中心議題：

• 容差模擬電路的軟故障診斷

解決方案：

• 將電路的各種故障狀態及正常態對應的理論值用PSpice仿真求出
• 用小波變換從輸出采樣信號中提取故障特征並對特征向量進行歸一化

自20世紀70niandaiyilai，monidianluguzhangzhenduanlingyuyijingqudeleyidingdeyanjiuchengguo，jinnianlai，jiyushenjingwangluojishudexiandaimonidianluruanguzhangzhenduanfangfayichengweixindeyanjiuredian

，shenjingwangluodefanhuanenglihefeixianxingyingshenengli
，shizhinenggoushiyongyujiejuemonidianluguzhangzhenduanzhongderongchahefeixianxingwenti，danzairuanguzhangshijijiancezhong
，youyubutongdefenleiguzhangzhijianyoubukebimiandicunzaizhemohuxing，jibutongdefenleiguzhangkenengyouxiangtonghuoxiangjindeguzhangtezhengxiangliang
，erzhejinjinkaoshenjingwangluodefanhuanenglishiwufajiejuede。erliangzishenjingwangluobeirenweishiyizhongjuyouguyoumohuxingdewangluo


，tadeyincengdanyuancaiyongduoliangzinengjibianhuanhanshu，meigeduonengjibianhuanhanshushiyixiliejuyouliangzijiangepianyideS型函數之和
，能將決策的不確定性數據合理地分配到各類故障中，從而減少故障識別的不確定度
，提高模式識別的準確性。

文章提出了容差模擬電路軟故障診斷的小波與量子神經網絡方法，利用MonteCarlo分(fen)析(xi)解(jie)決(jue)電(dian)路(lu)容(rong)差(cha)問(wen)題(ti)

，又(you)利(li)用(yong)小(xiao)波(bo)分(fen)析(xi)，取(qu)其(qi)能(neng)反(fan)映(ying)故(gu)障(zhang)信(xin)號(hao)特(te)征(zheng)的(de)成(cheng)分(fen)做(zuo)為(wei)電(dian)路(lu)故(gu)障(zhang)特(te)征(zheng)

，再(zai)輸(shu)入(ru)給(gei)量(liang)子(zi)神(shen)經(jing)網(wang)絡(luo)。不(bu)僅(jin)解(jie)決(jue)了(le)一(yi)個(ge)可(ke)測試點問(wen)題(ti)
，並(bing)提(ti)高(gao)了(le)辨(bian)識(shi)故(gu)障(zhang)類(lei)別(bie)的(de)能(neng)力(li)，而(er)且(qie)在(zai)網(wang)絡(luo)訓(xun)練(lian)之(zhi)前(qian)，利(li)用(yong)主(zhu)元(yuan)分(fen)析(xi)降(jiang)低(di)了(le)網(wang)絡(luo)輸(shu)入(ru)維(wei)數(shu)。通(tong)過(guo)實(shi)驗(yan)可(ke)以(yi)看(kan)出(chu)，這(zhe)種(zhong)方(fang)法(fa)不(bu)僅(jin)能(neng)實(shi)現(xian)模(mo)擬(ni)電(dian)路(lu)單(dan)軟(ruan)軟(ruan)故(gu)障(zhang)診(zhen)斷(duan)，也(ye)能(neng)實(shi)現(xian)多(duo)軟(ruan)軟(ruan)故(gu)障(zhang)診(zhen)斷(duan)，實(shi)驗(yan)統(tong)計(ji)結(jie)果(guo)表(biao)明(ming)：故障診斷率為100％。

1主元分析

主元分析即主成份分析(PrincipalComponentAnalysis
，簡稱PCA)，它ta是shi最zui古gu老lao的de多duo元yuan統tong計ji分fen析xi技ji術shu之zhi一yi。主zhu成cheng份fen分fen析xi方fang法fa可ke以yi將jiang數shu據ju從cong高gao維wei數shu據ju空kong間jian變bian換huan到dao低di維wei特te征zheng空kong間jian，因yin而er可ke以yi用yong於yu數shu據ju的de特te征zheng提ti取qu及ji壓ya縮suo等deng方fang麵mian。其qi實shi質zhi是shi將jiang研yan究jiu對dui象xiang的de多duo個ge相xiang關guan變bian量liang轉zhuan化hua為wei少shao數shu幾ji個ge不bu相xiang關guan變bian量liang的de一yi種zhong多duo元yuan統tong計ji方fang法fa。它ta基ji於yuKarhunen－Loeve分fen解jie，目mu的de是shi在zai數shu據ju空kong間jian中zhong找zhao一yi組zu向xiang量liang盡jin可ke能neng的de解jie釋shi數shu據ju的de方fang差cha
，通tong過guo一yi個ge特te殊shu的de向xiang量liang矩ju陣zhen，將jiang數shu據ju從cong原yuan來lai的de高gao維wei空kong間jian映ying射she到dao一yi個ge低di維wei向xiang量liang空kong間jian
，降jiang維wei後hou保bao存cun了le數shu據ju的de主zhu要yao信xin息xi，從cong而er使shi數shu據ju更geng易yi於yu處chu理li。

