智能信息融合視域下的模擬電路故障定位方法研究

秦慶

（江蘇省錫山中等專業學校，江蘇 無錫 214000）

0 引言

電路故障信息反饋期間，常用測量方法得到的數據并不能充分反映實際情況，再加上多種多樣的模擬電路故障，較大離散性的元件參數等因素，造成目前診斷模擬電路故障的方法和理論沒有成熟的體系。就模擬電路而言，若電路前后位置的元器件存在復雜的相互影響現象，將會難以僅憑借非電信號或單一信號完成元器件故障判斷。傳統方法在診斷模擬電路故障時呈現出多種問題，如低效率、大工作量和差通用性等[1]。隨著人工智能技術的發掘，一些全新的診斷模擬電路故障技術被廣泛使用。

1 智能信息融合視域下的模擬電路故障定位思想

當前在模擬電路狀態信息診斷時采取的診斷方法，只是一種或多種多角度和多層次觀察與分析電路狀態信息的方法，將模擬電路所具有的基本特征予以提取。如診斷電路時采用測試點電壓，由于信號類型較為單一化，所以其所獲得的信息數據不多，想要獲取比較準確的評價結果較為困難。若是綜合測試點電壓和溫度信息，那么便可以較為準確地對電路狀態作出評價。在定位與診斷模擬電路故障時，雖然可以在某些時候利用一種方式完成故障判斷，但是大多得到的結果存在問題，精度不高。當電路可及點不多時，診斷工作更是舉步維艱，所以還需在診斷的時候依靠其他補充信息，此時便是基于智能信息融合的模擬電路故障定位方法[2]。為了將基于智能信息融合視域定位與診斷模擬電路故障表達清楚，在一般的分析過程中，通常以兩個診斷信息作為實例展開分析，雖然診斷信息有所不同，但是分析方法具有相同性。在診斷故障過程中，要以實際情況為依據作出詳細的分析與探究，才可以獲得較為合適的融合電路故障定位過程。

基于模糊信息融合視域下的電路故障定位，需要靈活化處理故障定位中的絕對隸屬關系，使支路對模擬電路故障集合隸屬度擴充，由{0,1}的值到[0,1]區間內的所有的數值。采取隸屬函數對以各類測試信息為基礎的定位故障結果不確定性作出表示，處理數據更是可以以模糊變換實現，獲得定位故障的模糊結果，再對其清晰化處理。

2 智能信息融合視域下的電路故障定位措施

2.1 選取需進行故障定位的信號

在定位模擬電路故障時，主要對可及節點電壓實時測量獲得故障特征，也有少數故障信息是通過非電量信號、特殊電流等予以獲取，但是這種方法無疑會導致測試的復雜度上升，另外還會提升測量設備的成本支出。可及節點具有有限的數量，特別當集成電路規模比較大或者超大時，總節點中僅有極少一部分可及節點。若是僅依靠可及節點測試數據，將會導致定位結果發生錯誤，所以在定位故障期間，可選擇應用可測點工作電壓信號和電路輸入輸出增益信號，其中電路輸入輸出信號的形成是基于多種測試頻率下的電路輸入實現。

當模擬發生故障以后，工作電壓將會與正常電壓范圍呈現偏移，對可測節點電壓作出檢測，便能獲得電路故障信息。當正弦信號激勵下，測試頻率和電路參數的波動，將會使得輸出對輸入的增益發生波動，所以交流測試頻率選擇的合理性，將會對測試不同電路有著良好的效果，也能夠獲得較為準確的數據。選擇交流測試頻率時，可以首先得到電路網絡函數，之后再求解正常電路工作環境下的轉折頻率，如網絡函數的極點和零點。以轉折點為基礎，將轉折頻率兩者之間的頻率作為測試頻率，確定測試頻率時，為高于最高頻率的信號和低于最低頻率的信號，對測量誤差作出考量，測試頻率的數量要保證一定裕度[3]。

