《基于模糊神经网络的大规模直流模拟电路区间诊断方法.pdf》由会员分享，可在线阅读，更多相关《基于模糊神经网络的大规模直流模拟电路区间诊断方法.pdf（11页珍藏版）》请在专利查询网上搜索。
1、(10)申请公布号 CN 102305910 A (43)申请公布日 2012.01.04 CN 102305910 A *CN102305910A* (21)申请号 201110168480.9 (22)申请日 2011.06.22 G01R 31/316(2006.01) G06N 3/02(2006.01) (71)申请人 长沙河野电气科技有限公司 地址 410082 湖南省长沙市岳麓区麓景路 528 号 (72)发明人 何怡刚 罗克龙 (74)专利代理机构 长沙星耀专利事务所 43205 代理人 姜芳蕊 宁星耀 (54) 发明名称 基于模糊神经网络的大规模直流模拟电路区 间诊断方法 (。
2、57) 摘要 基于模糊神经网络的大规模直流模拟电路 区间诊断方法， 其包括以下步骤 ： 将大规模模拟 电路撕裂成 N 个不能再进行撕裂的子电路， 给每 个子电路配备一个相应的模糊神经网络 ； 利用 PSPICE 中的参数分析仿真得出可能的故障元件 所在的子电路所包含的所有可测节点的电压区间 值 ； 按照元件的容差范围将此电压区间值划分为 至少 3 个子区间 ； 对各个子电路所对应的模糊神 经网络， 利用训练样本训练模糊神经网络中的 BP 神经网络， 得到训练好的模糊神经网络 ； 在实际 诊断中， 测出所有可测节点的电压值， 将各个子电 路中的可测节点实际电压值作为对应模糊神经网 络的输入， 得。
3、到输出， 得到故障诊断结果。本发明 诊断准确率较高， 适用范围广。 (51)Int.Cl. (19)中华人民共和国国家知识产权局 (12)发明专利申请 权利要求书 2 页 说明书 5 页 附图 3 页 CN 102305917 A1/2 页 2 1. 基于模糊神经网络的大规模直流模拟电路区间诊断方法， 其特征在于， 包括以下步 骤 ： 1） 利用撕裂原则将大规模模拟电路撕裂成 N 个不能再进行撕裂的子电路， 并给每个子 电路配备一个相应的模糊神经网络 ； 2） 在大规模模拟电路中， 其它元件参数在容差范围内， 而可能的故障元件在其参数全 局取值范围 0,+ 内变化时， 利用 PSPICE 中的。
4、参数分析仿真得出可能的故障元件所在 的子电路所包含的所有可测节点的电压区间值 ； 3） 按照元件的容差范围将此电压区间值划分为至少 3 个子区间 ； 4） 对各个子电路所对应的模糊神经网络， 利用子电路所包含的可测节点电压子区间和 隶属度函数建立模糊神经网络中的模糊逻辑部分， 同时， 利用训练样本训练模糊神经网络 中的 BP 神经网络， 得到训练好的模糊神经网络 ； 5） 在实际诊断中， 测出所有可测节点的电压值， 将各个子电路中的可测节点实际电压 值作为对应模糊神经网络的输入， 得到输出， 从而得到故障诊断结果。 2. 根据权利要求 1 所述的基于模糊神经网络的大规模直流模拟电路区间诊断方法。
5、， 其 特征在于， 所述步骤 2） 中， 可能的故障元件在其参数全局取值范围 0,+ 内变化时， 可 测节点的电压值要是单调递增或单调递减变化的。 3. 根据权利要求 1 或 2 所述的基于模糊神经网络的大规模直流模拟电路区间诊断方 法， 其特征在于， 所述步骤 3） 中， 按照元件的容差范围将此电压区间值划分为 5 个子区间 ； 假设元件参数为 X， 容差范围为 XTOL%， 根据容差范围将元件参数的取值范围 0,+ 进行拆分， 拆分成如下 5 个区间 ： 拆分区间 1 ： 0，） ； 拆分区间 2 ： ，） ； 拆分区间 3 ： 、） ； 拆分区间 4 ： 、） ； 拆分区间 5 ： 、 。
6、； 每个元件参数的拆分区间都会对应一个电压区间， 这样就将电压区间值划分为 5 个子 区间。 4. 根据权利要求 1 或 2 所述的基于模糊神经网络的大规模直流模拟电路区间诊断方 法， 其特征在于， 所述步骤 4） 中， 隶属度函数结构如下 ： 权 利 要 求 书 CN 102305910 A CN 102305917 A2/2 页 3 式中， x 表示可测节点的实际测量电压值， 区间 1-5 分别表示可测节点对应的电压区 间。 5. 根据权利要求 1 或 2 所述的基于模糊神经网络的大规模直流模拟电路区间诊断方 法， 其特征在于， 所述步骤 4） 中， 训练样本具有如下特征 ： 输入量为 0。
