智能信息融合視域下的模擬電路故障定位方法研究

秦慶

（江蘇省錫山中等專業(yè)學(xué)校，江蘇 無(wú)錫 214000）

0 引言

電路故障信息反饋期間，常用測(cè)量方法得到的數(shù)據(jù)并不能充分反映實(shí)際情況，再加上多種多樣的模擬電路故障，較大離散性的元件參數(shù)等因素，造成目前診斷模擬電路故障的方法和理論沒(méi)有成熟的體系。就模擬電路而言，若電路前后位置的元器件存在復(fù)雜的相互影響現(xiàn)象，將會(huì)難以僅憑借非電信號(hào)或單一信號(hào)完成元器件故障判斷。傳統(tǒng)方法在診斷模擬電路故障時(shí)呈現(xiàn)出多種問(wèn)題，如低效率、大工作量和差通用性等[1]。隨著人工智能技術(shù)的發(fā)掘，一些全新的診斷模擬電路故障技術(shù)被廣泛使用。

1 智能信息融合視域下的模擬電路故障定位思想

當(dāng)前在模擬電路狀態(tài)信息診斷時(shí)采取的診斷方法，只是一種或多種多角度和多層次觀察與分析電路狀態(tài)信息的方法，將模擬電路所具有的基本特征予以提取。如診斷電路時(shí)采用測(cè)試點(diǎn)電壓，由于信號(hào)類型較為單一化，所以其所獲得的信息數(shù)據(jù)不多，想要獲取比較準(zhǔn)確的評(píng)價(jià)結(jié)果較為困難。若是綜合測(cè)試點(diǎn)電壓和溫度信息，那么便可以較為準(zhǔn)確地對(duì)電路狀態(tài)作出評(píng)價(jià)。在定位與診斷模擬電路故障時(shí)，雖然可以在某些時(shí)候利用一種方式完成故障判斷，但是大多得到的結(jié)果存在問(wèn)題，精度不高。當(dāng)電路可及點(diǎn)不多時(shí)，診斷工作更是舉步維艱，所以還需在診斷的時(shí)候依靠其他補(bǔ)充信息，此時(shí)便是基于智能信息融合的模擬電路故障定位方法[2]。為了將基于智能信息融合視域定位與診斷模擬電路故障表達(dá)清楚，在一般的分析過(guò)程中，通常以兩個(gè)診斷信息作為實(shí)例展開(kāi)分析，雖然診斷信息有所不同，但是分析方法具有相同性。在診斷故障過(guò)程中，要以實(shí)際情況為依據(jù)作出詳細(xì)的分析與探究，才可以獲得較為合適的融合電路故障定位過(guò)程。

基于模糊信息融合視域下的電路故障定位，需要靈活化處理故障定位中的絕對(duì)隸屬關(guān)系，使支路對(duì)模擬電路故障集合隸屬度擴(kuò)充，由{0,1}的值到[0,1]區(qū)間內(nèi)的所有的數(shù)值。采取隸屬函數(shù)對(duì)以各類測(cè)試信息為基礎(chǔ)的定位故障結(jié)果不確定性作出表示，處理數(shù)據(jù)更是可以以模糊變換實(shí)現(xiàn)，獲得定位故障的模糊結(jié)果，再對(duì)其清晰化處理。

2 智能信息融合視域下的電路故障定位措施

2.1 選取需進(jìn)行故障定位的信號(hào)

在定位模擬電路故障時(shí)，主要對(duì)可及節(jié)點(diǎn)電壓實(shí)時(shí)測(cè)量獲得故障特征，也有少數(shù)故障信息是通過(guò)非電量信號(hào)、特殊電流等予以獲取，但是這種方法無(wú)疑會(huì)導(dǎo)致測(cè)試的復(fù)雜度上升，另外還會(huì)提升測(cè)量設(shè)備的成本支出?？杉肮?jié)點(diǎn)具有有限的數(shù)量，特別當(dāng)集成電路規(guī)模比較大或者超大時(shí)，總節(jié)點(diǎn)中僅有極少一部分可及節(jié)點(diǎn)。若是僅依靠可及節(jié)點(diǎn)測(cè)試數(shù)據(jù)，將會(huì)導(dǎo)致定位結(jié)果發(fā)生錯(cuò)誤，所以在定位故障期間，可選擇應(yīng)用可測(cè)點(diǎn)工作電壓信號(hào)和電路輸入輸出增益信號(hào)，其中電路輸入輸出信號(hào)的形成是基于多種測(cè)試頻率下的電路輸入實(shí)現(xiàn)。

