基于MIV和BRBP神經網絡的電路板紅外診斷方法

崔昊楊，許永鵬，楊俊杰，曾俊冬，唐 忠

(上海電力學院電子與信息工程學院，上海 200090)

基于MIV和BRBP神經網絡的電路板紅外診斷方法

崔昊楊，許永鵬，楊俊杰，曾俊冬，唐 忠

(上海電力學院電子與信息工程學院，上海 200090)

針對BP神經網絡對于海量數據訓練及多維數據訓練收斂困難的問題，在使用增加動力項、自適應學習速率等方法的基礎上，引入均值影響度算法(MIV)構造了貝葉斯正則化反向傳播(BRBP)神經網絡，以此提高電子線路板紅外故障診斷算法的效率。利用紅外測溫方式，獲取了不同室溫及運行狀態下電路板中21個元器件溫度數據。將此21個參數作為故障診斷模型的初始輸入變量，經過MIV算法簡約為12個參數輸入至BRBP神經網絡，進行故障評估和診斷。結果表明:相對于傳統的BRBP神經網絡，本文設計的基于MIV和BRBP神經網絡模型診斷方法極大簡化了數據訓練的數據量并解決了數據收斂的困難，因此效率更高，用時更省。

紅外測溫;MIV;BRBP神經網絡;故障診斷

1 引 言

隨著電路板上元器件密度的不斷增大，集成化程度日益提高，電路板的結構日益復雜［1］。常規的接觸式電路板故障檢測不僅耗時長，難度大且需要檢測人員具備較強的專業技能。由于電路板發生故障時，其中的元器件往往會發生溫升的變化，而且溫度與器件的故障率也有重要聯系，如圖1所示［2］。因此，具有非接觸特性的紅外測溫故障診斷得到廣泛關注。但傳統的紅外診斷法往往依靠人工分析數據，很容易受到人為因素影響，且對數據分析能力要求較高，工作量大［3］。為解決上述問題，需要采用能夠排除人為因素干擾、有效進行信息處理的智能故障診斷技術。

圖1 元器件故障率與溫度的關系曲線

BP神經網絡算法具有良好的非線性映射能力、泛化能力、容錯能力［4－5］，可以有效解決紅外電路故障中的容差和非線性問題，但BP網絡算法對于大量及高維度數據訓練收斂困難，將導致診斷結果精度不夠高，故障診斷效率較低。

本文提出了一種基于MIV和BRBP神經網絡的電路板紅外故障診斷方法，利用紅外測溫方式，獲取了不同室溫及運行狀態下電路板中各元器件溫度數據。將大量參數作為故障診斷模型的初始輸入變量，經過MIV算法簡約后，輸入至BRBP神經網絡，進行故障評估和診斷。使故障診斷效率得到明顯提高，用時明顯減少并具有可推廣性。

2 故障診斷模型理論

2.1 神經網絡模型

2.1.1 傳統BP神經網絡模型

前向反饋(back propagation，BP)神經網絡通常是指基于誤差反向傳播的多層前向神經網絡，最早由Rumelhart［6］在1986年研究并設計出來。據統計有近90%的神經網絡應用是基于BP神經網絡算法［7－8］。BP神經網絡結構如圖2所示。

圖2 BP神經網絡結構圖

2.1.2 貝葉斯正則化(BR)算法

為了進一步提高BP神經網絡的分類準確性及泛化能力，MacKay［9］提出了貝葉斯正則化算法，即用貝葉斯方法來得到神經網絡最優的正則化系數，對性能函數進行修正并確定隱藏層神經元數，一般而言，神經網絡的性能函數為:

其中，w為網絡的權值向量;Ew為網絡所有權值的均方誤差，m為網絡中權值的總數;wj為網絡中權值;Ed為網絡響應的均方誤差;n為訓練樣本總數; tp為第p組訓練的期望輸出值;αp為第p組訓練的實際輸出值;α和β為正規則化系數，其大小影響網絡的訓練效果。在貝葉斯分析的框架下，可推導出:

其中，γ=N－2αtr(H)－1，表示有效參數的數目，反映網絡的實際規模;H是F(w)的黑塞(Hessian)矩陣［10］。對于黑塞矩陣H，Foresee F D［11］采用Levenberg-Marquardt算法訓練網絡時，很容易通過Gauss-Newton法逼近。在訓練過程中可根據有效參數γ，A和W的取值來判斷網絡是否收斂并確定隱含層神經元的個數。對于給定的隱含層神經元數(假定為P)，經過若干步迭代后，這三個有效參數處于恒值或變化較小，則說明網絡訓練收斂，可以停止訓練;然后選定一個較小的P開始訓練并逐步增加P的大小，直到從某個P開始有效參數γ，A和W基本保持不變，那么這個P就可以作為最終的隱含層神經元數。

2.2 基于均值影響度(MIV)算法的優化模型

雖然BRBP神經網絡在增加動量項的BP神經網絡、基于自適應學習速率方法的基礎上，對故障診斷的效率有了較顯著的提高，但是對于大量及高維度數據訓練收斂難題，依舊沒有進行很好的解決，導致診斷結果精度不夠高，故障診斷效率可以進一步的提高。

均值影響度算法(Mean Impact Value，MIV)能夠反應神經網絡中權重矩陣的變化情況，是神經網絡中評價變量相關性的最好指標之一［12］。因此，本文提出運用均值影響度算法對輸入參數進行簡約化處理，再輸入BRBP神經網絡進行診斷。

在BRBP神經網絡訓練終止后，將訓練樣本D中每一自變量特征在其原值的基礎上分別加(減) 15%(或自定義變化值)構成新的兩個訓練樣本D1和D2。將D1和D2分別作為仿真樣本，利用已建成的神經網絡進行仿真，得到兩個仿真結果S1和S2，求出S1和S2的差值，即為變動該自變量后對輸出產生的影響變化值(Impact Value，IV)。然后將IV按訓練樣本的總個數進行平均，得出該自變量的MIV值。最后根據MIV絕對值的大小為各個自變量排序，得到各自變量對網絡輸出影響相對重要性的位次表，從而判斷出輸入特征對于網絡結果的影響程度，即實現了輸入變量的篩選。

3 實驗及診斷結果

3.1 測溫實驗

實驗以臺式電腦主板的元器件為對象，通過紅外測溫方式，分別在環境溫度為25℃，26℃，27℃，28℃的情況下，對不同運行狀態進行測溫實驗，獲取溫度數據。紅外測溫儀為ITVR6816型，距離系數比為150∶1，測溫精度為±0.1℃。

為了準確判斷故障類型，實驗中選取21個測溫點(5個電路板點、9個電容點、3個芯片點、4個散熱片點)，各測溫點具體位置如圖3所示。另外，環境溫度ts，主板平均溫度tb，共23項變量，進行了2個月的溫度監測，共獲得960組數據。分為四類，即有光照條件下電路板散熱輕度故障、有光照條件下電路板散熱中度故障、暗環境條件下電路板散熱輕度故障、暗環境下電路板散熱中度故障。

圖3 主板上的測溫點圖

3.2 基于MIV算法的簡約化結果

采用如前所述的MIV算法，利用Matlab對測量到的溫度數據進行運算，得到21個測溫點的MIV值，如表1所示。由MIV算法的理論可知，當MIV絕對值越大時，該測溫點對結果的判斷影響越大，本文取MIV絕對值大于2的測溫點，而小于2的測溫點，對實驗影響較小，將其排除?？蓪?1個參量簡約化至12個輸入參量，即1，2，4，…，21，共12個測溫點，可進行下一步測試。

