乔亚琼
【摘 要】本次研究将对神经网络方法做简单介绍，在此基础上提出小波神经网络法、优化神经网络法以及支持向量机法等在模拟电路故障诊断中的应用。
【关键词】模拟电路故障诊断；机器学习；神经网络；支持向量机
0 前言
电路系统运行可靠性是当前电网建设关注的主要问题，特别部分设备与系统运行环境复杂，面临辐射、潮湿、压力、高低温等情况，系统可靠性难以保证，且易对操作人员带来安全威胁。而解决该问题的关键在于电路故障下通过有效的模拟定位诊断方式，达到故障识别、预测的目的。因此，本文对机器学习下模拟电路故障诊断的研究，具有十分重要的意义。
1 神经网络方法概述
1.1 BP神经网络
所谓神经网络，主要指由信息分析、数学分析与处理等模块构成，以生物学人脑认识为基础所形成的计算系统，被广泛用于运动过程控制、知识处理工程以及信号处理、模式识别等方面。人工神经网络应用中，较为常见的以BP神经网络为主，其本身有较强泛化能力，引入到模拟电路故障诊断中，既能对以往样本识别，同时可识别新数据，强调进行“故障字典”的建立。需注意，这种方式应用下由于需进行海量数据的获取，在此基础上构建训练样本集，需要的工作量较大。
1.2 RBF神经网络
作为前馈网络患主要类型，RBF网络近年来也被引入到模拟电路故障诊断中，其优势在于输入输出映射功能较强，训练过程较快。具体运用于模拟电路故障诊断中，实现的流程主要包括：①网络拓扑结构的确定，将网络层数以及相应的神经元数目确定，在此基础上完成隐层函数类型的确定；②网络相关参数的确定，RBF网络设计中，需保证赋值合理，赋值对象主要以网络权值、隐层单元函数参数为主；③结合已知样本数据训练网络，做输出、输入对应关系的构建；④实测过程，在训练后的网络内输入故障数据，输出的结果便可用于故障诊断依据[1]。
2 小波神经网络法在模拟电路故障诊断中的应用表现
2.1 小波神经网络法实现原理
神经网络法应用于模拟电路故障诊断中，一般面临输入层单元数过多结构复杂以及训练时间长等问题，在此背景下引入小波理论。关于小波理论，其本身为时频分析方法，强调通过小波变化实现频窗的调节，灵活性较强，具体分析小波变换特点，表现为：①通过递进方式逐段进行信号的细化；②小波变换可理解为信号滤波过程，借助滤波器实现滤波处理的目的；③小波时频特性较好，待小波分解信号后，时频域上处理可获取清晰的特征信号，用于信号分析查找效果理想。需注意的是，该方法应用下应结合模拟电路故障诊断实际，进行小波基选择与小波分解等。
2.2 小波神经网络法在模拟电路故障诊断中的应用
神经网络方法的应用，强调做故障类别、故障信息联系构建的，以映射、函数方式使该联系实现，但如何保证神经网络性能较高，要求训练网络、更新网络均有精确完整的信息。而该目标的实现便需通过小波变化实现，保证信号的有效获取，提高故障诊断效率。具体剖析小波神经网络故障诊断中，强调进行测试电路的构造，分别记录正常状态、故障状态，对采样点电压值等信号信息进行采集，以小波做消噪分解处理，然后于存储器内存储故障特征信息，故障字典此时便会形成。本次研究中主要选BPNN为例，分析小波神经网络应用的具体流程，流程表现为：①将激励信号施加于被测电路中，其中激励信号的选择要求幅度足够，相比被测电路带宽其频率成分较高；②对诊断电路状态以Pspice仿真，实现数据的获取；③以小波分析做信号预处理，确保获取的特征信号将电路所有状态特征均融入其中，并借助Matlab，实现模拟电路故障状态、正常状态下的小波分解；④BPNN的构造与训练，构造中需取故障、正常状态下特征向量，形成训练样本集，训练中仅需向BP网络中输入，便能进行故障字典的构建，最后做故障判断[2]。
3 优化神经网络法在模拟电路故障诊断中的应用表现
3.1 蚁群算法与免疫算法基本介绍
所谓蚁群算法，主要指模拟进化算法，用于最优路径的寻找，经过长期实践研究，有蚁群系统提出，其特征表现在自组织算法、全局搜索并行算法等，在最短路径寻找上效果明显。而免疫算法，包括多种类型，如免疫相应过程IA、自我调节机制IA、克隆选择原理IA以及疫苗接种IA等，本文在研究中主要考虑结合疫苗接种、自我调节方法，确保高适应度个体保留的同时，个体多样性得以保证。由于单纯应用蚂蚁算法下，停滞现象较为明显，所以将免疫机制引入，融合下形成免疫蚂蚁算法，优化RBF网络中心参量，对电路故障诊断效果明显。
3.2 免疫蚁群RBF网络下的模拟电路故障诊断
免疫蚁群RBF网络用于模拟电路故障诊断中，实现流程表现为：①测试准备，对于典型故障，需做Monte Carlo分析、最坏情况分析以及瞬态分析方法实现电压信号的获取，以小波分析法进行特征信号的提取，该过程要求将激励信号施加于被测电路，获取输出电压信号V，以.mat格式文件做信号存储，然后数字化处理电压信号V，归化处理表征故障特征向量，使训练样本生成；②训练网络，于ACS-IP RBF网络内输入训练样本；③診断，处理输入信息，获取的输出信息可用于故障诊断与定位。
4 支持向量机模拟电路故障诊断方法
支持向量机亦被称之为SVM，直接引入电路故障诊断中，存在样本数量多、机器内存消耗大以及运算时间长等特点。对此情况，本次研究提出优化SVM方法，其实现步骤体现为测试电路、特征信号提取测量、数据预处理、归一化转换为网络输入模式、将优化RBF核SVM输入、将网络输出作为诊断结果。部分实践研究中对于支持向量机的应用做出较多分析，发现其在故障诊断中优势主要表现为泛化能力强、准确率高、速度快等[3]。
具体应用优化SVM方法进行模拟电路故障诊断，实现的流程为：①测前准备，选取典型测试电路，并根据电路特点与相关元件性质，分析其中故障发生率较高的元器件，记录故障状态信息数据，形成电路故障集，将激励信号施加其中；②测试节点选取，要求对模糊集中最多节点作为测试节点；③PSPICE仿真，归一化处理测试点电压值，假定以Vmax表示数据最大值，调整数据介于[0，1]之间，这样获取的数据包括测试样本、训练样本均于存储器存储，生成故障状态表；④构建多故障分类器SVM，然后将训练样本输入，最终输出的结果可用于故障诊断依据。
5 结论
模拟电路故障诊断是当前电网建设中关注的主要内容。实际诊断中，可考虑引入神经网络算法，在其基础上做相关的优化，引入优化RBF、支持向量机算法等，对提高诊断效果均能发挥重要作用。
【参考文献】
[1]闫永征.基于流形学习的数据降维技术及工程应用研究[D].北方工业大学，2017.
[2]陈晨.基于支持向量机的模拟电路故障诊断研究[D].渤海大学，2016.endprint
