[发明专利]一种基于神经网络的在线电子电路故障诊断方法

说明书

技术领域

本发明涉及一种电子电路故障诊断方法，特别涉及一种基于神经网络的在线电子电路故障诊断方法。

背景技术

神经网络在测试与诊断中的作用包括两方面，作为大规模线性或非线性方程实时求解即参数识别，其次是作为聚类器将故障特定模式进行分类。在将神经网络作为参数识别器使用，很显然方程的变量越少相应的神经网络规模越小，复杂性也得以降低。在模拟电子电路故障诊断参数识别法中，如何减少变量的个数从而简化神经网络的规模和复杂性是关键难题。

发明内容

本发明的目的就是将电路非测试节点电压增量和元件参数增量作为优化变量，不是将所有节点电压增量作为优化变量，降低了神经网络的规模和复杂性。

本发明解决上述技术问题的技术方案包括以下步骤：将待测电子电路所有元件参数增量用等效电源替代；

在可测试节点用单个电流源对电路激励，测试获得可测节点电压对可测节点电流激励间的阻抗矩阵Z_m^m，可测节点电压对等效电源的混合矩阵H^m；

测量待测电路与正常标称电路可测试节点电压并计算其差值；

利用叠加定理将表示故障元件以及非故障元件参数超过容差量的作用的等效电源和单个电流源激励的共同作用建立电路特征方程；

将非测试节点电压增量与元件参数增量共同作为最优化变量建立最小绝对值和优化问题，利用跨导神经网络进行求解，神经网络的输出即为元件参数增量，根据元件参数的容差确定该元件是否故障。

本发明的技术效果在于：本发明只需在一个节点施加一次激励，优化变量少，只需一次优化计算即能获得所有元件参数增量，不需要对电子电路进行多次重复测试与模拟优化计算，神经网络结构相对简单、复杂性低，定位速度快，准确率高。

下面结合附图及实施例，对本发明作详细的说明。

附图说明

图1为本发明的计算元件参数增量的神经网络模拟框图；

图2为本发明的计算求解优化问题的跨导电容神经网络(图中标有G的表示Gilbert跨导乘法器，OHL表示跨导硬限幅器)；

图3为本发明应用示例电子电路；

图4为本发明应用示例电子电路诊断问题求解的神经网络动态演化曲线；

具体实施方式

将待测电子电路所有元件参数增量用等效电源替代，在可测试节点用单个电流源对电路激励，测试获得可测节点电压对可测节点电流激励间的阻抗矩阵Z_m^m(m×m维矩阵)，可测节点电压对等效电源的混合矩阵H^m(m×n维矩阵)，依据阻抗矩阵Z_m^m和混合矩阵H^m建立有关节点电压增量与等效电源变量间关系的电路特征(矩阵)方程：

Vm-ZmmIm=Hmen]]>或