電路板故障診斷中神經(jīng)網(wǎng)絡(luò)信息融合技術(shù)的應(yīng)用

1、電路板故障診斷中神經(jīng)網(wǎng)絡(luò)信息融合技術(shù)的應(yīng)用        摘要：將信息融合技術(shù)應(yīng)用到導(dǎo)彈電子設(shè)備的電路板故障診斷之中，提出了一種基于紅外熱成像實驗的溫度故障隸屬度函數(shù)構(gòu)造形式以及改進的BP神經(jīng)網(wǎng)絡(luò)算法。進行了BP神經(jīng)網(wǎng)絡(luò)信息融合故障診斷的實驗研究，從結(jié)果看信息融合能較好地解決電路板元件故障診斷的不確定性問題。 關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；信息融合技術(shù)；電路板；故障診斷 Application of CircuitBoard FaultDiagnosisBased onNeuralNetwork Information F

2、usion Technology XIAO Tao，HU Changhua （College of the Second Artillery and Engineering，Xian，710025，China）Abstract：In this paper，the technology of information fusion is used in missile electronic equipments circuit board faultdiagnosis，the temperature membership function of based on infrared thermal

3、imaging experiment and a new improved BP neuralnetwork algorithm are presentedThe experiment research of neuralnetwork information fusion diagnosis is presentedIt is shownthatthe uncertain of circuitboard component fault diagnosis was solved fairly from fusion result Keywords：back-propagation neural

4、network；information fusion；circuitboard；faultdiagnosis多傳感器信息融合技術(shù)（Multi-Sensor Information Fusion，MSIF）是對人腦綜合處理復(fù)雜問題的一種功能模擬。近十幾年來，MSIF獲得了普遍的關(guān)注和廣泛的應(yīng)用。其主要信息融合故障診斷方法有：Bayes推理、模糊信息融合、D-S (Dempster-Shafer)證據(jù)推理及神經(jīng)網(wǎng)絡(luò)信息融合等1。導(dǎo)彈電子設(shè)備的故障檢測與定位，一直是一個十分復(fù)雜困難的工作。在這方面，多傳感器信息融合技術(shù)提供了一條嶄新的途徑，主要是由MSIF獨特的多維信息處理方式?jīng)Q定的。我們將信息融合

5、技術(shù)引入到導(dǎo)彈測發(fā)控系統(tǒng)CAMAC模件的故障元件診斷之中，通過測試電路板工作時電子元件的溫度和輸入輸出測試向量兩方面的數(shù)據(jù)信息，利用改進算法的BP神經(jīng)網(wǎng)絡(luò)進行數(shù)據(jù)融合，從而搜尋出故障元件。1神經(jīng)網(wǎng)絡(luò)信息融合方法神經(jīng)網(wǎng)絡(luò)信息融合，是將神經(jīng)網(wǎng)絡(luò)引入信息融合之中，同時結(jié)合模糊集合論進行故障判斷。其具體過程為：通過多傳感器測試被診斷對象，求出每一傳感器輸出對各類故障的隸屬度值，將所有傳感器的故障隸屬度值矢量作為神經(jīng)網(wǎng)絡(luò)的輸入，網(wǎng)絡(luò)輸出即為融合后該癥狀屬于各類故 障的隸屬度值矢量。11網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計2人工神經(jīng)元網(wǎng)絡(luò)有多種網(wǎng)絡(luò)模型，他們各有不同的應(yīng)用范圍和不同特性。其中BP（Back Propagatio

6、n）網(wǎng)絡(luò)較為簡單，且具有強有力的自學(xué)習(xí)能力，高度非線性的映射能力和通過非線性函數(shù)（S型）的多次復(fù)合，以任意精度逼近任意連續(xù)函數(shù)的信息處理和模式識別能力，是目前被廣泛采用的一種ANN模型，本文也采用了BP網(wǎng)絡(luò)。BP網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計分為兩部分： （1）確定網(wǎng)絡(luò)的層數(shù)。 （2）確定每一層上的節(jié)點數(shù)。在網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計中，分別對二層、三層和四層網(wǎng)絡(luò)進行訓(xùn)練，發(fā)現(xiàn)網(wǎng)絡(luò)的層數(shù)選取三層時，網(wǎng)絡(luò)的估計誤差較小，學(xué)習(xí)時間較短，因此網(wǎng)絡(luò)的層數(shù)確定為三層。網(wǎng)絡(luò)的輸入、輸出節(jié)點數(shù)是由實際問題確定的。通過對CAMAC系統(tǒng)電路板被診斷元件以及傳感器參數(shù)的實際情況的分析，確定網(wǎng)絡(luò)的輸入節(jié)點數(shù)為47個，分別對應(yīng)多傳感器各輸出矢量

