帶通濾波電路故障的BP網(wǎng)絡(luò)診斷方法與仿真設(shè)計(jì)

王 恒，唐孝國(guó)，郭俊亮

（銅仁職業(yè)技術(shù)學(xué)院 信息工程學(xué)院，貴州 銅仁 554300）

0 引 言

隨著各種智能化診斷方法的出現(xiàn)，模擬電路的故障診斷技術(shù)也得到了很大的發(fā)展。神經(jīng)網(wǎng)絡(luò)作為智能信息處理工具，已成為科學(xué)研究中最活躍和應(yīng)用最廣的學(xué)科之一。由于其可以克服小樣本、高維數(shù)以及時(shí)變性等困難的優(yōu)勢(shì)，因此得到迅速的發(fā)展和廣泛應(yīng)用。目前神經(jīng)網(wǎng)絡(luò)主要用于線性或非線性模型的建模與仿真，而對(duì)于復(fù)雜網(wǎng)絡(luò)研究還不夠深入。與傳統(tǒng)的故障診斷方法相比，人工神經(jīng)網(wǎng)絡(luò)不需要建立對(duì)象的精確數(shù)學(xué)模型，具有并行處理、聯(lián)想記憶、自組織、自學(xué)習(xí)和較強(qiáng)的強(qiáng)非線性映射能力，同時(shí)又有很高的容錯(cuò)性能，能夠?qū)斎霐?shù)據(jù)進(jìn)行自動(dòng)分類。由于神經(jīng)網(wǎng)絡(luò)可以克服小波變換存在“維數(shù)災(zāi)”問題，因此在故障診斷中具有巨大的潛力和應(yīng)用前景，在實(shí)踐中越來越受到重視。目前，模糊神經(jīng)網(wǎng)絡(luò)技術(shù)為故障診斷開辟了新的研發(fā)方向，模糊神經(jīng)網(wǎng)絡(luò)在本質(zhì)上是雙重模擬人腦的結(jié)構(gòu)和思維功能，其可以充分利用各自的模糊理論和神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)，彌補(bǔ)其不足。此外，小波分析和神經(jīng)網(wǎng)絡(luò)的結(jié)合也是一個(gè)研究非常活躍的領(lǐng)域。傳統(tǒng)的信號(hào)處理方法由于具有非平穩(wěn)性、非線性和不確定性等特性，難以取得良好的效果，而神經(jīng)網(wǎng)絡(luò)可以以更高的效率和精度解決這些問題。另外，由于神經(jīng)網(wǎng)絡(luò)是由大量神經(jīng)元構(gòu)成的網(wǎng)絡(luò)模型，因而能對(duì)復(fù)雜問題進(jìn)行快速而準(zhǔn)確地識(shí)別和判斷，從而使之更易于推廣到其他領(lǐng)域。因此，許多學(xué)者開始重視模擬電路故障診斷，并取得了許多成果。歸納起來，診斷方法大致分為6大類：故障字典法、故障參數(shù)識(shí)別法、驗(yàn)證法故障診斷、逼近法、人工智能法、神經(jīng)網(wǎng)絡(luò)法。

本文根據(jù)現(xiàn)有的研究成果，分析總結(jié)各種故障診斷方法的基本原理，運(yùn)用基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法，設(shè)計(jì)帶通濾波電路的故障診斷方法，使用MATLAB軟件進(jìn)行仿真，使之能夠有效診斷電路的故障。

1 BP網(wǎng)絡(luò)模擬電路故障診斷方法概述

應(yīng)用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行模擬電路故障診斷的方法一般是：在一定的測(cè)試激勵(lì)下，將電路常見的各種故障狀態(tài)及正常狀態(tài)所對(duì)應(yīng)的參數(shù)通過PSpice求出，進(jìn)行數(shù)據(jù)預(yù)處理后作為BP網(wǎng)絡(luò)的輸入樣本，對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，然后在相同的激勵(lì)下，檢測(cè)電路實(shí)際輸出，作為待診斷樣本集提供給BP網(wǎng)絡(luò)，網(wǎng)絡(luò)輸出即為對(duì)應(yīng)的故障模式。

常用BP神經(jīng)網(wǎng)絡(luò)包括輸入層、隱含層和輸出層。其中，輸入層沒有神經(jīng)元，只有信息輸入；隱含層和輸出層都可以相應(yīng)地更改傳入的數(shù)據(jù)。隱含層可以通過多次實(shí)驗(yàn)或經(jīng)驗(yàn)公式得到，隱含層中每個(gè)神經(jīng)元都有一個(gè)權(quán)值，其反映了神經(jīng)元之間的聯(lián)系程度，輸入層和輸出層的數(shù)量取決于輸入向量和輸出向量的尺寸。

