模擬電路故障診斷中的特征信息提取

將數據進行歸一化，然后按照與方法一相同的網絡進行訓練，經過307次達到訓練目標，故障測試情況如表所示5。故障模式F0與F1無法區分，說明R2+50％這個故障模式與正常模式的故障特征相互重疊，同時也看到故障模式F2的故障特征表示的不夠明顯，以至于沒能達到診斷的閾值，其余故障模式都能準確識別，識別正確率為67％。

3 多測試點多特征信息構造樣本集
結合上面兩種方法，提出一種多測試點多故障特征量的模擬電路故障診斷方法。
為了與上面兩種方法進行比較，依然選取相同的電路和相同的故障集，選取方法一中的3個測試點，每個測試點在每種故障狀態下分別提取V5k，V10k，V15k，所對應的電壓作為故障特征值，如表3所示，由于篇幅有限，只列出部分故障模式的原始樣本集。

依然采用正態分布函數對數據進行歸一化，歸一化時，每種頻率對應的正常狀態下的特征值為a，其余故障模式按照對應的頻率分別進行歸一化，將上述數據經過同樣的網絡結構進行訓練，神經網絡采用L—M算法，網絡經過101次訓練達到目標。為與方法一和方法二比較，將歸一化后的原始樣本數據輸入訓練過的網絡中，檢查網絡的故障識別率，判定閾值不變。輸出結果如表6所示。

從表6可以看出，在所有的訓練樣本集中，只有4個樣本在經過訓練后無法識別，此時訓練好的神經網絡識別正確率為85％。說明此方法構造的樣本集能更好的反映故障特征。將此方法與前面兩種方法對比，在網絡訓練目標相同的前提下，對比故障識別正確率如表7所示。

4 結束語
通過比較可以發現，在神經網絡訓練目標相同的前提下，通過多測試點多特征信息構造出來的樣本集所訓練的神經網絡對故障識別正確率高于前兩種方法，這種多測試點多特征信息的診斷方法，在構造原始故障樣本集上盡可能地覆蓋更多的故障信息，使得故障特征能更好地反映故障模式，因此訓練出來的神經網絡的診斷能力更強，仿真結果表明，此方法在模擬電路的故障診斷中是可行的，提供了一種樣本集的構造方法，對模擬電路的故障診斷有著一定的意義。