專利名稱：采用量子Hopfield神經(jīng)網(wǎng)絡(luò)的模擬電路多故障智能診斷方法
技術(shù)領(lǐng)域：
本發(fā)明涉及模擬電路的故障診斷方法，具體涉及一種采用量子Hopfield神經(jīng)網(wǎng)絡(luò)的模擬電路多故障智能診斷方法。
背景技術(shù)：
針對模擬電路的故障診斷一直是電子工程領(lǐng)域研究熱點(diǎn)。模擬電路的可靠性對諸多復(fù)雜工業(yè)系統(tǒng)運(yùn)行的穩(wěn)定性產(chǎn)生著重要·影響。經(jīng)過二十多年發(fā)展，模擬電路在系統(tǒng)級、電路板級、芯片級層面上，針對單故障的研究已提出許多智能故障診斷方法，并實(shí)現(xiàn)了商業(yè)化的實(shí)際應(yīng)用。這些智能方法能自動(dòng)地幫助操作人員執(zhí)行故障診斷，并針對當(dāng)前故障情形給予正確的維修建議，例如Y. Huang, Abductive reasoning network baseddiagnosis system for fault section estimation in power systems, IEEE Trans,on Power Delivery, Vol. 17，No. 2，369-374，2002.和 Y. Tan, Y. He，C. Cuij G.Qiuj A novel method for analog fault diagnosis based on neural networks andgenetic algorithms, IEEE Trans, on Instrument and Measurement, Vol. 57, No. 11,2631-2639，2008公開的技術(shù)方案。
然而，針對模擬電路所開展的多故障診斷依然是業(yè)內(nèi)公認(rèn)的難題。盡管多故障發(fā)生的可能性較小，但其一旦發(fā)生，操作人員依靠現(xiàn)有的方法，并不能準(zhǔn)確辨識(shí)出故障發(fā)生的根源，進(jìn)而導(dǎo)致操作人員不能正確地采取相應(yīng)措施對故障設(shè)備進(jìn)行維修。特別地，現(xiàn)代電子系統(tǒng)中的某些關(guān)鍵設(shè)備(如運(yùn)載火箭中的電路系統(tǒng))，其故障是不可重現(xiàn)或?yàn)?zāi)難性的，加之難于獲取大量完備的典型故障數(shù)據(jù)樣本，使得在小樣本條件下，針對模擬電路的多故障智能故障診斷成為亟需解決的問題。針對上述問題，國內(nèi)外已有許多專家學(xué)者針對模擬電路的多故障診斷進(jìn)行了廣泛研究。例如文獻(xiàn)[R. Ubarj S. Kostin, J. Raikj Embedded fault diagnosis in digitalsystems with BIST, Microprocessors and Microsystems Vol. 32，279-287，2008.]將某個(gè)特定的多故障特征分解到多個(gè)獨(dú)立的故障特征分析器中，通過適當(dāng)?shù)亟M合這組故障分析器，對多故障給出一個(gè)最優(yōu)的解釋，但代價(jià)函數(shù)的設(shè)計(jì)還有待進(jìn)一步完善，組合的理論機(jī)制沒有明確闡述。在文獻(xiàn)[R. Ubarj S. Kostin, J. Raikj Embedded fault diagnosisin digital systems with BIST, Microprocessors and Microsystems Vol. 32，279-287，2008.]中，作者提出一種基于線性脊波網(wǎng)絡(luò)的多故障診斷方法。該方法使用分形技術(shù)實(shí)現(xiàn)故障特征提取，通過脊波網(wǎng)絡(luò)對多故障的時(shí)域響應(yīng)進(jìn)行分析，完成多故障成分的辨識(shí)，但脊波網(wǎng)絡(luò)的訓(xùn)練較為困難。文獻(xiàn)[V. Brygilewicz, J. Wojciechowski, Time-domain faultdiagnosis of analogue circuits in the presence of noise, IEE Proc. -CircuitsDevices Syst.