[发明专利]一种基于标准差与偏斜度的模拟电路故障诊断神经网络方法

说明书

技术领域

本发明涉及一种模拟电路故障诊断神经网络方法，尤其是涉及一种基于标准差与偏斜度的模拟电路故障诊断神经网络方法。

背景技术

模拟电路故障诊断技术自20世纪60年代开始研究以来，取得了不少成就，研究者们提出了很多方法，其中人工神经网络在构成原理和功能特点等方面更加接近人脑，与传统的故障诊断分析方法相比，不需要建立对象的精确数学模型，避免了繁杂的数学运算，因而在故障诊断中得到了越来越广泛的应用。

利用神经网络进行故障的模式识别时，故障特征的提取具有非常重要的作用。有关文献分别从节点电压增量、信号峭度与节点电压灵敏度方面来获得对元件的硬故障和软故障的统一描述，能够简单、有效地诊断元件的软故障。但是，正是这种故障特征的统一描述，使得这些方法无法区分电路元件参数处于容差允许范围内还是发生了故障，也没有区分电路发生的是硬故障还是软故障，故障定位的准确性低，而电路测试和故障诊断的目的是要区分电路是处于正常状态还是发生了故障。

发明内容

为了克服现有技术存在的上述缺陷，本发明提供一种故障定位准确性高的基于标准差与偏斜度的模拟电路故障诊断神经网络方法。

本发明的技术方案是：

其包括以下步骤：

1)对元件无容差情况下的电路，在各种故障状态下进行交流分析，提取其幅频特性，计算标准差与偏斜度，获得无容差样本；

2)对元件有容差情况下的电路，在各种故障状态下进行交流分析和蒙特卡罗(Monte Carlo)分析提取其幅频特性，计算其标准差与偏斜度，获得容差样本；

3)对电路某一元件参数由0变换到无穷大时，对电路进行参数扫描分析，求取电路响应的标准差与偏斜度之间的轨迹，寻找故障特征的规律；

4)将1)-3)步所获得的标准差与偏斜度组成特征向量，输入神经网络中，进行故障的分类。

所述步骤1)和步骤2)中的计算标准差与偏斜度的计算过程主要包括以下步骤：

①对被测电路施加激励信号，提取电路的输出电压响应信号V(out)；

②对V(out)进行数字化，得到采样序列X＝(x₁，x₂，…，x_i，…x_N)，其中，x_i为第i个采样点；N为采样点数；

③计算采样数据的数学期望：其中，μ，E(x)都为采样数据的数学期望；X＝(x₁，x₂，…，x_i，…x_N)为采样序列；x_i为第i个采样点；

N为采样点数；

④计算标准差：

⑤计算偏斜度：

由于误差反向传播(BP)神经网络具有较好的泛化能力，很适合于解决判断电路状态属于哪种故障类型的分类问题，因此，可采用BP神经网络来实现模拟电路的故障诊断。BP神经网络的输入为X＝[x₁,x₂，…x_r，…x_R]，r＝1，2，…，R，R为输入神经元的个数；ω1_ir为第i个隐含层神经元与第r个输入之间的连接权值；ω2_ji为第j个输出层神经元与第i个隐含层神经元之间的连接权值；B1＝b₁，b₂，…，b_i，…，b_S1]，i＝1，2，…，S1为隐含层神经元的偏置；B2＝[b₁，b₂，…，b_j，…，b_S2]，j＝1，2，…，S2为输出层神经元的偏置；隐含层有S1个神经元，激活函数为f1，输出层有S2个神经元，激活函数为f2，网络的输出为Y＝(y₁，y₂，…，y_S2)，目标输出为T＝(t₁，t₂，…，t_S2)。BP神经网络是采用误差反向传播算法的多层前馈网络，其中，神经元的传递函数为S型函数，网络的输入和输出是一种非线性映射关系。BP神经网络的学习规则采用梯度下降算法。在网络学习过程中，把输出层节点的期望输出(目标输出)与实际输出(计算输出)地均方误差，逐层向输入层反向传播，分配给各连接节点，并计算出各连接节点的参考误差，在此基础上调整各连接权值，使得网络的期望输出与实际输出地均方误差达到最小。