届本科学年论文 基于神经网络的模拟电路故障分析研究 2.docx
- 文档编号:17602894
- 上传时间:2023-07-27
- 格式:DOCX
- 页数:13
- 大小:160.86KB
届本科学年论文 基于神经网络的模拟电路故障分析研究 2.docx
《届本科学年论文 基于神经网络的模拟电路故障分析研究 2.docx》由会员分享,可在线阅读,更多相关《届本科学年论文 基于神经网络的模拟电路故障分析研究 2.docx(13页珍藏版)》请在冰点文库上搜索。
届本科学年论文基于神经网络的模拟电路故障分析研究2
基于神经网络的模拟电路故障诊断方法研究
本
科
学
年
论
文
08电气【2】班
黄河20081340071
基于神经网络的模拟电路故障分析研究
【摘要】:
模拟电路故障诊断是一项较前沿的研究课题。
随着超深亚微米半导体技术的发展,推动了系统芯片以及模拟和数字混合信号电路的出现,模拟测试领域出现了许多新的理论研究课题,采用常规或传统的故障诊断理论和方法难以解决。
由于神经网络具有处理复杂多模式及进行联想,推测和记忆功能,因而特别适合故障诊断系统。
将神经网络用于模拟电路故障诊断是发展趋势。
本文以神经网络在模拟电路故障诊断中的应用为主线,结合模糊理论,小波变换理论及信息融合等理论研究了模拟电路的故障特征提取和故障诊断方法。
介绍了神经网络的基本概念,方法,重点介绍了BP神经网络的结构及其网络参数的选择方法;采用BP算法并利用DSP运算能力强,精度高的特点,设计了模拟电路故障诊断系统,该系统与传统的故障字典法比较,更准确方便,具有较高的实用价值。
以故障诊断的理论和方法为基础,综合运用人工智能,模糊理论和神经网络的理论,提出了模糊理论和神经网络的集成方法,介绍了集成综合系统的基本结构和工作原理。
针对大型机组的状态监测与故障诊断问题,提出一种基于区间值模糊神经网络的诊断方法。
详细论述了小波分析和小波包分析的基本理论,讨论了多分辨分析的一般框架,给出了小波包分析的定义和性质,从空间分解的角度对小波包分析进行理解并给出了小波包分解和重构算法;以基于小波—神经网络的模拟电路IDDT故障诊断方法为基础,分别应用多分辨分析和小波变换两种方法提取模拟电路IDDT的故障特征,给出详细的故障诊断流程。
基于神经网络信息融合技术的诊断方法属于典型的特征层融合,介绍了神经网络信息融合诊断模型,通过对国际标准电路的仿真实验验证了该方法的可行性。
【关键词】:
模拟电路故障诊断神经网络模糊理论小波分析信息融合
第一章绪论
1.1研究背景及意义
故障诊断技术是近40年发展起来的以适应工程实际需要而形成的多学科交叉的一门综合学科。
一般电子电路的故障诊断可分为模拟电路故障诊断和数字电路故障诊断。
数字技术的广泛应用和高速发展,使得数字电路的故障诊断研究取得了空前的发展。
对于模拟电路,由于其元件具有容差并存在非线性等原因,使得模拟电路的故障诊断较数字电路的故障诊断复杂得多,其发展比较缓慢,应用也不够广泛。
模拟电路的使用虽由来已久,但模拟电路故障诊断技术的发展较慢,其原因主要有:
由于模拟电路的多样性,且模拟电路的物理量是连续函数,因此模拟电路的电量模拟困难,而且模拟的模型适应性有限;模拟电路中元件参数具有容,引起电路工作特性的偏移,对于容差电路,许多诊断方法失去了准确性和稳定性;模拟电路中广泛存在着非线性问题,而非线性问题的求解比较困难,其计算工作量也大;实际的模拟电路通常是多层的或被封闭的,特别是集成电路,只有少数一些可及端口或节点是可测量的,导致可用作故障诊断的信息
够,造成故障定位的不确定性和模糊性。
目前,在各种类型的神经网络中,BP网络因其具有极强的非线性映射能力而最适合于解决分类题所以大部分研究者都以BP网络算法作为诊断算进行研究。
但是BP神经网络自身也有很大的陷,如输入数目颇多,结构难以确定,训练时间过长等。
