顧彬　汪柯穎　沈東　蘇超

摘? 要：文章重點(diǎn)闡述了BP神經(jīng)網(wǎng)絡(luò)原理和訓(xùn)練過程，結(jié)合模擬電路故障特點(diǎn)，論述了BP算法在模擬電路故障檢測中應(yīng)用方法的要點(diǎn)，評價了其中存在的優(yōu)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(guān)鍵詞：BP網(wǎng)絡(luò);模擬電路;故障診斷

中圖分類號：TN710? ? ? ? ?文獻(xiàn)標(biāo)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(xiàn)今電力電子系統(tǒng)的運(yùn)用越來越廣泛，對其的安全可靠性要求越來越高。特別是運(yùn)用于車載、航空等領(lǐng)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(fā)生的故障。BP神經(jīng)算法是應(yīng)用于現(xiàn)代模擬電路中最廣泛的算法，它是一種模擬人腦的智能學(xué)習(xí)算法，可以快速定位甚至預(yù)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(jīng)網(wǎng)絡(luò)

1.1 BP網(wǎng)絡(luò)結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)算法是一種模擬人腦信號處理的算法。BP神經(jīng)網(wǎng)絡(luò)是多層神經(jīng)網(wǎng)絡(luò)，也稱多層感知器，基本結(jié)構(gòu)包括輸入層，至少一個隱藏層和輸出層[1]，每層有若干個節(jié)點(diǎn)組成，同網(wǎng)絡(luò)了節(jié)點(diǎn)之間無任何聯(lián)系，基本模型如圖1所示。

1.2 BP算法原理

BP神經(jīng)網(wǎng)絡(luò)的具體計算過程主要包含兩點(diǎn)：首先輸入信號向前傳遞，然后神經(jīng)網(wǎng)絡(luò)均方差信號的逆向傳遞[2]，通過誤差不斷訓(xùn)練各個層連接的權(quán)重值和偏置，優(yōu)化系統(tǒng)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(jī)梯度下降等算法對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使實際輸出和期望值差值在誤差范圍之內(nèi)。

2 建立BP算法的模型

模擬電路故障發(fā)生是一種隨機(jī)的概率事件，是非線性?；贐P網(wǎng)絡(luò)的強(qiáng)分類能力，選擇三層結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)足以對模擬電路的故障分類學(xué)習(xí)。

2.1 各層節(jié)點(diǎn)數(shù)確定

輸入層節(jié)點(diǎn)數(shù)N表示電路的需要被檢測的特征量，即網(wǎng)絡(luò)有N個輸入節(jié)點(diǎn);輸出層節(jié)點(diǎn)數(shù)M表示有M-1種故障和1種正常;隱藏層的節(jié)點(diǎn)數(shù)確定方法有多種[3]，一般采用經(jīng)驗公式：P=+L。式中N為輸入層節(jié)點(diǎn)數(shù);M為輸出層節(jié)點(diǎn)數(shù);L為1到10的整數(shù)[4]。

2.2 BP網(wǎng)絡(luò)初始化

BP網(wǎng)絡(luò)的初始化對學(xué)習(xí)速率和初始權(quán)值進(jìn)行賦值。一般的BP網(wǎng)絡(luò)的學(xué)習(xí)速率？濁是一個確定常數(shù)，但實際的學(xué)習(xí)過程中？濁應(yīng)該是一個變化的量。從誤差函數(shù)圖像分析，在連續(xù)平滑的區(qū)域訓(xùn)練速率太慢會增加訓(xùn)練的次數(shù);在間斷不連續(xù)的區(qū)域訓(xùn)練速率太快會忽略較窄的凹域，使訓(xùn)練出現(xiàn)震蕩，迭代的次數(shù)增加。為了加快收斂的速度，本文采用自適應(yīng)調(diào)整？濁。即根據(jù)網(wǎng)絡(luò)總誤差E進(jìn)行調(diào)整，經(jīng)過一次誤差反饋權(quán)值調(diào)整后，如果總誤差E總增大，則本次訓(xùn)練無效;反之，有效。BP網(wǎng)絡(luò)初始化有權(quán)重值、閾值等初始化，初始權(quán)重值和閾值隨機(jī)取區(qū)間[-1，1]的實數(shù)[5]，且每個初始權(quán)值不能相等。對于非線性系統(tǒng)，初始化對于學(xué)習(xí)達(dá)到局部最優(yōu)和達(dá)全局最優(yōu)有密切關(guān)系。

