北京市朝阳外国语学校 孙照斌

1.引言

随着科学技术的发展，越来越多的电子产品进入到我们的生活，大规模电路也在通信技术和控制设备中被广泛应用。然而在一些重要的领域内，仅仅依靠人力对电路故障进行排查是不现实的。为了简化工作量，提高电路运行速度效率及安全性，达到实时监控故障的效果，业界利用人工神经网络实现自动化的诊断。本文主要介绍当前最常用的两种神经网络故障诊断法，并根据这两种方法在模拟电路中诊断的结果，阐述各自的优势和劣势，最后对未来亟需攻克的问题及神经网络故障诊断法的发展趋势进行简要概述。

2.电路故障诊断分类

2.1 硬故障

模拟电路会出现因电路本身元器件故障而导致电路陷入瘫痪的情况。这些故障通常是由于元器件出现老化，自身性质发生极大的、不可逆的变化，从而使电路的拓扑结构发生变化，形成短路或开路，导致电路停止工作。有时某个电路的停止会波及到整个系统，形成连锁反应，甚至造成系统崩溃，严重影响生产效率和经济效益。这种毁灭性的自身故障统称为硬故障。

2.2 软故障

通常情况下，电路中的各元件均存在一个容差，由于环境温度、湿度等条件的影响，元件的性质也会随之发生一定的变化，但只要在容差范围内，电路均可正常工作。一旦元件性质发生突变，超出了容差范围，电路的运行就会出现一系列反常的变化。这种变化短时间内不会影响电路的运行，但会使电路的运行性能逐渐下降。这样的故障可以通过神经网络电路故障诊断技术来准确迅速判断出故障所在位置并进行解决，这种可被修复的，一定时间内不影响电路工作的故障统称为软故障。

3.神经网络故障字典法介绍

神经网络故障字典法实际上与人工方法相似度很高，但能节省许多的人力。它通过模拟电路实验，将电路故障逐个进行分类，形成一个训练集，相当于一个字典，类似于人类的经验。电路故障发生的时候，神经网络在字典中进行检索，并运用拟合算法判断故障类型，实现电路故障的快速诊断。当前，神经网络故障字典法是最广泛的方法之一，根据其内部的操作及运算流程，可分为BP神经网络和SOM神经网络。

3.1 BP神经网络故障字典法

BP神经网络故障字典法最突出的特点是多层分析，将神经网络分为输入层，隐藏层和输出层。通过模拟电路故障，BP神经网络将每种故障电路的状态信息通过编码的形式传入到输入层的节点上，经过优化训练形成模拟训练集。在出现故障时，BP神经网络通过测试激励机制激活输入层，经过隐藏层的经验公式计算，推导出最符合训练集中的故障信息，并将信息转化成编码准确传递到输出层的节点上，达到故障诊断的目的。

3.2 SOM神经网络故障字典法

基于BP神经网络层次结构繁琐的问题，来自芬兰的教授应用自组织特征映射（SOM）神经网络，将网络结构简化为两层——输入层和输出层。SOM网络的工作原理为：输入的数据以连接权矢量的空间密度的形式进行表达，再经过训练集的匹配，将数据信息输出到竞争层（输出层）节点，最后经过神经网络的处理，对故障进行诊断。这种方法能够对更多种类的故障进行判断，能够更加灵活地对电路故障进行诊断，容错率得到了提高。也正因为如此，SOM网络在复杂电路中的运用十分普遍。SOM神经网络的工作流程虽然看起来相对简单，但能够更加有效诊断电路故障。实际上，SOM神经网络的设计难度要远高于BP神经网络，其中采用的模糊性运算也会大幅提升故障诊断难度。

3.3 神经网络故障字典法的优劣性

神经网络故障字典法的大规模应用源于它突出的优势：速度快，准确性高。与人工筛查故障相比，神经网络的速度占有绝对优势。在神经网络兴起之前，机械的灵活程度往往是无法与人类相比的，但神经网络使得机器也可以通过训练和算法，对电路软故障进行准确诊断。从这些角度来看，神经网络故障字典法的确无可挑剔，但其缺点也非常明显。首先，字典信息的录入需要长时间的训练，训练时的数据选择也具有一定的难度。同时，隐藏层的算法设计很难把握，经验公式也需要长时间的计算才能更加准确，精密的神经网络如果发生故障，排除故障也存在较大的难度。这些问题目前正限制着神经网络故障字典法的发展。

4.神经网络优化诊断法

鉴于神经网络故障字典法的劣势，业界采用了另一种诊断方法：神经网络优化诊断法。首先，系统将正常的电路信息拷贝到数据库中作为基底，当电路发生故障时，系统将故障信息反馈到神经网络中，形成一个模板。由于可能出现故障的区域有多种情况，神经网络将其等效为一个选择方案问题，通过建立符合故障描述的能量函数，利用网络结构对比函数的权值和偏流，从而寻找最优解。接下来，神经网络利用最优解与数据库中正常的电路信息进行校验比对，同时与模板进行匹配，最终将诊断结果进行输出。

神经网络优化诊断法可以直接忽略系统参数的容差，适用于任何硬故障和软故障。同时它的效率也很高，所需的数据量相比于神经网络故障字典法减少了许多，诊断的结果也更加准确可靠，在当前高速发展的电子行业中具有很大优势。然而，公式的适用性和多样性成为了神经网络优化诊断法发展的绊脚石。如何确定最优解的正确性，如何判断公式的误差大小，如何找出较为精准的能量函数，如何将公式进行优化等众多高技术含量的问题，使得这种方法在当前尚未普及，但其可挖掘潜力巨大，将会成为未来诊断电路故障的主要方法。

5.电路故障诊断方法的发展趋势

当前，基于神经网络的电路故障诊断方法具有远高于人工诊断的效率，实现了低成本与低能耗，得到了业界的广泛认可，但这些故障诊断方法都存在着不同的优势和弊端。为了弥补各个方法的劣势，需要针对不同性质，不同类型的电路故障选取合适的故障分析法。这就要求业界对各种诊断方法进行综合利用，得出最优的算法，在有限的条件下发挥神经网络的优势，这是未来电路诊断方法优化的基础和必然趋势。

此外，现有的神经网络诊断技术必然不足以支撑人们日益增长的电路故障诊断需求，在竞争越来越激烈的环境下，新型的电路诊断方法正成为业界的主要研究方向之一。在诊断方法结合利用的大趋势下，如果没有方法上的创新，将会导致诊断方法的单一化，使电路诊断的弹性变差。因此，对电路故障诊断技术方法进行创新与深入研究，是未来电路诊断方式发展的必然趋势。

基于神经网路的电路故障诊断技术目前在模拟电路实验中已经初见成效，其可行性得到了充分的验证，但神经网络的应用还显得过于理论化，距离大规模的实际应用还有一定距离，高昂的成本和核心技术的难度也使得神经网络距离在普通企业中应用尚有一定距离。也正因为如此，不断发展神经网络技术，使其变得更经济与更有效，是今后发展的首要目标。

6.小结

本文主要介绍了用于电路诊断的几种神经网络诊断法的应用原理和优劣势，并对其可能的发展方向和空间进行了简要分析，同时展望了神经网络诊断法的发展趋势，指出了不足和希望。近年来，人工智能技术正在高速发展，这源于人们发展创新意识的觉醒、对高科技人才培养的重视及经济的飞速发展。可以预计在不久以后，基于神经网络的电路故障诊断技术一定会取得显著的发展。