[发明专利]基于小波神经网络的大规模模拟电路故障诊断方法

说明书

技术领域

本发明涉及一种大规模模拟电路故障诊断方法，特别是涉及一种基于小波神经网络的大规模模拟电路的故障诊断方法。

背景技术

随着当代科学技术的飞速发展，模拟集成电路的网络规模和结构日益功能化和模块化，一旦集成电路的一些功能块发生故障，只需及时发现并更换故障模块就可确保网络的正常运行，此时对其内部进行元件级诊断已经没有必要，因此用智能诊断技术对大规模模拟电路进行快速准确的模块级故障定位是当前实际工程迫切需要解决的课题，也是故障诊断理论走向实际应用的关键步骤。

近年来，研究学者们在大规模模拟电路故障诊断方面已取得了不少成就并提出了很多诊断方法，如区间诊断法、网络撕裂法、神经网络方法等，但这些现有诊断方法大多只适用于对单故障状态以及少数多硬故障状态的诊断，且效果并不理想，其主要原因在于受到网络撕裂和网络规模的限制，至此，很少有文献对故障模块的硬故障、软故障以及多故障状态提出有效地诊断方法。

发明内容

本发明解决的技术问题是，克服现有技术存在的上述缺陷，提供一种能对大规模模拟电路进行快速准确的模块级故障定位的基于小波神经网络的大规模模拟电路故障诊断方法。

本发明解决其技术问题所采用的技术方案是：基于小波神经网络的大规模模拟电路故障诊断方法，包括以下步骤：

1）对待测电路进行功能模块的划分，并对待测电路进行至少两次交叉撕裂，每次撕裂得到S个子网络，每个子网络包含N个功能模块，直至使得任意两个功能模块在交叉撕裂中至少有一次被分别包含在不同的子网络中，同时，确定每次撕裂节点；

 2）针对硬故障、软故障和多故障情况，对样本撕裂节点进行电压采样，然后对采样电压进行主元分析和归一化处理，得到故障特征向量；

3）对应每次撕裂分别建立一个小波神经网络，将待测电路的正常状态与不同故障状态下得到的电压特征向量输入小波神经网络，对所有小波神经网络进行训练；

 4）对小波神经网络的输出进行逻辑诊断即实现故障模块定位。

进一步，所述步骤2）中，对样本撕裂节点进行电压采样时，可利用电路分析软件PSPICE分别对每次撕裂节点进行电压采样，用作测量与分析。

进一步，所述步骤3）中的小波神经网络是用非线性小波函数来代替神经网络中间层结点的非线性传递函数构造而成。

进一步，所述步骤4）中的逻辑诊断即构造逻辑诊断矩阵D；矩阵D的行对应于撕裂次数                                                ，矩阵D的列对应于各功能模块，其元素为“1”或“0”；如果第j个功能模块在第i次撕裂时，被判为无故障，则D的第i行第j列的元素为0；若有故障则为l，由此可实现故障模块定位。

在当前工程实践中，大规模模拟电路的功能模块化日益明显，对应不同元件实现的功能不同对，所以可对待测电路进行功能模块的划分。

所述步骤3）中，小波神经网络训练如下：

1）用非线性小波函数来代替神经网络中间层结点的非线性传递函数，小波函数的尺度伸缩因子和时间平移因子代替传统BP网络中输入层到隐含层的权值，及隐含层的阈值，网络输出可表示为：

；

其中为输入样本,R为输入样本个数，表示第R个输入与隐层第S个神经元之间连接的权值，h为小波函数，a, b分别为小波函数的尺度参数和平移参数，表示隐层第S个神经元与输出层第n个神经元之间连接的权值，表示输出层传递函数；

 2）对小波神经网络提供输入向量和期望响应，训练过程中网络的权值和偏差根据网络的误差性能进行调整，采用批处理学习算法，其中权值的调整量与输出相对于期望响应的误差能量对权值的偏微分大小成正比，符号相反，由此可得的修正量为：

；

其中为学习步长，表示隐层第S个神经元与输出层第n个神经元之间连接的权值, 为输出相对于期望响应的误差能量，是输出层对应的局部梯度，为隐层第j个神经元的输出；

则可修改网络参数，，和：

；

其中为第m次迭代后隐层第S个神经元与输出层第n个神经元之间连接的权值，为第m+1次迭代权值的修正量，为第m+1次迭代后的权值，为第m次迭代后隐层第S个神经元的小波函数的尺度参数，为第m+1次迭代尺度参数的修正量，为第m+1次迭代后小波函数的尺度参数，为第m次迭代后隐层第S个神经元的小波函数的平移参数，为第m+1次迭代平移参数的修正量，为第m+1次迭代后小波函数的平移参数。