电路板故障诊断中神经网络信息融合技术的应用

1、电路板故障诊断中神经网络信息融合技术的应用        摘要：将信息融合技术应用到导弹电子设备的电路板故障诊断之中，提出了一种基于红外热成像实验的温度故障隶属度函数构造形式以及改进的BP神经网络算法。进行了BP神经网络信息融合故障诊断的实验研究，从结果看信息融合能较好地解决电路板元件故障诊断的不确定性问题。 关键词：BP神经网络；信息融合技术；电路板；故障诊断 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多传感器信息融合技术（Multi-Sensor Information Fusion，MSIF）是对人脑综合处理复杂问题的一种功能模拟。近十几年来，MSIF获得了普遍的关注和广泛的应用。其主要信息融合故障诊断方法有：Bayes推理、模糊信息融合、D-S (Dempster-Shafer)证据推理及神经网络信息融合等1。导弹电子设备的故障检测与定位，一直是一个十分复杂困难的工作。在这方面，多传感器信息融合技术提供了一条崭新的途径，主要是由MSIF独特的多维信息处理方式决定的。我们将信息融合

5、技术引入到导弹测发控系统CAMAC模件的故障元件诊断之中，通过测试电路板工作时电子元件的温度和输入输出测试向量两方面的数据信息，利用改进算法的BP神经网络进行数据融合，从而搜寻出故障元件。1神经网络信息融合方法神经网络信息融合，是将神经网络引入信息融合之中，同时结合模糊集合论进行故障判断。其具体过程为：通过多传感器测试被诊断对象，求出每一传感器输出对各类故障的隶属度值，将所有传感器的故障隶属度值矢量作为神经网络的输入，网络输出即为融合后该症状属于各类故 障的隶属度值矢量。11网络结构的设计2人工神经元网络有多种网络模型，他们各有不同的应用范围和不同特性。其中BP（Back Propagatio

6、n）网络较为简单，且具有强有力的自学习能力，高度非线性的映射能力和通过非线性函数（S型）的多次复合，以任意精度逼近任意连续函数的信息处理和模式识别能力，是目前被广泛采用的一种ANN模型，本文也采用了BP网络。BP网络的结构设计分为两部分： （1）确定网络的层数。 （2）确定每一层上的节点数。在网络的结构设计中，分别对二层、三层和四层网络进行训练，发现网络的层数选取三层时，网络的估计误差较小，学习时间较短，因此网络的层数确定为三层。网络的输入、输出节点数是由实际问题确定的。通过对CAMAC系统电路板被诊断元件以及传感器参数的实际情况的分析，确定网络的输入节点数为47个，分别对应多传感器各输出矢量

7、；输出节点取24个，对应被诊断元件数。网络的隐节点数选取到目前为止尚无完整理论指导。 隐节点数多，网络实现的映射复杂，网络的训练误差小；但如果网络的隐节点数过多，网络虽然对已知样本的训练误差小，但对未知样本的估计误差却增加。因此对于隐节点数的确定主要采用实验的方法，最终确定为20个。12BP算法的改进3，4考虑在实际应用中，网络的节点数较多，存在一些不足：（1）网络学习训练收敛速度慢。（2）由于他是一个非线性优化问题，因而不可避免地会遇到局部极小的问题。（3）学习常数的选则较难。在大量理论分析和实际运行的基础上，对BP算法做了以下改进：121误差函数的改进从BP网络的学习训练原理可知，经过多次

8、迭代后权值W，V和阈值i，j的确定并不能保证所有的Ep（p1，2，N1）满足误差精度要求，而且与样本输入的顺序也有关，这必然会影响算法的准确性。为了克服上述问题，将所有输入模式的误差总和作为误差函数。其中：k1，2，N。122自适应学习率我们知道，BP网络是通过不断地调整权值和阈值使误差函数达到给定精度的要求。为了求得最小误差值，必须寻找最佳的学习常数，为此，作者将总体误差函数看作学习常数的函数，同时误差函数在确定的网络结构中又是权值和阈值的函数，即E（t）f（W（t），（t），而且在进行 反向传播算法时结合优化的方法来确定其每一次迭代时的学习常数a，目标函数为。这样可以有效地减少迭代次数，大

9、大地缩短学习训练时间。13神经网络信息融合诊断步骤5神经网络信息融合诊断过程如图1所示：其中A1，A2，An为待诊断的故障模式。j（A1），j（A2），j（An）为传感器j测得的各故障模式A1，A2，An所得的隶属度值，（A1），j（A2），（An）为融合的隶属度值。 具体步骤如下：各传感器故障隶属度值确立通过传感器测试待诊断对象的症状参数，经过一定的变换处理，得到各传感器所测症状属于各类故障的隶属度值j（A1），j（Ai），j（An）；图1中的j（Ai）表示传感器j测得症状属于故障Ai的隶属度值，n为故障的类型总数。神经网络的训练先用标准样本对神经网络进行训练，其样本由实验测定，训练时网络的