，Vol. 145，No. 2，125-131，1998.]設(shè)計(jì)一種新的時(shí)域積分靈敏度對多故障進(jìn)行描述，在線性和非線性模擬電路的故障診斷中取得良好效果，但積分靈敏度計(jì)算較為復(fù)雜° 文獻(xiàn)[M. Shakeri, V. Raghavan, K. R. Pattipati, A. Patterson-Hine,Sequential testing algorithms for multiple fault diagnosis, IEEE Trans, onSystems, Man, and Cybernetics-Part A: Systems and Humans, Vol.30, No.1, 1-14,2000.]在結(jié)合信息論和圖論的基礎(chǔ)上，提出一種關(guān)于多故障搜索策略，雖直觀方便，但屬于半定量的算法，診斷準(zhǔn)確性欠佳且耗時(shí)較長。文獻(xiàn)[J. A. Starzyk, J. ff. Bander,Multiport approach to multiple-fault location in analog circuits, IEEE Trans,on Circuts and Systems, Vol. CAS-30, No. 10, 762-765，1983.]所提出的采用線性網(wǎng)絡(luò)的多故障智能診斷方法中，由于該網(wǎng)絡(luò)結(jié)構(gòu)的特殊性，使得這種多故障診斷方法并不具備通用性。另外，現(xiàn)有技術(shù)中，(I)對于故障診斷結(jié)果，不論是單故障還是多故障，如果采用概率機(jī)制來描述故障發(fā)生的可能性，也許會(huì)比采用確定方式所描述的故障診斷結(jié)果更符合人們的思維方式。這是因?yàn)椋捎么_定方式描述的故障診斷結(jié)果缺乏實(shí)際的物理意義，例如基于多元統(tǒng)計(jì)的故障診斷方法，當(dāng)統(tǒng)計(jì)量超過某一特定門限值時(shí)，就認(rèn)為故障發(fā)生，然而故障發(fā)生的位置并不清楚，且這個(gè)門限值在多元統(tǒng)計(jì)框架內(nèi)是固定的，容易造成誤報(bào)(包括虛警和漏警)。又如，基于神經(jīng)網(wǎng)絡(luò)的故障診斷方法，一般是將故障特征進(jìn)行分類，通過分類的結(jié)果判斷出故障的種類，但判斷故障發(fā)生的位置依然不明確，尤其對于多故障，常常會(huì)出現(xiàn)新的故障類，最終導(dǎo)致故障診斷失敗。(2)在實(shí)際的智能故障診斷中，就目前的主流方法——基于BP、RBF等前饋神經(jīng)網(wǎng)絡(luò)的故障診斷而言，當(dāng)故障特征以海量數(shù)據(jù)出現(xiàn)時(shí)，神經(jīng)網(wǎng)絡(luò)的承載能力受到極大限制，即網(wǎng)絡(luò)的結(jié)構(gòu)更復(fù)雜，訓(xùn)練的時(shí)間更長。特別地，當(dāng)獲取的故障響應(yīng)并不完整，或者存在強(qiáng)干擾時(shí)，這類神經(jīng)網(wǎng)絡(luò)對故障模式的識(shí)別能力大為降低，導(dǎo)致診斷結(jié)果并不準(zhǔn)確。

發(fā)明內(nèi)容
針對現(xiàn)有技術(shù)存在的上述不足，本發(fā)明解決現(xiàn)有模擬電路多故障診斷時(shí)間耗損長，辨識(shí)能力差的問題，而提供一種采用量子Hopfield神經(jīng)網(wǎng)絡(luò)的模擬電路多故障智能診斷方法。解決上述技術(shù)問題，本發(fā)明采用如下技術(shù)方案一種采用量子Hopfield神經(jīng)網(wǎng)絡(luò)的模擬電路多故障智能診斷方法，其特征在于，包括如下步驟
1)數(shù)據(jù)采集模擬電路的理想單故障響應(yīng)和實(shí)測多故障響應(yīng)分別通過SPICE仿真和數(shù)據(jù)采集板得到；
