基于RBF神经网络的模拟电路故障诊断的研究*

李泽宇　吴文全

(海军工程大学电子工程学院　武汉　430033)



基于RBF神经网络的模拟电路故障诊断的研究*

李泽宇吴文全

(海军工程大学电子工程学院武汉430033)

摘要对于模拟电路故障诊断问题,由于存在着容差以及非线性等问题,传统的诊断方法计算复杂,实用性比较差。神经网络作为现代故障诊断的代表方法,越来越受到人们的重视。常用的BP神经网络由于其收敛速度慢,结构难以确定等不足,在诊断过程中往往不能达到满意的效果。为了解决这一问题,论文提出了基于径向基函数(RBF)神经网络的模拟电路故障诊断方法。通过建立电路仿真模型,使用小波分解能量作为特征向量,利用RBF神经网络实现模拟电路的故障诊断。实验证明,使用这一方法,可以有效实现模拟电路的故障诊断。

关键词神经网络; 故障诊断; 特征提取

Fault Diagnosis of Analog Circuit Based on RBF Neural Network

LI ZeyuWU Wenquan

(School of Electronic Engineering, Naval University of Engineering, Wuhan430033)

AbstractFor fault diagnosis of analog circuit problems, due to the existence of tolerance and non-linear problems, traditional diagnostic methods are complex and have relatively poor practicality. As a representative of the modern fault diagnosis method, more attention has been paid on neural network. Commonly used BP neural network has slow convergence, and is difficult to determine the structure and other issues, so ideal goal in the diagnosis process cannot be achieved. In order to solve this problem, this paper presents a method on fault diagnosis of analog circuit based on RBF neural network. Through the establishment of circuit simulation model, using wavelet energy as feature vectors, RBF neural network is used to achieve fault diagnosis of analog circuit. Experimental results show that this method can effectively implement fault diagnosis of analog circuit.

Key Wordsnetwork, fault diagnosis, feature extraction

Class NumberTP18

1引言

随着电路诊断技术的发展,传统的电路诊断方法已经不能满足现代复杂性高的电路需求[1]。传统的故障字典法、参数识别法等方法由于存在容差的影响,在面对现代复杂电路上的实用性较差[2]。面对这种情况,将人工智能与电路诊断结合的智能诊断方法是未来故障诊断的发展趋势。神经网络由于具有对信息的较强处理能力以及鲁棒性等特点,因此在故障诊断中得到了广泛的应用,特别是近几年有了新的改进。神经网络种类很多,其中BP神经网络因为其具有较强的非线性映射能力而适合解决故障诊断问题,在故障诊断中得到了广泛的应用[3]。然而BP神经网络同样存在着许多缺点与不足,特别是其收敛速度较慢,结构难以确定等问题。相比于BP神经网络,RBF神经网络在分类能力和收敛速度上的表现均优于BP神经网络。本文构造RBF神经网络进行分类诊断,实现了较好的故障诊断效果。

2RBF神经网络基本原理

2.1RBF原理分析

RBF神经网络是一个三层前反馈神经网络,从输入层到隐含层是非线性变换,从隐含层到输出层是线性变换[3]。对于RBF神经网络,如果确定隐含层神经元数目,那么久可以将输入矢量直接映射到隐含层空间,从而省略了权值连接。由图1可以看出RBF神经网络由三层组成,输入层由信号源节点组成;中间层是隐含层,根据实际状况确定隐含层数量;输出层是用来对信号进行响应,网络的输出是隐含层单元输出的线性加权。其网络结构如图1所示。

图1　RBF神经网络结构

其基本思想是用径向基函数作为激活函数,构成隐含层空间。隐含层通过变换将低维的模式输入数据变换到高维空间中,使得低维线性不可分问题转化为高维的线性可分问题。径向基函数是一种局部分布对中心点径向对称的函数,它具有多种形式,径向基函数的选择之间存在一定的差异,会导致性能的变化[4]。常用的函数为高斯函数,径向基函数的表达式为

(1)

其中x是输入向量,ci是第i个基函数的中心,σi是隐单元的宽度,m为隐层节点数。

输出层采用线性优化策略,调整线性权值,训练收敛较快,RBF输出可以表示为

(2)

其中k为输出层的节点数,wij为连接隐含层和输出层的权值。

2.2RBF学习算法

RBF学习算法需要确定隐层神经元数量,确定对应的基函数宽度以及数据中心[5]。RBF神经网络在确定这些参数后应用伪逆法求解权重。其中K聚类方法是典型的学习算法,下面对这种方法作简单介绍。

1) 对算法进行初始化,选择t个不同的初始聚类中心,设置迭代步数为1,样本从中随机选取。

2) 寻找的训练样本要与聚类中心的距离最近,即iXk需要满足:

iXk=min‖Xk-Ci(m)‖,i=1,2,…,t,k=1,2,…,n

(3)

3) 计算调整隐节点的中心

(4)

4) 如果Ci(m+1)=Ci(m),即可判断聚类结束,则聚类中心可以确定出隐节点的宽度。反之,则返回输入样本和中心距离的计算。由之前确定的节点宽度和中心,可以得到输出权矢量w,这里可以使用伪逆矩阵方法直接计算得出。

