引言

電路故障的復(fù)雜多樣、元件參數(shù)的大離散性、有限的可及測(cè)試節(jié)點(diǎn)和廣泛的非線性等因素，使得電路故障診斷無論在理論上還是在方法上距實(shí)用還有相當(dāng)?shù)囊欢尉嚯x。近幾年來，隨著非線性系統(tǒng)理論的順?biāo)侔l(fā)展，電路的故障診斷理論與方法也取得了長足的進(jìn)步，隨著系統(tǒng)的復(fù)雜化以及對(duì)系統(tǒng)的安全性和可靠性的要求越來越高，對(duì)故障預(yù)測(cè)診斷技術(shù)的需求日趨緊迫。

電路故障診斷已廣泛應(yīng)用于通訊、軍工、自動(dòng)控制、家用電器、測(cè)量儀表等各方面模擬電路故障診斷的方法有、專家系統(tǒng)和人工神經(jīng)網(wǎng)絡(luò)等，線路切割法對(duì)懷疑元件一般是切割其前后聯(lián)系，通過測(cè)試其關(guān)鍵點(diǎn)電流和電壓信號(hào)，判斷是否產(chǎn)生了故障，但這種方法不但測(cè)試起來比較麻煩，而且由于無法猜測(cè)到哪個(gè)元件產(chǎn)生了故障，因此必須切割很多元件才能診斷出真正的故障元件所在。而在很多情況下是不允許進(jìn)行這種破壞性的診斷，特別是一些比較重要的儀器電路或者是正在運(yùn)行的機(jī)電設(shè)備故障的搜索等。還存在由未知的不確定因素引起的隨機(jī)干擾使電路呈現(xiàn)出復(fù)雜的非線性特性。人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)因其具有較強(qiáng)的非線性映射、在線學(xué)習(xí)、聯(lián)想記憶功能等特點(diǎn)，成為目前處理故障診斷問題的一個(gè)重要的研究方法。本文將CPN神經(jīng)網(wǎng)絡(luò)信息融合技術(shù)引入電路的故障搜索之中，通過測(cè)試電路工作時(shí)電子元件的產(chǎn)生的電流，溫度，電壓等三方面的數(shù)據(jù)的信息，利用CPN神經(jīng)網(wǎng)絡(luò)對(duì)模擬電路故障建模和多信息融合，從而準(zhǔn)確搜索出故障元件位置。

1、CPN網(wǎng)絡(luò)運(yùn)行原理

1.1CPN網(wǎng)絡(luò)模型

對(duì)傳神經(jīng)網(wǎng)絡(luò)也叫反傳網(wǎng)，主要由三層網(wǎng)絡(luò)構(gòu)成，即輸入層、Kohonen層和Grossberg層，結(jié)構(gòu)如圖1所示為CPN神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。第1層為輸入層，將神經(jīng)元輸入向量輸送到第二層。第2層為Kohonen層，該層執(zhí)行無導(dǎo)師學(xué)習(xí)，以“強(qiáng)者占先，弱者退出”方式工作，網(wǎng)絡(luò)按照SOM學(xué)習(xí)規(guī)則產(chǎn)生競(jìng)爭(zhēng)層的獲勝神經(jīng)元，并按這一規(guī)則調(diào)整相應(yīng)的Kohonen層的連接權(quán)值W。第3層為輸出層，該層主要執(zhí)行Grossberg提出的外星(Outstar)法。Grossberg層執(zhí)行有導(dǎo)師訓(xùn)練，按照基本競(jìng)爭(zhēng)型網(wǎng)絡(luò)學(xué)習(xí)規(guī)則，得到各輸出神經(jīng)元的實(shí)際輸出，并按照有導(dǎo)師型的誤差校正方法，修正Grossberg層的連接權(quán)值V，以實(shí)現(xiàn)類的表示功能。其中輸入層神經(jīng)元的個(gè)數(shù)n=傳感器個(gè)數(shù)

待診斷元件個(gè)數(shù)。在此系統(tǒng)中Kohonen層神經(jīng)元個(gè)數(shù)取8個(gè)。Grossberg層神經(jīng)元個(gè)數(shù)m=待診斷元件數(shù)。

圖1CPN神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

1.2改進(jìn)CPN網(wǎng)絡(luò)算法實(shí)現(xiàn)步驟

①數(shù)據(jù)預(yù)處理階段：將輸入量Pk值進(jìn)行歸一化處理。

表1CPN神經(jīng)網(wǎng)絡(luò)模式樣本

表2CPN神經(jīng)網(wǎng)絡(luò)融合診斷結(jié)果

5、結(jié)論

本文將執(zhí)行外星算法的Grossberg層和執(zhí)行自組織映射的Kohonen層相結(jié)合得到了與BP神經(jīng)網(wǎng)絡(luò)相似的CPN網(wǎng)絡(luò)。因此也解決了多級(jí)網(wǎng)絡(luò)的訓(xùn)練存在的問題，突破了單級(jí)網(wǎng)的局限性。通過優(yōu)化CPN網(wǎng)絡(luò)的初始權(quán)限值的設(shè)置規(guī)則，能夠有效地克服對(duì)于輸入向量限制過于嚴(yán)格的局限行，從而避免了初始權(quán)值和樣品輸入順序?qū)W(wǎng)絡(luò)的學(xué)習(xí)影響較大。改進(jìn)后的CPN網(wǎng)絡(luò)性能更加穩(wěn)定，適用范圍擴(kuò)大。通過優(yōu)化CPN網(wǎng)絡(luò)提高了算法的計(jì)算速度，使得CPN神經(jīng)網(wǎng)絡(luò)改進(jìn)算法的診斷精度較高，網(wǎng)絡(luò)的收斂速度也更快，因此非常適用于非線性電路的故障診斷。

更多資訊請(qǐng)關(guān)注儀器儀表頻道