神经网络在电子设备检测中的应用研究

林海英

（闽江学院 计算机科学系，福建 福州 350108）

神经网络在电子设备检测中的应用研究

林海英

（闽江学院 计算机科学系，福建 福州 350108）

本文针对电子设备中模拟电路容差因素对故障定位的影响，提出一种基于SOM自组织特征映射神经网络的组合式故障检测法，并就其基本原理和实际应用展开具体讨论.实践结果证明，该方法行之有效、实用性强、拓展性宽.此类故障检测方法值得人们进一步研究和探索.

神经网络；字典法改进；容差问题；故障检测

笔者在长期工作实践中发现，电子设备中模拟电路容差因素对故障定位的影响是设备故障检测最常见的难题之一，所谓容差是指因元件老化变质或使用环境不当，其参数超出了预定容差的范围.而容差问题又是导致设备出现既不完全失效，又无法正常运行，即难以检测的设备软故障的根本原因.实际上故障检测就是一种典型的模式识别和分类问题.由于人工神经网络是模拟生物神经系统建立起来的非线性动力学系统，具有强大的分类能力和非线性映射能力，非常适合处理模式识别和分类，因此常被人们以或单一，或与其它故障检测法联合的方式来解决设备系统故障检测中的各种难题.在适用于故障检测的如SOM、BP、BAM、ART以及B样条等多种神经网络中，SOM自组织特征映射神经网络是一种当外界输入不同样本时，网络能自动完成功能相近神经元的有序排列，与人脑神经元的组织原理类似，具有良好泛化特性的的神经元网络.虽然该特性能有效克服容差因素对故障定位的影响，但如果把SOM神经网络技术与传统交流故障字典法有机地结合起来构成一种组合式故障检测方法，将会在解决故障检测容差问题上获得事半功倍的显著效果.笔者将在下文中就基于SOM神经网络组合式故障检测法的基本原理及实际应用展开讨论.

1 SOM网的拓扑结构与权值调整域

1.1 拓扑结构

SOM网共有两层，分别是输入层和输出层.输入层各神经元通过向量将外界信息汇集到输出层各神经元.输入层的形式与BP网相同，节点数与样本维数相等.输出层也是竞争层，其神经元的排列有一维线阵，二维平面阵，三维栅格阵等多种形式.最常见的是前两种类型，输出层按一维阵列组织是SOM网最简单的组织方式，如图1（a）所示.输出层按二维平面组织是SOM网最典型的组织方式，该结构更具有大脑皮层的形象.输出层的每个神经元同它周围的其它神经元侧向连接，排列成棋盘状平面，如图 1（b）所示.

图1 SOM网的输出阵列

1.2 权值调整域

SOM网采用的是Kohonen算法，算法原理为SOM网的获胜神经元对其相邻神经元的影响是由近及远，由兴奋逐渐变为抑制，不仅算法中的获胜神经元本身要调整权向量，它周围的神经元在其影响下也要不同程度地调整权向量.调整方式可用图2中的三种函数表示，按顺序分别称为墨西哥草帽函数，大礼帽函数和厨师帽函数，如图2中的(a)、(b)、(c)所示.其中墨西哥草帽函数表明获胜节点有最大的权值调整量，邻近的节点有稍小的调整量，离获胜节点距离越大，权的调整量越小，直到某一距离R时，权值调整量为零.当距离再远一些，权值调整量略负，更远时又回到零.墨西哥草帽函数表现出的特点与生物系统十分相似，但其计算上的复杂性会影响网络训练的收敛性，因此在SOM网的应用中常使用与墨西哥函数类似的简化函数，如大礼帽函数和进一步简化的厨师帽函数.

图2 权值调整函数

以获胜神经元为中心设定一个邻域半径R，该半径圈定的范围称为优胜邻域.在SOM网学习方法中，优胜邻域内的所有神经元均按其与获胜神经元之见相差的距离对权值进行不同程度的调整.优胜邻域开始定得很大，但其大小随着训练次数的增加不断收缩，最终收缩到半径为零.

