CPN神经网络在模拟电路故障诊断中的应用研究Word格式.docx
《CPN神经网络在模拟电路故障诊断中的应用研究Word格式.docx》由会员分享，可在线阅读，更多相关《CPN神经网络在模拟电路故障诊断中的应用研究Word格式.docx（9页珍藏版）》请在冰点文库上搜索。
Keywords CPNneuralnetwork,analogcircuit,faultdiagnosisClassNumber TP206
1 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,CPN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:
Wh（new=Wh（old+α[x-Wh（old]
。
模拟电路故障诊断的方法有线路切割法、
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,α为学习速度系数,0ΦαΦ1,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:
Vh（new=Vh（old+βZh[y-Vc（old]
Vh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Zh=1,y是实际问题中输入矢量x所对应的期望输出矢量,β为学习速度系数,0ΦβΦ1。
因此,CPN是一个异构网,执行自组织映射的层称Kohonen层,执行外星算法的层为Grossberg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
[3～4]
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。
2 CPN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CPN神经网络进行训练,利用Matlab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1 CPN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
out10.13300.13660.0.0.0.09520.09430.09380.47600.46330.48260.09520.08790.0979
out20.20000.18670.21100.42860.41750.40530.23810.28100.20600.14290.13780.14360.19050.18330.1997
0.46670.45070.4500
2功能分析
对一个输入向量x,CPN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。
;
Grossberg。
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（0
R2OC（1
1.0000.（
62600.6098
R4OC（3
0.38100.37740.3985
R5OC（4
0.47620.46040.4778
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
R2OCR3SCR4OCR5OC
y110000
3 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PSPICE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组故障状态用于仿真,即正常、R2开路、R3短路、R4开路和R5开路,如表1
所示。
期望输出
y2y3y4
01000
00100
00010
y500001
2CPN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
1CPN网络训练
4 结语
通过以上分析和仿真实验可知,CPN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Grossberg层有5个神经元。
由于CPN神经网络是
图4中上半部分表示的为二进制码元经过
MSK
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MSK调制后的三角波形;
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:
124～125
[]].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:
308～309
[4]韩恩权,刘翠海,温东.VLF/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:
70～71
[5]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上
冲干扰性能的新方法[J].通信对抗,2005,26（4:
9～
10
（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,CPN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,2000
[2]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,2006
[3]刘利强,李春明.基于CPLD和BP算法的模拟电路故
障诊断[J].现代电子技术,2007,20（6:
172～174
[4]王永庆.人工智能原理与方法[M].西安:
西安交通大
学出版社,2003
[5]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:
5～59
升级会员 