專利名稱：：一種基于概率神經(jīng)網(wǎng)絡(luò)的容差電路故障診斷方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及一種容差電路故障診斷方法，尤其是涉及一種基于概率神經(jīng)網(wǎng)絡(luò)的容差電路故障診斷方法。
背景技術(shù)：
：在過去的幾十年中，數(shù)字電子電路的故障診斷理論和方法已經(jīng)發(fā)展得比較成熟，而對(duì)于模擬電子電路，由于元件具有容差以及電路廣泛存在的非線性和噪聲問題，使其發(fā)展比較緩慢。然而，隨著科學(xué)技術(shù)的飛速發(fā)展，電子電路的集成化程度日益提高，模擬電子電路和數(shù)字/模擬混合信號(hào)電路的廣泛使用，以及對(duì)現(xiàn)代電子系統(tǒng)提出的高可靠性要求，使模擬電子電路的測(cè)試與故障診斷成為一個(gè)急需解決的問題。小波分析作為一種新的時(shí)頻分析方法已被應(yīng)用于模擬電子電路故障診斷中的特征提取，但通常的處理方法是只對(duì)信號(hào)低頻分量進(jìn)行分解，忽略了高頻分量，因此，在提取信號(hào)的低頻系數(shù)作為故障特征時(shí)，損失了高頻分量中的許多有用信息，導(dǎo)致故障診斷正確率不高。神經(jīng)網(wǎng)絡(luò)具有并行處理、自適應(yīng)、自學(xué)習(xí)和聯(lián)想記憶等能力，將其應(yīng)用于故障診斷已成為智能診斷技術(shù)中的一個(gè)重要方法。通常的模擬電子電路故障診斷中采用常規(guī)前向反饋神經(jīng)網(wǎng)絡(luò)(BP神經(jīng)網(wǎng)絡(luò))作為故障分類器，但對(duì)于多故障特征輸入的診斷問題，常規(guī)前向反饋神經(jīng)網(wǎng)絡(luò)(BP神經(jīng)網(wǎng)絡(luò))存在結(jié)構(gòu)復(fù)雜、訓(xùn)練時(shí)間長(zhǎng)、收斂速度慢和易陷入局部最優(yōu)等缺點(diǎn)，致使診斷時(shí)間長(zhǎng)，故障辨識(shí)率不高。
發(fā)明內(nèi)容本發(fā)明的目的在于克服現(xiàn)有技術(shù)存在的上述缺陷，提供一種故障診斷正確率高，結(jié)構(gòu)簡(jiǎn)單，訓(xùn)練時(shí)間短，容錯(cuò)性高，外推能力強(qiáng)的基于概率神經(jīng)網(wǎng)絡(luò)的容差電路故障診斷方法。本發(fā)明的技術(shù)方案包括以下步驟(1)選取脈沖信號(hào)源作為待測(cè)故障電路的激勵(lì)源，電路中故障元件采用故障模型代替，非故障元件在容差范圍內(nèi)變化；(2)利用HSPICE軟件對(duì)故障電路進(jìn)行蒙特卡羅(MonteCarlo)分析，獲取待測(cè)故障電路的幅頻響應(yīng)信號(hào)；(3)對(duì)電路的幅頻響應(yīng)信號(hào)進(jìn)行三層小波包分解，獲得幅頻響應(yīng)信號(hào)的低頻系數(shù)和高頻系數(shù)，對(duì)小波包分解系數(shù)進(jìn)行閾值量化，再根據(jù)最低層的低頻小波包分解系數(shù)和經(jīng)過閾值量化處理的高頻小波包系數(shù)，進(jìn)行小波包重構(gòu)，完成小波包消噪處理；(4)根據(jù)小波包重構(gòu)后得到的低頻系數(shù)和高頻系數(shù)，求出各故障狀態(tài)下輸出響應(yīng)信號(hào)的頻帶能量，并以頻帶能量構(gòu)成故障特征向量；(5)將故障特征向量輸入概率神經(jīng)網(wǎng)絡(luò)故障分類器，實(shí)現(xiàn)對(duì)電路故障診斷。所述步驟(3)中的小波函數(shù)為<formula>formulaseeoriginaldocumentpage4</formula>(1)式中j，k分別為尺度因子和平移量，t為函數(shù)變量，un(t)為小波函數(shù)，n為調(diào)制參數(shù)或振蕩參數(shù)，Z+為正整數(shù)域，Z為整數(shù)域。