RBF神经网络除了具有神经网络普遍具有的函数逼近能力,分类能力和非线性映射能力以外。
在学习速度方面具有明显的优势。
本文仅考虑模拟电路的单故障诊断,采用脉冲信号作为激励源,从时域提取电压响应波形的特征来训练RBF神经网络。
1.2国内发展现象
故障诊断的历史与人类对设备的维修方式紧紧相联。
在工业革命后的相当长的时期内,由于当时的生产规模,技术水平和复杂程度都比较低,人类对设备的维修方式基本上是人工事后维修。
20世纪以后,由于大生产的发展,尤其是流水线生产方式的出现,设备本身技术水平和复杂度都大大提高,设备电路故障对生产影响显著增加,这样出现了定期维修,大约在60年代,美国军方意识到定期维修的一系列弊病,开始变定期维修为预知维修,在设备的正常运行过程中就开始进行监护,以发现潜在的故障因素,从而避免了失修和过剩维修,经济效益十分显著,其他企业纷纷效仿,故障诊断技术很快就发展起来了。
从国内情况来看,我国智能诊断领域的研究较西方发达国家稍晚,大概始于70年代末,虽然起步较晚,但是经过追赶,特别是近几年的努力,我国已经基本跟上了国外在此方面的步伐,在某些理论研究方面已经和国外不相上下。
近十年来,故障诊断技术得到了极大的发展,具有现代标志的理论和方法如:
信号处理,模式识别,最优化方法,决策论,主元分析,遗传算法,自适应理论,小波变换与分析,神经网络和模糊系统等已经成为故障诊断的理论基础。
有不少的理论工作者都投入到该领域的研究,发表有关论文干篇以上,但主要解决的是线性网络在无容差或小容差情况下的诊断理论与方法;近年来在非线性问题上也取得了一些长足进展,但不具实用性:
还没有一个完善,成熟的系统或软件可付诸广泛使用,因此模拟电路故障诊断理论和方法有待进一步发展。
1.3国外发展现象
人工神经网络早期的研究工作应该追溯到上个世纪40年代。
1943年心理学家W.McCulloch和数理学家W.Pitts在分析,总结神经元基本特性的基础上首先提出了神经元的数学模型。
50年代末,F.Rosenblatt设计制作了感知机,首次把人工神经网络的研究从理论探讨付诸于工程实践。
60年代末,由于感知机功能有限,无法解决如异或(XOR)这样的基本问题,人们对感知机的兴趣开始衰落,人工神经网络的研究沉寂了相当长的时间。
美国物理学家Hopfield于1982和1984年在美国科学院院刊发表了两篇关于神经网络研究的论文,引起巨大的反响。
随后一大批学者和研究人员围绕着Hopfield提出的方法展开了进一步的工作,形成了80年代中期以来的研究热潮
故障诊断问题是一个从故障所体现的特征来识别故障源的问题,目前机械,控制系统,化工等领域,已经尝试用神经网络实现故障诊断。
因此将人工神经网络用于模拟电路故障诊断是一个很有希望的新的研究领域。
特别是神经网络具有的容错能力,预计使神经网络诊断容差电路硬故障和软故障可能成为有效的方法,有可能为电路故障诊断开辟一条新的途径
第二章基于神经网络的模拟电路故障诊断
2.1神经网络
神经网络是一门发展十分迅速的交叉学科,它是由大量的处理单元组成非线性的大规模自适应动力系统。
神经网络具有分布式存储、并行处理、高容错能力以及良好的自学习、自适应、联想等特点。
目前已经提出了多种训练算法和网络模型,其中应用最广泛的是前馈型神经网络。
前馈型神经网络训练中使用最多的方法是误差反向传播(BP)学习算法。
但随着使用的广泛,人们发现BP网络存在收敛速度缓慢、易陷入局部极小等缺陷。
2.2神经网络概述
人脑是由大量的神经细胞组合而成的,它们之间相互连接。
每个神经细胞(也称神经元)具体如图2.1所示的结构。
图2.1生物神经元模型
由图看出,脑神经元由细胞体、树突和轴突构成。
细胞体是神经元的中心,它一般又由细胞核、细胞膜等构成。
树突是神经元的主要接受器,它主要用来接受信息。
