基于RBF神經(jīng)網(wǎng)絡(luò)的模擬電路智能故障診斷

喬維德

（無錫開放大學(xué) 科研與質(zhì)量控制處，江蘇 無錫 214011）

0 引 言

由于電子技術(shù)的迅速發(fā)展，現(xiàn)代電子設(shè)備的集成化程度越來越高，也帶動了集成電路的快速發(fā)展。數(shù)模混合電路屬于集成電路的重要組成部分，數(shù)?；旌想娐分谐霈F(xiàn)的故障直接影響集成電路的正常運(yùn)行，所以廣大科技工作者及學(xué)者更關(guān)注數(shù)?；旌想娐返墓收蠁栴}。據(jù)統(tǒng)計(jì)，集成電路器件或設(shè)備中，數(shù)字電路占數(shù)?；旌想娐返陌顺勺笥遥瑪?shù)字電路因?yàn)閿?shù)字電子器件自身的穩(wěn)定性，一般不易發(fā)生故障，但集成電路器件或設(shè)備中80%的故障來自模擬電路部分。針對模擬電路故障診斷，學(xué)者提出了相應(yīng)的技術(shù)方案，如利用節(jié)點(diǎn)電壓靈敏度比值法、基于改進(jìn)馬氏距離等傳統(tǒng)故障診斷方法。許多學(xué)者一直關(guān)注人工智能技術(shù)在模擬電路故障診斷中的研究，先后提出將BP神經(jīng)網(wǎng)絡(luò)、小波神經(jīng)網(wǎng)絡(luò)、徑向基函數(shù)（RBF）神經(jīng)網(wǎng)絡(luò)用于故障診斷的方法，并利用粒子群算法、遺傳算法、果蠅算法、蟻群算法、狼群算法優(yōu)化模擬電路故障診斷的神經(jīng)網(wǎng)絡(luò)模型[1-6]。以上方法在模擬電路故障的實(shí)際診斷中都取得了一定效果，但仍存在明顯缺陷。BP算法、遺傳算法在優(yōu)化訓(xùn)練過程中收斂速度慢，計(jì)算量大，易陷入局部極小；粒子群算法易出現(xiàn)“早熟”，且在沒有完全搜索前易陷入局部極值；果蠅算法前期搜索能力強(qiáng)、收斂速度快，但后期局部搜索能力弱；蟻群算法尋優(yōu)時(shí)搜索時(shí)間較長、過程較慢，易產(chǎn)生停滯現(xiàn)象；狼群算法全局收斂速度快，但極易陷入局部極值；小波分析只是分解故障信號低頻部分，卻忽略故障信號中高頻部分，導(dǎo)致高頻分量中有用信息丟失，易造成模擬電路故障的誤診斷?，F(xiàn)有故障診斷中主要針對電路元件的單軟故障較多，而對電路多軟故障涉及較少。本文利用小波包分析提取模擬電路的故障特征能量譜信號，建立基于果蠅-粒子群算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)模型，以期實(shí)現(xiàn)模擬電路的智能故障診斷。

1 模擬電路智能故障診斷模型

模擬電路智能故障診斷模型原理如圖1所示。其診斷過程主要包括模擬電路故障數(shù)據(jù)采集、故障信號特征向量提取、RBF神經(jīng)網(wǎng)絡(luò)故障診斷。E30～E37表示從模擬電路檢測采集的原始故障數(shù)據(jù)進(jìn)行小波包變換（WPT）后的故障特征向量值，基于RBF神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷模型，首次設(shè)計(jì)一種果蠅-粒子群算法用來對RBF神經(jīng)網(wǎng)絡(luò)加以優(yōu)化。E30～E37作為RBF神經(jīng)網(wǎng)絡(luò)的輸入量，S1,S2,S3,S4作為RBF神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出量，可根據(jù)它們的不同狀態(tài)組合診斷模擬電路的正常運(yùn)行及p種故障狀態(tài)Y0～Yp。

圖1 模擬電路智能故障診斷模型原理

2 模擬電路故障特征提取

利用WPT對模擬電路故障信號在低頻、高頻等不同頻帶部分進(jìn)行精確分解，計(jì)算不同頻帶段上的頻帶能量，作為模擬電路故障特征。本文選取WPT的分解層數(shù)為3，其小波包分解原理如圖2所示[7]。

圖2 小波包分解原理

將各頻段的信號能量進(jìn)行歸一化處理后得到的模擬電路故障特征向量為[8]：

3 RBF神經(jīng)網(wǎng)絡(luò)優(yōu)化

RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型如圖3所示。

圖3 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型

RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中隱含層單元采取徑向基高斯函數(shù)Hi，x1～xn為RBF神經(jīng)網(wǎng)絡(luò)輸入量，s1～sm為RBF神經(jīng)網(wǎng)絡(luò)輸出量，RBF神經(jīng)網(wǎng)絡(luò)的第d個(gè)輸出表示為：

