模拟电路的融合智能故障诊断

　　摘要：本文综合了模糊技术和神经网络技术，在各种测试信息的基础之上取得诊断电路受到各种故障损害的可能性，在对每一种神经网络的输出信息的重要性进行考虑，在进行决策融合的过程之中使用模糊积分融合的方式，并对诊断方式的鲁棒性、快速性和准确性进行了验证。
　　关键词：故障诊断；模拟电路；神经网络；专家系统
　　传统的人工电路诊断技术已经无法满足现代电子电路的发展状况，如何运用模拟电路有限的可及点对于模拟电路内部的故障进行有效、快速的诊断是亟待解决的问题，本文涉及的模拟电路智能故障诊断系统的特点主要表现在诊断的精度高、灵活的诊断形式以及诊断的应用适应性强的特点。在实际操作中，不断总结经验，最后，将各个子系统融合优势发挥到最大，实现智能故障诊断的高精度、高适应性以及高灵活性。
　　1。模拟电路诊断技术的现状
　　目前，在模拟电路发生故障后，需要对所发生的故障进行及时诊断，这样做的目的是为了更加高效地进行检修、调试以及替换，可以大大提高工作效率。不同设备的模拟电路要求不一样，对于某些用于重要设备的模拟电路，需要进行故障的预测，也就是在电路进行正常工作的过程中，需要对正常工作进行持续不断的检测，这样可以有效确定出一些部分的元件将要失效，这样可以在设备发生故障之前，将将要失效的元件替换掉，可以有效避免故障的发生。然而，以上所述的内容，在人工诊断技术的层面无法满足设备的需求，所以，目前亟待解决的一个重要问题就是需要对模拟电路故障的自动智能诊断问题。
　　2。模拟电路智能融合诊断模型
　　BP网络具有极强的泛化能力，可以解决和判断断路状态属于那种类型的故障，因此会选取BP网络进行初级诊断。但是BP网络算法却是按照梯度下降搜索算法，其对于初始权向量异常敏感，而且非常容易陷入局部困境之中。BP网络算法与传统的搜索算法进行比较，遗传算法更具有鲁棒性，而且会受到函数可微与连续的限制。可以通过传统的遗传算法来对BP网络进行优化，从而得到初始化权值和网络分布，这样便可以比较好的克服BP网络存在的问题，并且可以有效提高神经网络的泛化性。我们采用BP网络初次诊断时，需要对不同的电路故障进行分类，然后再进行深层次的故障诊断检测，通过遗传的BP网络诊断选取训练样本，其主要是将选取的样本与网络的输入不同，而且在不同故障进行观测的时候，需要有针对性的进行识别，仔细辨别不同的网络故障之间的重要信息系统差异。
　　3。模拟电路智能融合故障诊断方法
　　3。1诊断训练样本选取
　　如果在BP网络中的某一个元件出现了软故障，直接会导致该故障元件应故测量值与电路中的测量值存在较大的差异，就算是根据应故障特征训练出的网络，其也无法做到对软故障诊断。电路中如果某一元件的所有参数都符合相应的正态分布，那么根据随机分量线性组合理论，我们可以知道该元件是正态分布中的随机变量。如果电路中出现硬故障，当对容差电路进行测量时，得到的测量特征值都是标称值特征向量中心子空间。电路中元件每个状态都可以应用样本中心进行训练，然后利用神经网络的容错性，可以在分类时将样本中心训练点一定范围集中起来，并统一的归纳为训练样本集。模拟电路中的特征参量容易受到容差和软故障的影响，从而使得神经网络出现较大的矢量干扰，如果故障元件相同或者容差环境相同，那么特征参量的规模越大，那么产生的容差干扰就越小。
　　3。2智能诊断方法的融合
　　首先，通过优选激励和测试节点以及增加测试信息等方法提高模拟电路可靠性。如果是理想的拓扑结构只需要少量的测试点就可进行故障诊断，但实际情况往往是拓扑结构不理想，使得无论怎样选择节点仍有大量的支路故障不可测。通过优选机理对测试节点进行弥补，如为频域分析则主要选择具有特征的频率反映电路故障。如为时域分析则选择噪声信号以激励被测电路。增加测试信息也是提高电路可测行的有效手段。可以有效的避免误诊断，获取大量的故障特征而对电路故障做出准确判断。其次，当确定了测试方案后将各类的测试数据进行优化处理得到不同类型的输入特征参量。然后将这些输入特征参量输入一个独立的精神网络，用此方法可对电路进行初级故障诊断。BP网络具有良好泛化能力，广泛的用于电路故障类型分类。通过遗传BP网络的初级诊断后，可以得到电路故障状态的可能性。然而，由于各个遗传BP网络训练样本与网络输入的不同，且不同的故障在不同的测试信息上体现程度的强弱也有差异，因而每一遗传BP网络故障分类器对不同故障的识别正确程度也有较大的差异。可通过遗传算法优化BP网络，遗传算法具有全局性搜索的特点，可较好的寻找适合的网络连接权和网络结构。完成电路故障的初级诊断后用模糊积分的方法在精神网络所输出的重要信息程度基础上进行决策融合。使得融合效率与诊断方法更加适应，准确定位故障。模糊积分方法是利用模糊集合知识综合考虑客观证据与主观评价的一种决策层融合方法。此方法适用于处理不确定性信息。使用模糊几分对多分类器记性融合时，不同的模糊测度对应不同的融合函数。如模糊测度值选择适当，融合后的分类性能比最优的单个分类器性能好。构造模糊测度，需先获取模糊密度。模糊密度是信息源对系统最终决策的重要程度，对于诊断系统，模糊密度值可认为是各遗传神经网络对故障诊断的重要性评价。通过将训练好的遗传神经网络分类器，分别独立进行在不同故障下的样本识别检验，利用每个遗传神经网络对各个故障的正确识别率作为该网络对各故障的分类信息的重要程度。
　　4。结束语
　　对于模拟电路的故障问题研究日益深入，尤其是当前模糊理论、BP网络以及遗传算法等在模拟电路中的广泛使用，使得这些对于模拟电路的故障诊断存在着较强的鲁棒性，如此便可以提高故障定位的准确率。尤其是对于这种大规模和超大规模的模拟诊断电路来说，其更加显得优越性。本文主要针对模拟电力的故障诊断模型、智能融合诊断的方法进行介绍，希望能够获取对模拟电力故障诊断更加优越的对策。
　　参考文献：
　　〔1〕杨士元。模拟系统的故障诊断与可靠性设计〔J〕。科技与企业，2014
　　〔2〕申华。集成电路可测性设计中网表的解析与实现〔J〕。中国集成电路，2013