[发明专利]采用统一空间特征的模拟电路遗传神经网络诊断系统

说明书

技术领域

本发明属于神经网络及电子电路工程领域，涉及一种采用统一空间特征的模拟电路遗传神经网络诊断系统。

背景技术

在模拟电路中，故障可分为两大类：一类称为硬故障，指元件的开路和短路失效故障；另一类称为软故障，指元件的参数超出预定的容差范围，软故障往往未使设备完全失效，例如，由于元件的老化、变质或使用环境的变化等造成的元件参数变化。

模拟系统的测试与诊断自60年代开始研究以来，进展一直比较缓慢，主要的原因在于，模拟电路的输入激励和输出响应都是连续量，网络中各元件的参数通常也是连续的，即大多数故障情况属于软故障，所以模拟系统中的故障模型比较复杂，难以作简单的量化。由于故障参数是连续的，因此，从理论上讲，一个模拟元件可能具有无穷多个故障，所以测试与诊断远比数字系统困难，因此，至今无论在理论上和方法上均未完全成熟，可付诸实用的还比较少。

在过去的几年中，模拟电路的故障诊断从系统级、板块级到芯片级进行了许多的研究，其中一种方法是，直接截取不同的测试点信号作为神经网络分类器的输入，进行故障诊断，这种方法的网络规模通常非常庞大，网络训练时间很长，难以达到实时的要求。另一种方法为，采用小波变换作为信号的特征提取技术，由于小波系数本身的计算量很大，因此，在没有很好的算法的时候，这种方法对于实时环境同样是不实用的。还有的采用故障字典法，建立电路的直流或交流故障字典，但是，这种方法一般只适用于硬故障，对于软故障是无能为力的。

随着高速集成电路的发展及特大规模集成电路的发展，电子设备越来越复杂，机电系统及军事设备电气与电子子系统的维修和保养对测试仪器提出了新的挑战。但是，由于模拟电路元件参数的连续性和元件容差的存在，电路的空间特征需要经过很多次模拟才能得到，甚至不能得到。对于一个含有n个元件的电路，需要模拟次才能得到其空间特征，其中，M_j代表第j类故障的故障模式数目，N_in是输入向量数目，C为模拟次数。考虑一个有2输入、含20个元件的简单电路，只考虑2种故障模式，则需要做69.735亿次模拟才能得到其完整的空间特征，这几乎是一个不可能的工作。

发明内容

为了克服现有技术存在的上述缺陷，本发明提供一种测前模拟次数和计算量较少，网络训练时间较短，既适用于硬故障又适用于软故障的采用统一空间特征的模拟电路遗传神经网络诊断系统。

本发明的技术方案是：

(1)测量各元件所有测量端口的转移阻抗，获得各故障元件的单故障空间特征、双故障空间特征和多故障空间特征，其中，双故障空间特征和多故障空间特征可由单故障空间特征计算得到；对于一个含有n个元件的电路，只需要模拟n次，即可得到该电路的单故障、双故障以及多故障的所有空间特征；

(2)设计神经网络分类器，输入神经元的数目和空间特征的数目相等，输出神经元个数和故障模式数目相当，隐层神经元的个数h由公式决定，其中，n为输入端数目，m为输出端数目；

(3)对各故障空间特征进行归一化和中心化预处理，得到测前统一空间特征；

(4)将归一化和中心化预处理后的样本作为其输入样本输入神经网络，利用遗传算法对该网络进行训练；当网络训练误差达到目标误差并稳定时，训练结束，可以作为诊断用；

(5)当电路真正发生故障时，测出各测量端口的电压，然后根据各测量端口的电压，计算各故障空间特征值；

(6)将步骤(5)中的各故障空间特征值进行预处理后，作为样本向量输入训练好的神经网络，则网络的输出就是电路故障元件的代码。

所述步骤(1)中，通过各元件测量端口的转移阻抗，得到单故障空间特征、双故障空间特征和多故障空间特征的具体方法为：

①对含有n个元件和m个测量端口的电路，设第i个测量端口对故障元件x的转移阻抗为z_ix，则故障元件x的单故障空间特征为(i＝1，2，...n)，该空间特征与故障的类型和故障程度没有关系，因此，不管该元件发生硬故障还是软故障，其单故障的空间特征都为x_i(i＝1，2，...n)；