其中，ωid為隱含層與輸出層之間的連接權(quán)值，Hi為第i個(gè)徑向基高斯函數(shù)，即：

其中，ci為徑向基高斯函數(shù)的中心，δi為徑向基高斯函數(shù)的寬度，i=1, 2, …,k（k為RBF神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元節(jié)點(diǎn)數(shù)）。采取上述RBF神經(jīng)網(wǎng)絡(luò)對模擬電路故障加以診斷時(shí)，由于ci,δi,ωid等結(jié)構(gòu)參數(shù)直接影響RBF神經(jīng)網(wǎng)絡(luò)的運(yùn)行速度及其診斷精度[9]，因而采用果蠅-粒子群算法對RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化。果蠅算法在前期運(yùn)行中全局搜索能力強(qiáng)、收斂速度快，能使果蠅迅速搜索出全局較優(yōu)值區(qū)域，但后期局部搜尋時(shí)速度變慢、尋優(yōu)精度不高；粒子群算法優(yōu)勢是搜索速度快、尋優(yōu)精度高。因此，將果蠅算法與粒子群算法進(jìn)行融合形成果蠅-粒子群算法，可整體提高其運(yùn)行速度和優(yōu)化精度。運(yùn)用果蠅-粒子群算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)的步驟如下[10]：

（1）初始化算法參數(shù)。設(shè)果蠅算法中的果蠅群體數(shù)量為M，果蠅算法最大迭代次數(shù)為num1，果蠅群體初始隨機(jī)位置為（X0,Y0），果蠅優(yōu)化迭代步進(jìn)值為v；粒子群算法中的最大迭代次數(shù)num2，最大和最小慣性權(quán)重為ωmax,ωmin。

（2）確定果蠅個(gè)體位置坐標(biāo)。果蠅個(gè)體通過嗅覺按下列規(guī)則搜尋食物目標(biāo)的方向及其距離，即：

（3）求果蠅個(gè)體的味道濃度。設(shè)hi為果蠅位置與原點(diǎn)之間的距離，Gi為果蠅個(gè)體的味道濃度判定值，F(xiàn)it為味道濃度判別函數(shù)（適應(yīng)度函數(shù)），Concentration為果蠅個(gè)體位置對應(yīng)的味道濃度，則

（4）搜尋全局最高味道濃度的果蠅個(gè)體，則

從果蠅群體中搜尋味道濃度最高的果蠅個(gè)體，其味道濃度值為bestConcentration，位置坐標(biāo)值對應(yīng)X,Y，同時(shí)其他果蠅個(gè)體通過敏銳的嗅覺飛向靠近該坐標(biāo)值位置，從而生成新的果蠅群聚位置，即：

（5）果蠅迭代尋優(yōu)。當(dāng)果蠅算法的迭代次數(shù)沒有滿足最大迭代次數(shù)num1時(shí)，轉(zhuǎn)入第2步重復(fù)執(zhí)行，否則轉(zhuǎn)入第6步執(zhí)行。

（6）將通過果蠅算法尋優(yōu)并組成的新果蠅群中各個(gè)體作為粒子群算法的初始種群，對種群中的粒子在d維搜索空間進(jìn)行速度和位置的更新，即：

其中，j=1, 2, …,d，t為迭代進(jìn)化次數(shù)；X(t)為

ij粒子在t代時(shí)的當(dāng)前位置；Vij(t)為粒子在t代時(shí)的運(yùn)行速度；Pj(t)為粒子最優(yōu)位置，Gj(t)為種群中全部粒子最優(yōu)位置；C1=C2=1.8，R1,R2取值范圍為[0, 1]；Fit為粒子適應(yīng)度值，F(xiàn)itave,Fitmax分別為粒子平均適應(yīng)度值和最大適應(yīng)度值。

（7）粒子迭代尋優(yōu)。當(dāng)粒子群粒子進(jìn)化迭代次數(shù)沒有滿足最大迭代次數(shù)num2時(shí)，轉(zhuǎn)至第6步繼續(xù)對粒子進(jìn)行速度和位置的更新操作；否則輸出全局最優(yōu)解（位置），對應(yīng)RBF神經(jīng)網(wǎng)絡(luò)的最優(yōu)結(jié)構(gòu)參數(shù)。