7、.6 和 0 以外的同一值时， 输出量为 1 ； 输入量都为 0.6 和 0 时， 输出量为 0 ； 输入量至少有两个不相同时， 输出量为 0 ； 其中输出量为 0 代表所对应的元件无故障 ； 为 1 代表有故障。 权 利 要 求 书 CN 102305910 A CN 102305917 A1/5 页 4 基于模糊神经网络的大规模直流模拟电路区间诊断方法 技术领域 0001 本发明涉及一种直流模拟电路区间诊断方法， 尤其是涉及一种基于模糊神经网络 （FNN） 的大规模直流模拟电路区间诊断方法。 背景技术 0002 模拟电路故障诊断是近代电路理论的前沿领域， 自20世纪60年代开始研究以来， 。
8、取得了不少成就， 研究者们提出了很多方法， 如故障字典法、 网络撕裂法、 神经网络法等。 然 而随着集成电路的不断发展， 大规模模拟电路的故障诊断成为了一个世界性难题， 虽然最 近几年提出了不少诊断方法， 但可能还需要大量细致的完善工作要做。 在模拟电路中， 元件 参数可能在 0,+ 内连续取值， 故电路可能的状态总数是不可数的， 硬故障仅仅考虑了 极端的情况， 但软故障需要考虑的个数必然是不可数的。 因此， 现有诊断方法大多只适用于 诊断硬故障和少数固定参数偏移软故障， 且故障诊断精度较低。 大多数软故障并不适用， 其 主要原因在于不能将软故障对应的故障状态完整的表述出来。迄今为止， 很少有。
9、文献对软 故障所对应的故障状态给出有效的完整描述方法。 0003 发明内容 0004 为了克服现有技术存在的上述缺陷， 本发明提供一种基于模糊神经网络的大规模 直流模拟电路区间诊断方法， 该方法利用区间来完整的描述模拟电路软故障的故障状态， 通过模糊神经网络处理区间数据， 故障诊断精度高。 0005 本发明所采用的技术方案为 ： 其包括以下步骤 ： 1） 利用撕裂原则将大规模模拟电路撕裂成 N 个不能再进行撕裂的子电路， 并给每个子 电路配备一个相应的模糊神经网络 ； 2） 在大规模模拟电路中， 其它元件参数在容差范围内， 而可能的故障元件在其参数全 局取值范围 0,+ 内变化时， 利用 PS。
10、PICE 中的参数分析仿真得出可能的故障元件所在 的子电路所包含的所有可测节点的电压区间值 ； 3） 按照元件的容差范围将此电压区间值划分为至少 3 个子区间 ； 4） 对各个子电路所对应的模糊神经网络， 利用子电路所包含的可测节点电压子区间和 隶属度函数建立模糊神经网络中的模糊逻辑部分， 同时， 利用训练样本训练模糊神经网络 中的 BP 神经网络， 得到训练好的模糊神经网络 ； 5） 在实际诊断中， 测出所有可测节点的电压值， 将各个子电路中的可测节点实际电压 值作为对应模糊神经网络的输入， 得到输出， 从而得到故障诊断结果。 0006 撕裂原则内容如下 ： 撕裂节点必须是可测节点或公共节点。
11、 ； 各个子电路之 间必须是相对独立的， 不能有任何耦合关系且电路内的特殊结构不能拆开 ； 撕裂后的每 个子网络至少要含有两个可测节点， 在满足这个条件的基础上使子电路的规模最小， 这样 说 明 书 CN 102305910 A CN 102305917 A2/5 页 5 可以减小模糊神经网络的规模， 节省诊断时间。 由撕裂原则可知， 大规模模拟电路被撕裂成 了 N 个最小子电路， 即大规模模拟电路被撕裂成 N 个不能再进行撕裂的子电路。 0007 所述步骤 2） 中， 可能的故障元件在其参数全局取值范围 0,+ 内变化时， 可测 节点的电压值要是单调递增或单调递减变化的。 0008 所述步骤。
12、 3） 中， 根据元件的容差范围， 将电压区间拆分成多个子区间， 这样就能够 完整的描述软故障的故障状态。 参数全局取值范围0,+根据容差范围至少可以拆分成 3 个子区间， 其中中间那个子区间是容差范围区间， 即元件参数允许取值区间。拆分成 3 个 子区间虽然拆分简单、 诊断中数据处理量也小， 但是由于区间数据跨度较大， 会在一定程度 上影响到诊断精度。 因此， 为了综合考虑诊断精度和诊断中数据处理的繁琐程度， 本发明将 电压区间拆分成子区间的个数优选 5 个。当然， 如果拆分成 5 个子区间无法满足诊断精度 要求， 我们可将除容差范围区间外的区间进行进一步的拆分， 这样虽然增加了数据处理量，。
