基于BP神经网络的模拟电路诊断系统研究

　　为了加快神经网络的收敛速度，需要对数据进行尺度变化，这里采用均方根方法对数据预处理。

　　从图4可以看到，电路中共有9个元件，所以其软故障加正常状态共有19种。使用蒙特卡罗分析，电阻在5％的容差下和电容在10％的容差下，对每一个故障模式进行100次Monte-Carlo分析，其中70次为训练样本，构成训练样本集；30次为测试样本，构成测试样本集。对其进行预处理，所得数据见表1，这里仅列出其中1组部分数据。

　　2 诊断结果

　　应用BP神经网络对实验电路进行故障诊断，整个设计与训练过程在Matlab 6．5仿真环境下进行。

　　将训练样本集序列输入神经网络，均方误差设定为0．02，经多次调整网络结构选为4一11-5，学习速度为0．3，动量因子0．3，网络经过179 163次训练调整后达到期望的均方误差。误差变化曲线图如图5所示。

　　为检验经过训练的神经网络的故障诊断能力，分别使用训练样本集和测试样本集对网络进行训练和测试，对应测试样本的神经网络的输出如表l所示。

　　对被测电路采用蒙特卡罗分析得到100组数据，其中70组数据作为训练样本集，30组数据作为测试样本集。从表1可知，其测试结果正确率达100％。故障诊断正确率较高。证明所选择的测试矢量对电路故障诊断是行之有效。

　　3 结 语

　　讨论了BP神经网络在模拟电路故障诊断中的应用和故障特征提取方法；采用多频组合法建立了故障样本集；并且在Matlab下仿真验证了结果的可行性。