李兆宇

摘 要：本文綜合了模糊技術和神經網絡技術，在各種測試信息的基礎之上取得診斷電路受到各種故障損害的可能性，在對每一種神經網絡的輸出信息的重要性進行考慮，在進行決策融合的過程之中使用模糊積分融合的方式，并對診斷方式的魯棒性、快速性和準確性進行了驗證。

關鍵詞：故障診斷；模擬電路；神經網絡；專家系統(tǒng)

傳統(tǒng)的人工電路診斷技術已經無法滿足現代電子電路的發(fā)展狀況，如何運用模擬電路有限的可及點對于模擬電路內部的故障進行有效、快速的診斷是亟待解決的問題，本文涉及的模擬電路智能故障診斷系統(tǒng)的特點主要表現在診斷的精度高、靈活的診斷形式以及診斷的應用適應性強的特點。在實際操作中，不斷總結經驗，最后，將各個子系統(tǒng)融合優(yōu)勢發(fā)揮到最大，實現智能故障診斷的高精度、高適應性以及高靈活性。

1.模擬電路診斷技術的現狀

目前，在模擬電路發(fā)生故障后，需要對所發(fā)生的故障進行及時診斷，這樣做的目的是為了更加高效地進行檢修、調試以及替換，可以大大提高工作效率。不同設備的模擬電路要求不一樣，對于某些用于重要設備的模擬電路，需要進行故障的預測，也就是在電路進行正常工作的過程中，需要對正常工作進行持續(xù)不斷的檢測，這樣可以有效確定出一些部分的元件將要失效，這樣可以在設備發(fā)生故障之前，將將要失效的元件替換掉，可以有效避免故障的發(fā)生。然而，以上所述的內容，在人工診斷技術的層面無法滿足設備的需求，所以，目前亟待解決的一個重要問題就是需要對模擬電路故障的自動智能診斷問題。

2.模擬電路智能融合診斷模型

BP網絡具有極強的泛化能力，可以解決和判斷斷路狀態(tài)屬于那種類型的故障，因此會選取BP網絡進行初級診斷。但是BP網絡算法卻是按照梯度下降搜索算法，其對于初始權向量異常敏感，而且非常容易陷入局部困境之中。BP網絡算法與傳統(tǒng)的搜索算法進行比較，遺傳算法更具有魯棒性，而且會受到函數可微與連續(xù)的限制?？梢酝ㄟ^傳統(tǒng)的遺傳算法來對BP網絡進行優(yōu)化，從而得到初始化權值和網絡分布，這樣便可以比較好的克服BP網絡存在的問題，并且可以有效提高神經網絡的泛化性。我們采用BP網絡初次診斷時，需要對不同的電路故障進行分類，然后再進行深層次的故障診斷檢測，通過遺傳的BP網絡診斷選取訓練樣本，其主要是將選取的樣本與網絡的輸入不同，而且在不同故障進行觀測的時候，需要有針對性的進行識別，仔細辨別不同的網絡故障之間的重要信息系統(tǒng)差異。

3.模擬電路智能融合故障診斷方法

3.1診斷訓練樣本選取

如果在BP網絡中的某一個元件出現了軟故障，直接會導致該故障元件應故測量值與電路中的測量值存在較大的差異，就算是根據應故障特征訓練出的網絡，其也無法做到對軟故障診斷。電路中如果某一元件的所有參數都符合相應的正態(tài)分布，那么根據隨機分量線性組合理論，我們可以知道該元件是正態(tài)分布中的隨機變量。如果電路中出現硬故障，當對容差電路進行測量時，得到的測量特征值都是標稱值特征向量中心子空間。電路中元件每個狀態(tài)都可以應用樣本中心進行訓練，然后利用神經網絡的容錯性，可以在分類時將樣本中心訓練點一定范圍集中起來，并統(tǒng)一的歸納為訓練樣本集。模擬電路中的特征參量容易受到容差和軟故障的影響，從而使得神經網絡出現較大的矢量干擾，如果故障元件相同或者容差環(huán)境相同，那么特征參量的規(guī)模越大，那么產生的容差干擾就越小。

3.2智能診斷方法的融合

首先，通過優(yōu)選激勵和測試節(jié)點以及增加測試信息等方法提高模擬電路可靠性。如果是理想的拓撲結構只需要少量的測試點就可進行故障診斷，但實際情況往往是拓撲結構不理想，使得無論怎樣選擇節(jié)點仍有大量的支路故障不可測。通過優(yōu)選機理對測試節(jié)點進行彌補，如為頻域分析則主要選擇具有特征的頻率反映電路故障。如為時域分析則選擇噪聲信號以激勵被測電路。增加測試信息也是提高電路可測行的有效手段?？梢杂行У谋苊庹`診斷，獲取大量的故障特征而對電路故障做出準確判斷。其次，當確定了測試方案后將各類的測試數據進行優(yōu)化處理得到不同類型的輸入特征參量。然后將這些輸入特征參量輸入一個獨立的精神網絡，用此方法可對電路進行初級故障診斷。BP網絡具有良好泛化能力，廣泛的用于電路故障類型分類。通過遺傳BP網絡的初級診斷后，可以得到電路故障狀態(tài)的可能性。然而，由于各個遺傳BP網絡訓練樣本與網絡輸入的不同，且不同的故障在不同的測試信息上體現程度的強弱也有差異，因而每一遺傳BP網絡故障分類器對不同故障的識別正確程度也有較大的差異?？赏ㄟ^遺傳算法優(yōu)化BP網絡，遺傳算法具有全局性搜索的特點，可較好的尋找適合的網絡連接權和網絡結構。完成電路故障的初級診斷后用模糊積分的方法在精神網絡所輸出的重要信息程度基礎上進行決策融合。使得融合效率與診斷方法更加適應，準確定位故障。模糊積分方法是利用模糊集合知識綜合考慮客觀證據與主觀評價的一種決策層融合方法。此方法適用于處理不確定性信息。使用模糊幾分對多分類器記性融合時，不同的模糊測度對應不同的融合函數。如模糊測度值選擇適當，融合后的分類性能比最優(yōu)的單個分類器性能好。構造模糊測度，需先獲取模糊密度。模糊密度是信息源對系統(tǒng)最終決策的重要程度，對于診斷系統(tǒng)，模糊密度值可認為是各遺傳神經網絡對故障診斷的重要性評價。通過將訓練好的遺傳神經網絡分類器，分別獨立進行在不同故障下的樣本識別檢驗，利用每個遺傳神經網絡對各個故障的正確識別率作為該網絡對各故障的分類信息的重要程度。

4.結束語

對于模擬電路的故障問題研究日益深入，尤其是當前模糊理論、BP網絡以及遺傳算法等在模擬電路中的廣泛使用，使得這些對于模擬電路的故障診斷存在著較強的魯棒性，如此便可以提高故障定位的準確率。尤其是對于這種大規(guī)模和超大規(guī)模的模擬診斷電路來說，其更加顯得優(yōu)越性。本文主要針對模擬電力的故障診斷模型、智能融合診斷的方法進行介紹，希望能夠獲取對模擬電力故障診斷更加優(yōu)越的對策。

參考文獻：

[1]楊士元.模擬系統(tǒng)的故障診斷與可靠性設計[J].科技與企業(yè)，2014

[2]申華.集成電路可測性設計中網表的解析與實現[J].中國集成電路，2013