2 SOM网的运行原理与学习算法

2.1 运行原理

SOM网的运行分训练和工作两个阶段.在训练阶段，网络随机输入训练集中的样本，对某个特定的输入模式，输出层会有某个节点产生最大响应而获胜，而在训练开始阶段，输出层哪个位置的节点将对哪类输入模式产生最大响应是不确定的.当输入模式的类别改变时，二维平面的获胜节点也会改变.获胜节点周围的节点因侧向相互兴奋作用也产生较大影响，于是获胜节点及其优胜邻域内的所有节点所连接的权向量均向输入向量的方向作程度不同的调整，调整力度依邻域内各节点距获胜节点的远近而逐渐衰减.网络通过自组织方式，用大量训练样本调整网络权值，最后使输出层各节点成为对特定模式类敏感的神经细胞，对应的内星权向量成为各输入模式类的中心向量.并且当两个模式类的特征接近时，代表这两类的节点在位置上也接近.从而在输出层形成能够反映样本模式类分布情况的有序特征图.

SOM网训练结束后，输出层各节点与各输入模式类的特定关系就完全确定了，因此可当作模式分类器用.当输入一个模式时，网络输出层代表该模式类的特定神经元将产生最大响应，从而将该输入自动归类.应当指出的是，当网络输入的模式不属于网络训练时见过的任何模式类时，SOM网只能将它归入最接近的模式类.

2.2 学习算法

对应上述运行原理的学习算法是Kohonen算法，其具体步骤如下：

（1）初始化

（2）接受输入

（3）寻找获胜节点

（4）定义优胜邻域Nj*(t)

以j*为中心确定t时刻的权值调整域，一般Nj*(0)较大（大约为总节点的50%~80%）,训练过程中Nj*(t)随训练时间逐渐收缩.如图3所示.

图3 邻域Nj*(t)的收缩

（5）调整权值

对优胜邻域Nj*(t)内的所有节点调整权值

wij(t+1)=wij(t)+α(t,N)[xpi-wij(t)]i=1,2,…,n,j∈Nj*(t)

式中，α(t,N)是训练时间t和邻域内第j个神经元与获胜神经元j*之间的拓扑距离N的函数，该函数一般有一下规律：t↑→α↓N↑→α↓，由此规律可得：α(t,N)=α(t)e-N，α(t)可采用 t的单调下降函数也称退火函数.

（6）结束判定

当学习率α(t)≤αmin时，训练结束；若不满足结束条件，则转回步骤（2）继续.Kohonen学习算法的程序流程如图4所示.

图4 Kohonen学习算法程序流程

3 SOM网络在设备电路故障检测中的应用

3.1 SOM网与故障字典法联合进行故障检测的工作原理

思路：利用SOM自组织特征映射神经网络对传统的交流故障字典法加以改进，先将模拟系统的激励响应经小波变换得到特征值，然后应用SOM神经网络建立故障字典，进行故障的快速定位.

故障字典形成：建立故障字典的过程实际上是设备故障检测前的分析过程，该过程主要完成故障集和激励信号的选择；故障特征模糊域的分割；故障特征码生成等工作.故障字典的形成步骤如下：

（1）在确定故障集、激励信号后，通过现有的各种模拟电路的分析程序（如常用的PSPICE程序），仿真每一个故障状态下模拟系统的冲激响应.

（2）利用小波变换，将每一个故障状态下模拟系统的冲激响应进行处理，得到与正常情况的能量差，进行归一化处理，得到故障特征值.

（3）用SOM网络建立故障字典.通过SOM训练后，形成具有容差且与故障特征值相匹配的故障字典.

SOM网的运行：SOM网络通过输入模式的自组织学习，使连接权矢量空间分布密度与输入模式的概率分布趋于一致，即连接权矢量的空间分布能反映输入模式的统计特性并由若干神经元同时（并行）将分类结果在竞争层上反映出来.具体过程如下：

如果输入样本用xp表示，每个样本xp的分量与输入第i个神经元相连，与输出第j个神经元之间的连接权为wij，其输出为yj，则输入输出之间的关系为：

式3-1中，γ(yj)是非线性量，其效果是使输出的变化速度变慢.竞争就是比较xip与wij之间的相近程度，计算xip与wij的点积，从中找到点积最大的获胜节点j*；定义优胜邻域Nj*(t)；网络的训练过程即是wij的调整学习过程：

概况而言，SOM网的运行全过程即是：利用自组织方法，通过样本训练，调整网络权值，最终达到使网络的输出能反映样本数据分布情况的目的.

