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(shù)交流群
3．3 基于神經(jīng)網(wǎng)絡(luò)的故障診斷方法
神經(jīng)網(wǎng)絡(luò)具有高度的并行處理、聯(lián)想記憶、自組織、自學(xué)習(xí)以及強(qiáng)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(shì)和應(yīng)用前景。具體的應(yīng)用方式主要有：1)利用神經(jīng)網(wǎng)絡(luò)產(chǎn)生殘差。這主要是利用了神經(jīng)網(wǎng)絡(luò)的系統(tǒng)辨識(shí)能力，通過辨識(shí)模型產(chǎn)生殘差序列，從而進(jìn)行下一步的故障檢測(cè)和診斷。2)利用神經(jīng)網(wǎng)絡(luò)的模式識(shí)別能力。對(duì)于難以建立精確數(shù)學(xué)模型的復(fù)雜系統(tǒng)，神經(jīng)網(wǎng)絡(luò)不需要系統(tǒng)的數(shù)學(xué)模型，只需要訓(xùn)練數(shù)據(jù)就能夠?qū)崿F(xiàn)從測(cè)量空間到故障空間的映射，從而識(shí)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(luò)應(yīng)用到小規(guī)模模擬電路的軟故障診斷中，以白噪聲作為測(cè)試信號(hào)源，故障模式為偏離元件正常值50％，通過神經(jīng)網(wǎng)絡(luò)來進(jìn)行故障分類和故障字典自動(dòng)查詢，結(jié)果不僅診斷正確率高，而且由于神經(jīng)網(wǎng)絡(luò)的魯棒性，能夠識(shí)別出未經(jīng)學(xué)習(xí)的軟故障模式。Aminian研究了一種基于多層前向神經(jīng)網(wǎng)絡(luò)的實(shí)際電路故障診斷方法。實(shí)驗(yàn)結(jié)果表明了采用該方法具有較好的故障診斷魯棒性和高達(dá)95％的故障診斷正確率。Catelani等人將RBF網(wǎng)絡(luò)用于線性電路和非線性電路軟故障診斷中，實(shí)驗(yàn)結(jié)果表明訓(xùn)練好的網(wǎng)絡(luò)不僅對(duì)于子系統(tǒng)或者元器件級(jí)的故障具有較好的診斷能力，即使面對(duì)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(luò)診斷方法用于模擬電路的軟故障診斷，結(jié)果表明在存在噪聲和非故障元件容差的情況下二者的錯(cuò)分率都很低。
雖然基于神經(jīng)網(wǎng)絡(luò)的故障診斷方法有很多優(yōu)點(diǎn)，但基于其固有的內(nèi)在機(jī)理，神經(jīng)網(wǎng)絡(luò)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(shí)例樣本數(shù)據(jù)，未能充分利用特定領(lǐng)域中專家的故障診斷經(jīng)驗(yàn)知識(shí)。2)學(xué)習(xí)樣本獲取存在一定困難。神經(jīng)網(wǎng)絡(luò)故障診斷是建立在大量的故障樣本數(shù)據(jù)基礎(chǔ)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(shí)表達(dá)不直觀，診斷行為具有“黑箱”性，診斷推理過程難以解釋。4)對(duì)于復(fù)雜系統(tǒng)進(jìn)行故障診斷時(shí)，由于需要處理的數(shù)據(jù)種類繁多，會(huì)導(dǎo)致網(wǎng)絡(luò)規(guī)模過大和學(xué)習(xí)時(shí)間過長(zhǎng)等問題，從而降低了神經(jīng)網(wǎng)絡(luò)的實(shí)用性。
3．4 基于核的模擬電路故障診斷方法
核方法是當(dāng)前機(jī)器學(xué)習(xí)領(lǐng)域最活躍的研究方向之一，它以統(tǒng)計(jì)學(xué)習(xí)理論和核技術(shù)為基礎(chǔ)。核函數(shù)k(x，z)是計(jì)算兩個(gè)數(shù)據(jù)點(diǎn)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(dǎo)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(gè)Hilbert空間的內(nèi)積，它首先應(yīng)該是對(duì)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(jì)算量與特征空間的維數(shù)無關(guān)，核函數(shù)的引入代替了特征空間的內(nèi)積計(jì)算，從而導(dǎo)出一個(gè)與樣本數(shù)有關(guān)，與樣本維數(shù)無關(guān)的優(yōu)化問題，避免了維數(shù)災(zāi)難，使核算法具有更大的假設(shè)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(shí)現(xiàn)過程涉及的幾個(gè)階段。數(shù)據(jù)通過核函數(shù)映射到特征空間構(gòu)造出核矩陣，經(jīng)過學(xué)習(xí)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://www.ex-cimer.com/article/186871.htm
核方法通?？梢苑譃橛斜O(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(jī)(Support Vector Machine)是最典型并且是研究和應(yīng)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(dú)立主成分分析(Kernel Independent Component Analysis，KICA)等。
SVM理論植根于VC維和結(jié)構(gòu)風(fēng)險(xiǎn)最小化的基礎(chǔ)之上，其應(yīng)用于故障診斷的最大優(yōu)勢(shì)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(jìn)的支持向量機(jī)分類器用于實(shí)際模擬電路的故障診斷中，結(jié)果表明該方法較BP網(wǎng)絡(luò)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(jī)對(duì)模擬電路故障進(jìn)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(jiǎn)模擬電路故障特征維數(shù)以獲取最優(yōu)故障特征，實(shí)驗(yàn)結(jié)果表明了方法的有效性。
4 結(jié)束語(yǔ)
模擬電路的可靠性在很大程度上決定了整個(gè)電路系統(tǒng)的可靠性，電子電路技術(shù)和產(chǎn)業(yè)的快速發(fā)展對(duì)模擬電路的測(cè)試與診斷提出了更高要求。由于電路規(guī)模和復(fù)雜性的不斷增長(zhǎng)，傳統(tǒng)方法的不盡如人意之處日益凸顯，這迫使人們?cè)诓粩嗵綄じ?jīng)濟(jì)更有效的方法，而現(xiàn)代信息信號(hào)處理技術(shù)和機(jī)器學(xué)習(xí)理論為現(xiàn)代模擬電路故障診斷技術(shù)的發(fā)展和應(yīng)用提供了重要契機(jī)和理論支持。
文中對(duì)模擬電路故障特點(diǎn)及現(xiàn)代基本診斷方法進(jìn)行了較為全面的綜述，尤其對(duì)現(xiàn)代模擬電路故障診斷方法進(jìn)行了詳細(xì)的分析與討論。目前現(xiàn)代模擬電路故障診斷技術(shù)正處于飛速發(fā)展時(shí)期，雖然已經(jīng)取得了大量成果，但在理論和應(yīng)用方面都還存在許多有待進(jìn)一步研究與解決的問題。比如對(duì)單故障診斷問題研究的較多，而對(duì)多故障診斷問題卻少有涉及；對(duì)尚處于發(fā)展初期的核診斷方法，在理論和應(yīng)用方面的研究都有待于進(jìn)一步加強(qiáng)；單一診斷技術(shù)有時(shí)難以達(dá)到理想效果，因此在不大幅增加診斷系統(tǒng)復(fù)雜性和代價(jià)的情況下如何有效結(jié)合多種診斷方法以提高整個(gè)系統(tǒng)診斷性能也是一個(gè)很有價(jià)值的研究方向。
評(píng)論