基于BP神经网络的模拟电路诊断

顾彬　汪柯颖　沈东　苏超

摘  要：文章重点阐述了BP神经网络原理和训练过程，结合模拟电路故障特点，论述了BP算法在模拟电路故障检测中应用方法的要点，评价了其中存在的优势和亟待解决的问题。证明了BP算法是解决模拟电路故障的一种可行性和重要性。

关键词：BP网络;模拟电路;故障诊断

中图分类号：TN710         文献标志码：A         文章编号：2095-2945（2019）31-0057-02

Abstract： This paper focuses on the principle and training process of BP neural network， and combined with the fault characteristics of analog circuit， discusses the main points of the application of BP algorithm in analog circuit fault detection， and evaluates the existing advantages and urgent problems to be solved. It is proved that BP algorithm is feasible and important to solve analog circuit faults.

Keywords： BP network; analog circuit; fault diagnosis

现今电力电子系统的运用越来越广泛，对其的安全可靠性要求越来越高。特别是运用于车载、航空等领域的电源中的模拟电路故障检修时间短，必须要快速的定位故障甚至有必要检测可能要发生的故障。BP神经算法是应用于现代模拟电路中最广泛的算法，它是一种模拟人脑的智能学习算法，可以快速定位甚至预测模拟电路故障，对于电路故障诊断有非常重要的研究意义。

1 BP神经网络

1.1 BP网络结构

BP神经网络算法是一种模拟人脑信号处理的算法。BP神经网络是多层神经网络，也称多层感知器，基本结构包括输入层，至少一个隐藏层和输出层[1]，每层有若干个节点组成，同网络了节点之间无任何联系，基本模型如图1所示。

1.2 BP算法原理

BP神经网络的具体计算过程主要包含两点：首先输入信号向前传递，然后神经网络均方差信号的逆向传递[2]，通过误差不断训练各个层连接的权重值和偏置，优化系统模型。通过对信号向前传递，均方根误差反向传播，采用批量梯度下降、随机梯度下降等算法对网络进行训练，使实际输出和期望值差值在误差范围之内。

2 建立BP算法的模型

模拟电路故障发生是一种随机的概率事件，是非线性。基于BP网络的强分类能力，选择三层结构的BP神经网络足以对模拟电路的故障分类学习。

2.1 各层节点数确定

输入层节点数N表示电路的需要被检测的特征量，即网络有N个输入节点;输出层节点数M表示有M-1种故障和1种正常;隐藏层的节点数确定方法有多种[3]，一般采用经验公式：P=+L。式中N为输入层节点数;M为输出层节点数;L为1到10的整数[4]。

2.2 BP网络初始化

BP网络的初始化对学习速率和初始权值进行赋值。一般的BP网络的学习速率？浊是一个确定常数，但实际的学习过程中？浊应该是一个变化的量。从误差函數图像分析，在连续平滑的区域训练速率太慢会增加训练的次数;在间断不连续的区域训练速率太快会忽略较窄的凹域，使训练出现震荡，迭代的次数增加。为了加快收敛的速度，本文采用自适应调整？浊。即根据网络总误差E进行调整，经过一次误差反馈权值调整后，如果总误差E总增大，则本次训练无效;反之，有效。BP网络初始化有权重值、阈值等初始化，初始权重值和阈值随机取区间[-1，1]的实数[5]，且每个初始权值不能相等。对于非线性系统，初始化对于学习达到局部最优和达全局最优有密切关系。

2.3 BP网络的训练算法

BP网络初始化后，设电源的检测性能参数有V个，即输入向量x（p=1，2，...，V）和目标向量y（W=1，2，...，w），然后开始学习过程。学习的具体流程如下：

3 模拟电路结合BP神经网络的故障诊断

一般电路的控制回路里主要包括模拟电路和数字电路最容易发生故障的也是模拟电路部分。诊断逆变电源故障的主要工作还是诊断模拟电路。

3.1 BP网络模拟电路故障诊断的要点

BP模拟电路故障诊断将学习的故障特征与实时的故障症状对比，以达到快速诊断故障的目的。第一步，必须进行数据过滤得到由样本空间到数据空间的映射;数据空间经过设定的算法处理， 提取数据集的固定特征， 得到不变故障特征数据集;第二步，根据获得的实时故障特征，在保证不失真的前提下，降维获得有用的特征。由获得的降维特征集提取原始特征集的特征信息判定当前是否有故障。一般可采用BP神经网络方法构建故障数据代码库，不仅可以类比识别实时故障，甚至可记忆联想可能出现的故障[6]。建立交直流故障诊断数据库时注重三个方面：首先，要保证获得尽量多的数据来训练模型数据库;其次，为保证实验的可行性和简易性，要选择合适的测量电压电流数据的点[6];再次，对于每个故障都要单独实验，重新测试数据，避免彼此干扰，保证数据的准确性。

3.2 BP网络用于模拟电路故障检测评价

模拟电路的故障种类特点是非线性随机的数据点，BP神经网络只用三层感知器可完成绝大部分的非线性映射，所以BP网络对于不同的故障类型，完全可以找到相应的数据作为训练样本。由于BP网络是一种模拟人脑的智能算法，不仅能识别已经训练的样本故障类型，还能识别未训练的样本类型，甚至可以预测故障。BP网络在模拟电路故障检测中的主要障碍是训练样本量难以获得。随着故障种类的上升，用来训练此类故障的模拟电路的数据量复杂度也会增加。通常获得数据的方法都是电路测试，由于测量电路数据并不容易再加上需要获取样层、数据量较多[7]，所以效率就会变得低下。

4 结束语

随着模拟电路的集成度和复杂度的提升，传统的检测方法已经很难满足现代电子技术的故障检测。本文针对模拟电路的故障诊断提出了BP神经网络算法，基于BP网络的自适应，自主学习能力，在不断的训练优化中可以快速定位故障点，可大幅提升故障的检测效率和准确率。

参考文献：

[1]孙国栋，艾成汉，周振，等.基于高度函数的旋转机械轴心轨迹识别方法[J].中国测试，2017，43（09）：118-122.

[2]张会明.基于石墨烯的触觉传感器及三维力解耦研究[D].哈尔滨工业大学，2017.

[3]王宁，杜俊贤.神经网络在电路故障诊断方面的应用[J].电子世界，2012（02）：129-130.

[4]任远芳，刘志杰，景凤宣，等.基于PCA-BP的信息安全风险评估模型[J].计算机仿真，2014，31（06）：212-216+281.

[5]黄飞.基于AMSR-E和BP神经网络的川中丘陵区土壤水分反演[D].四川农业大学，2012.

[6]陈乾定.基于BP神经网络算法的模拟电路故障诊断研究[J].自动化应用，2018（05）：31-32.

[7]孙晓莉.基于BP神经网络的模拟电路故障诊断[J].数字技术与应用，2018（02）：101-102.