13、 但能够提高诊断精度。 0009 假设元件参数为 X， 容差范围为 XTOL%。根据容差范围将元件参数的取值范围 0,+ 进行拆分如下 ： 拆分区间 1 ： 0，） ； 拆分区间 2 ： ，） ； 拆分区间 3 ： 、） ； 拆分区间 4 ： 、） ； 拆分区间 5 ： 、 。每个元件参数的拆分区间都会对应一 个电压区间， 这样就将电压区间拆分成多个子区间。 0010 所述步骤 4） 中， 本发明根据需要建立了一个特殊的隶属度函数， 函数结构如下 ： 式中， x 表示可测节点的实际测量电压值， 区间 1-5 分别表示可测节点对应的电压区 间。 0011 可根据上式画出与其对应的图形。本发明用 。
14、MATLAB 来实现模糊逻辑的建立， 首先 用 MATLAB 建立一个隶属度函数对应的 MATLAB 函数， 再对其进行调用就能实现模糊化。同 时， 因为每个模糊化单元的输出值都为 0、 0.2、 0.4、 0.6、 0.8、 1 中的一个， 根据输入同量的 个数， 可以得到模糊逻辑部分输出的所有样本为从 0、 0.2、 0.4、 0.6、 0.8、 1 中取出与输入量 个数相同的个数进行排列组合， 这就是模糊神经网络中 BP 神经网络的训练样本的输入量， 说 明 书 CN 102305910 A CN 102305917 A3/5 页 6 再根据诊断判别原则可以得出其输出量， 这样就能构造出。
15、本发明特有的 BP 神经网络训练 样本， 利用这些训练样本对模糊神经网络中的 BP 神经网络进行训练， 得到训练好的模糊神 经网络。 0012 所述步骤 4） 中， 训练样本具有如下特征 ： 输入量为 0.6 和 0 以外的同一值时， 输出量为 1 ； 输入量都为 0.6 和 0 时， 输出量为 0 ； 输入量至少有两个不相同时， 输出量为 0。 0013 其中输出量为 0 代表所对应的元件无故障 ； 为 1 代表有故障。 0014 所述步骤 5） 中， 在实际诊断中， 宜在各个子电路输入端施加与仿真相同的激励， 测 出可测节点的实际电压值。 0015 本发明与现有技术相比， 具有如下优点 ：。
16、 （1） 利用电压区间能够完整的描述出电路软故障的故障状态， 且在其中还包含了硬故 障的故障状态 ； （2） 克服了单纯神经网络不能处理区间数据的缺点， 模糊神经网络可以对区间数据进 行模式识别 ； （3） 能够诊断电路中的所有软硬故障， 且诊断准确率较高， 可达 90% 以上， 适用范围广 ； （4） 可以利用增加电压拆分区间的个数来增加故障诊断的准确率。 附图说明 0016 图 1 为本发明模拟电路故障诊断流程图 ； 图 2 为测试电路图 ； 图 3 为对应元件 X 的各个可测节点电压区间值表 ； 图 4 为模糊神经网络结构图 ； 图 5 为隶属度函数图形 ； 图 6 为 BP 神经网络的。
17、训练误差曲线。 具体实施方式 0017 以下结合附图和实施例对本发明进行详细的说明。 0018 参照图 1， 本发明包括以下步骤 ： 首先， 执行步骤 1， 将大规模模拟电路撕裂成 N 个 不能再进行撕裂的子电路， 给每个子电路配备一个模糊神经网络 ； 接着， 执行步骤 2， 利用 PSPICE 仿真得出各个子电路中所有可测节点的电压区间 ； 然后， 执行步骤 3， 按照元件容差 将电压区间拆分成多个子区间 ； 执行完步骤 3 后， 执行步骤 4， 利用训练样本训练模糊神经 网络中的 BP 神经网络， 得到训练好的模糊神经网络 ； 最后， 执行步骤 5， 将可测节点的实际 电压值输入模糊神经网。
18、络， 得到诊断结果， 本发明应用图 2 所示的测试电路图进行实际诊 断测试。 0019 所述步骤 1 利用撕裂原则将大规模模拟电路撕裂成多个子电路， 并给每个子电路 配备一个模糊神经网络， 模糊神经网络是利用模糊逻辑作为输入信号的预处理部分， 再将 得到的信号输入到 BP 神经网络中进行模式识别。测试电路如图 2。 0020 撕裂原则内容如下 ： 撕裂节点必须是可测节点或公共节点 ； 各个子电路之间 说 明 书 CN 102305910 A CN 102305917 A4/5 页 7 必须是相对独立的， 不能有任何耦合关系且电路内的特殊结构不能拆开 ； 撕裂后的每个 子网络至少要含有两个可测节。