采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷，需先建立故障字典，這一步需要設(shè)計(jì)電路的故障特征，對(duì)可能出現(xiàn)的故障進(jìn)行歸類，從而生成故障集，生成故障集能夠消除故障診斷過程中大量的冗余信息和不精確信息。使BP神經(jīng)網(wǎng)絡(luò)能夠?qū)收献值溥M(jìn)行記憶，然后根據(jù)BP神經(jīng)網(wǎng)絡(luò)的模糊性和記憶性，獲取測(cè)量數(shù)據(jù)集，按比例和隨機(jī)方式收集數(shù)據(jù)，形成訓(xùn)練集和測(cè)試集。接下來對(duì)數(shù)據(jù)樣本集進(jìn)行預(yù)處理，因?yàn)楹芏鄻颖緮?shù)據(jù)是參差不齊的，直接訓(xùn)練會(huì)降低神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的效率。然后對(duì)電路狀態(tài)進(jìn)行記憶和推斷，即輸入新的狀態(tài)參量時(shí)對(duì)電路狀態(tài)進(jìn)行推斷，訓(xùn)練后將測(cè)試樣本數(shù)據(jù)輸入網(wǎng)絡(luò)，獲得預(yù)測(cè)結(jié)果。將預(yù)測(cè)結(jié)果與實(shí)際輸出結(jié)果進(jìn)行比較，驗(yàn)證網(wǎng)絡(luò)性能是否滿足設(shè)計(jì)要求，如果不能滿足要求，則需要對(duì)網(wǎng)絡(luò)的參數(shù)進(jìn)行調(diào)整，甚至可能對(duì)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行調(diào)整，以便再次培訓(xùn)和學(xué)習(xí)，從而獲得最合適的網(wǎng)絡(luò)參數(shù)和網(wǎng)絡(luò)結(jié)構(gòu)。

2 帶通濾波電路的BP網(wǎng)絡(luò)故障診斷方法設(shè)計(jì)

2.1 帶通濾波電路仿真設(shè)計(jì)

本文設(shè)計(jì)選用Sallen－Key帶通濾波電路為主電路進(jìn)行分析，電路具體參數(shù)為：1 kΩ、3 kΩ、2 kΩ、4 kΩ、4 kΩ、5 nF、5 nF，激勵(lì)信號(hào)為5 V的交流信號(hào)。使用的仿真軟件為OrCAD／PSPice，在OrCAD中繪制電路（如圖1）。對(duì)電路進(jìn)行交流分析（AC Sweep），考慮到元件中存在容差值，設(shè)定電阻的容差為10%、電容的容差為5%、激勵(lì)信號(hào)為5 V、起始頻率為1 kHz、終止頻率為1 MHz的交流掃頻信號(hào)。電路幅頻響應(yīng)波形如圖2所示。

圖1 Sallen－Key帶通濾波電路Fig.1 Sallen－Key band pass filter circuit

圖2 Sallen－Key帶通濾波電路幅頻響應(yīng)波形圖Fig.2 Sallen－Key band－pass filter circuit amplitude－frequency response waveform diagram

2.2 帶通濾波電路靈敏度分析及故障測(cè)試點(diǎn)選取

利用PSPice的靈敏度分析儀對(duì)電路進(jìn)行靈敏度分析，選用帶通濾波電路的輸出電壓V（OUT）作為電路性能參數(shù)，根據(jù)電路元件的相對(duì)靈敏度，選擇電路測(cè)試點(diǎn)。在PSPice軟件中，可以利用MATLAB語(yǔ)言編程，計(jì)算出各種不同情況下的電路系統(tǒng)參數(shù)，對(duì)所得到的組件的相對(duì)靈敏度的分析結(jié)果如圖3所示。

圖3 Sallen－Key帶通濾波電路相對(duì)靈敏度分析圖Fig.3 Sallen－Key band－pass filter circuit relative sensitivity analysis diagram

通過相對(duì)靈敏度測(cè)試結(jié)果可知，2、3、1、2的相對(duì)靈敏度較大，因此測(cè)試點(diǎn)的選取應(yīng)靠近這幾個(gè)元件。根據(jù)所需數(shù)據(jù)的復(fù)雜性，并綜合考慮計(jì)算和時(shí)間因素，選擇1、2、OUT 3個(gè)測(cè)試點(diǎn)，作為故障數(shù)據(jù)的提取點(diǎn)（見圖4）。

