模擬電路故障診斷中的特征信息提取

將數據進(jìn)行歸一化，然后按照與方法一相同的網(wǎng)絡(luò )進(jìn)行訓練，經(jīng)過(guò)307次達到訓練目標，故障測試情況如表所示5。故障模式F0與F1無(wú)法區分，說(shuō)明R2+50％這個(gè)故障模式與正常模式的故障特征相互重疊，同時(shí)也看到故障模式F2的故障特征表示的不夠明顯，以至于沒(méi)能達到診斷的閾值，其余故障模式都能準確識別，識別正確率為67％。

3 多測試點(diǎn)多特征信息構造樣本集
結合上面兩種方法，提出一種多測試點(diǎn)多故障特征量的模擬電路故障診斷方法。
為了與上面兩種方法進(jìn)行比較，依然選取相同的電路和相同的故障集，選取方法一中的3個(gè)測試點(diǎn)，每個(gè)測試點(diǎn)在每種故障狀態(tài)下分別提取V5k，V10k，V15k，所對應的電壓作為故障特征值，如表3所示，由于篇幅有限，只列出部分故障模式的原始樣本集。

依然采用正態(tài)分布函數對數據進(jìn)行歸一化，歸一化時(shí)，每種頻率對應的正常狀態(tài)下的特征值為a，其余故障模式按照對應的頻率分別進(jìn)行歸一化，將上述數據經(jīng)過(guò)同樣的網(wǎng)絡(luò )結構進(jìn)行訓練，神經(jīng)網(wǎng)絡(luò )采用L—M算法，網(wǎng)絡(luò )經(jīng)過(guò)101次訓練達到目標。為與方法一和方法二比較，將歸一化后的原始樣本數據輸入訓練過(guò)的網(wǎng)絡(luò )中，檢查網(wǎng)絡(luò )的故障識別率，判定閾值不變。輸出結果如表6所示。

從表6可以看出，在所有的訓練樣本集中，只有4個(gè)樣本在經(jīng)過(guò)訓練后無(wú)法識別，此時(shí)訓練好的神經(jīng)網(wǎng)絡(luò )識別正確率為85％。說(shuō)明此方法構造的樣本集能更好的反映故障特征。將此方法與前面兩種方法對比，在網(wǎng)絡(luò )訓練目標相同的前提下，對比故障識別正確率如表7所示。

4 結束語(yǔ)
通過(guò)比較可以發(fā)現，在神經(jīng)網(wǎng)絡(luò )訓練目標相同的前提下，通過(guò)多測試點(diǎn)多特征信息構造出來(lái)的樣本集所訓練的神經(jīng)網(wǎng)絡(luò )對故障識別正確率高于前兩種方法，這種多測試點(diǎn)多特征信息的診斷方法，在構造原始故障樣本集上盡可能地覆蓋更多的故障信息，使得故障特征能更好地反映故障模式，因此訓練出來(lái)的神經(jīng)網(wǎng)絡(luò )的診斷能力更強，仿真結果表明，此方法在模擬電路的故障診斷中是可行的，提供了一種樣本集的構造方法，對模擬電路的故障診斷有著(zhù)一定的意義。