19、点， 在满足这个条件的基础上使子电路的规模最小， 这样可 以减小模糊神经网络的规模， 节省诊断时间。 0021 步骤 2 是在大规模模拟电路中， 其他元件在容差范围内取值， 而可能的故障元件 其参数在 0,+ 内变化时， 利用 PSPICE 中的参数分析仿真出可能的故障元件所在子电 路中所有可测节点的电压区间值。 0022 由电路理论可知在元件参数值连续变化的模拟电路中， 可测节点的电压值也是在 某个区间内连续变化的， 现考虑电压值单调变化的情况。利用参数分析可以得出电压曲线 的单调性， 分别仿真出 0 和 + 的情况即可以得到电压区间值。 0023 步骤 3 是利用元件参数容差范围对电压区间。
20、进行拆分， 得到的数据如图 3， 区间 Xnm（n 是可测节点的序号， m 是拆分区间序号） 代表第 n 个可测节点所对应的第 m 个电压 区间。 0024 根据图 3 得出诊断故障元件的原则 ： （1） 对于某一元件 X， 若每个可测节点的实际测量电压值， 都落在除容差范围区间的同 一元件参数拆分区间所对应的电压区间内， 即都落在图 3 所示表格中的区间 Xnm（n 不同， 但 m 相同且不取 3） 内， 则元件 X 是故障的 ； （2） 对于某一元件 X， 若每个可测节点的实际测量电压值， 都落在参数容差范围区间所 对应的电压区间内， 即都落在图 3 所示表格中的区间 Xnm（n 不同， 。
21、但 m 等于 3） 内， 则元件 X 是无故障的 ； （3） 对于某一元件 X， 若至少有两个可测节点的实际测量电压值， 落在不同的元件参数 拆分区间所对应的电压区间内， 即落在图 3 所示表格中的区间 Xnm（n 不同， 但 m 至少有两 个不同） 内， 则元件 X 是无故障的 ； （4） 对于某一元件 X， 若每个可测节点的实际测量电压值不落在对应的电压区间内， 则 元件 X 是无故障的。 0025 步骤 4 的模糊神经网络结构如图 4， 输入层输入的是可测节点的实际测量电压值 ； 模糊化层是利用隶属度函数建立的模糊逻辑， 其对输入信号进行模糊化处理 ； 模糊规则层 和输出层对应的就是 B。
22、P 神经网络的隐含层和输出层。 0026 隶属度函数结构如下 ： 式中， x 表示可测节点的实际测量电压值， 区间 1-5 分别表示可测节点对应的电压区 间。 0027 隶属度函数对应的图形如图 5 所示。在图 5 中的 a、 b、 c、 d、 e、 f 表示子区间的边界 值， 不同的实际测量电压值属于不同的电压区间， 即对应不同的取值。本发明用 MATLAB 来 说 明 书 CN 102305910 A CN 102305917 A5/5 页 8 实现模糊逻辑的建立， 首先用MATLAB建立一个隶属度函数对应的MATLAB函数， 再对其进行 调用就能实现模糊化。同时， 因为每个模糊化单元的输。
23、出值都为 0、 0.2、 0.4、 0.6、 0.8、 1 中 的一个， 根据输入量的个数， 可以得到模糊逻辑部分输出的所有样本为从 0、 0.2、 0.4、 0.6、 0.8、 1 中取出与输入量个数相同的个数进行排列组合， 这就是模糊神经网络中 BP 神经网络 的训练样本的输入量， 再根据诊断判别原则可以得出其输出量， 这样就能构造出本发明特 有的BP神经网络训练样本， 利用这些训练样本对模糊神经网络中的BP神经网络进行训练， 得到训练好的模糊神经网络 . 所述步骤 4 中， BP 神经网络的训练样本具有如下特征 ： 输入量为 0.6 和 0 以外的同一值时， 输出量为 1 ； 输入量都为。
24、 0.6 和 0 时， 输出量为 0 ； 输入量至少有两个不相同时， 输出量为 0。 0028 其中输出量为 0 代表所对应的元件无故障 ； 为 1 代表有故障。图 6 给出了 BP 神经 网络的训练误差曲线。 0029 步骤 5 将各个子电路包含的所有可测节点实际电压值输入到该子电路对应的神 经网络的输入端， 得到相应的输出， 即完成了故障诊断， 得到故障元件。 说 明 书 CN 102305910 A CN 102305917 A1/3 页 9 图 1 图 2 说 明 书 附 图 CN 102305910 A CN 102305917 A2/3 页 10 图 3 图 4 图 5 说 明 书 附 图 CN 102305910 A CN 102305917 A3/3 页 11 图 6 说 明 书 附 图 CN 102305910 A 。