模糊数学在模拟电路故障诊断中的应用研究(3)

　　表2则列举了5组测试样本的原始数据。
　　步骤一：数据模糊化
　　根据用正态分布函数作为隶属度函数表示“大约为a”模糊概念的思路，可以分别得到各测试点上电压隶属度函数的参数值。
　　a1=5.57、a2=4.97、a3=4.9、a4=5.7和a5=5.69以及b1=4.3729、b2=4.4817、b3=3.9091、b4=4.2870和b5=3.7944。
　　由各测试点的隶属度函数可得到网络的训练样本见表3。
　　表3 神经网络部分输入、输出训练样本
　　
　　步骤二：将训练样本输入神经网络进行训练
　　将全部40个原始值和模糊化值的输入样本和对应的输出样本分别输入BP神经网络中进行训练。
　　步骤三：将测试样本输入神经网络进行检测
　　将全部5个原始值和模糊化值的输入样本和对应的输出样本分别输入已经训练好的BP神经网络中，输出诊断结果见表4。
　　表4 输出诊断结果
　　
　　表4中的数据是经过故障诊断后得到的结果，在此只是各随机选用了一组数据加以比较说明。通过对故障诊断的试验观察和结果的比较可以作出以下分析。
　　1）模糊化数据能够有效减少神经网络的收敛次数。如在BP网络诊断中，使用模糊化数据的迭代次数由886减少到263次，收敛速度明显加快；
　　2）模糊化数据能够有效提高神经网络训练的效果。通过表4中数据的对比可以发现对于相同的神经网络，经过模糊化数据的训练，其准确性更高。这主要表现在电路所对应的状态结果普遍高于未经模糊化数据训练的网络得出的结果；同时，其他状态对应的机率更低，皆低于0.1，且更多值为0，说明数据模糊化能使神经网络的诊断结果更集中，正确率更高，有效性更加明显。
　　4结论
　　通过分别采用BP网络和模糊BP网络建立了电路故障诊断模型，对电路相同工作状态参数的诊断结果进行比较，得出了模糊数学对提高电路故障诊断模型精度和有效性效果明显的结论。模糊数学和神经网路理论的组合有效地提高了模拟电路故障诊断模型的收敛速度，提高了故障诊断的工作效率，还提高了诊断的准确性，有效性得到了充分显示。
　　
　　参考文献：
　　[1] 吕律,魏蛟龙.基于模糊神经网络的板级电路故障诊断研究[J].计算机与数字工程,2003（3）:21-23.
　　[2] 李国勇.智能预测控制及其MATLAB实现[M].北京:电子工业出版社，2010.
　　[3] MATLAB中文论坛.MATLAB神经网络30个案例分析[M].北京:北京航空航天大学出版社,2010.
　　[4] 朱大奇.电子设备故障诊断原理与实践[M].北京:电子工业出版社，2004.
　　[5] 张德丰等.MATLAB神经网络应用设计[M].北京:机械工业出版社，2009.
　　[6] 聂典.Multisim9计算机仿真在电子电路设计中的应用[M].北京：电子工业出版社，2007.