基于故障传播的模块化bp神经网络电路故障诊断-何春.pdf
《基于故障传播的模块化bp神经网络电路故障诊断-何春.pdf》由会员分享,可在线阅读,更多相关《基于故障传播的模块化bp神经网络电路故障诊断-何春.pdf(8页珍藏版)》请在得力文库 - 分享文档赚钱的网站上搜索。
1、Journal of Computer Applications计算机应用,2018,38(2):602609ISSN 10019081CODEN JYIIDU20180210http:wwwj093aen文章编号:1001-9081(2018)02060208 DOI:1011772jissn1001-90812017061516基于故障传播的模块化BP神经网络电路故障诊断何春,李琦。,吴让好,刘邦欣(电子科技大学通信与信息工程学院,成都610054)(通信作者电子邮箱1287345989qqcoin)摘要:大规模的数模混合电路所含故障模式众多,电路故障状态复杂,且易发生传播,因而电路故障诊
2、断难度较大。针对大规模电路发生故障时存在故障传播的问题,提出一种基于故障传播的模块化BP神经网络(MBPFP)故障诊断方法。首先,在电路模块划分的基础上分析子电路间的故障传播,并将故障源和故障传播源“模块化”;然后。通过子电路的异常检测模型进行一级定位,缩小故障原因集合,确定故障模块;最后,利用目标模块的BP神经网络模型进行二级定位,实现故障诊断并识别故障模式。与传统BP神经网络等方法进行比较的实验结果表明,MBPFP故障诊断方法具有较高的故障覆盖率,在定位准确率方面提高了至少8个百分点,其性能优予传统Bp神经网络等方法。关键词:大规模数模混合电路;故障诊断;故障传播;BP神经网络;异常检测模
3、型中图分类号:TP2773 文献标志码:ADiagnosis of fault circuit by modularized BP neural network based on fault propagationHE Chun,LI Qi,WU Ranghao,LIU Bangxin(College of Communication and Information Engineering,University of Electronic Science and Technology of China,硝积驰Sichuan 610054,Ch,m)Abstract:It is difficul
4、t to diagnose the faults of large-scale digital-analog hybrid circuit because it has numerous faultmodes,the circuit failure status is complex and Can be propagated easilyTo solve these problems,a new failure diagnosismethod,namely Modularized Back Propagation(BP)neural network based on Fault Propag
5、ation(MBPFP),Was proposedFirstly,fault propagation between subcircuits Was analyzed on the basis of circuit module division,and failure source andtransmission SOUrce were modularizedSecondly,the set of fatth causes was narrowed and the fault module Was determined bythe anomaly detection model of sub
6、cireuit in 1-order positioningFinally,the fault location Was realized and the fault mode Wasidentified by the BP neural network of target module in 2-order positioningThe experimental results show that compared withthe traditional BP neural network method,the proposed MBPFP method has a hiish fault
7、coverage and the accuracy is improvedby at least 8 percentage points,which is outperforms the traditional method based on BP neural networkKey words:largescale digital-analog hybrid circuit;fault diagnosis;fault propagation;Back Propagation(BP)neuralnetwork;anomaly detection model0 引言近年来,随着数模混合电路规模和
8、复杂性的增加,特别是在航空、航天、军事国防等应用领域,其可靠性受到越来越多的关注。故障诊断作为维护电路可靠性的重要手段,成为了研究热点。文献14中提到的电路故障诊断方法包括:故障字典、最近邻、基于规则和支持向量机(Support VectorMachine,SVM)的故障分类模型等,但仅在模拟电路中付诸实践,且由于复杂电路的非线性映射关系错综复杂,导致诊断效果不佳。BP(Back Propagation)神经网络在数学理论上已证明具有实现绝大多数复杂非线性映射的功能,这使得它对诊断实际中建模困难的复杂系统,特别是大规模混合电路,具有独特优势。传统BP神经网络的应用”。9 o是直接对整个电路建立