步驟⑷中各故障狀態(tài)下輸出響應(yīng)信號(hào)的頻帶能量E3“j=0,1,…，7)計(jì)算公式為<formula>formulaseeoriginaldocumentpage4</formula>式中、為三層小波包重構(gòu)后的信號(hào)，j為小波包重構(gòu)信號(hào)的個(gè)數(shù)，k為重構(gòu)信號(hào)的離散點(diǎn)幅值求和變量，t為積分變量，xJk為、的離散點(diǎn)的幅值，n為三層小波重構(gòu)信號(hào)S3j的離散點(diǎn)總個(gè)數(shù)。定義<formula>formulaseeoriginaldocumentpage4</formula>則故障特征向量T的構(gòu)造為<formula>formulaseeoriginaldocumentpage4</formula>(3)小波包分析是從小波分析延伸出來的一種同時(shí)對(duì)信號(hào)高、低頻分量進(jìn)行分解的方法。本發(fā)明將信號(hào)的高、低頻分量作為故障特征，以提高故障的辨識(shí)精度。由于模擬電子電路發(fā)生故障時(shí)，電路輸出信號(hào)經(jīng)小波包分解后各尺度函數(shù)空間的頻帶能量會(huì)發(fā)生相應(yīng)的變化，本發(fā)明在小波分析信號(hào)處理技術(shù)的基礎(chǔ)上，采用小波包分析對(duì)模擬電子電路的輸出信號(hào)進(jìn)行分解和重構(gòu)，獲取信號(hào)的高、低頻系數(shù)并濾除信號(hào)中的噪聲，求取相應(yīng)頻帶的頻帶能量作為電路的故障特征，建立基于“小波包頻帶能量-故障特征”的概率神經(jīng)網(wǎng)絡(luò)(PNN)故障診斷系統(tǒng)辨識(shí)方法，克服應(yīng)用小波分析時(shí)通常只對(duì)低頻分量進(jìn)行處理而忽略高頻分量致使信息丟失的問題，利用概率神經(jīng)網(wǎng)絡(luò)(PNN)構(gòu)建故障模式分類器，結(jié)構(gòu)簡(jiǎn)單、訓(xùn)練快捷，容錯(cuò)性高，外推能力強(qiáng)，檢測(cè)與定位準(zhǔn)確率高，速度快，克服了電路故障診斷BP神經(jīng)網(wǎng)絡(luò)故障分類器結(jié)構(gòu)復(fù)雜、訓(xùn)練時(shí)間長(zhǎng)、收斂速度慢和易陷入局部最優(yōu)等缺點(diǎn)。本發(fā)明方法能夠?qū)Υ郎y(cè)電路可及節(jié)點(diǎn)電壓或支路電流信號(hào)進(jìn)行處理，適合于電路復(fù)雜、可及節(jié)點(diǎn)少甚至只有一個(gè)輸出節(jié)點(diǎn)可及的電子電路故障診斷問題。圖1為本發(fā)明實(shí)施例診斷方法流程框圖；圖2為三層小波包分解結(jié)構(gòu)圖；圖3為概率神經(jīng)網(wǎng)絡(luò)(PNN)結(jié)構(gòu)框圖；圖4為本發(fā)明的應(yīng)用實(shí)例1電子電路；圖5為本發(fā)明的應(yīng)用實(shí)例2電子電路。具體實(shí)施例方式下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明作進(jìn)一步說明。參照?qǐng)D1，本實(shí)施例包括以下步驟(1)首先執(zhí)行步驟101，選取脈沖信號(hào)源作為待測(cè)電路的激勵(lì)源，電路中故障元件采用故障模型代替，非故障元件在容差范圍內(nèi)變化(2)執(zhí)行步驟102，利用HSPICE軟件對(duì)故障電路進(jìn)行蒙特卡羅(MonteCarlo)分析，獲取待測(cè)故障電路的幅頻響應(yīng)信號(hào)；(3)執(zhí)行步驟103，對(duì)電路的幅頻響應(yīng)信號(hào)進(jìn)行三層小波包分解，獲得幅頻響應(yīng)信號(hào)的低頻系數(shù)和高頻系數(shù)；再對(duì)每一個(gè)小波包分解系數(shù)，選擇一個(gè)恰當(dāng)?shù)拈撝挡?duì)系數(shù)進(jìn)行閾值量化，根據(jù)最低層的低頻小波包分解系數