圖4 測(cè)試點(diǎn)選取Fig.4 Test point selection

2.3 帶通濾波電路的故障類型

根據(jù)圖3中的靈敏度分析，當(dāng)2、3、1和2發(fā)生改變時(shí)，能夠?qū)﹄娐份敵霎a(chǎn)生比較明顯的影響?？紤]軟故障情況下2、3、1和2各組件狀態(tài)，設(shè)置其高于或低于標(biāo)稱值50%時(shí)為故障狀態(tài)，用“↑”表示偏大，用“↓”表示偏小。從而可以得到9種狀態(tài)類型，分別是：無故障、2↑50、2↓50、3↑50、3↓50、1↑50、1↓50、2↑50、2↓50。通過設(shè)置故障類型輸出值來區(qū)分網(wǎng)絡(luò)識(shí)別結(jié)果，故障分類見表1。

表1 故障類型Tab.1 Fault type

2.4 原始數(shù)據(jù)采集及歸一化處理

本文采用多測(cè)試點(diǎn)、多信息特征量的模擬電路故障診斷方法，即通過多個(gè)測(cè)試點(diǎn)提取不同頻率信號(hào)下的電壓值做為原始訓(xùn)練數(shù)據(jù)。運(yùn)用OrCAD進(jìn)行電路仿真，在軟件繪制中如圖4所示電路，輸為5 V、1 kHz、1 MHz的交流掃頻信號(hào)，進(jìn)行交流分析（AC Sweep），輸出頻響曲線如圖5所示。3條曲線分別為OUT、1、2，3點(diǎn)的輸出頻響曲線，褐色曲線“□”表示OUT的輸出頻響曲線，綠色曲線“◇”表示1點(diǎn)的輸出頻響曲線，紅色曲線“▽”表示2點(diǎn)的輸出頻響曲線.

圖5 輸出頻響曲線Fig.5 Output frequency response curve

根據(jù)其它8種故障狀態(tài)，直接修改相應(yīng)元件的數(shù)值，重復(fù)進(jìn)行交流分析，得到圖6中（a）、（b）、（c）、（d）的輸出頻響曲線。

圖6 R2、R3、C1、C2故障時(shí)的輸出頻響曲線Fig.6 The output frequency response curve when R2、R3、C1、C2 fails

通過仿真波形可以看到，當(dāng)元件發(fā)生故障時(shí)，3條波形變化最大的區(qū)域在3 kHz～30 kHz的范圍內(nèi)，3個(gè)測(cè)試點(diǎn)的電壓對(duì)每種狀態(tài)的情況具有代表性。因此，為了盡可能少截取到對(duì)訓(xùn)練無用的數(shù)據(jù)，選擇在3 kHz～30 kHz頻率中截取訓(xùn)練數(shù)據(jù)。

仿真分析時(shí)，將交流分析的起始頻率和終止頻率分別設(shè)定為3 kHz和30 kHz，對(duì)以上9種狀態(tài)各自進(jìn)行20次蒙特卡洛實(shí)驗(yàn)，每次蒙特卡洛分析得到3個(gè)輸出點(diǎn)各20條曲線，如圖7所示。

圖7 電路無故障時(shí)蒙特卡洛分析仿真圖Fig.7 Monte Carlo analysis simulation diagram without circuit failure

設(shè)定每單位采樣點(diǎn)數(shù)為40，則從每條輸出頻響曲線上能提取41個(gè)不同頻點(diǎn)對(duì)應(yīng)電壓值，每種狀態(tài)下提取20組3×41維的數(shù)據(jù)序列，9種狀態(tài)下共能獲得9×20組123維的原始數(shù)據(jù)樣本，將其作為訓(xùn)練樣本集。節(jié)選其中每種情況下各兩組3 kHz和30 kHz頻率下的輸出電壓值，見表2。

表2 原始訓(xùn)練數(shù)據(jù)節(jié)選Tab.2 Examples of the original training data

2.5 BP神經(jīng)網(wǎng)絡(luò)故障診斷網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

設(shè)計(jì)BP網(wǎng)絡(luò)時(shí)，主要利用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱完成網(wǎng)絡(luò)的構(gòu)建。

（1）確定網(wǎng)絡(luò)的結(jié)構(gòu)。輸入輸出層節(jié)點(diǎn)的數(shù)量由輸入輸出訓(xùn)練樣本的數(shù)量確定，每個(gè)采集的樣本集包含123個(gè)數(shù)據(jù)集和1個(gè)輸出集。

（2）隱含層設(shè)計(jì)。一般情況下，單個(gè)隱含層滿足大多數(shù)應(yīng)用場(chǎng)景。雖然多層隱含層可以進(jìn)一步減少誤差，但其使網(wǎng)絡(luò)變得復(fù)雜，增加了訓(xùn)練時(shí)間。為了減小誤碼率和計(jì)算量，可采用多個(gè)隱含層同時(shí)進(jìn)行數(shù)據(jù)融合處理。