當(dāng)模擬發(fā)生故障以后，工作電壓將會(huì)與正常電壓范圍呈現(xiàn)偏移，對(duì)可測(cè)節(jié)點(diǎn)電壓作出檢測(cè)，便能獲得電路故障信息。當(dāng)正弦信號(hào)激勵(lì)下，測(cè)試頻率和電路參數(shù)的波動(dòng)，將會(huì)使得輸出對(duì)輸入的增益發(fā)生波動(dòng)，所以交流測(cè)試頻率選擇的合理性，將會(huì)對(duì)測(cè)試不同電路有著良好的效果，也能夠獲得較為準(zhǔn)確的數(shù)據(jù)。選擇交流測(cè)試頻率時(shí)，可以首先得到電路網(wǎng)絡(luò)函數(shù)，之后再求解正常電路工作環(huán)境下的轉(zhuǎn)折頻率，如網(wǎng)絡(luò)函數(shù)的極點(diǎn)和零點(diǎn)。以轉(zhuǎn)折點(diǎn)為基礎(chǔ)，將轉(zhuǎn)折頻率兩者之間的頻率作為測(cè)試頻率，確定測(cè)試頻率時(shí)，為高于最高頻率的信號(hào)和低于最低頻率的信號(hào)，對(duì)測(cè)量誤差作出考量，測(cè)試頻率的數(shù)量要保證一定裕度[3]。

2.2 預(yù)處理診斷信息

在預(yù)處理模擬電路故障信息時(shí)，可采用BP神經(jīng)網(wǎng)絡(luò)完成故障定位，構(gòu)建起規(guī)模性的神經(jīng)網(wǎng)絡(luò)展開(kāi)分析，若是模擬電路規(guī)模較小，可采取小波變換神經(jīng)網(wǎng)絡(luò)，很好的根據(jù)頻域和時(shí)域具備特征提取較強(qiáng)的信號(hào)。在處理故障電路信號(hào)時(shí)，可以首先獲得故障特征，再利用主元分析的方式分析故障特征，分析過(guò)程中，要盡可能地確保基于故障分類選擇合適的特征作為故障特征矢量，將輸入空間的維數(shù)降低。但是，經(jīng)過(guò)主元分析法的獲得的特征矢量，必須實(shí)現(xiàn)數(shù)據(jù)標(biāo)稱化處理，從而可以將多維矢量數(shù)據(jù)相互之間存在的差異消除。由此，可規(guī)避多維矢量當(dāng)中因?yàn)閿?shù)據(jù)不同而出現(xiàn)的動(dòng)態(tài)范圍，還可在識(shí)別故障的時(shí)候?qū)⒈容^小但是比較重要的特征矢量合理使用。最后，在BP神經(jīng)網(wǎng)絡(luò)中將標(biāo)稱化后的特征矢量錄入其中?？山档陀?xùn)練和處理BP神經(jīng)網(wǎng)絡(luò)的時(shí)間，使得神經(jīng)網(wǎng)絡(luò)具有較小的規(guī)模結(jié)構(gòu)和較少的輸入特征數(shù)目。

2.3 BP網(wǎng)絡(luò)及其算法改進(jìn)

BP神經(jīng)網(wǎng)絡(luò)調(diào)整權(quán)重系數(shù)時(shí)有著很強(qiáng)的自適應(yīng)能力，對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練以后，可以實(shí)現(xiàn)聯(lián)想和分類等智能性的操作。

改進(jìn)算法的學(xué)習(xí)效率，需利用全局學(xué)習(xí)率自適應(yīng)調(diào)整的方法完成，但是這種方法并非全能，調(diào)整量不能對(duì)所有的權(quán)值都最優(yōu)處理，甚至在某些情況下還將會(huì)影響到網(wǎng)絡(luò)收斂的性能，在進(jìn)行調(diào)整時(shí)，可選擇應(yīng)用局部學(xué)習(xí)率自適應(yīng)方法。學(xué)習(xí)速率調(diào)整的準(zhǔn)則簡(jiǎn)單明了，對(duì)修正權(quán)值的結(jié)果作出檢查，判斷其是否真正地實(shí)現(xiàn)了誤差函數(shù)降低。若是已經(jīng)實(shí)現(xiàn)，那么則表示選取的學(xué)習(xí)速率值降低了，可以適當(dāng)?shù)卦黾右粋€(gè)量；若是沒(méi)有實(shí)現(xiàn)，則形成了過(guò)調(diào)，可以適當(dāng)性的降低學(xué)習(xí)速率值。