10、输入端为各传感器测试出的各待诊断对象属于故障的隶属度，网络输出端为各待诊断对象已知的故障隶属度值。网络的实际结构形式视实际问题而定。神经网络信息融合对某一待诊断对象，将各传感器测试的故障隶属度矢量作为训练后网络的输入，输出即为融合后的故障隶属度矢量。由此输出可以判断实际故障模式。2应用研究21研究对象XX导弹测发控系统主要由CAMAC测试设备组成，比较复杂，出现问题后，单纯靠经验分析排除故障比较困难。对于CAMAC系统电路板而言，由于他们与CAMAC总线相连，如果仅仅依赖于其接口关系，对其进行故障检测与诊断，则可能会出现信息量不够的情况，因此这里考虑利用红外热成像技术用于对电路板故障诊断，这种

11、非接触式检测手段不会因检测不慎使元件受损，同时他对电路板的可测性设计和测试连接设备无需提出额外要求6。22融合诊断原理多传感器信息融合关键问题之一是各种故障信息的获取。对于本文研究的对象而言，电路板的输入输出响应可以作为故障信息源之一；另外，温度信号也反映了元件的故障信息。对电子电路系统某一特定元器件，当系统正常工作时，其元件的温度值是确定数值。当元器件出现故障时，一般地说其温度信号也会发生变化（无论是升高还是降低），偏差越大相对来说元器件出现故障的可能性会变大，因此，将温度信息作为故障的另一信息源。23隶属度函数的形式隶属度函数主要由传感器本身的工作特性及被测参数的特性而定，电路板正常工作时

12、，在环境温度一定的情况下，其芯片温度值是一稳定数值，当元器件出现故障时，一般地说其电压值会偏离正常范围，温度信号也会发生变化（无论是升高还是降低），偏差越大相对来说元器件出现故障的可能性会变大，依据对大量的实验结果的统计数据分析，隶属度函数ij（x）的分布如图2所示。其表达式如下：其中：x0ij为电路工作正常时被测元件的标准参数值；eij为待诊断元件参数的正常变化范围；tij为待诊断元件参数的极限偏差，为修正系数；ji为传感器j测定被诊断元件i属于故障的隶属度，xj为传感器j测定的实际数值。对于接口信号的隶属度函数值，我们把数字量的输入输出信号，以布尔值作为其隶属度值，对于模拟量，考虑其容差，

13、依据经验对其做归一化处理后作为信息融合的输入。24BP网络的学习与诊断神经网络的学习样本通过现有故障元件模拟测试得到，总计48个。由于样本较大，为了避免网络的过分拟合现象，采用了这样的设计方法：将样本集分成两部分，一部分作为已知样本对网络进行学习，另一部分作为未知样本检验网络的估计误差。网络学习流程如图3所示。将改进的BP算法和传统的BP网络算法进行对比分析，结果表明：经过改进的BP网络运算的收敛速度有较大的提高。改进前后其计算时间和叠代次数如表1所示。通过已训练完毕的BP网络对未学习的21个单故障样本进行故障诊断，结果表明只有2例给出了误诊和漏诊结论，其他19例则取得了较好的效果。而信息融合

14、前误诊和漏诊的次数分别有3次和4次。3结语本文利用神经信息融合技术对导弹电子设备的故障诊断研究表明：如果只用一种输入的信息来识别故障元件，会出现难以确定哪个元件故障的状况。但融合后故障元件的隶属度值大为提高，且与其他元件的隶属度值相差很大，此时就能比较准确地识别出故障元件。也就是说，信息融合后的隶属度值和单传感器的隶属度值相比，增加了实际故障元件的隶属度分配值，相对减少了其他元件的隶属度分配值，这必使待诊断对象的不确定性大幅度降低，降低了由于单传感器提供信息量少而产 生的误诊断现象。由此可见，基于BP网络和模糊数学的多传感器信息融合故障诊断方法，使实际故障元件的隶属度值大为增加，待诊断对象的可分析性增强，故障元件定位的准确率大为提高。 不过也应看到，在神经网络信息融合诊断方法成功应用是充分利用了训练样本中的先验知识的缘故。事实上真正的实际故障训练样本获取常常存在一定的困难，一旦无法获取训练样本，此种诊断方法将无法使用。另一方面，还必须考虑网络学习的收敛性问题。参考文献 1刘同勋数据融合技术及其应用M北京：国防工业出版社，19982焦李成神经网络系统理论M西安：西安电子 科技大学出版社，19903BATTITI R. First and second-order methods for learning：between steepest descent and