2.3 BP網(wǎng)絡(luò)的訓(xùn)練算法

BP網(wǎng)絡(luò)初始化后，設(shè)電源的檢測性能參數(shù)有V個，即輸入向量x（p=1，2，...，V）和目標(biāo)向量y（W=1，2，...，w），然后開始學(xué)習(xí)過程。學(xué)習(xí)的具體流程如下：

3 模擬電路結(jié)合BP神經(jīng)網(wǎng)絡(luò)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(shù)字電路最容易發(fā)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(wǎng)絡(luò)模擬電路故障診斷的要點(diǎn)

BP模擬電路故障診斷將學(xué)習(xí)的故障特征與實時的故障癥狀對比，以達(dá)到快速診斷故障的目的。第一步，必須進(jìn)行數(shù)據(jù)過濾得到由樣本空間到數(shù)據(jù)空間的映射;數(shù)據(jù)空間經(jīng)過設(shè)定的算法處理， 提取數(shù)據(jù)集的固定特征， 得到不變故障特征數(shù)據(jù)集;第二步，根據(jù)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(dāng)前是否有故障。一般可采用BP神經(jīng)網(wǎng)絡(luò)方法構(gòu)建故障數(shù)據(jù)代碼庫，不僅可以類比識別實時故障，甚至可記憶聯(lián)想可能出現(xiàn)的故障[6]。建立交直流故障診斷數(shù)據(jù)庫時注重三個方面：首先，要保證獲得盡量多的數(shù)據(jù)來訓(xùn)練模型數(shù)據(jù)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(shù)據(jù)的點(diǎn)[6];再次，對于每個故障都要單獨(dú)實驗，重新測試數(shù)據(jù)，避免彼此干擾，保證數(shù)據(jù)的準(zhǔn)確性。

3.2 BP網(wǎng)絡(luò)用于模擬電路故障檢測評價

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

4 結(jié)束語

隨著模擬電路的集成度和復(fù)雜度的提升，傳統(tǒng)的檢測方法已經(jīng)很難滿足現(xiàn)代電子技術(shù)的故障檢測。本文針對模擬電路的故障診斷提出了BP神經(jīng)網(wǎng)絡(luò)算法，基于BP網(wǎng)絡(luò)的自適應(yīng)，自主學(xué)習(xí)能力，在不斷的訓(xùn)練優(yōu)化中可以快速定位故障點(diǎn)，可大幅提升故障的檢測效率和準(zhǔn)確率。

參考文獻(xiàn)：

[1]孫國棟，艾成漢，周振，等.基于高度函數(shù)的旋轉(zhuǎn)機(jī)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(yè)大學(xué)，2017.

[3]王寧，杜俊賢.神經(jīng)網(wǎng)絡(luò)在電路故障診斷方面的應(yīng)用[J].電子世界，2012（02）：129-130.

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

[5]黃飛.基于AMSR-E和BP神經(jīng)網(wǎng)絡(luò)的川中丘陵區(qū)土壤水分反演[D].四川農(nóng)業(yè)大學(xué)，2012.

[6]陳乾定.基于BP神經(jīng)網(wǎng)絡(luò)算法的模擬電路故障診斷研究[J].自動化應(yīng)用，2018（05）：31-32.

[7]孫曉莉.基于BP神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷[J].數(shù)字技術(shù)與應(yīng)用，2018（02）：101-102.