模拟电路故障诊断中的特征信息提取
2 多特征信息构造样本集
同样对于Sallen—Key二阶带通滤波器，从输出频响曲线上提取4个频率(5 kHz，10 kHz，15 kHz，30 kHz)对应的电压值作为该电路正常时的原始特征值，当电路出现故障时，就可以通过提取频响曲线原始故障特征值来反映该元器件是否发生故障，构造原始样本集，如表2所示。本文引用地址：//m.amcfsurvey.com/article/192742.htm
将数据进行归一化，然后按照与方法一相同的网络进行训练，经过307次达到训练目标，故障测试情况如表所示5。故障模式F0与F1无法区分，说明R2+50％这个故障模式与正常模式的故障特征相互重叠，同时也看到故障模式F2的故障特征表示的不够明显，以至于没能达到诊断的阈值，其余故障模式都能准确识别，识别正确率为67％。
3 多测试点多特征信息构造样本集
结合上面两种方法，提出一种多测试点多故障特征量的模拟电路故障诊断方法。
为了与上面两种方法进行比较，依然选取相同的电路和相同的故障集，选取方法一中的3个测试点，每个测试点在每种故障状态下分别提取V5k，V10k，V15k，所对应的电压作为故障特征值，如表3所示，由于篇幅有限，只列出部分故障模式的原始样本集。
依然采用正态分布函数对数据进行归一化，归一化时，每种频率对应的正常状态下的特征值为a，其余故障模式按照对应的频率分别进行归一化，将上述数据经过同样的网络结构进行训练，神经网络采用L—M算法，网络经过101次训练达到目标。为与方法一和方法二比较，将归一化后的原始样本数据输入训练过的网络中，检查网络的故障识别率，判定阈值不变。输出结果如表6所示。
从表6可以看出，在所有的训练样本集中，只有4个样本在经过训练后无法识别，此时训练好的神经网络识别正确率为85％。说明此方法构造的样本集能更好的反映故障特征。将此方法与前面两种方法对比，在网络训练目标相同的前提下，对比故障识别正确率如表7所示。
4 结束语
通过比较可以发现，在神经网络训练目标相同的前提下，通过多测试点多特征信息构造出来的样本集所训练的神经网络对故障识别正确率高于前两种方法，这种多测试点多特征信息的诊断方法，在构造原始故障样本集上尽可能地覆盖更多的故障信息，使得故障特征能更好地反映故障模式，因此训练出来的神经网络的诊断能力更强，仿真结果表明，此方法在模拟电路的故障诊断中是可行的，提供了一种样本集的构造方法，对模拟电路的故障诊断有着一定的意义。
评论