3.2 SOM网与故障字典法联合进行故障检测的实际应用

在此被检测对象是某设备电路中一个无源线性网络，其中元件参数如下：R1=1MΩ，R2=10MΩ，R3=2MΩ，R4=1MΩ，C1=0.01μF，C2=1000μF，C3=1000μF.

3.2.1 具有容差故障字典的构建

利用PSPICE程序得到的模拟电路的输出电压，并采用蒙特卡罗分析法得到最坏情况下的容差.经过小波变换提取各种故障的特征量，并进行数据处理，形成具有容差的故障集特征向量.如表1所示.

表1 故障集特征向量

为了解决故障定位中的容差问题，此处采用了输出层按一维线阵组织的SOM网络，把故障集中各条记录作为一个输入模式，分别映射到一维处理单元上，经过网络训练后，每一个故障特征量以一个神经元及其相邻的两个神经元反映结果，使每个故障不仅仅依赖于故障集中的标称值，而且具有上下容差，形成故障字典.如故障集中（0.2712，0.3446，0.6588，0.5573，0.2449，0.0561） 数据代表故障C3正偏50%(C3+)，该故障数据经过SOM网络训练后，分别用（0.2542，0.3398，0.6661，0.5560，0.2404，0.0546）、 （0.2622，0.3402，0.6602，0.5612，0.2399，0.0547） 和（0.2653，0.3343，0.6483，0.5816，0.2283，0.0466）三组数据代表此故障，其中（0.2622，0.3402，0.6602，0.5612，0.2399，0.0547） 为网络主神经元，另两者为其相邻神经元.从网络的结构看，与主神经元及其相邻神经元相连的权向量代表此类故障，主神经元代表最主要的特征.

3.2.2 故障特征量的再映射

经过SOM网络训练学习后，输出神经元兴奋的位置与输入样本的大小有关.即竞争层可以在一维或二维处理单元阵列上，形成输入信号的分布拓扑图.为了使测试数据输入网络后快速、准确定位，可进行故障特征量的再映射.具体方法为：故障数据 标 称 值（0.2712，0.3446，0.6588，0.5573，0.2449，0.0561）经过SOM训练后，对于网络的最大输入，神经元7对应的输出为1，其相关神经元为6和8，用7、6、8代表同类故障，也就是说，对训练后的网络而言，如输入的测试数据能使7、6、8这三个神经元中的任一个兴奋，就可将它归为此类故障模式.这样一来，用三个神经元的标号代表一种故障模式类，形成一个新的数据阵列，如表2所示，故障诊断时就可以直接对表2进行数据查找，准确快速地进行故障分类了.

表2 故障数据分配结果

实践证明，以上这种基于SOM自组织特征映射神经网络形成的故障检测法，在对电子设备进行一种或多种软（主要由容差因素引起）、硬故障的有效识别和快速定位方面有很强的针对性和可行性.

4 结语

SOM神经网络最显著的特点就是其自适应功能，具体表现在当输入数据随时间按某个统计分布变化时，系统仍能继续模拟当前输入模式数据的分布，即使被测对象的运行状态出现了网络学习过程中未曾考虑到的变化情况，网络也能正确诊断，及时将新的数据并入网络，从而实现网络的自适应诊断.此外，SOM网络的速度极快，活化过程用的是单向前馈，而非多遍反馈的方式，因此，基于SOM网络的故障检测是一种很有潜力的诊断方法，值得人们深入研究和探讨.

〔1〕Kohonen T.The self-organizing map.Proc.IEEE,1990:1464-1480.

〔2〕Kohonen T.Learning rector quantization.Neural Networks,1988,1(4):290-303.

〔3〕栗青，杨璐，刘一芳，等.神经网络技术在设备故障诊断中的应用进展 [J].沈阳工业大学学报，2004，26（2）：174-175.

〔4〕赵欣欣，王秋勤，等.神经网络理论在故障诊断中的应用 [J].林业机械与木工设备，2011,39（10）：48-49.

〔5〕虞和济，陈长征，张省，等.基于神经网络的智能诊断[M].北京：冶金工业出版社，2000.

〔6〕韩力群.人工神经网络理论设计及应用（第二版）[M].北京：化学工业出版社，2007.

〔7〕王仲生.智能故障诊断与容错控制[M].西安：西北工业大学出版社，2005.

〔8〕朱大奇，史慧，等.人工神经网络原理及应用[M].北京：科学出版社，2006.

TP183

A

1673-260X（2012）05-0040-05