2)能量特征提取故障響應(yīng)經(jīng)小波包分解后，其小波系數(shù)在新的能量函數(shù)約束下實(shí)現(xiàn)能量計(jì)算，以構(gòu)建故障響應(yīng)的能量特征子空間；
3)能量特征的量子化能量特征子空間中的元素，按照新定義的轉(zhuǎn)換公式，完成能量特征的量子化；這些量子化后的能量特征經(jīng)過標(biāo)準(zhǔn)正交化后，被提交給量子Hopfield神經(jīng)網(wǎng)絡(luò)，其中，理想單故障響應(yīng)和實(shí)測多故障響應(yīng)的能量特征被分別當(dāng)作量子Hopfield神經(jīng)網(wǎng)絡(luò)的量子記憶原型和量子關(guān)鍵輸入模式；
4)量子Hopfield神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建分析在量子Hopfield神經(jīng)網(wǎng)絡(luò)模型中，神經(jīng)兀狀態(tài)及連接權(quán)值矩陣均米用量子態(tài)表不；當(dāng)前時(shí)刻的量子態(tài)由前面若干個(gè)時(shí)刻的量子態(tài)疊加得到；處于不同時(shí)刻的量測矩陣蘊(yùn)含著量子態(tài)在相應(yīng)時(shí)刻被觀測到的概率信息；通過計(jì)算量測矩陣中相關(guān)權(quán)值元素出現(xiàn)的概率值，得到量子關(guān)鍵輸入模式在特定時(shí)刻，以特定量子記憶原型出現(xiàn)的概率，從而得到多故障相對于特定單故障發(fā)生的概率以判斷出故障發(fā)生的種類。進(jìn)一步，所述步驟I)數(shù)據(jù)采集通過連接在實(shí)際電路終端的數(shù)據(jù)采集器獲得模擬電路的實(shí)測輸出響應(yīng)；其中，數(shù)據(jù)采集器為PC1-6289，它具有32位模擬輸入，18位分辨率，500kS/s的采樣率；同時(shí)，使用Multisum軟件通過SPICE仿真得到理想的輸出響應(yīng)，針對不同的故障位置進(jìn)行仿真。所述步驟2)能量特征提取通過小波包變換和能量計(jì)算實(shí)現(xiàn)模擬電路的多故障能量特征提??；其中，小波包變換的計(jì)算機(jī)理通過正交小波函數(shù)
外)和尺度函數(shù)#(4來描述，與這兩種小波函數(shù)相對應(yīng)的兩組濾波器可定義為
權(quán)利要求
1.采用量子Hopfield神經(jīng)網(wǎng)絡(luò)的模擬電路多故障智能診斷方法，其特征在于，包括如下步驟 1)數(shù)據(jù)采集模擬電路的理想單故障響應(yīng)和實(shí)測多故障響應(yīng)分別通過SPICE仿真和數(shù)據(jù)采集板得到； 2)能量特征提取故障響應(yīng)經(jīng)小波包分解后，其小波系數(shù)在新的能量函數(shù)約束下實(shí)現(xiàn)能量計(jì)算，以構(gòu)建故障響應(yīng)的能量特征子空間； 3)能量特征的量子化能量特征子空間中的元素，按照新定義的轉(zhuǎn)換公式，完成能量特征的量子化；這些量子化后的能量特征經(jīng)過標(biāo)準(zhǔn)正交化后，被提交給量子Hopfield神經(jīng)網(wǎng)絡(luò)，其中，理想單故障響應(yīng)和實(shí)測多故障響應(yīng)的能量特征被分別當(dāng)作量子Hopfield神經(jīng)網(wǎng)絡(luò)的量子記憶原型和量子關(guān)鍵輸入模式； 4)量子Hopfield神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建分析在量子Hopfield神經(jīng)網(wǎng)絡(luò)模型中，神經(jīng)兀狀態(tài)及連接權(quán)值矩陣均米用量子態(tài)表不；當(dāng)前時(shí)刻的量子態(tài)由前面若干個(gè)時(shí)刻的量子態(tài)疊加得到；處于不同時(shí)刻的量測矩陣蘊(yùn)含著量子態(tài)在相應(yīng)時(shí)刻被觀測到的概率信息；通過計(jì)算量測矩陣中相關(guān)權(quán)值元素出現(xiàn)的概率值，得到量子關(guān)鍵輸入模式在特定時(shí)刻，以特定量子記憶原型出現(xiàn)的概率，從而得到多故障相對于特定單故障發(fā)生的概率以判斷出故障發(fā)生的種類。