2.2 預處理診斷信息

在預處理模擬電路故障信息時，可采用BP神經網絡完成故障定位，構建起規模性的神經網絡展開分析，若是模擬電路規模較小，可采取小波變換神經網絡，很好的根據頻域和時域具備特征提取較強的信號。在處理故障電路信號時，可以首先獲得故障特征，再利用主元分析的方式分析故障特征，分析過程中，要盡可能地確保基于故障分類選擇合適的特征作為故障特征矢量，將輸入空間的維數降低。但是，經過主元分析法的獲得的特征矢量，必須實現數據標稱化處理，從而可以將多維矢量數據相互之間存在的差異消除。由此，可規避多維矢量當中因為數據不同而出現的動態范圍，還可在識別故障的時候將比較小但是比較重要的特征矢量合理使用。最后，在BP神經網絡中將標稱化后的特征矢量錄入其中。可降低訓練和處理BP神經網絡的時間，使得神經網絡具有較小的規模結構和較少的輸入特征數目。

2.3 BP網絡及其算法改進

BP神經網絡調整權重系數時有著很強的自適應能力，對BP神經網絡進行訓練以后，可以實現聯想和分類等智能性的操作。

改進算法的學習效率，需利用全局學習率自適應調整的方法完成，但是這種方法并非全能，調整量不能對所有的權值都最優處理，甚至在某些情況下還將會影響到網絡收斂的性能，在進行調整時，可選擇應用局部學習率自適應方法。學習速率調整的準則簡單明了，對修正權值的結果作出檢查，判斷其是否真正地實現了誤差函數降低。若是已經實現，那么則表示選取的學習速率值降低了，可以適當地增加一個量；若是沒有實現，則形成了過調，可以適當性的降低學習速率值。

2.4 BP網絡信息融合診斷方法

存儲知識與求解問題，均需在神經網絡模塊中實現，是知識庫與推理機的有機統一。從既有的設備特征信號中獲取特征數據，將其展開預處理輸入到神經網絡中，從已經獲得的故障結果中將數據提取完成，是以作為神經網絡輸出，完成BP神經網絡構建[4]。

3 綜合診斷與實驗論證分析

以BP神經網絡作為基礎，診斷單一測試信息，并且對信息融合展開多測試，得到綜合診斷模型，在開展綜合診斷時綜合D-S證據推理和BP神經網絡，輸入樣本開展訓練，獲得具有獨立性的診斷神經網絡，實現局部信息融合。以局部信息融合為基礎，采取D-S證據推理全局信息融合各類測試信息診斷結果，獲得準確的故障子空間，從而得到電路故障模式[5]。

以局部信息融合為基礎，采取D-S證據推理全局信息融合各類測試信息診斷結果，獲得準確的故障子空間，從而得到電路故障模式。利用該模型診斷圖2所示電路，已知圖中的可測節點為1，2，3。元件參數的精準度需達到0.1。

在定位模擬電路故障的時候利用BP神經網絡，用比較簡單的BP神經網絡對電路增益和可測點電壓兩類測試信息作出初步診斷，結果如表1所示。

圖1 模擬電路故障定位圖

表1 初步診斷結果表

在分析中，選擇使用心電信號放大電路為實驗電路，在電路中，R1和R2的電阻值保持相等，并且其大小值為20Ω。R3的電阻值為2kΩ，R4的電阻值為24kΩ，工作電壓值設定為±5V。整個實驗電路分為運放和電阻兩個構成部分，隨機在電路上選擇出現的故障，總共有10種類型的故障形式。在樣本集建立的時候，需要在不同的電源激勵下完成測試節點電流值以及電壓值采集，將獲得的數據輸出目標進行編碼，完成表示，按照編碼要求建立相應的樣本集。

4 結語

本文著重基于智能信息融合視域下研究模擬電路故障定位方法，探究模擬電路故障定位的新方法。通過研究，在智能信息融合視域下定位電路故障，要對絕對隸屬關系進行理順，擴充模擬電路故障集合隸屬度。在定位時，要對故障定位的信號進行科學化選取，對診斷信息做好預處理，優化改進BP網絡及算法，融合BP網絡信息診斷方法，實現電路故障定位科學化。利用BP神經網絡定位模擬電路故障，簡化故障判斷難度，可診斷出可測點電壓和電路增益基本信息。