2小波分析

小波變換的含義是：把一稱為基本小波的函數ψ(t)做位移τ後，再在不同尺度α下與待分析信號χ(t)做內積



3量子神經網絡

N．B．Karayiannis等人1997年提出多層激勵函數的量子神經網絡，這種量子神經網絡是3層的網狀結構

，輸入層、隱層、輸(shu)出(chu)層(ceng)，其(qi)中(zhong)輸(shu)入(ru)層(ceng)和(he)輸(shu)出(chu)層(ceng)與(yu)傳(chuan)統(tong)神(shen)經(jing)網(wang)絡(luo)無(wu)異(yi)，而(er)隱(yin)層(ceng)的(de)量(liang)子(zi)神(shen)經(jing)元(yuan)借(jie)鑒(jian)了(le)量(liang)子(zi)理(li)論(lun)中(zhong)量(liang)子(zi)態(tai)疊(die)加(jia)的(de)思(si)想(xiang)，采(cai)用(yong)多(duo)量(liang)子(zi)能(neng)級(ji)變(bian)換(huan)函(han)數(shu)，每(mei)個(ge)多(duo)能(neng)級(ji)函(han)數(shu)是(shi)一(yi)係(xi)列(lie)具(ju)有(you)量(liang)子(zi)間(jian)隔(ge)(QuantumInterval)偏移的ns，個Sigmoid函數的線性疊加
，稱之為多層激勵函數。即隱層神經元的輸出可寫為

weiliangziyueqianweizhi，erliangzijiangequjueyuyueqianweizhi。liangzishenjingwangluodexuexifenliangbu，yishiduiquanzhidetiaozheng

，shishurenshujuduiyingdaobutongdeleikongjianzhong
，ershiduiyincengdeliangzishenjingyuandeliangzijiangejinxingtiaozheng
，tixianshujudebuquedingxing。
[page]
4基於小波和量子神經網絡的故障診斷原理

采用小波與量子神經網絡對模擬電路進行軟故障診斷的過程
，與小波神經網絡對模擬電路進行軟故障的過程相似：首先將電路的各種故障狀態及正常態對應的理論值用PSpice仿真求出
，然後用小波變換從輸出采樣信號中提取故障特征並對特征向量進行歸一化；最後是狀態識別和故障診斷。其結構如圖1所示：





診斷過程：
(1)構造特征向量，提取能量特征信息：在pspice中對電路的每一種狀態進行瞬時分析

，取500個采樣點
，並對每一種故障模式進行300次MonteCarlo分析，在Probe窗口中選擇菜單View＼outputFile，或直接在Probe內選擇菜單File＼Export將波形采樣數據存盤
，可得到out節點的具體信息
，將數據轉化為MATLAB數據文件，然後進行小波分析，在實驗中，經分析與比較，小波選擇db2小波，對每個故障信號進行5尺度小波分解。得能量特征信息F=(ED5，ED4，…，ED1

，EC5)。這裏可利用MATLAB中的sumsqr函數。從而得到網絡的訓練樣本集和測試樣本集。300次MonteCarlo分析，其中200次為訓練樣本
，100次為測試樣本。


(2)對測得的數據進行處理：在把小波分解係數序列能量輸入給神經網絡之前，為了加快網絡收斂，有必要對數據進行歸一化處理，這裏利用MATLAB中的premnmx進行歸一化。
[page]
(3)確定量子與BP神經網絡結構和參數：利用文獻[3]中算法建立量子神經網絡。在實驗中，網絡的輸入節點數為小波分解係數序列能量個數
，BP與QNN均為6，QNN與自適應BP網絡均為3個輸出節點。隱層的選取及其它由設計者憑經驗和試驗次數自行決定。本文經過多次試驗，確定QNN與BP的隱層節點均為(15
，15)
，QNN及BP的S型函數的斜率因子均設置為1．0，初始權值取為(-1，1)之間的隨機數

，期望誤差為0．01，初始學習速率為0．001，動量因子MC為0．90，QNN的隱層采用具有38個量子能級的量子神經元。在訓練之前，利用主元分析降低網絡輸入維數，主元分析在MATLAB裏用princomp函數。

(4)訓練QNN網絡：自適應BP神經網絡在第2040步收斂如圖3，量子神經網絡在第4810步收斂如圖4。


(5)測試神經網絡：為了檢驗已經訓練過的QNN網絡與BP網絡的性能，現用測試樣本(測試樣本數據在輸入給神經網絡之前也進行歸一化處理)對網絡進行測試，將測試樣本，輸入到已訓練好的BP神經網絡、QNN神經網絡
，從統計結果可以看出，BP的平均診斷率為66．67％

，而QNN的平均診斷率為100％，QNN與BP相比，故障診斷率提高較多。

從試驗可以看出：BP網絡對正常狀態和R1+50％無法區分
，而QNN對三個狀態都能正確區分，QNN網絡能夠對BP網絡無法分類的數據進行正確分類，比如說這兩組數據(2．81132．81682．81212．80932．80890．0082)
，(2．85202．85792．85322．85042．85000．0087)，在實驗中，可以觀察到：QNN與BP在輸入、輸出
、隱層相同的情況下，增加QNN的隱層神經元的量子能級能提高故障診斷率

，與BP隱層神經元相似，QNN隱層神經元的量子能級在增加到某值後繼續增加故障診斷率反而減少
，隱層神經元的量子能級在增加的同時也降低了網絡收斂速度。

提出了基於Pspice
、主元分析、小波分析與量子神經網絡的模擬電路軟故障診斷。例題將QNN網絡與BP神經網絡的相比，QNN克服了BP網絡在模糊分類方麵的局限性診斷率為100％。