模拟电路故障诊断的方法研究
摘要:本文主要研究了增加动量项BP神经网络算法，与典型的模拟电路系统相结合，设计出能够实现在线和离线诊断模拟电路故障的小型智能诊断系统，实现了智能算法在实际工业生产当中应用，实验证明，采用理论上成熟的动量项BP神经网络算法用于故障诊断，利用嵌入式系统应用性强、高可靠性、低功耗等特点，并且有一定的实用价值。
关键词：动量项BP神经网络；模拟电路；故障诊断
1 引言
模拟电路广泛应用于军工、通信、自动控制等各个方面。由于模拟电路故障诊断本身的复杂性，目前已提出了很多相关的理论和算法，但大多只停留在仿真研究阶段，或只能实现模拟电路故障的离线检测[1,2]。本文以实现在线实时诊断故障为目标，设计出对子网级模拟电路的单故障能够进行在线诊断及离线诊断的系统，使得神经网络理论在工业生产中的实际应用做出了初步性的探索。
2 故障特征提取和处理
2.1 基于多分辨分析的故障特征提取
一般而言，大多数模拟电路的故障都是软故障，这样就可以利用小波变换来提取每个频带的故障信息，利用Mallat算法就可以实现小波分解过程，由于软故障信号的变化幅度比较小，所以高频率的分解可以被用来反映该部分信号后，各层的系数可以是故障信号序列求和的绝对值，然后扩展顺序，作为模拟电路故障特征向量[3,4]。
2.2 BP神经网络故障诊断方法
用BP网络对一般的子网络级模拟电路进行故障诊断，其工作可以分为测前工作与测后工作两部分进行[5,6]。本文使用PSPICE软件对模拟电路的每个元器件设置容差，并多次进行蒙特卡罗分析[7,8]，以此得到的数据一部分作为神经网络的训练样本，另一部分作为仿真阶段的测试样本。通过MATLAB仿真软件搭建神经网络，实际诊断时，在同样的激励条件下，测出测试节点实际的输出值作为测试样本，输入到已训练好的神经网络，神经网络经过诊断后输出对应的故障状态，BP神经网络故障诊断流程如图1所示[9,10]。
图1 模拟电路故障诊断流程图
（1）训练样本和特征提取。首先，根据该电路的结构，选择最佳的测试节点。分析各种典型故障条件下测试节点的电压，并提取故障特征信号，然后对故障特征进行归一化和特征关联处理,最终获得特征向量的故障信息。
（2）设计和训练神经网络。在本文中，使用的是三层BP神经网络，如果电路元件数为k，测试节点为m，小波分解级为N，输入节点的神经网络的数目为(N+1)m，输出节点K，隐藏层神经元的数目是 （a为0-10的整数）。
(3)故障诊断。电路实际测量信号经过特征提取,然后进行信号预处理后,输入到训练好的神经网络进行识别诊断,就可以输出对应的故障元件编号。
3 故障诊断实例
前面介绍了BP神经网络的基本算法理论以及其诊断模拟电路故障的过程。下面将通过对两个实测电路的仿真来验证其在实际应用中的有效性。在模拟电路故障诊断中，首先要对电路进行模拟和仿真，本文中使用了电路通用分析软件PSPICE。经电路仿真后得到的数据还需要利用MATLAB软件构造神经网络并训练网络。利用PSPICE仿真软件设计一个模拟电路，如图2，按照仿真软件的语法格式编程。将各元器件的标称值设定为R1=R2=R3=R4=R5=R7=R8=R9=1KΩ，R6=3KΩ，对每个电阻设置容差为10%，VCC=12V。节点2，3，4，5作为测试节点。共设置5种电路状态：4种故障状态和一种故障状态。4种故障状态分别是R2电阻开路（R2O），R3电阻短路（R3S），R4电阻开路（R4O），R5电阻短路（R5O）。
图2 故障诊断测试电路
要构建带动量项BP神经网络需要确定的的主要参数包括：网络的层数、每层的神经元个数、初始权值、目标误差、学习速率及动量因子等。这些项目的确定虽然都有一定的指导原则，但大部分都是根据一些经验和实际情况试凑法得出，这也是BP神经网络的最大缺陷之一。 根据图2中的实测电路以及以往的仿真经验，网络层数选择为3层，输入层神经元个数为4，输出层神经元个数为4，初始权值为（-1, 1）之间的随机数，目标误差为0.01，动量因子为0.5。对训练好的神经网络进行单软故障性能测试。总测试样本的平均正确诊断率达96.08%。
4 结束语
本文分析了传统模拟电路故障诊断方法的不足之处以及神经网络诊断技术的优势，详细阐述了利用增加动量项BP神经网络方法对模拟电路故障进行诊断的工作流程。首先，选取典型的故障特征信号对神经网络进行训练，训练完成后，就可以用以识别响应模拟电路的故障。实验结果表明本文提出的模拟电路故障诊断方法诊断速度快、准确率高，并有较高的故障识别能力。
参考文献
[1] EJ-Gamal M A. A knowledge-based approach for fault detection and isolation in analog ciecuits. International Conference on Neural Networks[J], 1997, 3(1): 1580-1584.
[2] K.Madani. A survey of artificial neural networks based fault detection and fault diagnosis techniques[J]. International Joint Conference on Neural Networks, 1999, 5(3):3442~3446.
[3] 黄洁，何怡刚．模拟电路故障诊断的发展现状与展望[J]．微电子学，2004，34（1）：21-25．