9、BP网络,建立该网络的过程简单明了,适用于简单线性电路的故障诊断。在对大规模电路进行分析时,所建立的网络过大,易导致训练数据庞大、训练时间过长、计算量大以及对故障传播考虑欠缺等问题,从而造成故障定位准确率低。本文提出了基于故障传播的模块化BP神经网络(Modularized BP neuralnetwork based on Fault Propagation,MBPFP)故障定位方法,对大规模电路进行模块划分,分析并“分割”子电路模块间的故障传播关系,进而利用基于电路仿真建立的模块化异常检测模型和BP神经网络模型进行故障定位,使定位的准确率得到明显提升。1 MBPFP的故障诊断原理大规模数模
10、混合电路结构复杂,输入输出关系难以用简单的数学公式表示,电路故障状态庞杂,传播关系错综复杂。MBPFP方法在电路模块化的基础上,通过最优测试节点的选择确定子电路模块的测试节点,并把测试节点的属性数据作为故障诊断的数据源,使复杂电路的故障表现形式具体化;以电路单故障仿真u引的测试节点属性数据为客观依据,建立模收稿日期:20170620;修回日期:20170814。作者简介:何春(1972一),女,四川成都人,副研究员,硕士,主要研究方向:通信信号处理、电子系统的可靠性;李琦(1993一),男,山东滨州人,硕士研究生,主要研究方向:电子系统的可靠性;吴让好(1993一),男,湖北荆州人,硕士,主要
11、研究方向:电子系统的可靠性;刘邦欣(1993一),男,江西赣州人,硕士研究生,主要研究方向:电子系统的可靠性。万方数据第2期 何春等:基于故障传播的模块化BP神经网络电路故障诊断块化异常检测模型,分析故障传播并“分割”故障传播关系,建立子电路的BP神经网络模型,确定电路故障与故障原因的内在联系;当实际电路发生故障时,利用模块化异常检测模型进行一级定位,确定故障模块,再利用目标模块的BP神经网络模型进行二级定位,识别故障模式01。下面对MBPFP中的关键技术进行详细介绍。11模块化电路测试节点的确定大规模电路的可测节点众多,造成数据采集、传输和处理的负荷过大,因此首先进行电路模块划分,并确定各子
12、电路模块的测试节点。本文采用电路按功能划分的方法,尽可能地简化子电路模块间的拓扑关系和参数之间的耦合。为了避免因分析所有可测节点带来的冗余问题,同时兼顾一级定位的故障覆盖率,在功能模块划分的基础上,通过最优测试节点的选择确定各模块的测试节点。最优测试节点的选择是将传统的包含法和排除法1-12相结合,从可测节点集合中生成节点子集,并评价其性能,选择性能最佳的节点子集作为最优测试节点。节点子集性能的评价标准为故障覆盖率,公式如下:Coverage=IA IIDI (1)其中:Coverage表示故障覆盖率;l D l表示待检测的故障总数;I A I表示可以被检测到的故障数。考虑到工程实际,最终选定
13、的最优测试节点集要覆盖各子电路模块的输出节点。最优测试节点的选择算法具体如下:令OrigNodeSet是可测节点集合令OutNodeSet是子电路模块输出节点集合令OptiNodeSet=是最优测试节点的初始集合令best_Coverage=0是最佳的初步定位故障覆盖率,初始值为0包含法令NodeSet_Reg=寄存包含法选择出的节点for每个可测节点Node V OrigNodeSet doNodeSet=Node V NodeSet_RegCoverage_Cal()以节点的属性数据为输入,利用式(1)计算故障覆盖率Coverage+-Coverage_Cal(NodeSet)if Cov
14、eragebestCoverage dobestCoverage=Coverage追加D如至NodeSet_Reg的尾部:NodeSet_Reg=Node V NodeSet_Regend ifendfor排除法OptiNodeSet=NodeSet_Regfori=1:(1ength(NodeSet_Reg)一1)doforj=O:(1ength(NodeSet_Reg)一i一1)doNode=NodeSet_Reg(endiJ)NodeSet=OptiNodeSetNodeCoverage_Coverage_Cal(NodeSet)if Coverage=bestCoverage doOp
15、tiNodeSet=OptiNodeSetNodeendifendforendfor与工程实际结合for每个可测节点Node V OutNodeSet doif isempty(find(OptNodeSet,Node)doOptiNodeSet=OptiNodeSet V Nodeendforreturn OptiNodeSet通过最优测试节点的选择,构造如下测试节点矩阵:TestNodeMatrix=a“NxM;1iN&IJM(2)其中:表示子电路模块数;M表示可测节点数;表示可测节点o如i是否为模块Modulei的最优测试节点(或测试节点),取值如式(3)所示。fl, o如i是Modul
16、e。的最优测试节点 ,。口= Lj,【0, D如,不是Module;的最优测试节点以TestNodeMatrix为基础,获取相应节点的属性数据,建立模块化异常检测模型。12模块化异常检测模型在电路故障诊断中,异常检测31的目标是发现与正常电路有差别的故障电路。当大规模电路故障时,故障情况复杂,故障原因众多,利用异常检测模型监测电路、筛选并缩小故障原因集合是一种有效手段。本文通过电路单故障仿真得到各测试节点的“与正常波形的距离”属性口叫数据,且由于同节点同属性的数据近似地呈高斯分布4|,因此根据文献15,通过参数法的密度估计法建立各测试节点的一元高斯分布异常检测模型(几(茁i),q),(p#()