7、；輸出節(jié)點取24個，對應(yīng)被診斷元件數(shù)。網(wǎng)絡(luò)的隱節(jié)點數(shù)選取到目前為止尚無完整理論指導(dǎo)。 隱節(jié)點數(shù)多，網(wǎng)絡(luò)實現(xiàn)的映射復(fù)雜，網(wǎng)絡(luò)的訓(xùn)練誤差??；但如果網(wǎng)絡(luò)的隱節(jié)點數(shù)過多，網(wǎng)絡(luò)雖然對已知樣本的訓(xùn)練誤差小，但對未知樣本的估計誤差卻增加。因此對于隱節(jié)點數(shù)的確定主要采用實驗的方法，最終確定為20個。12BP算法的改進3，4考慮在實際應(yīng)用中，網(wǎng)絡(luò)的節(jié)點數(shù)較多，存在一些不足：（1）網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練收斂速度慢。（2）由于他是一個非線性優(yōu)化問題，因而不可避免地會遇到局部極小的問題。（3）學(xué)習(xí)常數(shù)的選則較難。在大量理論分析和實際運行的基礎(chǔ)上，對BP算法做了以下改進：121誤差函數(shù)的改進從BP網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練原理可知，經(jīng)過多次

8、迭代后權(quán)值W，V和閾值i，j的確定并不能保證所有的Ep（p1，2，N1）滿足誤差精度要求，而且與樣本輸入的順序也有關(guān)，這必然會影響算法的準確性。為了克服上述問題，將所有輸入模式的誤差總和作為誤差函數(shù)。其中：k1，2，N。122自適應(yīng)學(xué)習(xí)率我們知道，BP網(wǎng)絡(luò)是通過不斷地調(diào)整權(quán)值和閾值使誤差函數(shù)達到給定精度的要求。為了求得最小誤差值，必須尋找最佳的學(xué)習(xí)常數(shù)，為此，作者將總體誤差函數(shù)看作學(xué)習(xí)常數(shù)的函數(shù)，同時誤差函數(shù)在確定的網(wǎng)絡(luò)結(jié)構(gòu)中又是權(quán)值和閾值的函數(shù)，即E（t）f（W（t），（t），而且在進行 反向傳播算法時結(jié)合優(yōu)化的方法來確定其每一次迭代時的學(xué)習(xí)常數(shù)a，目標(biāo)函數(shù)為。這樣可以有效地減少迭代次數(shù)，大

9、大地縮短學(xué)習(xí)訓(xùn)練時間。13神經(jīng)網(wǎng)絡(luò)信息融合診斷步驟5神經(jīng)網(wǎng)絡(luò)信息融合診斷過程如圖1所示：其中A1，A2，An為待診斷的故障模式。j（A1），j（A2），j（An）為傳感器j測得的各故障模式A1，A2，An所得的隸屬度值，（A1），j（A2），（An）為融合的隸屬度值。 具體步驟如下：各傳感器故障隸屬度值確立通過傳感器測試待診斷對象的癥狀參數(shù)，經(jīng)過一定的變換處理，得到各傳感器所測癥狀屬于各類故障的隸屬度值j（A1），j（Ai），j（An）；圖1中的j（Ai）表示傳感器j測得癥狀屬于故障Ai的隸屬度值，n為故障的類型總數(shù)。神經(jīng)網(wǎng)絡(luò)的訓(xùn)練先用標(biāo)準樣本對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，其樣本由實驗測定，訓(xùn)練時網(wǎng)絡(luò)的

10、輸入端為各傳感器測試出的各待診斷對象屬于故障的隸屬度，網(wǎng)絡(luò)輸出端為各待診斷對象已知的故障隸屬度值。網(wǎng)絡(luò)的實際結(jié)構(gòu)形式視實際問題而定。神經(jīng)網(wǎng)絡(luò)信息融合對某一待診斷對象，將各傳感器測試的故障隸屬度矢量作為訓(xùn)練后網(wǎng)絡(luò)的輸入，輸出即為融合后的故障隸屬度矢量。由此輸出可以判斷實際故障模式。2應(yīng)用研究21研究對象XX導(dǎo)彈測發(fā)控系統(tǒng)主要由CAMAC測試設(shè)備組成，比較復(fù)雜，出現(xiàn)問題后，單純靠經(jīng)驗分析排除故障比較困難。對于CAMAC系統(tǒng)電路板而言，由于他們與CAMAC總線相連，如果僅僅依賴于其接口關(guān)系，對其進行故障檢測與診斷，則可能會出現(xiàn)信息量不夠的情況，因此這里考慮利用紅外熱成像技術(shù)用于對電路板故障診斷，這種