表1 MIV數值表

3.3 診斷結果與討論

采用如前所述的BRBP神經網絡算法，利用matlab對MIV算法簡約后的輸入參數進行運算，與未經MIV簡約化的BRBP神經網絡診斷結果進行對比。其中第I類為在有光照條件下電路板散熱輕度故障，第II類為在光照條件下電路板散熱中度故障，第III類為在暗環境條件下電路板散熱輕度故障，第IV類為在暗環境下電路板散熱中度故障。如下所示:

(1)采用增加動量項的BP神經網絡、基于自適應學習速率的BP神經網絡，將全部實驗數據進行輸入，分類結果分別如圖4和圖5所示。

圖4 增加動量項的BP神經網絡結果

圖5 基于自適應學習速率的BP神經網絡結果

(2)采用BRBP神經網絡，將全部實驗數據作為輸入，分類結果如圖6所示，期望輸出與預測輸出的絕對誤差如圖7所示。

圖6 BRBP神經網絡結果

圖7 BRBP神經網絡絕對誤差

圖8 MIV優化后的BRBP神經網絡結果

圖9 MIV優化后的BRBP神經網絡絕對誤差

(3)采用BRBP神經網絡，將MIV簡約化后12個測溫點的溫度數據作為輸入，分類結果如圖8所示，期望輸出與預測輸出的絕對誤差如圖9所示。

由于實驗數據共有960組，無法詳細展示，所以僅隨機挑選部分神經網絡故障診斷實驗數據列出，如表2所示。

表2 部分神經網絡故障診斷實驗數據表

通過以上四組實驗可得到，實驗對比表3，可以清晰地展現出四種實驗條件下，神經網絡模型的準確度，平均每組測試數據的絕對誤差、診斷時間、方差情況如下所示。

由四組實驗結果圖、表2部分神經網絡故障診斷實驗數據表和表3四組實驗對比表可知:增加動量項的BP神經網絡和基于自適應學習速率的BP神經網絡，雖然可以滿足日常電路板故障診斷準確率的要求，但是訓練速度過慢，誤差偏大，在實驗的輸出數據方差接近0.100的情況下，診斷時間都已經到達了10.0 s以上，效率較低。BRBP神經網絡，在實驗的輸出數據方差小于0.015的情況下，未經MIV預處理的需要2.8 s完成，而經過MIV預處理的1.2 s就可以完成，效率得到顯著提高，使網絡模型得到優化。

表3 四組實驗對比表

4 結語

本文對基于MIV和BRBP神經網絡的電路板紅外故障診斷方法進行研究。利用紅外測溫方式，在不同室溫及運行狀態下，將電路板的四種故障狀態進行了準確分類。實驗表明，對隨機抽取的100組數據進行故障判斷，采用經MIV預處理的BRBP神經網絡的診斷準確率高達99%，僅需要1.2 s處理時間，相對于未經MIV預處理的BRBP神經網絡效率更高，用時更省，能夠有效診斷電路板故障并可推廣至模擬電路故障診斷領域、各種電氣設備故障診斷領域等，因此具有重要的參考意義。

［1］LUO Yunlin，ZHANG Xiang.Aircraft electronic board fault detection based on infrared thermal imaging and integrated SVM［J］.Measurement＆Control Technology，2012，31(12):41－48.(in Chinese)

羅云林，章翔.基于紅外熱成像與集成SVM的航空器電子板卡故障檢測［J］.測控技術，2012，31(12):41－48.

［2］LIGuohong.Electronic equipment thermal design power of the analysis and application［J］.Chinese Journal of Power Sources，2009(8):31－36.(in Chinese)

李國宏.電力電子設備熱設計的分析及應用［J］.電源技術，2009(8):31－36.

［3］WANGMenghui，CHUNG Yukuo，Wen－tsai Sung.Using thermal image matter element to design a circuit board fault diagnosis system［J］.Expert Systems with Applications，2011，38(5):6164－6169.