通過反復(fù)試驗(yàn)確定了123－10－1的網(wǎng)絡(luò)結(jié)構(gòu)；為了使神經(jīng)網(wǎng)絡(luò)能適應(yīng)復(fù)雜系統(tǒng)，可將其分為3層結(jié)構(gòu)：輸入層、隱含層及輸出層。其中前兩層為簡(jiǎn)單模型，后一層為精確模型。

3 帶通濾波電路故障診斷MATLAB仿真

3.1 BP神經(jīng)網(wǎng)絡(luò)MATLAB仿真設(shè)計(jì)

在進(jìn)行BP網(wǎng)絡(luò)設(shè)計(jì)時(shí)，采用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱對(duì)網(wǎng)絡(luò)進(jìn)行構(gòu)造和初始化。在此基礎(chǔ)上，為了驗(yàn)證該方法的有效性，原始數(shù)據(jù)中有180套數(shù)據(jù)，其中150套是隨機(jī)抽取的訓(xùn)練集，30套是測(cè)試集。通過仿真得到了BP網(wǎng)絡(luò)訓(xùn)練的訓(xùn)練效果。以下為MATLAB程序設(shè)計(jì)的主要部分：

（1）導(dǎo)入數(shù)據(jù)。180組輸入數(shù)據(jù)集y和輸出數(shù)據(jù)集x分別放在61.mat和6.mat文件中，首先導(dǎo)入數(shù)據(jù)集x和y。

（2）產(chǎn)生1～180的隨機(jī)數(shù)排列的數(shù)組。用以隨機(jī)提取測(cè)試集和故障集。

（3）定義數(shù)據(jù)。定義輸入集為input，輸出集為group。

（4）提取150組為訓(xùn)練集，提取30組為測(cè)試集。

（5）數(shù)據(jù)的歸一化預(yù)處理。

（6）初始化網(wǎng)絡(luò)結(jié)構(gòu)。

（7）網(wǎng)絡(luò)訓(xùn)練。

（8）預(yù)測(cè)輸出。將測(cè)試集連接到經(jīng)過訓(xùn)練的網(wǎng)絡(luò)得出診斷數(shù)據(jù)，并讓數(shù)據(jù)進(jìn)行反歸一化處理。

3.2 實(shí)驗(yàn)數(shù)據(jù)與結(jié)果分析

運(yùn)行程序后，診斷結(jié)果準(zhǔn)確率如圖8所示。其中，預(yù)測(cè)類別是BP網(wǎng)絡(luò)診斷結(jié)果，輸出類別是實(shí)際故障類型。經(jīng)多次重復(fù)運(yùn)行程序，診斷結(jié)果準(zhǔn)確率均在90%以上，說明本文設(shè)計(jì)的BP網(wǎng)絡(luò)診斷故障成功率較高，可以有效的進(jìn)行故障診斷。實(shí)驗(yàn)結(jié)果表明，神經(jīng)網(wǎng)絡(luò)對(duì)故障診斷具有一定的效果，預(yù)測(cè)和輸出類別完全相同，誤差的減少如圖9所示。

圖8 預(yù)測(cè)與實(shí)際結(jié)果對(duì)比圖Fig.8 Comparison between prediction and actual results

圖9 BP網(wǎng)絡(luò)結(jié)構(gòu)仿真誤差曲線圖Fig.9 BP network simulation error curve

通過仿真結(jié)果及過程可以看出，本文設(shè)計(jì)的BP網(wǎng)絡(luò)結(jié)構(gòu)模型能快速訓(xùn)練將誤差縮小到目標(biāo)值，預(yù)測(cè)結(jié)果準(zhǔn)確率高。說明BP網(wǎng)絡(luò)的收斂速度較快，故障的定位準(zhǔn)確率較高，確實(shí)是故障診斷中一種較優(yōu)越的選擇方案。

4 結(jié)束語(yǔ)

本文基于神經(jīng)網(wǎng)絡(luò)原理，通過對(duì)帶通濾波電路的故障診斷方法設(shè)計(jì)，分析了模擬電路故障診斷的方法。在故障提取中，采用多測(cè)試點(diǎn)、多信息特征的方法，使故障集數(shù)據(jù)更具有代表性，并對(duì)網(wǎng)絡(luò)進(jìn)行更好的訓(xùn)練。利用MATLAB軟件建立了BP神經(jīng)網(wǎng)絡(luò)的故障診斷模型，并對(duì)BP網(wǎng)絡(luò)進(jìn)行了訓(xùn)練，得到了仿真結(jié)果。利用該診斷模型對(duì)一個(gè)實(shí)際的模擬電路進(jìn)行故障診斷。仿真結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)能夠較快地達(dá)到目標(biāo)誤差，具有較高的診斷識(shí)別率，從而證明神經(jīng)網(wǎng)絡(luò)在模擬電路故障診斷中具有良好的應(yīng)用效果。