3基于RBF神经网络的模拟电路故障诊断

RBF神经网络的结构可以根据实际问题,在训练阶段自适应地调整,相比于BP神经网络有着更广泛的适用性。RBF神经网络收敛速度快并且不存在陷入局部极小值的问题。由于RBF的诸多优点,本文把它运用于模拟电路的故障诊断之中,在进行故障诊断之钱,首先需要确定其网络结构,以及神经元的数量,设置隐层函数的类型。RBF神经网络中最重要的参数为ci和δi,其中ci为核函数的中心位置,δi为扩展常数,δi影响着径向基函数的宽度。在确定网络结构之后,通过对这几个参数的设置,为下一步的训练做好准备。在实际仿真操作时,将采集来的信号进行特征提取,将提取来的特征作为样本集并将其分为两部分,一部分作为训练样本集,一部分作为测试样本集,通过训练样本集训练RBF神经网络,得到神经网络分类器[6]。然后利用测试样本集通入已经训练好的RBF神经网络,进行故障诊断操作。具体流程见图2。

图2　RBF神经网络诊断流程图

4诊断实例及分析

4.1电路的设置

图3所示为巴特沃斯低通滤波器电路,输出端out为测试点。如图3所示,使用OrCAD/PSpice对该电路进行仿真。由于电路发生故障时,输出响应电压会有所变化,通过这种变化来进行故障特征的采集。

采用正弦波信号Vsin作为电路的激励信号,幅值为1V,直流偏移为0V,频率50Hz,通过灵敏度分析可以得出电路在C3、C4、R7、R8发生故障时,对输出电压影响最大。设置电路中电阻容差和电容容差分别为5%和10%,并把电路划分为九种模式,其中包括C3↑、C3↓、C4↑、C4↓、R7↑、R7↓、R8↑、R8↓这八种故障模式,以及电路在正常容差范围内变化的正常模式。箭头↑表示元件值高于标准值50%,箭头↓表示低于标准值50%。在操作时首先做了60次蒙特卡洛分析,然后通过小波分解后的能量方法构造特征向量组,其中R7↑的60组蒙特卡洛分析如图4所示。

图3　巴特沃斯低通滤波电路

图4　R8↑的60组蒙特卡洛分析

使用同样的方法对其他八种模式进行60组蒙特卡洛分析,然后把数据导入到Matlab中进行数据预处理,进而进行小波分解的能量提取。

4.2特征向量提取

表1　R8↑部分归一化特征向量

对电路的所有模式分别提取相应的故障特征,处理方法如上所示。其中每种模式50组特征数据作为训练样本,另外10组作为测试样本,共计450组作为训练样本,90组作为测试样本。

4.3诊断结果

选择4.2节所得的特征向量组作为输入节点,经过测试可以得知隐层神经元个数由实际情况设置为23个,我们设计的输出神经元为9个,输入神经元设置为6,即可以确定神经网络的结构,整个设计与操作是在Matlab2010中进行仿真训练[8～11],利用已经训练好的RBF神经网络模型进行测试验证,设置均方误差为0.02,实验运行可以得到以下结果。

表2　RBF训练正确率结果

由图5可知误差指标经过1520次达到训练要求,误差指标设置为0.02,训练模式的平均正确率为94%,测试模式平均正确率为92.2%,基本达到了预期要求。图6为测试样本的诊断结果,通过观察可以看出相应的诊断率。

图5　误差变化曲线图

图6　测试准确率示意图

5结语

本文根据RBF神经网络的特点,将其应用于模拟电路故障诊断的研究,通过选取模拟电路进行了特征提取以及分类测试的验证。首先确定了适用于电路的RBF神经网络结构模型,然后结合小波能量特征提取进行了分类实验,在实验中取得了较好的诊断效果,丰富了模拟电路故障诊断的理论与方法。但是该方法中存在隐层神经元个数过多,下一步需要通过一定的优化方法,改进参数,控制隐层神经元的数量。

参 考 文 献

[1] 杨士元.模拟系统的故障诊断与可靠性设计[M].北京:清华大学出版社,1993:1-50.

[2] 朱大奇.电子设备故障诊断原理与实践[M].北京:电子工业出版社,2004:1-30.

[3] 王承,谢永乐.基于径向基函数神经网络的模拟/混合电路故障诊断[J].电路与系统学报,2007,12(2):66-68.

[4] 周焕银,刘金生,魏雄.RBF神经网络在电路故障诊断中的应用研究[J].东华理工大学学报,2009,32(1):97-100.

[5] 秦庆强,张晓安,李艾华,等.基于RBF网络的模拟电路故障诊断算法[J].计算机仿真,2010,27(5):331-335.

[6] Haiying Yuan, Guanju Chen, Yongle Xie. Feature evaluation and extraction based on neural network in analog circuit fault diagnosis[J]. Journal of Systems Engineering and Electronics,2007,18(2):434-437.

[7] 谭阳红,叶佳卓.模拟电路故障诊断的小波方法[J].电子与信息学报,2006,28(9):1748-1751.

[8] 葛哲学,孙志强.神经网络理论与MATLAB实现[M].北京:电子工业出版社,2007.

[9] 王承.基于神经网络的模拟电路故障诊断方法研究[D].成都:电子科技大学,2005:45-47.

[10] 金瑜.基于小波神经网络的模拟电路故障诊断方法研究[D].成都:电子科技大学,2008:74-78.

[11] 李勇,李春明,李秀娟.基于RBF神经网络的模拟电路故障诊断方法的研究[J].机械工程与自动化,2009,16(1):116-117.

中图分类号TP18

DOI:10.3969/j.issn.1672-9730.2016.01.033

作者简介:李泽宇,男,硕士研究生,研究方向:模拟电路故障诊断。吴文全,男,副教授,硕士生导师,研究方向:模拟电路故障诊断。

*收稿日期:2015年7月11日,修回日期:2015年8月26日