17、,铂)表示子电路Module。(1iN)中第J(1_M)个测试节点的异常检测模型如下:m)8#, 菇i E oN酬 f4、Lpi(菇可)C遥馨卫簿一时J百】,u5图3 R3短路时电路仿真结果Fig3 Simulation results of R3 shorting in Circuitl由图2、3可知,当R3发生短路时,导致模块M2中节点S2输出为0,113为M2的故障源;导致模块M1中节点Sl输出幅值下降50mV,R3(或其所在模块M2)为Ml的故障反向传播源;导致模块M3中节点S3输出为O,113(或其所在模块M2)为M3的正向故障传播源。所以R3短路故障对应的故障向量s砧_S。u=1
18、1 1,基于子电路模块的故障传播有向图模型如图4所示。 一的图4 1t3短路的故障传播有向图模型Fig4 Fault propagation digraph model of R3 shorting由图4表示的有向图故障传播模型可知,R3短路既是万方数据第2期 何春等:基于故障传播的模块化BP神经网络电路故障诊断R3所在模块M2的故障源又是其他模块M1、M3的故障传播源。14模块化BP神经网络模型BP神经网络71是人工神经网络的一种重要算法,包括无监督学习过程和有监督调优过程,通过学习和调优建立的分类模型具有较强的自学习能力。本文利用模块化异常检测模型只能在子电路层次进行故障诊断。为了提高定位
19、精度,利用BP神经网络将故障原因集合缩小到故障模式。BP神经网络通过学习各种故障模式的样本数据自动提取“合理的”求解规则,建立BP网络模型,该模型保存了电路故障的内在因果对应关系,直接用于之后的二级定位。为适应数模混合电路,根据测试节点信号的不同,建立属性表引,如表l所示。裹1 电路测试节点信号的一性Tab1 Attributes of circuit test node signal模拟信号属性 数字信号属性与正常波形的距离与5V电压基准的距离与0V电压基准的距离均值误差均值误差方差最大值最小值与正常波形的距离与固低基准的距离与固高基准的距离不定态比例高阻态比例上升沿个数下降沿个数错误比例l
20、电路lI仿真l一一酬蓁蓁囊蓁|_E莲zPIe-1 BPfM础1e 2zP屿l|leJ且PlfM曲Ile(14)其中,即MM讪l。(1tN)在BPMVector中按照子电路模块物理连接先后的顺序排列(并联模块对应的BPM。甜。排序任意)。141最优属性的选择由各测试节点所有属性数据组成的一维属性向量显然会存在属性冗余问题,且不同属性在电路故障诊断中的重要程度不同,若将其直接聚类,建立BP神经网络模型,可能会因为属性之间的强相关性、冗余等问题,造成BP网络性能不佳甚至低下,因此,该一维属性向量需要通过最优属性选择去除冗余,再进行后续操作。最优属性的选择是将一维属性向量中的属性按照性能的优劣排序,然
21、后选择前K个性能最佳的属性作为最优属性。其中,有以下两点需要说明:1)属性性能的评价是通过对将要用于的系统进行性能评估完成的,即利用DB Index1 8|、相关性和故障簇数量对该属性的聚类效果进行评估。其中,DB Index评价聚类结果的凝聚程度,公式如下:DB。=妾(川黑,i半)st=者艺悄一互oui IEGid0=0互一弓0 (15)其中:k表示聚类的簇总数;S;表示簇内平均离散度;I c;I表示故障簇C。中所包含的样本总数,zi表示簇C;的中心;也表示簇间距离。对于DB Index准则来说,DB。值越小,说明聚类的效果越好。相关性评价参与聚类的各属性之间的冗余程度,公式如下:XCOR=
22、芝:xcor(Att,Attj) (16)丽其中:Att;表示参与聚类的第i个属性的数据。对于相关性来说,XCOR值越小,说明参与聚类的特征之间相关性越低,冗余程度越小。故障簇(故障模式集合)作为最终定位结果,故障簇数是对整个系统故障定位精确程度的评价,簇数越多,相应的每个簇中包含的故障模式数越少,定位精确程度越高。2)最优属性数置的确定:完成最优属性的排序后,利用聚类的故障簇数确定民K需要满足如下公式:,NumOfCluster(OptiAttSet(K)l NumOfCluster(OptiAttSet(Kf) ,1l NumOfCluster(OptiAttSet(K)=L NumOfC
23、luster(OptiAttSet(K+Z)其中:Z为任意正整数;OptiAttSet($)表示前水个性能最佳的属性集合;NumOfCluster()表示幸聚类的故障簇数。最优属性的选择算法具体如下:令OdgA靠$et是属性向量令OptiAttSet=是最优属性的初始集合,初始为空最优属性排序令OptiAttSeq=|是最优属性排序的初始集合,初始为空OrigAttSetReg=OrigAttSetfor i=1:length(OrigAttSet)doDBReg=for每个属性ArtOrigAttSetReg doAttSet=Att V OptiAttSeqDBCal()以属性的数据为输入
24、。利用式(15)计算万方数据计算机应用 第38卷DB值 物理意义相同。DB一DB_C81(AuSet)DBReg=DB V DBRegendforAttRegl=arg(min(OSReg)ifi一1 d0AttRe92=AttReglelseXcorrReg=for每个属性Art E AuRegl doAttSet=Art V OptiAttSeqXcort Cal()以属性的数据为输入,利用式(16)计算相关值Xcorr+-Xcorr_Cal(AttSet)XcorrReg 2 Xcorr V XcorrRegendforAttRe西2=a唱(min(XcorrReg)endifNumCl
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 故障 传播 模块化 bp 神经网络 电路 故障诊断
限制150内