果蠅-粒子群算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)的流程如圖4所示。

圖4 果蠅-粒子群算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)的流程

將上述通過果蠅-粒子群算法優(yōu)化輸出的最優(yōu)解個(gè)體作為RBF神經(jīng)網(wǎng)絡(luò)的最佳結(jié)構(gòu)參數(shù)值，經(jīng)過對學(xué)習(xí)樣本的反復(fù)訓(xùn)練，最終得到最小均方誤差。這里定義果蠅-粒子群算法的適應(yīng)度為均方誤差J的倒數(shù)，即Fit=1/J，則

其中，qjk為第i個(gè)訓(xùn)練樣本在第k個(gè)輸出節(jié)點(diǎn)處的期望輸出，Sik為第i個(gè)訓(xùn)練樣本在第k個(gè)輸出節(jié)點(diǎn)處的實(shí)際輸出，m為RBF神經(jīng)網(wǎng)絡(luò)的輸出節(jié)點(diǎn)個(gè)數(shù)（m=4），n為學(xué)習(xí)訓(xùn)練樣本數(shù)量。

4 仿真實(shí)驗(yàn)

4.1 故障特征樣本選取

以巴特沃斯低通濾波器電路（見圖5）為例，從中選取其故障特征樣本。濾波器電路中各元器件標(biāo)稱值設(shè)定如下：R1=R2=R5=R6=3.5KΩ，R3=51KΩ，R4=8.55KΩ，R7=16KΩ，R8=21KΩ，C1=C2=C4=0.25μF，C3=0.18μF，運(yùn)放選擇LF412，電阻容差范圍為5%，電容容差范圍為10%。電路的輸入激勵(lì)信號Vin使用幅度為1V、頻率為50Hz的正弦波信號，將電路輸出端out作為測試點(diǎn)，對輸出電壓信號進(jìn)行1～100KHz采樣。通過直流靈敏度比較分析可知，當(dāng)元器件C3,C4, R7, R8出現(xiàn)故障時(shí)，對該低通濾波器電路輸出電壓波形的影響變化最為明顯，因而選取故障元件C3,C4, R7, R8。將低通濾波器電路狀態(tài)區(qū)分為正常運(yùn)行及單軟故障、多軟故障等類型，電路正常運(yùn)行時(shí)各元器件在允許容差范圍內(nèi)變化。本文仿真實(shí)驗(yàn)選取電路的單軟故障類型有C3+50%，C3-50%，C4+50%，C4-50%，R7+50%，R7-50%，R8+50%，R8-50% 8種；多軟故障類型有C3+50%且C4+50%，C3+50%且C4-50%，R7-50%且R8+50%，C3-50%且R8-50%，C4+50%且R7-50%，C4-50%且R8+50% 6種。其中，C3+50%表示C3元件故障值大于其正常標(biāo)稱值的50%，而其它元件均在容差范圍內(nèi)變化；C3-50%表示C3元件故障值小于其正常標(biāo)稱值的50%，而其他元件均在容差范圍內(nèi)變化，其余元件故障類型依此類推。

圖5 巴特沃斯低通濾波器電路

以上低通濾波器電路的正常運(yùn)行及單軟故障、多軟故障共有15種輸出狀態(tài)，分別對應(yīng)不同二進(jìn)制編碼（見表1）。

采取MATLAB工具軟件對巴特沃斯低通濾波器電路進(jìn)行仿真分析，根據(jù)電路的正常狀態(tài)和選取的14種故障狀態(tài)分別做50次蒙特卡羅分析，然后，每次在電路輸出out端采集不同頻率時(shí)的750個(gè)特征值，每種電路狀態(tài)選取40組原始數(shù)據(jù)，共600組，對每組原始數(shù)據(jù)通過WPT分解提取特征向量E30～E37作為RBF神經(jīng)網(wǎng)絡(luò)的輸入量，RBF神經(jīng)網(wǎng)絡(luò)期望輸出量為q1,q2,q3,q4（見表2）。其中。前500組數(shù)據(jù)作為RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，后100組數(shù)據(jù)作為RBF神經(jīng)網(wǎng)絡(luò)的檢驗(yàn)樣本。

