电子电路故障诊断系统设计(编辑修改稿)

电子电路故障诊断系统设计(编辑修改稿)内容摘要：

出的数据： n=[ 电子电路故障诊断系统设计 12 ] 宁波大学科学技术学院本科毕业设计（论文） 13 3 基于 BP 神经网络的模拟电路故障诊断 神经网络的故障诊断 神经网络的故障诊断过程如图 所示。 主要分为两个过程，即训练过程 (虚 线所示 )，以及测试过程 (实线所示 )。 首先我们对电路进行波形模拟，得出故障值，并提取故障值的特征数据作用训练样本，确立出适合诊断研究的神经网络的结构，并且利用 matlab 算法去测试算法，这样就可以把样本训练成熟便于后续故障的测试。 这样当需进行故障诊断时，只需要将故障电路的特征值进行提取，然后在做好的神经网络中进行测试即可确定故障的类型 [7]。 图 基于神经网络的模拟电路故障诊断原理图 神经网络基本原理 神经网络的基本单位是神经元。 神经元的特性往往在某种程度上决定着神经网络的总体特性，一个神经网络的构成，包含着许许多多的神经元，而不是孤立的单个神经元就可称之为神经网络。 常见的神经元模型如图 所示 [8]。 定义电路故障集 训练神经网络 测试信号 神经网络 诊断电路 电路响应信号 电路故障特征提 取 故障分类 Σ ƒ a b 1 ω (1,1) ω (1,R) P(1) P(2) P(R) 构造神经网络训练样本集 确定确定神经网络的结构 电子电路故障诊断系统设计 14 图 神经元模型 由图 所示，常见的神经元模型由下列几部分组成： 1）输入： Rppp , 21  代表神经元 R 个输入。 在 MATLAB 中，输入可以用一个 1R 维的列矢量p 来表示（其中 T 表示取转置）  TkpppP ,....,p 321， （ ） （ 2）网络权值和阈值： R ,12,11,1 ,  代表网络权值，表示输入与神经元之间的连接强度， b 为神经元阈值，可以看作是一个输入恒为 1 的网络权值。 在 MATLAB 中神经元的网络权值可以用一个R1 的行矢量 w 来表示。  R ,12,11,1 ,...,w  (） 阈值 b 为 11 的标量。 注意：网络权值和阈值都是可以调节的，这是神经网络学习特性的基本内容之一。 求和单元完成对输入信号的加权求和，即： bwpnRi ii 1 ,1 （ ） 这是神经元对输入信号处理的第一个过程。 在 MATLAB 语言中，该过程可以通过输入矢量和权值矢量的点积形式加以描述，即： bpwn  * （ ） （ 4）传递函数： 在表 中 f 表示神经元的传递函数或激发函数，它用于对求和单元的计算结果进行函数运算，得到神经元的输出。 表 给 出了几种典型的神经元传递函数形式及描述。 表 几种典型的神经元传递函数形式 传递函数的名称 函数表达式 函数曲线 MATLAB 函数 阈值函数 Bardim a=hardlim(n) 0 a 1 +1 +1 n 0001)(  xxxf宁波大学科学技术学院本科毕业设计（论文） 15 线性函数 kxxf )( Purelin 对数 sigmoid 函数 )1( 1)(xexf  Logsig 正切 sigmoid 函数 )(tan)( xbxf  tansig BP 网络用于故障诊断的基本思想 BP 神经网络应用在故障诊断上提 高了以往传统方法难以达到的准确性，其研究的思路主要是：首先确定电路的故障，对于故障值的确定是根据正常值及故障值的波形对比，从而获得较典型的故障参数，把电路中容易出故障的器件都找出来作出故障集。 而后对这些故障一一提取特征值。 特征值提取后对这样特征值进行分组，每个故障的特征值分为 20组，前 10 组用于神经网络的训练，后 10 组用于神经网络的测试。 另外要指出的是，在做实际电路诊断时，每次故障值的波形对比取得故障值均是在外界相同条件下进行的，例如相同信号的激励，这样获得的特征值才会更准确，有效避免其它因素的干扰。 BP 神 经网络训练样本并测试样本后，会输出相应的期望值和实际的输出值，并能给出分类模拟的正确百分比，表示出 BP 神经网络故障诊断的准确率 BP 神经网络的设计 训练样本的获取及输入输出模式的确定 （ 1）训练样本的获取 训练样本 的获取直接决定了 BP 网络的应用 的 成败， 不当的训练样本很可能会出现网络训练的不收敛。 从系统 整体 的角度 来说 ， 如果 F 是一个独立而不受外界干扰 的理想封闭系统 ， X=（ x1， x2,...xm）为系统输入向量， Y=（ y1， y2,...,yn)为系统输出向量， 输入和输出满足 Y = fX， 我们认为 对样本数据的拟合度越高 ， 对系统模拟的越成功 [9]。 