2.根據(jù)權(quán)利要求1所述采用量子Hopfield神經(jīng)網(wǎng)絡(luò)的模擬電路多故障智能診斷方法，其特征在于，所述步驟I)數(shù)據(jù)采集通過連接在實(shí)際電路終端的數(shù)據(jù)采集器獲得模擬電路的實(shí)測輸出響應(yīng)；其中，數(shù)據(jù)采集器為PC1-6289，它具有32位模擬輸入，18位分辨率，500kS/s的采樣率；同時(shí)，使用Multisum軟件通過SPICE仿真得到理想的輸出響應(yīng)，針對不同的故障位置進(jìn)行仿真。
3.根據(jù)權(quán)利要求1所述采用量子Hopfield神經(jīng)網(wǎng)絡(luò)的模擬電路多故障智能診斷方法，其特征在于，所述步驟2)能量特征提取通過小波包變換和能量計(jì)算實(shí)現(xiàn)模擬電路的多故障能量特征提?。黄渲?，小波包變換的計(jì)算機(jī)理通過正交小波函數(shù)剛和尺度函數(shù)外4來描述，與這兩種小波函數(shù)相對應(yīng)的兩組濾波器可定義為
4.根據(jù)權(quán)利要求1所述采用量子Hopfield神經(jīng)網(wǎng)絡(luò)的模擬電路多故障智能診斷方法，其特征在于，所述步驟3)能量特征的量子化為 假定故障響應(yīng)在《個(gè)小波節(jié)點(diǎn)處所計(jì)算出的能量特征值為一個(gè)《維的實(shí)數(shù)向量X(,t) = [^1 (Ar),, (Ar), ·■■ Xk (i)]T ,那么其量子化描述可表示為
5.根據(jù)權(quán)利要求1所述采用量子Hopfield神經(jīng)網(wǎng)絡(luò)的模擬電路多故障智能診斷方法，其特征在于，所述步驟4)量子Hopfield神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建分析為帶時(shí)間延遲的量子Hopfield神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建在聯(lián)想記憶機(jī)制的基礎(chǔ)上，結(jié)合量子計(jì)算中的線性疊加原理及量子測量原理，提出一種帶有時(shí)間延遲的量子Hopfield神經(jīng)網(wǎng)絡(luò)模型，通過模型的構(gòu)建與概率計(jì)算實(shí)現(xiàn)模擬電路的多故障診斷； 量子Hopfield神經(jīng)網(wǎng)絡(luò)模型為
全文摘要
本發(fā)明提供一種采用量子Hopfield神經(jīng)網(wǎng)絡(luò)的模擬電路多故障智能診斷方法，針對模擬電路的多故障耦合問題，包括數(shù)據(jù)采集、特征提取、特征量子化和故障成因概率分析等步驟。模擬電路的理想單故障響應(yīng)和實(shí)測多故障響應(yīng)分別通過SPICE仿真和數(shù)據(jù)采集板得到。經(jīng)小波包分解后，故障響應(yīng)的小波系數(shù)在新的能量函數(shù)定義下，實(shí)現(xiàn)能量特征空間的構(gòu)建。能量特征空間中的元素在量子化的基礎(chǔ)上，被提交給量子Hopfield神經(jīng)網(wǎng)絡(luò)模型。網(wǎng)絡(luò)中的神經(jīng)元狀態(tài)及連接權(quán)值矩陣均采用量子態(tài)表示。通過計(jì)算量測矩陣中相關(guān)權(quán)值元素出現(xiàn)的概率值，得到量子關(guān)鍵輸入模式在特定時(shí)刻以特定量子記憶原型出現(xiàn)的概率，從而得到多故障相對于特定單故障發(fā)生的概率以判斷出故障發(fā)生的種類。
文檔編號(hào)G01R31/316GK103018660SQ20121056923
公開日2013年4月3日 申請日期2012年12月25日 優(yōu)先權(quán)日2012年12月25日
發(fā)明者李鵬華, 李銀國, 柴毅, 岑明, 李永福, 邱翊峰, 周思 申請人:重慶郵電大學(xué)