［4］LIYibo，QIWangxu.Novel recognition algorithm for IR mobile target［J］.Laser＆Infrared，2013，43(3):324－328.(in Chinese)

李一波，齊萬旭.一種新的紅外機動目標識別算法［J］.激光與紅外，2013，43(3):324－328.

［5］Jadin，MohdShawal.Recent progress in diagnosing the reliability of electrical equipment.infrared physics and technology［J］.Infrared Physics＆Technology，2012，55(4): 236－245.

［6］Rumelhart D E，Hinten G E，Williams RJ.Learning representation by back propagation errors［J］.Nature，1986，19 (11):832－836.

［7］QIU Chenlin，CHENG Li.Study on plasma acoustic wave diagnosis of laser shock processing based on wavelet packet and neural networks［J］.Laser＆Infrared，2012，42(10):1107－1110.(in Chinese)

邱辰霖，程禮.基于小波包和神經網絡激光沖擊強化診斷研究［J］.激光與紅外，2012，42(10): 1107－1110.

［8］JIANG Lihui，ZHANG Chunqing，XIONG Xinglong，et al.Study on type recognition of low-levelwind shear based on radarimage simulation［J］.Laser＆ Infrared，2013，3 (43):334－338.(in Chinese)

蔣立輝，張春慶，熊興隆，等.基于仿真雷達圖像的低空風切變類型識別研究［J］.激光與紅外，2013，3 (43):334－338.

［9］MacKay D JC.Bayesian interpolation［J］.Neural Computation，1992，4(3):415－447.

［10］Foresee FD，Hagan M T.Gauss-newton approximation to bayesian iearning［C］.Houston:Proceedings of the 1997 International Joint Conference on Neural Networks，1997，3:1930－1935.

［11］WEIYing，LIRui，YANG Jinzhu，et al.An algorithm for segmentation of lung ROI by mean-shift clustering combined withmulti-scale HESSIAN matrix dot filtering［J］.Journal of Central South University，2012(12)19: 3500－3509.

［12］SUN Haibin，LIU Xiliang，WANG Hongbin，et al.Weight analysis of blasting effective factors based on MIV method［J］.Journal of China University ofMining＆Technology，2012，41(6):993－998.(in Chinese)

孫文彬，劉希亮，王洪斌，等.基于MIV的拋擲爆破影響因子權重分析［J］.中國礦業大學學報，2012，41 (6):993－998.

Infrared diagnosis of circuit board fault based on M IV and BRBP neural networks

CUIHao-yang，XU Yong-peng，YANG Jun-jie，ZENG Jun-dong，TANG Zhong
(School of Electronic and Information Engineering，Shanghai University of Electric Power，Shanghai200090，China)

The training algorithm for BP network is hard to convergewhen the input data is large and has high dimension.Aiming at this problem，a novel fault diagnosismethod based on MIV and BRBP neural networks by infrared temperaturemeasuring is put forward.Sample data about21 variables of circuit board under different room temperature and operating conditions aremeasured，and these 21 parameters are used as the initial input variables of fault diagnosismodel.After MIV optimization，the reduced 12 variables will be input into BRBP neural networks to predict faults and classify the circuit board running conditions.Experiments show that the proposed neural networksmodel is more efficiently andmore rapidly compared with the traditional BRBPneural network.The neuralnetworkmodel presented in the paper can effectively diagnose the circuit board faults.

infrared temperaturemeasuring;MIV;BRBP neural networks;fault diagnosis

TN219;TN215

A

10.3969/j.issn.1001-5078.2014.04.00 7

1001-5078(2014)04-0382-05

國家自然科學基金項目(No.61107081，61202369);上海市教育委員會科研創新項目(No.10YZ158，12ZZ176)資助。

崔昊楊(1978－)，副教授，博士，主要研究工作是電力設備狀態檢測和半導體光電器件等。E-mail:cuihy@shiep.edu.cn

2013-09-02;

2013-09-25