基于MIV和BRBP神经网络的电路板红外诊断方法

崔昊杨，许永鹏，杨俊杰，曾俊冬，唐 忠

(上海电力学院电子与信息工程学院，上海 200090)

基于MIV和BRBP神经网络的电路板红外诊断方法

崔昊杨，许永鹏，杨俊杰，曾俊冬，唐 忠

(上海电力学院电子与信息工程学院，上海 200090)

针对BP神经网络对于海量数据训练及多维数据训练收敛困难的问题，在使用增加动力项、自适应学习速率等方法的基础上，引入均值影响度算法(MIV)构造了贝叶斯正则化反向传播(BRBP)神经网络，以此提高电子线路板红外故障诊断算法的效率。利用红外测温方式，获取了不同室温及运行状态下电路板中21个元器件温度数据。将此21个参数作为故障诊断模型的初始输入变量，经过MIV算法简约为12个参数输入至BRBP神经网络，进行故障评估和诊断。结果表明:相对于传统的BRBP神经网络，本文设计的基于MIV和BRBP神经网络模型诊断方法极大简化了数据训练的数据量并解决了数据收敛的困难，因此效率更高，用时更省。

红外测温;MIV;BRBP神经网络;故障诊断

1 引 言

随着电路板上元器件密度的不断增大，集成化程度日益提高，电路板的结构日益复杂［1］。常规的接触式电路板故障检测不仅耗时长，难度大且需要检测人员具备较强的专业技能。由于电路板发生故障时，其中的元器件往往会发生温升的变化，而且温度与器件的故障率也有重要联系，如图1所示［2］。因此，具有非接触特性的红外测温故障诊断得到广泛关注。但传统的红外诊断法往往依靠人工分析数据，很容易受到人为因素影响，且对数据分析能力要求较高，工作量大［3］。为解决上述问题，需要采用能够排除人为因素干扰、有效进行信息处理的智能故障诊断技术。

图1 元器件故障率与温度的关系曲线

BP神经网络算法具有良好的非线性映射能力、泛化能力、容错能力［4－5］，可以有效解决红外电路故障中的容差和非线性问题，但BP网络算法对于大量及高维度数据训练收敛困难，将导致诊断结果精度不够高，故障诊断效率较低。

本文提出了一种基于MIV和BRBP神经网络的电路板红外故障诊断方法，利用红外测温方式，获取了不同室温及运行状态下电路板中各元器件温度数据。将大量参数作为故障诊断模型的初始输入变量，经过MIV算法简约后，输入至BRBP神经网络，进行故障评估和诊断。使故障诊断效率得到明显提高，用时明显减少并具有可推广性。

2 故障诊断模型理论

2.1 神经网络模型

2.1.1 传统BP神经网络模型

前向反馈(back propagation，BP)神经网络通常是指基于误差反向传播的多层前向神经网络，最早由Rumelhart［6］在1986年研究并设计出来。据统计有近90%的神经网络应用是基于BP神经网络算法［7－8］。BP神经网络结构如图2所示。

图2 BP神经网络结构图

2.1.2 贝叶斯正则化(BR)算法

为了进一步提高BP神经网络的分类准确性及泛化能力，MacKay［9］提出了贝叶斯正则化算法，即用贝叶斯方法来得到神经网络最优的正则化系数，对性能函数进行修正并确定隐藏层神经元数，一般而言，神经网络的性能函数为:

其中，w为网络的权值向量;Ew为网络所有权值的均方误差，m为网络中权值的总数;wj为网络中权值;Ed为网络响应的均方误差;n为训练样本总数; tp为第p组训练的期望输出值;αp为第p组训练的实际输出值;α和β为正规则化系数，其大小影响网络的训练效果。在贝叶斯分析的框架下，可推导出:

其中，γ=N－2αtr(H)－1，表示有效参数的数目，反映网络的实际规模;H是F(w)的黑塞(Hessian)矩阵［10］。对于黑塞矩阵H，Foresee F D［11］采用Levenberg-Marquardt算法训练网络时，很容易通过Gauss-Newton法逼近。在训练过程中可根据有效参数γ，A和W的取值来判断网络是否收敛并确定隐含层神经元的个数。对于给定的隐含层神经元数(假定为P)，经过若干步迭代后，这三个有效参数处于恒值或变化较小，则说明网络训练收敛，可以停止训练;然后选定一个较小的P开始训练并逐步增加P的大小，直到从某个P开始有效参数γ，A和W基本保持不变，那么这个P就可以作为最终的隐含层神经元数。

2.2 基于均值影响度(MIV)算法的优化模型

虽然BRBP神经网络在增加动量项的BP神经网络、基于自适应学习速率方法的基础上，对故障诊断的效率有了较显著的提高，但是对于大量及高维度数据训练收敛难题，依旧没有进行很好的解决，导致诊断结果精度不够高，故障诊断效率可以进一步的提高。

