基于BP神經網絡的模擬電路診斷

顧彬　汪柯穎　沈東　蘇超

摘? 要：文章重點闡述了BP神經網絡原理和訓練過程，結合模擬電路故障特點，論述了BP算法在模擬電路故障檢測中應用方法的要點，評價了其中存在的優勢和亟待解決的問題。證明了BP算法是解決模擬電路故障的一種可行性和重要性。

關鍵詞：BP網絡;模擬電路;故障診斷

中圖分類號：TN710? ? ? ? ?文獻標志碼：A? ? ? ? ?文章編號：2095-2945（2019）31-0057-02

Abstract： This paper focuses on the principle and training process of BP neural network， and combined with the fault characteristics of analog circuit， discusses the main points of the application of BP algorithm in analog circuit fault detection， and evaluates the existing advantages and urgent problems to be solved. It is proved that BP algorithm is feasible and important to solve analog circuit faults.

Keywords： BP network; analog circuit; fault diagnosis

現今電力電子系統的運用越來越廣泛，對其的安全可靠性要求越來越高。特別是運用于車載、航空等領域的電源中的模擬電路故障檢修時間短，必須要快速的定位故障甚至有必要檢測可能要發生的故障。BP神經算法是應用于現代模擬電路中最廣泛的算法，它是一種模擬人腦的智能學習算法，可以快速定位甚至預測模擬電路故障，對于電路故障診斷有非常重要的研究意義。

1 BP神經網絡

1.1 BP網絡結構

BP神經網絡算法是一種模擬人腦信號處理的算法。BP神經網絡是多層神經網絡，也稱多層感知器，基本結構包括輸入層，至少一個隱藏層和輸出層[1]，每層有若干個節點組成，同網絡了節點之間無任何聯系，基本模型如圖1所示。

1.2 BP算法原理

BP神經網絡的具體計算過程主要包含兩點：首先輸入信號向前傳遞，然后神經網絡均方差信號的逆向傳遞[2]，通過誤差不斷訓練各個層連接的權重值和偏置，優化系統模型。通過對信號向前傳遞，均方根誤差反向傳播，采用批量梯度下降、隨機梯度下降等算法對網絡進行訓練，使實際輸出和期望值差值在誤差范圍之內。

2 建立BP算法的模型

模擬電路故障發生是一種隨機的概率事件，是非線性。基于BP網絡的強分類能力，選擇三層結構的BP神經網絡足以對模擬電路的故障分類學習。

2.1 各層節點數確定

輸入層節點數N表示電路的需要被檢測的特征量，即網絡有N個輸入節點;輸出層節點數M表示有M-1種故障和1種正常;隱藏層的節點數確定方法有多種[3]，一般采用經驗公式：P=+L。式中N為輸入層節點數;M為輸出層節點數;L為1到10的整數[4]。

2.2 BP網絡初始化

BP網絡的初始化對學習速率和初始權值進行賦值。一般的BP網絡的學習速率？濁是一個確定常數，但實際的學習過程中？濁應該是一個變化的量。從誤差函數圖像分析，在連續平滑的區域訓練速率太慢會增加訓練的次數;在間斷不連續的區域訓練速率太快會忽略較窄的凹域，使訓練出現震蕩，迭代的次數增加。為了加快收斂的速度，本文采用自適應調整？濁。即根據網絡總誤差E進行調整，經過一次誤差反饋權值調整后，如果總誤差E總增大，則本次訓練無效;反之，有效。BP網絡初始化有權重值、閾值等初始化，初始權重值和閾值隨機取區間[-1，1]的實數[5]，且每個初始權值不能相等。對于非線性系統，初始化對于學習達到局部最優和達全局最優有密切關系。

2.3 BP網絡的訓練算法

BP網絡初始化后，設電源的檢測性能參數有V個，即輸入向量x（p=1，2，...，V）和目標向量y（W=1，2，...，w），然后開始學習過程。學習的具體流程如下：

3 模擬電路結合BP神經網絡的故障診斷

一般電路的控制回路里主要包括模擬電路和數字電路最容易發生故障的也是模擬電路部分。診斷逆變電源故障的主要工作還是診斷模擬電路。

3.1 BP網絡模擬電路故障診斷的要點

BP模擬電路故障診斷將學習的故障特征與實時的故障癥狀對比，以達到快速診斷故障的目的。第一步，必須進行數據過濾得到由樣本空間到數據空間的映射;數據空間經過設定的算法處理， 提取數據集的固定特征， 得到不變故障特征數據集;第二步，根據獲得的實時故障特征，在保證不失真的前提下，降維獲得有用的特征。由獲得的降維特征集提取原始特征集的特征信息判定當前是否有故障。一般可采用BP神經網絡方法構建故障數據代碼庫，不僅可以類比識別實時故障，甚至可記憶聯想可能出現的故障[6]。建立交直流故障診斷數據庫時注重三個方面：首先，要保證獲得盡量多的數據來訓練模型數據庫;其次，為保證實驗的可行性和簡易性，要選擇合適的測量電壓電流數據的點[6];再次，對于每個故障都要單獨實驗，重新測試數據，避免彼此干擾，保證數據的準確性。

3.2 BP網絡用于模擬電路故障檢測評價

模擬電路的故障種類特點是非線性隨機的數據點，BP神經網絡只用三層感知器可完成絕大部分的非線性映射，所以BP網絡對于不同的故障類型，完全可以找到相應的數據作為訓練樣本。由于BP網絡是一種模擬人腦的智能算法，不僅能識別已經訓練的樣本故障類型，還能識別未訓練的樣本類型，甚至可以預測故障。BP網絡在模擬電路故障檢測中的主要障礙是訓練樣本量難以獲得。隨著故障種類的上升，用來訓練此類故障的模擬電路的數據量復雜度也會增加。通常獲得數據的方法都是電路測試，由于測量電路數據并不容易再加上需要獲取樣層、數據量較多[7]，所以效率就會變得低下。

4 結束語

隨著模擬電路的集成度和復雜度的提升，傳統的檢測方法已經很難滿足現代電子技術的故障檢測。本文針對模擬電路的故障診斷提出了BP神經網絡算法，基于BP網絡的自適應，自主學習能力，在不斷的訓練優化中可以快速定位故障點，可大幅提升故障的檢測效率和準確率。

參考文獻：

[1]孫國棟，艾成漢，周振，等.基于高度函數的旋轉機械軸心軌跡識別方法[J].中國測試，2017，43（09）：118-122.

[2]張會明.基于石墨烯的觸覺傳感器及三維力解耦研究[D].哈爾濱工業大學，2017.

[3]王寧，杜俊賢.神經網絡在電路故障診斷方面的應用[J].電子世界，2012（02）：129-130.

[4]任遠芳，劉志杰，景鳳宣，等.基于PCA-BP的信息安全風險評估模型[J].計算機仿真，2014，31（06）：212-216+281.

[5]黃飛.基于AMSR-E和BP神經網絡的川中丘陵區土壤水分反演[D].四川農業大學，2012.

[6]陳乾定.基于BP神經網絡算法的模擬電路故障診斷研究[J].自動化應用，2018（05）：31-32.

[7]孫曉莉.基于BP神經網絡的模擬電路故障診斷[J].數字技術與應用，2018（02）：101-102.