(shù)(一般不做閾值化處理)和經(jīng)過閾值量化處理的高頻小波包系數(shù)，進(jìn)行小波包重構(gòu)，完成小波包消噪處理；小波包分析是小波分析的進(jìn)一步發(fā)展，在信號(hào)分解過程中對(duì)高、低頻信號(hào)進(jìn)行同時(shí)分解，其中小波函數(shù)為un(t)=2_J/2un(2_Jt-k)，ηeZ+，j，keZ(1)式中j，k分別為尺度因子和平移量，t為函數(shù)變量，un(t)為小波函數(shù)，η為調(diào)制參數(shù)或振蕩參數(shù)，Z+為正整數(shù)域，Z為整數(shù)域。un(t)滿足下列表達(dá)式ulnit)=hkun(2t-k)I‘！(4)"2+ι(0=V2^gkun(It-k).k式中k為平移量，η為調(diào)制參數(shù)或振蕩參數(shù)，t為函數(shù)變量。當(dāng)η=0,u0(t)=p(t)為尺度函數(shù)，η=Lu1(t)=￥(t)為母小波，{hk}和{gk}分別為低通和高通濾波器系數(shù)，小波包的分解算法為"/+1’2"=ΣΚ<formula>formulaseeoriginaldocumentpage5</formula>式中j，k分別為尺度因子和平移量，η為調(diào)制參數(shù)或振蕩參數(shù)，<’"為尺度j下某子空間下的系數(shù)，和4+1’2"+1為尺度j+Ι下的相應(yīng)系數(shù)，即通過和濾波器系數(shù){hk}與{gj求出<+1’2"和<+1’2"+1，1為小波包變換的平移量，Z為整數(shù)域。因此，由⑷+1’2"}與⑷+1’2"+1河求出μ/’"}，即小波包的重構(gòu)算法為<formula>formulaseeoriginaldocumentpage5</formula>式中j，k分別為尺度因子和平移量，η為調(diào)制參數(shù)或振蕩參數(shù)，1為小波包變換的平移量。圖2為三層小波包分解結(jié)構(gòu)，圖中Xiij表示第i層的第j個(gè)結(jié)點(diǎn)，其中i=0，1,2,3,j=0,1,2,…，7，每個(gè)結(jié)點(diǎn)都代表一定的信號(hào)特征。其中，Xatl結(jié)點(diǎn)代表原始信號(hào)，Xu代表小波包分解的第一層低頻系數(shù)，X11小波包分解的第一層的高頻系數(shù)，其它依次類推。(4)執(zhí)行步驟104，利用小波包重構(gòu)后的低、高頻系數(shù)，求出各故障狀態(tài)下輸出響應(yīng)信號(hào)的頻帶能量，并以頻帶能量構(gòu)成故障特征向量；響應(yīng)信號(hào)的頻帶能量計(jì)算公式為馬=_[(O廣論=￡卜沖2，J=0，L...‘7’大=L2，^=I(2)式中、為小波包分解系數(shù)X3j的重構(gòu)信號(hào)，j為小波包重構(gòu)信號(hào)的個(gè)數(shù)，k為重構(gòu)信號(hào)的離散點(diǎn)幅值求和變量，t為積分變量，Xjk為S”的離散點(diǎn)的幅值，η為三層小波重構(gòu)信號(hào)、的離散點(diǎn)總個(gè)數(shù)。定義E'3J=(E3J)1/2(j=0,1,…，7)，因電路發(fā)生故障時(shí)，其輸出信號(hào)的小波包頻帶能量值也會(huì)發(fā)生變化，因此，采用頻帶能量構(gòu)成故障特征向量為T—[E30'E31'E32'E33，E34，E35，E36，E37](3)(5)將故障特征向量輸入概率神經(jīng)網(wǎng)絡(luò)故障分類器，實(shí)現(xiàn)對(duì)電路故障診斷；參照?qǐng)D3，概率神經(jīng)網(wǎng)絡(luò)(PNN)由輸入層、模式層、求和層和輸出層組成，輸入層待分類樣本向量X{Xl，1=1,2,(其中1為下標(biāo)量，p為輸入樣本維數(shù))直接連接到模式層，通過模式層的加權(quán)求和并經(jīng)過激勵(lì)函數(shù)求得輸出為其中，為模式層第i類第j個(gè)樣本的輸出，i為模式類別數(shù)，m為模式類別總量，j為某一類模式的樣本數(shù)，T表示矩陣轉(zhuǎn)置，隊(duì)為屬i類訓(xùn)練樣本向量總個(gè)數(shù)，p為輸入樣本向量的維數(shù)，o為平滑參數(shù)，~為1類第j個(gè)樣本向量，在網(wǎng)絡(luò)中作為權(quán)值。