4.2 參數(shù)設(shè)置與電路故障診斷分析

根據(jù)20余次實(shí)驗(yàn)，采用的果蠅-粒子群算法初始參數(shù)選取為：果蠅群體數(shù)量M=300，果蠅算法最大迭代次數(shù)num1=400，果蠅優(yōu)化迭代步進(jìn)值v=0.55；粒子群算法中最大迭代次數(shù)num2=250，慣性權(quán)重ωmax=1.6，慣性權(quán)重ωmin=0.2。RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)為8-12-4，網(wǎng)絡(luò)搜索目標(biāo)精度為0.000 1。利用表2中的訓(xùn)練樣本訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)，直至RBF神經(jīng)網(wǎng)絡(luò)的輸出誤差達(dá)到規(guī)定的目標(biāo)誤差精度。RBF神經(jīng)網(wǎng)絡(luò)的檢驗(yàn)樣本診斷結(jié)果見表3。由表3可知，電路故障特征向量輸入至訓(xùn)練完畢的RBF神經(jīng)網(wǎng)絡(luò)后，能對電路元件故障進(jìn)行快速定位，且診斷準(zhǔn)確率非常高，達(dá)到了100%。為進(jìn)一步驗(yàn)證果蠅-粒子群算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的尋優(yōu)性能，仍采取表2中的電路故障84組樣本訓(xùn)練數(shù)據(jù)和15組樣本檢驗(yàn)數(shù)據(jù)，分別以BP算法、遺傳算法、粒子群算法、蟻群算法、果蠅算法、狼群算法對RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化訓(xùn)練和測試，并加以比較分析，結(jié)果見表4。由表4可知，用于低通濾波器電路故障診斷的RBF神經(jīng)網(wǎng)絡(luò)，通過果蠅-粒子群算法訓(xùn)練優(yōu)化的電路元件故障診斷速度最快、精度最高、可靠性最好。

表1 電路正常及故障狀態(tài)的二進(jìn)制編碼

5 結(jié) 語

針對巴特沃斯低通濾波器電路的故障診斷問題，提出一種基于果蠅-粒子群算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的電路元件故障診斷模型。仿真結(jié)果表明，該診斷模型與BP算法、遺傳算法、粒子群算法、蟻群算法、果蠅算法、狼群算法等智能算法優(yōu)化的模擬電路神經(jīng)網(wǎng)絡(luò)模型相比，具有最快的故障診斷速度和最高的故障診斷精度。對于低通濾波器電路中的多軟故障診斷，本文僅列出部分多重元件故障情況，對于元件故障電氣量變化率在50%以內(nèi)且對輸出電壓端out波形變化不明顯或影響較小時(shí)，其故障診斷技術(shù)還有待深入研究。

表2 RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與檢驗(yàn)樣本

表3 RBF神經(jīng)網(wǎng)絡(luò)的檢驗(yàn)樣本診斷結(jié)果

表4 RBF神經(jīng)網(wǎng)絡(luò)采取不同優(yōu)化算法的比較結(jié)果

[參 考 文 獻(xiàn)]

[1]邱世卉.小波神經(jīng)網(wǎng)絡(luò)在模擬電路故障診斷中的應(yīng)用研究[J].科學(xué)技術(shù)與工程，2012，12（30）：8042-8046.

[2]李澤宇，吳文全.基于RBF神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷的研究[J].艦船電子工程，2016，36（1）：119-122.

[3]陳美伊，張鯤.粒子群算法優(yōu)化特征和神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷[J].現(xiàn)代電子技術(shù)，2016，39（19）：140-143.

[4]楊清志，謝斌.基于遺傳小波神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷方法[J].商丘師范學(xué)院學(xué)報(bào)，2015，31（12）：51-55，61.

[5]于文新，何怡剛，吳先明，等.基于果蠅-構(gòu)造小波神經(jīng)網(wǎng)絡(luò)模擬電路診斷方法[J].計(jì)算機(jī)工程與應(yīng)用，2015，51（22）：22-27.

[6]顏學(xué)龍，丁鵬，馬峻.基于狼群算法的RBF神經(jīng)網(wǎng)絡(luò)模擬電路故障診斷[J].計(jì)算機(jī)工程與應(yīng)用，2017，53(19)：152-156.

[7]喬維德.無刷同步發(fā)電機(jī)旋轉(zhuǎn)整流器故障的神經(jīng)網(wǎng)絡(luò)識別[J].溫州職業(yè)技術(shù)學(xué)院學(xué)報(bào)，2016，16（4）：44-48.

[8]喬維德，周曉謀.一種井下瓦斯傳感器故障辨識方法[J].石家莊學(xué)院學(xué)報(bào)，2017，19（3）：46-52.

[9]喬維德.一種改進(jìn)的提升機(jī)同步電機(jī)直接轉(zhuǎn)矩控制[J].鹽城工學(xué)院學(xué)報(bào)，2017，30（1）：28-33.

[10]喬維德.基于果蠅-蛙跳模糊神經(jīng)網(wǎng)絡(luò)PID的永磁直線同步電機(jī)控制[J].電機(jī)與控制應(yīng)用，2017，44（11）：55-60.