11、非接觸式檢測手段不會因檢測不慎使元件受損，同時他對電路板的可測性設(shè)計和測試連接設(shè)備無需提出額外要求6。22融合診斷原理多傳感器信息融合關(guān)鍵問題之一是各種故障信息的獲取。對于本文研究的對象而言，電路板的輸入輸出響應(yīng)可以作為故障信息源之一；另外，溫度信號也反映了元件的故障信息。對電子電路系統(tǒng)某一特定元器件，當(dāng)系統(tǒng)正常工作時，其元件的溫度值是確定數(shù)值。當(dāng)元器件出現(xiàn)故障時，一般地說其溫度信號也會發(fā)生變化（無論是升高還是降低），偏差越大相對來說元器件出現(xiàn)故障的可能性會變大，因此，將溫度信息作為故障的另一信息源。23隸屬度函數(shù)的形式隸屬度函數(shù)主要由傳感器本身的工作特性及被測參數(shù)的特性而定，電路板正常工作時

12、，在環(huán)境溫度一定的情況下，其芯片溫度值是一穩(wěn)定數(shù)值，當(dāng)元器件出現(xiàn)故障時，一般地說其電壓值會偏離正常范圍，溫度信號也會發(fā)生變化（無論是升高還是降低），偏差越大相對來說元器件出現(xiàn)故障的可能性會變大，依據(jù)對大量的實驗結(jié)果的統(tǒng)計數(shù)據(jù)分析，隸屬度函數(shù)ij（x）的分布如圖2所示。其表達式如下：其中：x0ij為電路工作正常時被測元件的標(biāo)準參數(shù)值；eij為待診斷元件參數(shù)的正常變化范圍；tij為待診斷元件參數(shù)的極限偏差，為修正系數(shù)；ji為傳感器j測定被診斷元件i屬于故障的隸屬度，xj為傳感器j測定的實際數(shù)值。對于接口信號的隸屬度函數(shù)值，我們把數(shù)字量的輸入輸出信號，以布爾值作為其隸屬度值，對于模擬量，考慮其容差，

13、依據(jù)經(jīng)驗對其做歸一化處理后作為信息融合的輸入。24BP網(wǎng)絡(luò)的學(xué)習(xí)與診斷神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)樣本通過現(xiàn)有故障元件模擬測試得到，總計48個。由于樣本較大，為了避免網(wǎng)絡(luò)的過分擬合現(xiàn)象，采用了這樣的設(shè)計方法：將樣本集分成兩部分，一部分作為已知樣本對網(wǎng)絡(luò)進行學(xué)習(xí)，另一部分作為未知樣本檢驗網(wǎng)絡(luò)的估計誤差。網(wǎng)絡(luò)學(xué)習(xí)流程如圖3所示。將改進的BP算法和傳統(tǒng)的BP網(wǎng)絡(luò)算法進行對比分析，結(jié)果表明：經(jīng)過改進的BP網(wǎng)絡(luò)運算的收斂速度有較大的提高。改進前后其計算時間和疊代次數(shù)如表1所示。通過已訓(xùn)練完畢的BP網(wǎng)絡(luò)對未學(xué)習(xí)的21個單故障樣本進行故障診斷，結(jié)果表明只有2例給出了誤診和漏診結(jié)論，其他19例則取得了較好的效果。而信息融合

14、前誤診和漏診的次數(shù)分別有3次和4次。3結(jié)語本文利用神經(jīng)信息融合技術(shù)對導(dǎo)彈電子設(shè)備的故障診斷研究表明：如果只用一種輸入的信息來識別故障元件，會出現(xiàn)難以確定哪個元件故障的狀況。但融合后故障元件的隸屬度值大為提高，且與其他元件的隸屬度值相差很大，此時就能比較準確地識別出故障元件。也就是說，信息融合后的隸屬度值和單傳感器的隸屬度值相比，增加了實際故障元件的隸屬度分配值，相對減少了其他元件的隸屬度分配值，這必使待診斷對象的不確定性大幅度降低，降低了由于單傳感器提供信息量少而產(chǎn) 生的誤診斷現(xiàn)象。由此可見，基于BP網(wǎng)絡(luò)和模糊數(shù)學(xué)的多傳感器信息融合故障診斷方法，使實際故障元件的隸屬度值大為增加，待診斷對象的可分析性增強，故障元件定位的準確率大為提高。 不過也應(yīng)看到，在神經(jīng)網(wǎng)絡(luò)信息融合診斷方法成功應(yīng)用是充分利用了訓(xùn)練樣本中的先驗知識的緣故。事實上真正的實際故障訓(xùn)練樣本獲取常常存在一定的困難，一旦無法獲取訓(xùn)練樣本，此種診斷方法將無法使用。另一方面，還必須考慮網(wǎng)絡(luò)學(xué)習(xí)的收斂性問題。參考文獻 1劉同勛數(shù)據(jù)融合技術(shù)及其應(yīng)用M北京：國防工業(yè)出版社，19982焦李成神經(jīng)網(wǎng)絡(luò)系統(tǒng)理論M西安：西安電子 科技大學(xué)出版社，19903BATTITI R. First and second-order methods for learning：between steepest descent and