求和層將對(duì)應(yīng)于訓(xùn)練樣本中同一類模式層傳來的變量進(jìn)行累加，其表達(dá)式為糾)=丄\2HP-義叫(8)JlNi(lnyl2ap%2cr2輸出層根據(jù)Bayes決策準(zhǔn)則對(duì)輸入樣本向量X判別類別，其表達(dá)式為C(X)=argmax{fj(X)},i=1,2,...，m(9)式中i為模式類別數(shù)，m為模式類別總量。本發(fā)明應(yīng)用實(shí)施例應(yīng)用實(shí)施例1參照?qǐng)D4，Sallen-Key帶通濾波器電路，電阻和電容值的容差范圍分別為5%和10%，故障元件為(1，(2，12和13，設(shè)置故障類別為順(似-^11110，(1tI，C2個(gè)，C2丨，R2丨，R2丨，R3丨和R3丨，其中丨和丨表示元件故障值大于或小于標(biāo)稱值的50%，其它元件在容差范圍內(nèi)變化。采用幅度為10V，脈沖寬度為10ys單脈沖作為電路激勵(lì)，通過本發(fā)明中提出的故障特征提取方法求得不考慮容差時(shí)的頻帶能量特征值如表1所示，由表可知，該方法能夠有效地區(qū)分不同故障。對(duì)每種故障模式及正常模式各進(jìn)行80次蒙特卡羅分析，其中40次蒙特卡羅分析獲得的頻帶能量值對(duì)PNN進(jìn)行訓(xùn)練，余下40次對(duì)診斷系統(tǒng)進(jìn)行性能測(cè)試，測(cè)試結(jié)果表明故障診斷的正確率達(dá)到100%。表ISallen-Key帶通濾波器不考慮容差時(shí)的頻帶能量6<table>tableseeoriginaldocumentpage7</column></row><table>應(yīng)用實(shí)施例2本例將考慮一個(gè)復(fù)雜電路，四運(yùn)放高通濾波器電路如圖5所示，電阻和電容的容差范圍分別是5％和10%,設(shè)置故障類型為NK(NO-FAULT),C1C2I,R1丨，R1丨，R2丨，R2丨，R3丨，R3丨，R4丨和R4丨，其中丨和丨表示元件故障值大于或小于標(biāo)稱值的50%，其它元件在容差范圍內(nèi)變化。仍采用與示例1中相同的激勵(lì)源，利用本發(fā)明中的特征提取方法獲得不考慮容差時(shí)的頻帶能量值為表2所示，由表可看出，頻帶能量特征值能夠有效區(qū)別不同的故障類型。同樣對(duì)各故障模式及正常模式進(jìn)行80次蒙特卡羅分析，40次蒙特卡羅分析對(duì)應(yīng)求得的故障特征用于訓(xùn)練ΡΝΝ，其余40次用于性能測(cè)試，診斷正確率為99.3%，其中R4丨故障類出現(xiàn)4次誤診斷為C2丨故障類，但整體診斷性能仍然比較好。表2四運(yùn)放高通濾波器不考慮容差時(shí)的頻帶能量<table>tableseeoriginaldocumentpage9</column></row><table><table>tableseeoriginaldocumentpage10</column></row><table>為了比較采用BP和PNN構(gòu)建故障診斷辨識(shí)器的性能，表3對(duì)這兩種不同網(wǎng)絡(luò)構(gòu)成的故障診斷系統(tǒng)進(jìn)行了訓(xùn)練和辨識(shí)時(shí)間以及診斷正確率的比較，其結(jié)果如表3所示，其中Datal為示例1中的測(cè)試數(shù)據(jù)，Data2為示例2中的測(cè)試數(shù)據(jù)，由表可知，對(duì)于測(cè)試數(shù)據(jù)Datal，雖然診斷正確率相同，但PNN的訓(xùn)練和診斷時(shí)間比BP少很多，診斷速度更快；對(duì)于測(cè)試數(shù)據(jù)Data2，PNN的診斷正確率以及訓(xùn)練和診斷時(shí)間都優(yōu)于BP，因此，采用PNN構(gòu)建故障診斷系統(tǒng)是比較好的選擇。