(shù)設(shè)置問題、網(wǎng)絡(luò)模型參數(shù)與電路參數(shù)的相關(guān)性問題、預(yù)測(cè)結(jié)果的可靠性分析等問題，如當(dāng)神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)輸出接近于閾值參數(shù)時(shí)的診斷問題，仍是下一步重點(diǎn)研究的課題。

[1] 麻友良．汽車車載電源及起動(dòng)機(jī)原理與故障檢修實(shí)例[M]．北京：機(jī)械工業(yè)出版社，2010：1-30

[2] 屈莉莉，張波．電力電子變換器的開關(guān)布爾矩陣及潛電路分析[J]．電機(jī)與控制學(xué)報(bào)，2011，15 (12)：56-61．

[3] RANKIN JP．Sneak circuit analysis[J]．Nuclear Safety，1973，14(5)：461-468．

[4] 胡昌華，陳斌文，劉丙杰．復(fù)雜系統(tǒng)潛在問題分析理論與應(yīng)用[M]．北京：科學(xué)出版社，2008：114-151．

[5] 梁因，馬齊爽，徐萍．基于圖論的潛通路分塊分析方法[J]．北京航空航天大學(xué)學(xué)報(bào)，2014， 40(1)：115-119．

[6] ZIDAN MA，F(xiàn)AHMY HAH，HUSSAIN MM，et al．The sneak paths problem and solutions [J]．Microelectronics Journal，2013，44(2)：176-183．

[7] 任立明．潛在電路分析技術(shù)與應(yīng)用[M]．北京：國(guó)防工業(yè)出版社，2011：1-12．

[8] 徐萍，馬齊爽，鄒濤．開關(guān)電路潛通路分析的一種方法[J]．北京航空航天大學(xué)學(xué)報(bào)，2011，37 (3)：360-363．

[9] 劉丙杰，劉勇志，黃岳．基于克隆選擇算法的學(xué)習(xí)型Petri網(wǎng)及在潛在通路分析中的應(yīng)用[J]．航天控制，2011，29 (8)：94-97．

[10] 胡昌華，劉丙杰．復(fù)雜系統(tǒng)可靠控制中的潛在問題互連神經(jīng)網(wǎng)絡(luò)分析方法[J]．自動(dòng)化學(xué)報(bào)，2008，34 (2)：179-194．

[11] 劉丙杰，胡昌華．基于神經(jīng)網(wǎng)絡(luò)的潛在通路分析[J]．宇航學(xué)報(bào)，2006，27 (3)：474-477．

[12] 屈莉莉，張波，丘東元．ZCS諧振開關(guān)電容變換器的拓?fù)浣Y(jié)構(gòu)改進(jìn)[J] ．電力電子技術(shù)，2009，43 (6)：21-23．

[13] 黎劍源，丘東元，張波．n階諧振開關(guān)電容變換器潛電路圖論分析法[J]．中國(guó)電機(jī)工程學(xué)報(bào)，2008，28 (3)：53-58．

[14] 何惠英，李志剛，張菲菲，等．電力電子變換器潛電路中的無(wú)效路徑剔除方法[J]．電子技術(shù)應(yīng)用，2013，39 (12)：72-74．

[15] 何惠英，李志剛，張菲菲，等．汽車電子電路潛電路的無(wú)效路徑剔除方法研究[J]．電子技術(shù)應(yīng)用，2014，40 (5)：59-61．

[16] 陳明．MATLAB神經(jīng)網(wǎng)絡(luò)原理與實(shí)例精解[M]．北京：清華大學(xué)出版社，2013：127-133.

(編輯：史海英)

《軍事交通學(xué)院學(xué)報(bào)》學(xué)術(shù)不端行為檢測(cè)聲明

為進(jìn)一步強(qiáng)化學(xué)術(shù)誠(chéng)信意識(shí)，維護(hù)學(xué)術(shù)期刊的嚴(yán)肅性和科學(xué)性，并向廣大讀者負(fù)責(zé)，本刊將利用“軍事科研學(xué)術(shù)文獻(xiàn)檢測(cè)系統(tǒng)”對(duì)所有來(lái)稿進(jìn)行學(xué)術(shù)不端行為檢測(cè)，論文復(fù)制比應(yīng)≤15%。

特此聲明。

本刊編輯部

Intelligent Sneak Circuit of Switched Capacitor Converters of Vehicle Power Based on Neural Network

HE Huiying, LI Lianghong, FU Lanfang, ZHAO Ling

(General Courses Department, Military Transportation University, Tianjin 300161, China)

In the process of analyzing intelligent sneak circuit based on learning mechanism, abstracting sample data for neural network from a large number of circuit information is the important premise of the reliability of prediction. In order to improve the effectiveness of the sample data of neural network, the paper firstly proposes a new method of transforming circuit information into sample data of neural network based on graph theory and excluding method of invalid paths, and applies this method in the link of sample generation in sneak circuit analysis process of switched capacitor converters of vehicle power. Then, it trains the sample data dealt with excluding method of invalid paths and the original sample data respectively with BP neural network optimized by genetic algorithm in MATLAB toolbox. The training result verified the accuracy and practicability of this method, and the error analysis showed that the effective treatment of sample data before training can reduce a lot of data entry work and solve the problem of obtaining clue lists, and it can also improve the accuracy of system prediction.

vehicle power; sneak circuit analysis; neural network; effective sample; switched capacitor converters

2016-08-31；

2016-12-07．

何惠英(1976—)，女，碩士，講師.

10.16807/j.cnki.12-1372/e.2017.06.020

TM46

A

1674-2192(2017)06- 0087- 05