CPN神经网络在模拟电路故障诊断中的应用研究Word格式.docx

1、Ke y w o rd s C PN neural net w ork, analog circuit, fault diagnosis C la s s N um b e r TP 2061引言电子设备的维修是军事装备维修工作中的一个重要环节, 高效、快速地判断出故障所在是军事装备维修的关键。一般电子设备的故障诊断分为数字电路的故障诊断和模拟电路的故障诊断1从网络的拓扑结构来看, CP N 是一个三层的神经网络, 网络分为输入层、竞争层和输出层。竞争层执行的是组织映射算法, 其权值矢量的调整规则为:W h （ne w =W h （old +x -W h （old 。模拟电路故障诊断的方法有线

2、路切割法、专家系统和人工神经网络等, 其中人工神经网络系统因具有较强的在线学习、非线性映射、联想记忆等特点2式中:Wh 为连接获胜神经元h 与输入层各节点的权值矢量, 为学习速度系数, 01, x 为输入矢量。输出层执行的是外星（Outstar 算法, 其权值矢量的调整规则为:V h （ne w =V h （old +Z h y -V c （old V h 为连接获胜神经元h 与输出层各神经元的权值矢量, 神经元h 的输出Z h =1, y 是实际问题中输入矢量x 所对应的期望输出矢量, 为学习速度系数, 01。因此, CP N 是一个异构网, 执行自组织映射的层称Kohonen 层, 执行外

3、星算法的层为Gr ossberg 层。网络结构图如图1所示。, 成为目前处理故障诊断问题的一34个重要的研究方法。用CPN 神经网络对模拟电路故障建模, 结果表明, 该方法能准确判定模拟电路中的故障模式, 具有训练速度快、诊断率高等优点。2CP N 神经网络1 工作原理收稿日期:2007年9月5日, 修回日期:2007年10月19日作者简介:关成彬, 女, 助教, 硕士, 研究方向:模式识别与智能系统 有导师训练, 输出层按系统的要求给出指定的期望输出, 具体输出要求如表2所示。根据表1的输入训练样本集, 每种状态取出前两组数据和表2的期望输出, 对CP N 神经网络进行训练, 利用Matla

4、b 进行算法仿真, 通过训练使网络的实际输出更加接近期望输出。表1不同故障状态下的测量结果图1CP N 网络结构图故障状态（状态号out3三个电压测试点的电压信号（V out10. 13300. 13660. 0. 0. 0. 09520. 09430. 09380. 47600. 46330. 48260. 09520. 08790. 0979out20. 20000. 18670. 21100. 42860. 41750. 40530. 23810. 28100. 20600. 14290. 13780. 14360. 19050. 18330. 19970. 46670. 45070.

5、45002 功能分析对一个输入向量x, CP N 首先确定它属于哪一类, 然后以用户要求的形式对其进行表示。面临的问题较复杂时, 需要将输入分成更多的类, 可以适当地增加Kohonen 层神经元的个数。连接权值的初始化也非常重要, 它不仅会影响到训练的速度, 还会直接影响网络的精度。为了使网络具备更好的性能, Kohonen 共同特征, 量的训练目标。, ; Gr ossberg 。两层的有机结合, 就构成一个映射系统。它的训练过程就是将输入向量与相应的输出向量对应起来, 这些向量可以是二值的, 也可以是连续的。一旦网络完成了训练, 对一个给定的输入就可以给出一个相应的输出。正常（0R 2OC

6、 （11. 0000. （62600. 6098R 4OC （30. 38100. 37740. 3985R 5OC （40. 47620. 46040. 4778注:表中SC 表示短路, OC 表示开路表2各种状态下的期望输出故障状态正常R 2OC R 3SC R 4OC R 5OCy 1100003仿真实验及结果分析以图2电路为例, 在文献5中作者已经利用PSPI CE 对该电路进行了故障仿真, 共产生5类故障状态, 每组状态对应一组331的样本向量, 分别为三个测试点的测量电压即为out1、out2和out3。通过分析可知, 这三个测试点的电压完全可以表征对应的故障, 这里选用5组故障状

