現(xiàn)代模擬電路智能故障診斷方法研究與發(fā)展
加入技術交流群
3．3 基于神經(jīng)網(wǎng)絡的故障診斷方法
神經(jīng)網(wǎng)絡具有高度的并行處理、聯(lián)想記憶、自組織、自學習以及強非線性映射能力，因此在故障診斷方面具有很大的潛在優(yōu)勢和應用前景。具體的應用方式主要有：1)利用神經(jīng)網(wǎng)絡產(chǎn)生殘差。這主要是利用了神經(jīng)網(wǎng)絡的系統(tǒng)辨識能力，通過辨識模型產(chǎn)生殘差序列，從而進行下一步的故障檢測和診斷。2)利用神經(jīng)網(wǎng)絡的模式識別能力。對于難以建立精確數(shù)學模型的復雜系統(tǒng)，神經(jīng)網(wǎng)絡不需要系統(tǒng)的數(shù)學模型，只需要訓練數(shù)據(jù)就能夠?qū)崿F(xiàn)從測量空間到故障空間的映射，從而識別出系統(tǒng)正常模式和故障模式或者不同故障模式之間的區(qū)別。
Spain等人將神經(jīng)網(wǎng)絡應用到小規(guī)模模擬電路的軟故障診斷中，以白噪聲作為測試信號源，故障模式為偏離元件正常值50％，通過神經(jīng)網(wǎng)絡來進行故障分類和故障字典自動查詢，結果不僅診斷正確率高，而且由于神經(jīng)網(wǎng)絡的魯棒性，能夠識別出未經(jīng)學習的軟故障模式。Aminian研究了一種基于多層前向神經(jīng)網(wǎng)絡的實際電路故障診斷方法。實驗結果表明了采用該方法具有較好的故障診斷魯棒性和高達95％的故障診斷正確率。Catelani等人將RBF網(wǎng)絡用于線性電路和非線性電路軟故障診斷中，實驗結果表明訓練好的網(wǎng)絡不僅對于子系統(tǒng)或者元器件級的故障具有較好的診斷能力，即使面對沒有包含在故障字典中的新故障也能夠成功診斷。隨后他們又將模糊診斷方法和RBF網(wǎng)絡診斷方法用于模擬電路的軟故障診斷，結果表明在存在噪聲和非故障元件容差的情況下二者的錯分率都很低。
雖然基于神經(jīng)網(wǎng)絡的故障診斷方法有很多優(yōu)點，但基于其固有的內(nèi)在機理，神經(jīng)網(wǎng)絡也不可避免的存在一下不足之處：1)只利用了一些明確的故障實例樣本數(shù)據(jù)，未能充分利用特定領域中專家的故障診斷經(jīng)驗知識。2)學習樣本獲取存在一定困難。神經(jīng)網(wǎng)絡故障診斷是建立在大量的故障樣本數(shù)據(jù)基礎之上的，診斷性能受到所選樣本的數(shù)量及其分布情況的限制。3)知識表達不直觀，診斷行為具有“黑箱”性，診斷推理過程難以解釋。4)對于復雜系統(tǒng)進行故障診斷時，由于需要處理的數(shù)據(jù)種類繁多，會導致網(wǎng)絡規(guī)模過大和學習時間過長等問題，從而降低了神經(jīng)網(wǎng)絡的實用性。
3．4 基于核的模擬電路故障診斷方法
核方法是當前機器學習領域最活躍的研究方向之一，它以統(tǒng)計學習理論和核技術為基礎。核函數(shù)k(x，z)是計算兩個數(shù)據(jù)點在非線性變換φ(·)下的映像的內(nèi)積，即k(x，z)=φ(x)，φ(z)，這里的φ：X→φ(X)為核函數(shù)k(x，z)導出的特征變換，X為輸入空間，φ(X)為特征空間。k(x，z)定義為某個Hilbert空間的內(nèi)積，它首先應該是對稱的，其次還要滿足Mercer條件。
核方法能夠?qū)崿F(xiàn)從數(shù)據(jù)空間到特征空間的非線性變換，采用不同的核函數(shù)可以滿足不同的非線性變換要求。核方法的計算量與特征空間的維數(shù)無關，核函數(shù)的引入代替了特征空間的內(nèi)積計算，從而導出一個與樣本數(shù)有關，與樣本維數(shù)無關的優(yōu)化問題，避免了維數(shù)災難，使核算法具有更大的假設空間，提高了模式分類或者回歸的能力。圖4給出了核方法的實現(xiàn)過程涉及的幾個階段。數(shù)據(jù)通過核函數(shù)映射到特征空間構造出核矩陣，經(jīng)過學習算法的處理后得到用于分類的模式函數(shù)。本文引用地址：http://butianyuan.cn/article/186871.htm
核方法通常可以分為有監(jiān)督的核方法和無監(jiān)督的核方法兩大類。在常用的有監(jiān)督的核方法中，支持向量機(Support Vector Machine)是最典型并且是研究和應用最多的一種。常用的無監(jiān)督核方法有核主成分分析(Kernel Principal Component Analysis，KPCA)、核聚類(Kern el Clustering，KC)、核獨立主成分分析(Kernel Independent Component Analysis，KICA)等。
SVM理論植根于VC維和結構風險最小化的基礎之上，其應用于故障診斷的最大優(yōu)勢在于它適合于小樣本決策。人員的廣泛重視，紛紛開展這方面的研究工作。Jiang等人將一種改進的支持向量機分類器用于實際模擬電路的故障診斷中，結果表明該方法較BP網(wǎng)絡及常規(guī)SVM方法診斷精度有了一定提高。Wang等人通過最優(yōu)小波包變換提取電路故障特征后，采用了3種不同的二叉樹支持向量機對模擬電路故障進行診斷，其診斷精度都在90％以上。Xiao等人采用了核主成分分析方法約簡模擬電路故障特征維數(shù)以獲取最優(yōu)故障特征，實驗結果表明了方法的有效性。
4 結束語
模擬電路的可靠性在很大程度上決定了整個電路系統(tǒng)的可靠性，電子電路技術和產(chǎn)業(yè)的快速發(fā)展對模擬電路的測試與診斷提出了更高要求。由于電路規(guī)模和復雜性的不斷增長，傳統(tǒng)方法的不盡如人意之處日益凸顯，這迫使人們在不斷探尋更經(jīng)濟更有效的方法，而現(xiàn)代信息信號處理技術和機器學習理論為現(xiàn)代模擬電路故障診斷技術的發(fā)展和應用提供了重要契機和理論支持。
文中對模擬電路故障特點及現(xiàn)代基本診斷方法進行了較為全面的綜述，尤其對現(xiàn)代模擬電路故障診斷方法進行了詳細的分析與討論。目前現(xiàn)代模擬電路故障診斷技術正處于飛速發(fā)展時期，雖然已經(jīng)取得了大量成果，但在理論和應用方面都還存在許多有待進一步研究與解決的問題。比如對單故障診斷問題研究的較多，而對多故障診斷問題卻少有涉及；對尚處于發(fā)展初期的核診斷方法，在理論和應用方面的研究都有待于進一步加強；單一診斷技術有時難以達到理想效果，因此在不大幅增加診斷系統(tǒng)復雜性和代價的情況下如何有效結合多種診斷方法以提高整個系統(tǒng)診斷性能也是一個很有價值的研究方向。
評論