轴突的作用主要是传导信息,它将信息从轴突的起点传到轴突末梢,轴突末梢与另一个神经元的树突或细胞体构成一种突触的机构。
通过突触实现神经元之间的信息传递。
神经网络系统是由大量的、同时也是很简单的处理单元(或称神经元)广泛地互相连接而形成的复杂网络系统。
它反映了人脑功能的许多基本特性,但它并不是人脑神经网络系统的真实写照,而只是对其作某种简化、抽象和模拟,这也是现实情况所能做到的,是目前神经网络研究的基本出发点。
我们研究神经网络系统的目的在于探索人脑加工、存储和处理信息的机制,进而研制基本具有人类智能的机器。
2.1.2神经网络的结构
图5.1表示了一个简单的神经网络,其中每个小圆圈表示个神经元(也称处理单元或节点)。
各个神经元之间通过相互连接形成一个网络拓扑,这个网络拓扑的形式称为神经网络的互连模式。
不同的神经网络模型对神经网络的结构相互连模式都有一定的要求成限制,比如允许它们是多层次的、是全互连的等等。
神经网络以外的部分(即虚线方框以外的部分)可统称为神经网络的环境。
神经网络从其所处的环境中接收信息,对信息进行加工处理之后又返回(或作用)到其所处的环境中去。
比如一个应用于连续语音识别的神经网络,连续的语音信号(或须处理后的信号)便可称之为神经网络的环境。
神经网络从这个环境中接收连续的语音信号,进行识别处理之后,就将结果输出到环境中,即以屏幕显示或打字的形式反映出来。
图2.2神经网络框图
各个神经元之间的连接并不只是一个单纯的传送信号的通道,而是在每对神经元之间的连接上有一个加权系数,这个加权系数起着生物神经系统中神经元的突触强度的作用,它可以加强或减弱上一个神经元的输出对下一个神经元的刺激。
这个加权系数通常称为权值(或称为连接强度、突触强度)。
在神经网络中,修改权值的规则称为学习算法。
这也就是说权值并非固定不变的。
相反地,这些权值可以根据经验或学习来改变。
这样,系统就可产生所谓的“进化”。
同样的,处理单元表示什么也是可以变化的,因而也就可以用任何合适的物质来实现。
2.BP神经网络
人工神经网络是一种信息处理系统,它有很多种模型。
其中有一种用误差传播学习算法(ErrorBackPropagation即BP算法)进行训练的多层前馈神经网络,简称为BP网络。
BP神经网络模型是人工神经网络的重要模型之一。
它有广泛的应用,主要包括模式识别及分类、故障智能诊断、图像处理、函数拟合、最优预测等方面的应用。
2.1BP神经网络特点:
l)分布式的信息存储方式
神经网络是以各个处理器本身的状态和它们之间的连接形式存储信息的,一个信息不是存储在一个地方,而是按内容分布在整个网络上。
网络上某一处不是只存储一个外部信息,而是存储了多个信息的部分内容。
整个网络对多个信息加工后才存储到网络各处,因此,它是一种分布式存储方式。
2)大规模并行处理
BP神经网络信息的存储与处理(计算)是合二为一的,即信息的存储体现在神经元互连的分布上,并以大规模并行分布方式处理为主,比串行离散符号处理的现代数字计算机优越。
3)自学习和自适应性
BP神经网络各层直接的连接权值具有一定的可调性,网络可以通过训练和学习来确定网络的权值,呈现出很强的对环境的自适应和对外界事物的自学习能力。
4)较强的鲁棒性和容错性
BP神经网络分布式的信息存储方式,使其具有较强的容错性和联想记忆功能,这样如果某一部分的信息丢失或损坏,网络仍能恢复出原来完整的信息,系统仍能运行。
1986年由Rumelhart和McCelland领导的科学家小组在《ParallelDistributedProcessing》一书中,对具有非线性连续转移函数的多层前馈网络的误差反向传播算法进行了详尽分析,实现了Minsky关于多层网络的设想。
人工神经网络具有广泛的应用领域;在所有的神经网络应用中,BP神经网络所占比例在80%以上。
BP神经网络因其良好的非线性逼近能力和泛化能力以及使用的易适性而更是受到众多行业的青睐。