7、态用于仿真, 即正常、R 2开路、R 3短路、R 4开路和R 5开路, 如表1所示。期望输出y 2y 3y 4010000010000010y 5000012 CP N 网络故障诊断能力分析从表1中取出正常状态最后一组数据, 观察其输出, 当训练步长为2时, 输出的结果为0. 9976、0. 0345、0. 0032、0. 2034、0. 1023, 其中0. 9976接近于1, 剩下的数据接近于0, 根据输出结果对照表2可以判定该输入为正常状态下的数据, 这于实际情况一致, 当步长增加到20时, 输出结果为1、0、0、0、0与期望输出完全一致。图2仿真用电路图1 CP N 网络训练4结语通过

8、以上分析和仿真实验可知, CP N 是将无导师训练算法与有导师训练算法结合在一起, 用无导师训练解决隐藏层的理想输出未知问题, 用有导（下转第93页由表1可知, 输入信号为3个测试点的电压信号, 则输入层含有3个神经元。Kohonen 竞争层的神经元个数为5个, 考虑到故障状态共有5种, 则Gr ossberg 层有5个神经元。由于CP N 神经网络是图4中上半部分表示的为二进制码元经过M SK调制后的波形, 图中截取的为10个码元的长将脉冲展宽了, 且扩时码序列越长, 脉冲峰值下降得越多。度, 而仿真采用的载波频率远大于码元速率, 因此不能清楚地看出单个码元经过M S K 调制后的三角波形;

9、 下半部分表示的是系统接收端收到的由信号和大气噪声叠加成的波形, 可以清楚地看到幅度较大的脉冲噪声, 此时信噪比为8dB 。经过多次比较验证, 最终选择了组合巴克码作为扩时码, 即先以11位巴克码作为重复序列, 同时又将它作为调制序列, 得到长度为121位的组合巴克码。再将121位组合巴克码作为重复序列, 将11位巴克码作为调制序列, 重复调制一次得到最扩时技术对甚低频通信中的大气噪声具有一定的抑制作用, 采用扩时技术和不用扩时技术时比较, 系统对脉冲噪声抑制性能可得到提高, 且扩时原理简单, 实现时可以采用FFT 和IFFT, 设计方便, 易于硬件实现, 并且不会降低系统的信急传输速率, 具

10、有一定的实用意义。参考文献终的组合巴克码（长度为1331 。系统接收端解扩时后的波形如图5所示1张文娟, , . ., 6 :124125.北京:国防工业出版:342. 甚低频波和超低频波的辐射与传播M.武汉海军工程大学:海军工程大学电子工程学院, 2002:3083094韩恩权, 刘翠海, 温东. VL F /LF 大气噪声模拟J .情图5解扩时后的波形图报指挥控制系统与仿真技术, 2004, 26（2 :70715陈洪, 张深, 张尔扬. 一种提高直接序列扩频系统抗脉将解扩时后的波形与不采用扩时技术时解调前的波形下半部进行比较, 明显可以看到原先突出的脉冲噪声部分不见了。这是因为扩时在时域

11、上冲干扰性能的新方法J .通信对抗, 2005, 26（4 :910（上接第6页师训练解决输出层按系统的要求给出指定的输出结果的问题。这一网络汲取了无导师网络分类灵活、算法简练的优点, 又采纳了有导师型网络分类精细、准确的长处, 使两种不同类型的网络有机地结合起来, 大大提高了故障定位的准确率, C PN 在模拟电路故障诊断领域中必将得到广泛应用。1余高达, 赵潞生. 军事装备学M.北京:国防大学出版社, 20002朱太奇, 史慧. 人工神经网络原理及其应用M.北京:科学出版社, 20063刘利强, 李春明. 基于C PLD 和B P 算法的模拟电路故障诊断J .现代电子技术, 2007, 20（6 :1721744王永庆. 人工智能原理与方法M.西安:西安交通大学出版社, 20035胡慧, 徐晓辉. 基于神经网络的模拟电路故障诊断J .河北工业大学学报, 2006, 36（1 :559