专利名称：采用量子Hopfield神经网络的模拟电路多故障智能诊断方法
技术领域：
本发明涉及模拟电路的故障诊断方法，具体涉及一种采用量子Hopfield神经网络的模拟电路多故障智能诊断方法。
背景技术：
针对模拟电路的故障诊断一直是电子工程领域研究热点。模拟电路的可靠性对诸多复杂工业系统运行的稳定性产生着重要·影响。经过二十多年发展，模拟电路在系统级、电路板级、芯片级层面上，针对单故障的研究已提出许多智能故障诊断方法，并实现了商业化的实际应用。这些智能方法能自动地帮助操作人员执行故障诊断，并针对当前故障情形给予正确的维修建议，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公开的技术方案。
然而，针对模拟电路所开展的多故障诊断依然是业内公认的难题。尽管多故障发生的可能性较小，但其一旦发生，操作人员依靠现有的方法，并不能准确辨识出故障发生的根源，进而导致操作人员不能正确地采取相应措施对故障设备进行维修。特别地，现代电子系统中的某些关键设备(如运载火箭中的电路系统)，其故障是不可重现或灾难性的，加之难于获取大量完备的典型故障数据样本，使得在小样本条件下，针对模拟电路的多故障智能故障诊断成为亟需解决的问题。针对上述问题，国内外已有许多专家学者针对模拟电路的多故障诊断进行了广泛研究。例如文献[R. Ubarj S. Kostin, J. Raikj Embedded fault diagnosis in digitalsystems with BIST, Microprocessors and Microsystems Vol. 32，279-287，2008.]将某个特定的多故障特征分解到多个独立的故障特征分析器中，通过适当地组合这组故障分析器，对多故障给出一个最优的解释，但代价函数的设计还有待进一步完善，组合的理论机制没有明确阐述。在文献[R. Ubarj S. Kostin, J. Raikj Embedded fault diagnosisin digital systems with BIST, Microprocessors and Microsystems Vol. 32，279-287，2008.]中，作者提出一种基于线性脊波网络的多故障诊断方法。该方法使用分形技术实现故障特征提取，通过脊波网络对多故障的时域响应进行分析，完成多故障成分的辨识，但脊波网络的训练较为困难。文献[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.]设计一种新的时域积分灵敏度对多故障进行描述，在线性和非线性模拟电路的故障诊断中取得良好效果，但积分灵敏度计算较为复杂° 文献[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.]在结合信息论和图论的基础上，提出一种关于多故障搜索策略，虽直观方便，但属于半定量的算法，诊断准确性欠佳且耗时较长。文献[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.]所提出的采用线性网络的多故障智能诊断方法中，由于该网络结构的特殊性，使得这种多故障诊断方法并不具备通用性。另外，现有技术中，(I)对于故障诊断结果，不论是单故障还是多故障，如果采用概率机制来描述故障发生的可能性，也许会比采用确定方式所描述的故障诊断结果更符合人们的思维方式。这是因为，采用确定方式描述的故障诊断结果缺乏实际的物理意义，例如基于多元统计的故障诊断方法，当统计量超过某一特定门限值时，就认为故障发生，然而故障发生的位置并不清楚，且这个门限值在多元统计框架内是固定的，容易造成误报(包括虚警和漏警)。又如，基于神经网络的故障诊断方法，一般是将故障特征进行分类，通过分类的结果判断出故障的种类，但判断故障发生的位置依然不明确，尤其对于多故障，常常会出现新的故障类，最终导致故障诊断失败。(2)在实际的智能故障诊断中，就目前的主流方法——基于BP、RBF等前馈神经网络的故障诊断而言，当故障特征以海量数据出现时，神经网络的承载能力受到极大限制，即网络的结构更复杂，训练的时间更长。特别地，当获取的故障响应并不完整，或者存在强干扰时，这类神经网络对故障模式的识别能力大为降低，导致诊断结果并不准确。
发明内容
针对现有技术存在的上述不足，本发明解决现有模拟电路多故障诊断时间耗损长，辨识能力差的问题，而提供一种采用量子Hopfield神经网络的模拟电路多故障智能诊断方法。解决上述技术问题，本发明采用如下技术方案一种采用量子Hopfield神经网络的模拟电路多故障智能诊断方法，其特征在于，包括如下步骤
1)数据采集模拟电路的理想单故障响应和实测多故障响应分别通过SPICE仿真和数据采集板得到；
2)能量特征提取故障响应经小波包分解后，其小波系数在新的能量函数约束下实现能量计算，以构建故障响应的能量特征子空间；
