模糊数学在模拟电路故障诊断中的应用研究的论文

《模糊数学在模拟电路故障诊断中的应用研究的论文》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、模糊数学在模拟电路故障诊断中的应用研究的论文摘要：为了研究模糊数学对于模拟电路故障诊断效果的具体影响，分别采用了bp网络和模糊bp网络建立电路故障诊断模型，对电路相同工作状态参数的诊断结果进行比较，得出了依据模糊数学进行数据预处理对提高电路故障诊断精度效果明显的结论。本文具体比较了模糊数学与神经网络结合前后对电路故障诊断精度的影响，突出了将模糊数学应用于数据预处理对建立高效诊断模型的重要作用。　　关键词：模拟电路；故障诊断；模糊数学；bp网络；模糊bp网络　　0引言　　电路故障是指在规定的条件下，电路工作时它的一个或几个性能参数不能保持在要求的上、下限之间，

2、其结构、组件、元器件等出现性能减退、老化、破损、断裂、击穿等现象，丧失了在规定条件和环境下完成所需功能的能力。　　长期以来，学界对模拟电路工作特点的研究已相当深入，但对于故障诊断方法的研究却困难较大，这是由于模拟电路本身的特性决定的：1）输入激励和输出响应都是连续量，模拟电路中的故障模型复杂，量化难度大；2）模拟电路信号量程宽，不管电压、电流的量程还是频率都可达十几个数量级，测量难度大；3）模拟电路中的元器件参数具有容差，导致电路的故障状态的模糊性，而无法准确定位；4）模拟电路中存在广泛的反馈回路和非线性问题，使计算的难度更加复杂。因此，学界提出了许多模型和

3、方法来完成对某些符合特定条件的模拟电路的故障诊断。其中神经网络法的使用就相当普遍，在硬和软故障诊断中都有应用，因为神经网络的技术优势针对模拟电路故障诊断有较好的适用性，这主要体现在：1）神经网络的大规模并行处理特点，大大提高了诊断效率；2）自适应与自组织能力使神经网络在学习和训练中改变权重值，发展出新的功能。.cOm同时，模糊数学也与神经网络相结合，这是利用了模糊数学对待诊断模拟元器件的故障不确定性进行量化处理，能够有效克服模拟电路元器件因为容差、非线性及噪声造成的电路参数模糊性。　　本文的研究目的就是分别利用单纯bp神经网络和模糊bp神经网络的方法建立模拟

4、电路故障诊断模型，利用电路仿真收集电路不同工作状态下的关键点电压，代入诊断模型并得到诊断结果。根据各网络的结果分析比较各诊断模型的优缺点，找出模糊数学对改进模拟电路故障诊断模型的具体表现。　　1模糊神经网络的故障诊断模型　　1.1典型模糊神经网络诊断模型介绍　　图1显示的是一个典型的模糊神经网络模型，该模型由原始知识获取（fundamentalknoeterproduce,cdp）、知识提取（knopleset,lss）和模糊神经网络（fuzzyneuralultism软件在直流状态下进行多次montecarlo分析仿真该电路[6]，并考虑电阻的容差影响，取

5、40个样本作为模糊神经网络的训练样本，另取5个样本为测试样本。设电阻r1～r5的容差值为-5%～5%。测试点选为a、b、c、d和e五点，所测电压值为va、vb、vc、vd和ve。　　表1部分电路实验样本原始数据　　　　表2测试样本原始数据　　　　表1列举了40组电路实验样本原始数据的11组，包含了该电路在11种工作状态下的五个关键点电压值，所以n1=5，n2=11，隐含层的节点数可以依据公式2.3确定为12个，其中a为5。　　表2则列举了5组测试样本的原始数据。　　步骤一：数据模糊化　　根据用正态分布函数作为隶属度函数表示“大约为a”模糊概念的思路，可以分别

6、得到各测试点上电压隶属度函数的参数值。　　a1=5.57、a2=4.97、a3=4.9、a4=5.7和a5=5.69以及b1=4.3729、b2=4.4817、b3=3.9091、b4=4.2870和b5=3.7944。　　由各测试点的隶属度函数可得到网络的训练样本见表3。　　表3神经网络部分输入、输出训练样本　　　　步骤二：将训练样本输入神经网络进行训练　　将全部40个原始值和模糊化值的输入样本和对应的输出样本分别输入bp神经网络中进行训练。　　步骤三：将测试样本输入神经网络进行检测　　将全部5个原始值和模糊化值的输入样本和对应的输出样本分别输入已经训练好

7、的bp神经网络中，输出诊断结果见表4。　　表4输出诊断结果　　　　表4中的数据是经过故障诊断后得到的结果，在此只是各随机选用了一组数据加以比较说明。通过对故障诊断的试验观察和结果的比较可以作出以下分析。　　1）模糊化数据能够有效减少神经网络的收敛次数。如在bp网络诊断中，使用模糊化数据的迭代次数由886减少到263次，收敛速度明显加快；　　2）模糊化数据能够有效提高神经网络训练的效果。通过表4中数据的对比可以发现对于相同的神经网络，经过模糊化数据的训练，其准确性更高。这主要表现在电路所对应的状态结果普遍高于未经模糊化数据训练的网络得出的结果；同时，其他状态对

8、应的机率更低，皆低于0.1，且更多值为0，说明数据模