均值影响度算法(Mean Impact Value，MIV)能够反应神经网络中权重矩阵的变化情况，是神经网络中评价变量相关性的最好指标之一［12］。因此，本文提出运用均值影响度算法对输入参数进行简约化处理，再输入BRBP神经网络进行诊断。

在BRBP神经网络训练终止后，将训练样本D中每一自变量特征在其原值的基础上分别加(减) 15%(或自定义变化值)构成新的两个训练样本D1和D2。将D1和D2分别作为仿真样本，利用已建成的神经网络进行仿真，得到两个仿真结果S1和S2，求出S1和S2的差值，即为变动该自变量后对输出产生的影响变化值(Impact Value，IV)。然后将IV按训练样本的总个数进行平均，得出该自变量的MIV值。最后根据MIV绝对值的大小为各个自变量排序，得到各自变量对网络输出影响相对重要性的位次表，从而判断出输入特征对于网络结果的影响程度，即实现了输入变量的筛选。

3 实验及诊断结果

3.1 测温实验

实验以台式电脑主板的元器件为对象，通过红外测温方式，分别在环境温度为25℃，26℃，27℃，28℃的情况下，对不同运行状态进行测温实验，获取温度数据。红外测温仪为ITVR6816型，距离系数比为150∶1，测温精度为±0.1℃。

为了准确判断故障类型，实验中选取21个测温点(5个电路板点、9个电容点、3个芯片点、4个散热片点)，各测温点具体位置如图3所示。另外，环境温度ts，主板平均温度tb，共23项变量，进行了2个月的温度监测，共获得960组数据。分为四类，即有光照条件下电路板散热轻度故障、有光照条件下电路板散热中度故障、暗环境条件下电路板散热轻度故障、暗环境下电路板散热中度故障。

图3 主板上的测温点图

3.2 基于MIV算法的简约化结果

采用如前所述的MIV算法，利用Matlab对测量到的温度数据进行运算，得到21个测温点的MIV值，如表1所示。由MIV算法的理论可知，当MIV绝对值越大时，该测温点对结果的判断影响越大，本文取MIV绝对值大于2的测温点，而小于2的测温点，对实验影响较小，将其排除。可将21个参量简约化至12个输入参量，即1，2，4，…，21，共12个测温点，可进行下一步测试。

表1 MIV数值表

3.3 诊断结果与讨论

采用如前所述的BRBP神经网络算法，利用matlab对MIV算法简约后的输入参数进行运算，与未经MIV简约化的BRBP神经网络诊断结果进行对比。其中第I类为在有光照条件下电路板散热轻度故障，第II类为在光照条件下电路板散热中度故障，第III类为在暗环境条件下电路板散热轻度故障，第IV类为在暗环境下电路板散热中度故障。如下所示:

(1)采用增加动量项的BP神经网络、基于自适应学习速率的BP神经网络，将全部实验数据进行输入，分类结果分别如图4和图5所示。

图4 增加动量项的BP神经网络结果

图5 基于自适应学习速率的BP神经网络结果

(2)采用BRBP神经网络，将全部实验数据作为输入，分类结果如图6所示，期望输出与预测输出的绝对误差如图7所示。

图6 BRBP神经网络结果

图7 BRBP神经网络绝对误差

图8 MIV优化后的BRBP神经网络结果

图9 MIV优化后的BRBP神经网络绝对误差

(3)采用BRBP神经网络，将MIV简约化后12个测温点的温度数据作为输入，分类结果如图8所示，期望输出与预测输出的绝对误差如图9所示。

由于实验数据共有960组，无法详细展示，所以仅随机挑选部分神经网络故障诊断实验数据列出，如表2所示。

表2 部分神经网络故障诊断实验数据表

通过以上四组实验可得到，实验对比表3，可以清晰地展现出四种实验条件下，神经网络模型的准确度，平均每组测试数据的绝对误差、诊断时间、方差情况如下所示。

由四组实验结果图、表2部分神经网络故障诊断实验数据表和表3四组实验对比表可知:增加动量项的BP神经网络和基于自适应学习速率的BP神经网络，虽然可以满足日常电路板故障诊断准确率的要求，但是训练速度过慢，误差偏大，在实验的输出数据方差接近0.100的情况下，诊断时间都已经到达了10.0 s以上，效率较低。BRBP神经网络，在实验的输出数据方差小于0.015的情况下，未经MIV预处理的需要2.8 s完成，而经过MIV预处理的1.2 s就可以完成，效率得到显著提高，使网络模型得到优化。

表3 四组实验对比表

4 结语

本文对基于MIV和BRBP神经网络的电路板红外故障诊断方法进行研究。利用红外测温方式，在不同室温及运行状态下，将电路板的四种故障状态进行了准确分类。实验表明，对随机抽取的100组数据进行故障判断，采用经MIV预处理的BRBP神经网络的诊断准确率高达99%，仅需要1.2 s处理时间，相对于未经MIV预处理的BRBP神经网络效率更高，用时更省，能够有效诊断电路板故障并可推广至模拟电路故障诊断领域、各种电气设备故障诊断领域等，因此具有重要的参考意义。

［1］LUO Yunlin，ZHANG Xiang.Aircraft electronic board fault detection based on infrared thermal imaging and integrated SVM［J］.Measurement＆Control Technology，2012，31(12):41－48.(in Chinese)

罗云林，章翔.基于红外热成像与集成SVM的航空器电子板卡故障检测［J］.测控技术，2012，31(12):41－48.