3)能量特征的量子化能量特征子空间中的元素，按照新定义的转换公式，完成能量特征的量子化；这些量子化后的能量特征经过标准正交化后，被提交给量子Hopfield神经网络，其中，理想单故障响应和实测多故障响应的能量特征被分别当作量子Hopfield神经网络的量子记忆原型和量子关键输入模式；
4)量子Hopfield神经网络模型的构建分析在量子Hopfield神经网络模型中，神经兀状态及连接权值矩阵均米用量子态表不；当前时刻的量子态由前面若干个时刻的量子态叠加得到；处于不同时刻的量测矩阵蕴含着量子态在相应时刻被观测到的概率信息；通过计算量测矩阵中相关权值元素出现的概率值，得到量子关键输入模式在特定时刻，以特定量子记忆原型出现的概率，从而得到多故障相对于特定单故障发生的概率以判断出故障发生的种类。进一步，所述步骤I)数据采集通过连接在实际电路终端的数据采集器获得模拟电路的实测输出响应；其中，数据采集器为PC1-6289，它具有32位模拟输入，18位分辨率，500kS/s的采样率；同时，使用Multisum软件通过SPICE仿真得到理想的输出响应，针对不同的故障位置进行仿真。所述步骤2)能量特征提取通过小波包变换和能量计算实现模拟电路的多故障能量特征提取；其中，小波包变换的计算机理通过正交小波函数
外)和尺度函数#(4来描述，与这两种小波函数相对应的两组滤波器可定义为
权利要求
1.采用量子Hopfield神经网络的模拟电路多故障智能诊断方法，其特征在于，包括如下步骤 1)数据采集模拟电路的理想单故障响应和实测多故障响应分别通过SPICE仿真和数据采集板得到； 2)能量特征提取故障响应经小波包分解后，其小波系数在新的能量函数约束下实现能量计算，以构建故障响应的能量特征子空间； 3)能量特征的量子化能量特征子空间中的元素，按照新定义的转换公式，完成能量特征的量子化；这些量子化后的能量特征经过标准正交化后，被提交给量子Hopfield神经网络，其中，理想单故障响应和实测多故障响应的能量特征被分别当作量子Hopfield神经网络的量子记忆原型和量子关键输入模式； 4)量子Hopfield神经网络模型的构建分析在量子Hopfield神经网络模型中，神经兀状态及连接权值矩阵均米用量子态表不；当前时刻的量子态由前面若干个时刻的量子态叠加得到；处于不同时刻的量测矩阵蕴含着量子态在相应时刻被观测到的概率信息；通过计算量测矩阵中相关权值元素出现的概率值，得到量子关键输入模式在特定时刻，以特定量子记忆原型出现的概率，从而得到多故障相对于特定单故障发生的概率以判断出故障发生的种类。
2.根据权利要求1所述采用量子Hopfield神经网络的模拟电路多故障智能诊断方法，其特征在于，所述步骤I)数据采集通过连接在实际电路终端的数据采集器获得模拟电路的实测输出响应；其中，数据采集器为PC1-6289，它具有32位模拟输入，18位分辨率，500kS/s的采样率；同时，使用Multisum软件通过SPICE仿真得到理想的输出响应，针对不同的故障位置进行仿真。
3.根据权利要求1所述采用量子Hopfield神经网络的模拟电路多故障智能诊断方法，其特征在于，所述步骤2)能量特征提取通过小波包变换和能量计算实现模拟电路的多故障能量特征提取；其中，小波包变换的计算机理通过正交小波函数刚和尺度函数外4来描述，与这两种小波函数相对应的两组滤波器可定义为
4.根据权利要求1所述采用量子Hopfield神经网络的模拟电路多故障智能诊断方法，其特征在于，所述步骤3)能量特征的量子化为 假定故障响应在《个小波节点处所计算出的能量特征值为一个《维的实数向量X(,t) = [^1 (Ar),, (Ar), ·■■ Xk (i)]T ,那么其量子化描述可表示为
5.根据权利要求1所述采用量子Hopfield神经网络的模拟电路多故障智能诊断方法，其特征在于，所述步骤4)量子Hopfield神经网络模型的构建分析为带时间延迟的量子Hopfield神经网络模型的构建在联想记忆机制的基础上，结合量子计算中的线性叠加原理及量子测量原理，提出一种带有时间延迟的量子Hopfield神经网络模型，通过模型的构建与概率计算实现模拟电路的多故障诊断； 量子Hopfield神经网络模型为
全文摘要
本发明提供一种采用量子Hopfield神经网络的模拟电路多故障智能诊断方法，针对模拟电路的多故障耦合问题，包括数据采集、特征提取、特征量子化和故障成因概率分析等步骤。模拟电路的理想单故障响应和实测多故障响应分别通过SPICE仿真和数据采集板得到。经小波包分解后，故障响应的小波系数在新的能量函数定义下，实现能量特征空间的构建。能量特征空间中的元素在量子化的基础上，被提交给量子Hopfield神经网络模型。网络中的神经元状态及连接权值矩阵均采用量子态表示。通过计算量测矩阵中相关权值元素出现的概率值，得到量子关键输入模式在特定时刻以特定量子记忆原型出现的概率，从而得到多故障相对于特定单故障发生的概率以判断出故障发生的种类。
文档编号G01R31/316GK103018660SQ20121056923
公开日2013年4月3日 申请日期2012年12月25日 优先权日2012年12月25日
发明者李鹏华, 李银国, 柴毅, 岑明, 李永福, 邱翊峰, 周思 申请人:重庆邮电大学