所以样本a=logsig(n) 0 a 1 +1 +1 n a=purelin（（ ) 0 a 1 +1 +1 n a=tansig(n) 0 a 1 +1 +1 n 电子电路故障诊断系统设计 16 数据的获取显得十分重要，另外训练样本模拟的越多，测试出的结果越准确，越可避免其它无关因素的干扰。 （ 2）输入输出模式的确定 ： 在 中我们已经得到了 5 组数据，我们将每组中的二分之一作为训练样本，另外二分之一作为测试样本。 ： 输出样本集采用“ 0— 1表示法，期望输出为 x,即为： x=[1， 0， 0， 0， 0； 0， 1， 0，0， 0； 0， 0， 1， 0， 0； 0， 0， 0， 1， 0； 0， 0， 0， 0， 1]，在下面的实例中共用这一输出模 式。 BP 神经网络的设计 BP 神经网络主要包含以下几部分，主要有输入层 , 隐层 , 输出层，及各层间的传输函数等 [10]。 (1) 网络层数： 顾名思义，网络层数指的是一个神经网络包含的分层数，而大部分的神经网络都有着固定的网络层数，但这里研究的 BP 神经网络的层数却是不固定的，相同，其隐含层是可以进行设置更改的。 BP 网络隐含层数的变化会影响着故障诊断的准确性，但往往选择的层数都不会过大，一般两层或两层以下。 (2)输入层的节点数： 输入层起缓冲存储器的作用 , 它的功能是当有数据进行输入时 ,其进行接 收，样本输入数据的维数决定着输入的节点数，有几维就会有对应的几个输入节点。 在本课题研究的故障诊断中，因为研究的是个 5 维的输入，故输入节点就是 5 个。 （ 3）输出层的节点数： 输出层节点数取决于两个方面 , 输出数据类型和表示该类型所需要的数据大小。 当 BP网络用于模式分类时 , 以二进制形式来表示不同模式输出结果 , 输出层的节点数可根据待分类模式数确定。 （ 4）隐层节点数： 隐层节点数的确定直接会导致训练的成败，节点太多会导致学习时间过长。 太少又会导致识别能力过低，所以在构造网络时，需要选择合适的隐层节点数。 常见的经验公式有： 0in n n a   () 宁波大学科学技术学院本科毕业设计（论文） 17 式中 : n 为隐层节点数。 ni 为输入节点数。 n0 为输出节点数。 a 为 110 之间的常数。 （ 5）网络隐含层数及隐含层神经元数的确定： 目前来说没有固定的公式或者规律去确定网络隐含层数及隐含层神经元数，而确定这两个参数又至关重要，时刻影响着网络的拟合能力。 根据日常研究总结出的 规律如下 [11]： ①不管研究的问题多复杂，首先用一个隐含层来尝试训练效果； ②隐含层神经元数越多，神经网络的学习就会越慢，故建议神经元数尽量小点； ③隐含层神经元数先从一个开始训练，然后再尝试两个或三个的情况，当达到训练满意的结果终止。 以下是日常研究总结出的确定隐含层神经元数的经验公式： n2lo gS （ ）  nmS （ ） 1m2 S （ ） mnS （ ） 式中， S 为隐含层神经元数， n 为输入层神经元数， m 为输出层神经元数，σ为 1～ 10 之间的常数。 BP 神经网络的工具箱函数 1. BP 网络创建函数 （ 1) newff 该函数用于创建一个 BP 网络。 调用格式为： =newff =newff(PR,[S1 S2..SN1],{TF1 TF2..TFN1},BTF,BLF,PF) 其中， =newff。 用于在对话框中创建一个 BP 网络。 为创建的新 BP 神经网络； PR 为网络输入向量取值范围的矩阵； [S1 S2…SN 1]表示网络隐含层和输出层神经元的个数； {TF1 TF2…TFN1} 表示网络隐含层和输出层的传输函数，默认为 ‘tans ig’ ； BTF 表示网络的训练函数，默认为 ‘train lm’ ； BLF 表示网络的权值学习函数，默认为 ‘learn gdm’ ； 电子电路故障诊断系统设计 18 PF 表示性能数，默认为 ‘mse’。 （ 2） newcf 函数用于创建级联前向 BP 网络， newfftd 函数用于创建一个存在输入延迟的前向网络。 2. 神经元上的传递函数 传递函数是 搭建 BP 神经 网络 的桥梁。 其要求是此传递函数 必须连续可微。 常见的 BP神经 网络 多 采用 下列函数： （ 1) logsig 该传递函数为 S 型的对数函数。 调用格式为： A=logsig（ N） info=logsig（ code）其中， N： Q 个 S 维的输入列向量； A：函数返回值，位于区间（ 0， 1）中； （ 2） tansig 该函数为双曲正切 S 型传递函数。 调用格式为： A=tansig（ N） info=tansig（ code） 其中， N： Q 个 S 维 的输入列向量； A：函数返回值，位于区间（ 1， 1）之间。 （ 3） purelin。