［2］LIGuohong.Electronic equipment thermal design power of the analysis and application［J］.Chinese Journal of Power Sources，2009(8):31－36.(in Chinese)

李国宏.电力电子设备热设计的分析及应用［J］.电源技术，2009(8):31－36.

［3］WANGMenghui，CHUNG Yukuo，Wen－tsai Sung.Using thermal image matter element to design a circuit board fault diagnosis system［J］.Expert Systems with Applications，2011，38(5):6164－6169.

［4］LIYibo，QIWangxu.Novel recognition algorithm for IR mobile target［J］.Laser＆Infrared，2013，43(3):324－328.(in Chinese)

李一波，齐万旭.一种新的红外机动目标识别算法［J］.激光与红外，2013，43(3):324－328.

［5］Jadin，MohdShawal.Recent progress in diagnosing the reliability of electrical equipment.infrared physics and technology［J］.Infrared Physics＆Technology，2012，55(4): 236－245.

［6］Rumelhart D E，Hinten G E，Williams RJ.Learning representation by back propagation errors［J］.Nature，1986，19 (11):832－836.

［7］QIU Chenlin，CHENG Li.Study on plasma acoustic wave diagnosis of laser shock processing based on wavelet packet and neural networks［J］.Laser＆Infrared，2012，42(10):1107－1110.(in Chinese)

邱辰霖，程礼.基于小波包和神经网络激光冲击强化诊断研究［J］.激光与红外，2012，42(10): 1107－1110.

［8］JIANG Lihui，ZHANG Chunqing，XIONG Xinglong，et al.Study on type recognition of low-levelwind shear based on radarimage simulation［J］.Laser＆ Infrared，2013，3 (43):334－338.(in Chinese)

蒋立辉，张春庆，熊兴隆，等.基于仿真雷达图像的低空风切变类型识别研究［J］.激光与红外，2013，3 (43):334－338.

［9］MacKay D JC.Bayesian interpolation［J］.Neural Computation，1992，4(3):415－447.

［10］Foresee FD，Hagan M T.Gauss-newton approximation to bayesian iearning［C］.Houston:Proceedings of the 1997 International Joint Conference on Neural Networks，1997，3:1930－1935.

［11］WEIYing，LIRui，YANG Jinzhu，et al.An algorithm for segmentation of lung ROI by mean-shift clustering combined withmulti-scale HESSIAN matrix dot filtering［J］.Journal of Central South University，2012(12)19: 3500－3509.

［12］SUN Haibin，LIU Xiliang，WANG Hongbin，et al.Weight analysis of blasting effective factors based on MIV method［J］.Journal of China University ofMining＆Technology，2012，41(6):993－998.(in Chinese)

孙文彬，刘希亮，王洪斌，等.基于MIV的抛掷爆破影响因子权重分析［J］.中国矿业大学学报，2012，41 (6):993－998.

Infrared diagnosis of circuit board fault based on M IV and BRBP neural networks

CUIHao-yang，XU Yong-peng，YANG Jun-jie，ZENG Jun-dong，TANG Zhong
(School of Electronic and Information Engineering，Shanghai University of Electric Power，Shanghai200090，China)

The training algorithm for BP network is hard to convergewhen the input data is large and has high dimension.Aiming at this problem，a novel fault diagnosismethod based on MIV and BRBP neural networks by infrared temperaturemeasuring is put forward.Sample data about21 variables of circuit board under different room temperature and operating conditions aremeasured，and these 21 parameters are used as the initial input variables of fault diagnosismodel.After MIV optimization，the reduced 12 variables will be input into BRBP neural networks to predict faults and classify the circuit board running conditions.Experiments show that the proposed neural networksmodel is more efficiently andmore rapidly compared with the traditional BRBPneural network.The neuralnetworkmodel presented in the paper can effectively diagnose the circuit board faults.

infrared temperaturemeasuring;MIV;BRBP neural networks;fault diagnosis

TN219;TN215

A

10.3969/j.issn.1001-5078.2014.04.00 7

1001-5078(2014)04-0382-05

国家自然科学基金项目(No.61107081，61202369);上海市教育委员会科研创新项目(No.10YZ158，12ZZ176)资助。

崔昊杨(1978－)，副教授，博士，主要研究工作是电力设备状态检测和半导体光电器件等。E-mail:cuihy@shiep.edu.cn

2013-09-02;

2013-09-25