秦庆
(江苏省锡山中等专业学校,江苏 无锡 214000)
电路故障信息反馈期间,常用测量方法得到的数据并不能充分反映实际情况,再加上多种多样的模拟电路故障,较大离散性的元件参数等因素,造成目前诊断模拟电路故障的方法和理论没有成熟的体系。就模拟电路而言,若电路前后位置的元器件存在复杂的相互影响现象,将会难以仅凭借非电信号或单一信号完成元器件故障判断。传统方法在诊断模拟电路故障时呈现出多种问题,如低效率、大工作量和差通用性等[1]。随着人工智能技术的发掘,一些全新的诊断模拟电路故障技术被广泛使用。
当前在模拟电路状态信息诊断时采取的诊断方法,只是一种或多种多角度和多层次观察与分析电路状态信息的方法,将模拟电路所具有的基本特征予以提取。如诊断电路时采用测试点电压,由于信号类型较为单一化,所以其所获得的信息数据不多,想要获取比较准确的评价结果较为困难。若是综合测试点电压和温度信息,那么便可以较为准确地对电路状态作出评价。在定位与诊断模拟电路故障时,虽然可以在某些时候利用一种方式完成故障判断,但是大多得到的结果存在问题,精度不高。当电路可及点不多时,诊断工作更是举步维艰,所以还需在诊断的时候依靠其他补充信息,此时便是基于智能信息融合的模拟电路故障定位方法[2]。为了将基于智能信息融合视域定位与诊断模拟电路故障表达清楚,在一般的分析过程中,通常以两个诊断信息作为实例展开分析,虽然诊断信息有所不同,但是分析方法具有相同性。在诊断故障过程中,要以实际情况为依据作出详细的分析与探究,才可以获得较为合适的融合电路故障定位过程。
基于模糊信息融合视域下的电路故障定位,需要灵活化处理故障定位中的绝对隶属关系,使支路对模拟电路故障集合隶属度扩充,由{0,1}的值到[0,1]区间内的所有的数值。采取隶属函数对以各类测试信息为基础的定位故障结果不确定性作出表示,处理数据更是可以以模糊变换实现,获得定位故障的模糊结果,再对其清晰化处理。
在定位模拟电路故障时,主要对可及节点电压实时测量获得故障特征,也有少数故障信息是通过非电量信号、特殊电流等予以获取,但是这种方法无疑会导致测试的复杂度上升,另外还会提升测量设备的成本支出。可及节点具有有限的数量,特别当集成电路规模比较大或者超大时,总节点中仅有极少一部分可及节点。若是仅依靠可及节点测试数据,将会导致定位结果发生错误,所以在定位故障期间,可选择应用可测点工作电压信号和电路输入输出增益信号,其中电路输入输出信号的形成是基于多种测试频率下的电路输入实现。
当模拟发生故障以后,工作电压将会与正常电压范围呈现偏移,对可测节点电压作出检测,便能获得电路故障信息。当正弦信号激励下,测试频率和电路参数的波动,将会使得输出对输入的增益发生波动,所以交流测试频率选择的合理性,将会对测试不同电路有着良好的效果,也能够获得较为准确的数据。选择交流测试频率时,可以首先得到电路网络函数,之后再求解正常电路工作环境下的转折频率,如网络函数的极点和零点。以转折点为基础,将转折频率两者之间的频率作为测试频率,确定测试频率时,为高于最高频率的信号和低于最低频率的信号,对测量误差作出考量,测试频率的数量要保证一定裕度[3]。
在预处理模拟电路故障信息时,可采用BP神经网络完成故障定位,构建起规模性的神经网络展开分析,若是模拟电路规模较小,可采取小波变换神经网络,很好的根据频域和时域具备特征提取较强的信号。在处理故障电路信号时,可以首先获得故障特征,再利用主元分析的方式分析故障特征,分析过程中,要尽可能地确保基于故障分类选择合适的特征作为故障特征矢量,将输入空间的维数降低。但是,经过主元分析法的获得的特征矢量,必须实现数据标称化处理,从而可以将多维矢量数据相互之间存在的差异消除。由此,可规避多维矢量当中因为数据不同而出现的动态范围,还可在识别故障的时候将比较小但是比较重要的特征矢量合理使用。最后,在BP神经网络中将标称化后的特征矢量录入其中。可降低训练和处理BP神经网络的时间,使得神经网络具有较小的规模结构和较少的输入特征数目。
BP神经网络调整权重系数时有着很强的自适应能力,对BP神经网络进行训练以后,可以实现联想和分类等智能性的操作。
改进算法的学习效率,需利用全局学习率自适应调整的方法完成,但是这种方法并非全能,调整量不能对所有的权值都最优处理,甚至在某些情况下还将会影响到网络收敛的性能,在进行调整时,可选择应用局部学习率自适应方法。学习速率调整的准则简单明了,对修正权值的结果作出检查,判断其是否真正地实现了误差函数降低。若是已经实现,那么则表示选取的学习速率值降低了,可以适当地增加一个量;若是没有实现,则形成了过调,可以适当性的降低学习速率值。
存储知识与求解问题,均需在神经网络模块中实现,是知识库与推理机的有机统一。从既有的设备特征信号中获取特征数据,将其展开预处理输入到神经网络中,从已经获得的故障结果中将数据提取完成,是以作为神经网络输出,完成BP神经网络构建[4]。
以BP神经网络作为基础,诊断单一测试信息,并且对信息融合展开多测试,得到综合诊断模型,在开展综合诊断时综合D-S证据推理和BP神经网络,输入样本开展训练,获得具有独立性的诊断神经网络,实现局部信息融合。以局部信息融合为基础,采取D-S证据推理全局信息融合各类测试信息诊断结果,获得准确的故障子空间,从而得到电路故障模式[5]。
以局部信息融合为基础,采取D-S证据推理全局信息融合各类测试信息诊断结果,获得准确的故障子空间,从而得到电路故障模式。利用该模型诊断图2所示电路,已知图中的可测节点为1,2,3。元件参数的精准度需达到0.1。
在定位模拟电路故障的时候利用BP神经网络,用比较简单的BP神经网络对电路增益和可测点电压两类测试信息作出初步诊断,结果如表1所示。
图1 模拟电路故障定位图
表1 初步诊断结果表
在分析中,选择使用心电信号放大电路为实验电路,在电路中,R1和R2的电阻值保持相等,并且其大小值为20Ω。R3的电阻值为2kΩ,R4的电阻值为24kΩ,工作电压值设定为±5V。整个实验电路分为运放和电阻两个构成部分,随机在电路上选择出现的故障,总共有10种类型的故障形式。在样本集建立的时候,需要在不同的电源激励下完成测试节点电流值以及电压值采集,将获得的数据输出目标进行编码,完成表示,按照编码要求建立相应的样本集。
本文着重基于智能信息融合视域下研究模拟电路故障定位方法,探究模拟电路故障定位的新方法。通过研究,在智能信息融合视域下定位电路故障,要对绝对隶属关系进行理顺,扩充模拟电路故障集合隶属度。在定位时,要对故障定位的信号进行科学化选取,对诊断信息做好预处理,优化改进BP网络及算法,融合BP网络信息诊断方法,实现电路故障定位科学化。利用BP神经网络定位模拟电路故障,简化故障判断难度,可诊断出可测点电压和电路增益基本信息。