BP神经网络采用的反向传播算法(BP算法)是目前在前馈神经网络中研究得最为成熟且应用最广的一种有导师学习算法。
BP神经网络在模式识别、图像处理、信息处理、智能控制、故障检测、企业管理、市场分析等方面的应用已取得了显著成效。
可以说,BP神经网络的应用已深入到经济、化工、工控、军事等众多领域,并且从其应用的优势及趋势可以预言其应用前景将更加光明。
在这样一个信息及经济高度发达的时期,研究BP神经网络,为其进一步的发展及应用做出一定的贡献是极具理论价值和实用价值。
2.2BP神经网络介绍
BP网络是一种单向传播的多层前馈网络,它包含输人层、隐含层和输出层,如图2.1所示,是目前应用较多的一种模型。
该算法在层次型网络结构上采用误差逆传播学习方式,学习过程由正向传播和误差逆传播组成。
图2.1BP网络示意图
BP网络的结构如图1所示,算法的主要思想是把学习过程分为两个阶段:
第一阶段是正向传播过程,输入信息从输入层经隐层逐层计算各单元的实际输出值,每一层神经元的状态只对下一层神经元的状态产生影响;第二阶段是反向传播过程,若在输出层未能得到期望的输出值,则逐层递归计算实际输出与期望输出之间的差值,根据此误差修正前一层权值使误差信号趋向最小。
它通过连续不断地在相对于误差函数斜率下降的方向上计算网络权值和偏差变化而逐渐逼近目标。
每一次权值和误差的变化都与网络误差的影响成正比。
假设神经网络每层有N个节点,若某一层节点j与上层节点i之间权值为Wij,节点的输入总和计为netj、输出计为Oj,转移函数取非线性的Sigmoid型函数
,对于节点j,其输入值为其前一层各单元加权和
,输出值为
.定义误差函数
式中
为输出期望值,
为输出实际值。
BP算法采用梯度法调整权值,每次调整的量
、式中0<
<1,称为学习速率,它决定每一次训练中的权值变化大小。
进一步简化计算有
,
,
其中:
,j为输出层单元;
,j为隐层单元。
BP网络是一种多层前馈神经网络,它采用后向传播算法,亦称BP算法(首先样本从输入层经各中间层向输出层传播,输出层的各神经元获得网络的输人响应;然后按照减小目标输出与实际输出误差的方向,从输出层开始经各中间层逐层修正各连接权值,以达到学习目的)。
BP网络具有结构简单、可操作性强、能模拟任意的非线性输入/输出关系等优点,目前已被广泛应用于模式识别、智能控制、预测、图像识别等领域。
但是,BP网络存在两个突出问题(①收敛速度慢,②易陷入局部极小点)使其应用受到了一定限制。
综上,我们可以看出BP算法主要的优点是简单、易于实现。
但是BP算法有两个致命的缺陷:
首先最大的缺陷是BP算法很可能陷入局部极小值,因为通常的误差曲面都是凸凹不平的,会有多个极值点。
BP算法的另一个缺陷是收敛速度慢,当采用梯度下降法时步长不容易确定,步长太长则达不到精度,甚至会发散;太小则迭代步骤增加,收敛速度慢。
鉴于此,目前对BP算法的改进主要集中在两个方面:
1.是避免陷入局部极小值,一旦陷入要想办法逃出;
2.是改进迭代算法,加快收敛速度,较常用的方法是共轭梯度法、变尺度法等。
第三章基于神经网络的故障诊断方法
3.1基于神经网络的故障诊断方法概述
人工神经网络(ArtificialNeuralNetwork-ANN)就是用物理上可以实现的器件、系统或现有的计算机来模拟人脑的结构和功能的人工系统.神经网络的I/O非线性映射特性、信息的分布存储、并行处理和全局集体作用,特别是其高度的自组织和自学习能力,使其成为故障诊断的一种有效方法和手段,在故障诊断中得到越来越广泛的重视.
目前神经网络模型已有近百种,从不同的角度有不同的分类.常用于故障诊断的神经网络模型主要有:
反向传播(BP)网络、Hopfield网络、径向基函数RBF)网络、自组织特征映射(SOFM)网络、Adaline网络等.