示例中的診斷結(jié)果表明了本發(fā)明的有效性，而且本發(fā)明特別適合于被測(cè)電路可及節(jié)點(diǎn)少，甚至只有輸出節(jié)點(diǎn)可及的電路故障診斷問題。表3BP與PNN診斷性能比較<table>tableseeoriginaldocumentpage11</column></row><table>權(quán)利要求一種基于概率神經(jīng)網(wǎng)絡(luò)的容差電路故障診斷方法，其特征在于，包括以下步驟(1)選取脈沖信號(hào)源作為待測(cè)故障電路的激勵(lì)源，電路中故障元件采用故障模型代替，非故障元件在容差范圍內(nèi)變化；(2)利用HSPICE軟件對(duì)故障電路進(jìn)行蒙特卡羅分析，獲取待測(cè)故障電路的幅頻響應(yīng)信號(hào)；(3)對(duì)電路的幅頻響應(yīng)信號(hào)進(jìn)行三層小波包分解，獲得幅頻響應(yīng)信號(hào)的低頻系數(shù)和高頻系數(shù)，對(duì)小波包分解系數(shù)進(jìn)行閾值量化，再根據(jù)最低層的低頻小波包分解系數(shù)和經(jīng)過閾值量化處理的高頻小波包系數(shù)，進(jìn)行小波包重構(gòu)，完成小波包消噪處理；(4)根據(jù)小波包重構(gòu)后得到的低、高頻系數(shù)，求出各故障狀態(tài)下輸出響應(yīng)信號(hào)的頻帶能量，并以頻帶能量構(gòu)成故障特征向量；(5)將故障特征向量輸入概率神經(jīng)網(wǎng)絡(luò)故障分類器，實(shí)現(xiàn)對(duì)電路故障診斷。2.根據(jù)權(quán)利要求1所述的基于概率神經(jīng)網(wǎng)絡(luò)的容差電路故障診斷方法，其特征在于，所述步驟⑷中各故障狀態(tài)下輸出響應(yīng)信號(hào)的頻帶能量E3“j=0,1,…，7)計(jì)算公式為i^JK^f^zk^2,":0’1"..”1,2，..."，式中S3j為三層小波包重構(gòu)后的信k=l號(hào)，j為小波包重構(gòu)信號(hào)的個(gè)數(shù)，k為重構(gòu)信號(hào)的離散點(diǎn)幅值求和變量，t為積分變量，xJk為S3J的離散點(diǎn)的幅值，n為三層小波重構(gòu)信號(hào)S”的離散點(diǎn)總個(gè)數(shù)。3.根據(jù)權(quán)利要求1或2所述的基于概率神經(jīng)網(wǎng)絡(luò)的容差電路故障診斷方法，其特征在于，定義E'3j=(E3j)"2(j=0，l，…，7)，則故障特征向量T的構(gòu)造為T=[E'30'E'31，E32'E33E34E35E36E37]o全文摘要一種基于概率神經(jīng)網(wǎng)絡(luò)的容差電路故障診斷方法，其包括以下步驟選取脈沖信號(hào)源作為待測(cè)故障電路的激勵(lì)；故障電路進(jìn)行蒙特卡羅分析，獲取待測(cè)故障電路幅頻響應(yīng)信號(hào)；對(duì)電路幅頻響應(yīng)信號(hào)進(jìn)行三層小波包分解，獲得幅頻響應(yīng)信號(hào)低頻、高頻系數(shù)，對(duì)小波包分解系數(shù)進(jìn)行閾值量化，再根據(jù)最低層的低頻小波包分解系數(shù)和經(jīng)過閾值量化處理的高頻小波包系數(shù)，進(jìn)行小波包重構(gòu)，完成小波包消噪處理；根據(jù)小波包重構(gòu)后得到的低、高頻系數(shù)，求出響應(yīng)信號(hào)的頻帶能量，并以頻帶能量構(gòu)成故障特征向量；故障特征向量輸入概率神經(jīng)網(wǎng)絡(luò)故障分類器，實(shí)現(xiàn)電路故障診斷。本發(fā)明故障診斷正確率高，結(jié)構(gòu)簡(jiǎn)單，訓(xùn)練時(shí)間短，容錯(cuò)性高，外推能力強(qiáng)。文檔編號(hào)G06N3/02GK101819253SQ20101015038公開日2010年9月1日申請(qǐng)日期2010年4月20日優(yōu)先權(quán)日2010年4月20日發(fā)明者何怡剛,方葛豐,李晴,李目申請(qǐng)人:湖南大學(xué)