2.4 BP網(wǎng)絡(luò)信息融合診斷方法

存儲(chǔ)知識(shí)與求解問(wèn)題，均需在神經(jīng)網(wǎng)絡(luò)模塊中實(shí)現(xiàn)，是知識(shí)庫(kù)與推理機(jī)的有機(jī)統(tǒng)一。從既有的設(shè)備特征信號(hào)中獲取特征數(shù)據(jù)，將其展開(kāi)預(yù)處理輸入到神經(jīng)網(wǎng)絡(luò)中，從已經(jīng)獲得的故障結(jié)果中將數(shù)據(jù)提取完成，是以作為神經(jīng)網(wǎng)絡(luò)輸出，完成BP神經(jīng)網(wǎng)絡(luò)構(gòu)建[4]。

3 綜合診斷與實(shí)驗(yàn)論證分析

以BP神經(jīng)網(wǎng)絡(luò)作為基礎(chǔ)，診斷單一測(cè)試信息，并且對(duì)信息融合展開(kāi)多測(cè)試，得到綜合診斷模型，在開(kāi)展綜合診斷時(shí)綜合D-S證據(jù)推理和BP神經(jīng)網(wǎng)絡(luò)，輸入樣本開(kāi)展訓(xùn)練，獲得具有獨(dú)立性的診斷神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)局部信息融合。以局部信息融合為基礎(chǔ)，采取D-S證據(jù)推理全局信息融合各類測(cè)試信息診斷結(jié)果，獲得準(zhǔn)確的故障子空間，從而得到電路故障模式[5]。

以局部信息融合為基礎(chǔ)，采取D-S證據(jù)推理全局信息融合各類測(cè)試信息診斷結(jié)果，獲得準(zhǔn)確的故障子空間，從而得到電路故障模式。利用該模型診斷圖2所示電路，已知圖中的可測(cè)節(jié)點(diǎn)為1，2，3。元件參數(shù)的精準(zhǔn)度需達(dá)到0.1。

在定位模擬電路故障的時(shí)候利用BP神經(jīng)網(wǎng)絡(luò)，用比較簡(jiǎn)單的BP神經(jīng)網(wǎng)絡(luò)對(duì)電路增益和可測(cè)點(diǎn)電壓兩類測(cè)試信息作出初步診斷，結(jié)果如表1所示。

圖1 模擬電路故障定位圖

表1 初步診斷結(jié)果表

在分析中，選擇使用心電信號(hào)放大電路為實(shí)驗(yàn)電路，在電路中，R1和R2的電阻值保持相等，并且其大小值為20Ω。R3的電阻值為2kΩ，R4的電阻值為24kΩ，工作電壓值設(shè)定為±5V。整個(gè)實(shí)驗(yàn)電路分為運(yùn)放和電阻兩個(gè)構(gòu)成部分，隨機(jī)在電路上選擇出現(xiàn)的故障，總共有10種類型的故障形式。在樣本集建立的時(shí)候，需要在不同的電源激勵(lì)下完成測(cè)試節(jié)點(diǎn)電流值以及電壓值采集，將獲得的數(shù)據(jù)輸出目標(biāo)進(jìn)行編碼，完成表示，按照編碼要求建立相應(yīng)的樣本集。

4 結(jié)語(yǔ)

本文著重基于智能信息融合視域下研究模擬電路故障定位方法，探究模擬電路故障定位的新方法。通過(guò)研究，在智能信息融合視域下定位電路故障，要對(duì)絕對(duì)隸屬關(guān)系進(jìn)行理順，擴(kuò)充模擬電路故障集合隸屬度。在定位時(shí)，要對(duì)故障定位的信號(hào)進(jìn)行科學(xué)化選取，對(duì)診斷信息做好預(yù)處理，優(yōu)化改進(jìn)BP網(wǎng)絡(luò)及算法，融合BP網(wǎng)絡(luò)信息診斷方法，實(shí)現(xiàn)電路故障定位科學(xué)化。利用BP神經(jīng)網(wǎng)絡(luò)定位模擬電路故障，簡(jiǎn)化故障判斷難度，可診斷出可測(cè)點(diǎn)電壓和電路增益基本信息。