3.2基于神经网络的诊断
3.2.1网络结构
从本质上讲,模拟电路故障诊断相当于一个分类问题,即根据测量数据判断电路状态属于哪种故障类型。
由于BP网络具有较好的泛化能力,很适合于解决分类问题,故在此应用BP网络来进行电路的诊断。
两个BP网络均选用单隐层结构,输入节点数为对应测试信息中特征参量的维数,输出节点数为故障状态的类别数,隐节点的个数根据被诊断电路的结构参数及特征参量与故障类别数等,凭借经验和试凑进行选取。
每一神经元节点的输出传送至下一层的所有节点,输入层节点不加任何作用地将输入信号传送到下一层,隐层与输出层激活函数取为Sigmoid函数,这样网络输出即为[0,1]区间上的数,由于每一节点对应着一个故障类别,因而输出节点的值即为待测状态属于该节点所对应故障类别的可能性。
3.2.2训练样本集的构造
确定电路的故障状态集后,运用电路分析软件,求出电路处于各故障状态时的响应(可测点电压与各测试频率下的电路增益),将得到的响应进行规范化处理,作为对应状态类的特征。
对故障状态集中的每一类状态,都按上述方法获得大量特征。
然而,由于模拟电路容差的普遍存在及软故障参数的连续性,电路故障状态是难以穷尽的。
同时,由于BP网络是通过学习带正确答案的事例集自动提取“合理的”求解规则,因而训练样本的选择直接影响故障诊断的精度,必须赋予网络足够多的具有代表性的训练样本,网络才会具有较强的泛化能力,但样本量过大,又会导致训练时间太长。
为了使能尽量选取少量样本训练网络,而又能将其很好地推广应用于诊断电路的各种故障情况,在此采用“伪故障边界样本选择法”,即把有交的故障域重构成无交的伪故障域,在各个伪故障及无故障域的边界附近优选相应的故障和无故障训练样本,再用这些样本训练与其相对应的BP网络。
从神经网络的特性来看,这样选出的样本比较具有代表性,由此训练出的网络推广能力强,诊断精度高。
3.2.3学习方法
对于前向网络,BP算法是一种很实用的算法,它通过调整网络权值与阈值能达到网络的输出与目标输出之间误差平方和最小。
但传统的BP算法具有明显的局限性,主要表现在收敛速度慢,且目标函数存在局部极小点,为此应用改进的BP算法—递推最小二乘法,该算法将误差纠正学习算法看作是用一个自适应滤波算法去辨识一个非线性系统,采用扩展Kalmann滤波算法完成这一任务,可以较好地克服传统BP算法的不足。
结论
自20世纪60年代以来,模拟电路测试和诊断一直是研究的热点之一。
从现阶段来看,
模拟电路的故障诊断还未完全实现自动化和智能化。
特别是随着电子技术的迅猛发展,
SOC与混合信号电路的不断涌现,模拟电路的研究又面临着新的挑战,开展测试和诊断
的理论方法研究显得更加重要。
多年来,集成电路的测试是制约集成电路工业的“瓶颈”。
顺应当代微电子技术和
信息技术的新发展,开展模拟电路测试和诊断方法的研究不仅对学术上且对我国集成电
路工业都具有重要的理论价值和现实意义。
在上述背景下,本文开展了基于神经网络的
模拟电路故障诊断方法的研究工作,主要结果有:
(1)介绍了模拟电路故障诊断的基础知识及其发展概况,对今年来这方面的成果
进行了简要的概述。
研究了基于神经网络的模拟电路故障诊断方法,探讨了BP神经网
络的基本算法及进行模拟电路故障诊断的一般方法和诊断步骤。
(2)详细讨论了BP神经网络在模拟电路故障诊断中的应用和故障特征提取方法。
(3)采用多频测试法建立故障样本集,应用BP神经网络对特定的滤波电路在元
件存在容差的情况下,进行故障诊断,取得良好的效果。
(4)利用PSPICE4.02编写了样本集的产生程序,在MATLAB6.5下编写了权值和
阈值的训练程序。
通过对实际的电路仿真测试,验证了神经网络用于模拟电路故障诊断的可行性。
。
参考文献
[1]孟庆丰,何正嘉.基于应用内涵研究故障特征提取技术.振动工程学报,2000,13(S):
97~101
[2]高泽函.电子电路故障诊断技术.西安:
西安电子科技大学出版社,2004.
[3]国家自然科学基金委员会.国家自然科学基金“九五”优先资助领域1996年~2000年,第八章,第11项.北京:
北京大学出版社,1995
[4]FangXu.Buiit—InSelf~TestforMixed—signalComponentsonMultichipModules,Hannover
University,Germany,2001.
[5]訾艳阳,何正嘉,张周锁.小波分形技术及其在非平稳故障诊断中的应用.西安交通大学学报,2000,34(9):
82~87
[6]杨士元.模拟系统的故障诊断和可靠性设计.北京:
清华大学出版社,1993.
[7]张安华.机电设备状态监测与故障诊断技术.西安:
西北工业大学出版社,2000
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 届本科学年论文 基于神经网络的模拟电路故障分析研究 本科 学年 论文 基于 神经网络 模拟 电路 故障 分析研究
![提示](https://static.bingdoc.com/images/bang_tan.gif)