崔昊楊，許永鵬，楊俊杰，曾俊冬，唐 忠

(上海電力學(xué)院電子與信息工程學(xué)院，上海 200090)

基于MIV和BRBP神經(jīng)網(wǎng)絡(luò)的電路板紅外診斷方法

崔昊楊，許永鵬，楊俊杰，曾俊冬，唐 忠

(上海電力學(xué)院電子與信息工程學(xué)院，上海 200090)

針對(duì)BP神經(jīng)網(wǎng)絡(luò)對(duì)于海量數(shù)據(jù)訓(xùn)練及多維數(shù)據(jù)訓(xùn)練收斂困難的問(wèn)題，在使用增加動(dòng)力項(xiàng)、自適應(yīng)學(xué)習(xí)速率等方法的基礎(chǔ)上，引入均值影響度算法(MIV)構(gòu)造了貝葉斯正則化反向傳播(BRBP)神經(jīng)網(wǎng)絡(luò)，以此提高電子線路板紅外故障診斷算法的效率。利用紅外測(cè)溫方式，獲取了不同室溫及運(yùn)行狀態(tài)下電路板中21個(gè)元器件溫度數(shù)據(jù)。將此21個(gè)參數(shù)作為故障診斷模型的初始輸入變量，經(jīng)過(guò)MIV算法簡(jiǎn)約為12個(gè)參數(shù)輸入至BRBP神經(jīng)網(wǎng)絡(luò)，進(jìn)行故障評(píng)估和診斷。結(jié)果表明:相對(duì)于傳統(tǒng)的BRBP神經(jīng)網(wǎng)絡(luò)，本文設(shè)計(jì)的基于MIV和BRBP神經(jīng)網(wǎng)絡(luò)模型診斷方法極大簡(jiǎn)化了數(shù)據(jù)訓(xùn)練的數(shù)據(jù)量并解決了數(shù)據(jù)收斂的困難，因此效率更高，用時(shí)更省。

紅外測(cè)溫;MIV;BRBP神經(jīng)網(wǎng)絡(luò);故障診斷

1 引 言

隨著電路板上元器件密度的不斷增大，集成化程度日益提高，電路板的結(jié)構(gòu)日益復(fù)雜［1］。常規(guī)的接觸式電路板故障檢測(cè)不僅耗時(shí)長(zhǎng)，難度大且需要檢測(cè)人員具備較強(qiáng)的專業(yè)技能。由于電路板發(fā)生故障時(shí)，其中的元器件往往會(huì)發(fā)生溫升的變化，而且溫度與器件的故障率也有重要聯(lián)系，如圖1所示［2］。因此，具有非接觸特性的紅外測(cè)溫故障診斷得到廣泛關(guān)注。但傳統(tǒng)的紅外診斷法往往依靠人工分析數(shù)據(jù)，很容易受到人為因素影響，且對(duì)數(shù)據(jù)分析能力要求較高，工作量大［3］。為解決上述問(wèn)題，需要采用能夠排除人為因素干擾、有效進(jìn)行信息處理的智能故障診斷技術(shù)。

圖1 元器件故障率與溫度的關(guān)系曲線

BP神經(jīng)網(wǎng)絡(luò)算法具有良好的非線性映射能力、泛化能力、容錯(cuò)能力［4－5］，可以有效解決紅外電路故障中的容差和非線性問(wèn)題，但BP網(wǎng)絡(luò)算法對(duì)于大量及高維度數(shù)據(jù)訓(xùn)練收斂困難，將導(dǎo)致診斷結(jié)果精度不夠高，故障診斷效率較低。

本文提出了一種基于MIV和BRBP神經(jīng)網(wǎng)絡(luò)的電路板紅外故障診斷方法，利用紅外測(cè)溫方式，獲取了不同室溫及運(yùn)行狀態(tài)下電路板中各元器件溫度數(shù)據(jù)。將大量參數(shù)作為故障診斷模型的初始輸入變量，經(jīng)過(guò)MIV算法簡(jiǎn)約后，輸入至BRBP神經(jīng)網(wǎng)絡(luò)，進(jìn)行故障評(píng)估和診斷。使故障診斷效率得到明顯提高，用時(shí)明顯減少并具有可推廣性。

2 故障診斷模型理論

2.1 神經(jīng)網(wǎng)絡(luò)模型

2.1.1 傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型

前向反饋(back propagation，BP)神經(jīng)網(wǎng)絡(luò)通常是指基于誤差反向傳播的多層前向神經(jīng)網(wǎng)絡(luò)，最早由Rumelhart［6］在1986年研究并設(shè)計(jì)出來(lái)。據(jù)統(tǒng)計(jì)有近90%的神經(jīng)網(wǎng)絡(luò)應(yīng)用是基于BP神經(jīng)網(wǎng)絡(luò)算法［7－8］。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

2.1.2 貝葉斯正則化(BR)算法

為了進(jìn)一步提高BP神經(jīng)網(wǎng)絡(luò)的分類準(zhǔn)確性及泛化能力，MacKay［9］提出了貝葉斯正則化算法，即用貝葉斯方法來(lái)得到神經(jīng)網(wǎng)絡(luò)最優(yōu)的正則化系數(shù)，對(duì)性能函數(shù)進(jìn)行修正并確定隱藏層神經(jīng)元數(shù)，一般而言，神經(jīng)網(wǎng)絡(luò)的性能函數(shù)為:

其中，w為網(wǎng)絡(luò)的權(quán)值向量;Ew為網(wǎng)絡(luò)所有權(quán)值的均方誤差，m為網(wǎng)絡(luò)中權(quán)值的總數(shù);wj為網(wǎng)絡(luò)中權(quán)值;Ed為網(wǎng)絡(luò)響應(yīng)的均方誤差;n為訓(xùn)練樣本總數(shù); tp為第p組訓(xùn)練的期望輸出值;αp為第p組訓(xùn)練的實(shí)際輸出值;α和β為正規(guī)則化系數(shù)，其大小影響網(wǎng)絡(luò)的訓(xùn)練效果。在貝葉斯分析的框架下，可推導(dǎo)出:

其中，γ=N－2αtr(H)－1，表示有效參數(shù)的數(shù)目，反映網(wǎng)絡(luò)的實(shí)際規(guī)模;H是F(w)的黑塞(Hessian)矩陣［10］。對(duì)于黑塞矩陣H，F(xiàn)oresee F D［11］采用Levenberg-Marquardt算法訓(xùn)練網(wǎng)絡(luò)時(shí)，很容易通過(guò)Gauss-Newton法逼近。在訓(xùn)練過(guò)程中可根據(jù)有效參數(shù)γ，A和W的取值來(lái)判斷網(wǎng)絡(luò)是否收斂并確定隱含層神經(jīng)元的個(gè)數(shù)。對(duì)于給定的隱含層神經(jīng)元數(shù)(假定為P)，經(jīng)過(guò)若干步迭代后，這三個(gè)有效參數(shù)處于恒值或變化較小，則說(shuō)明網(wǎng)絡(luò)訓(xùn)練收斂，可以停止訓(xùn)練;然后選定一個(gè)較小的P開(kāi)始訓(xùn)練并逐步增加P的大小，直到從某個(gè)P開(kāi)始有效參數(shù)γ，A和W基本保持不變，那么這個(gè)P就可以作為最終的隱含層神經(jīng)元數(shù)。

2.2 基于均值影響度(MIV)算法的優(yōu)化模型

雖然BRBP神經(jīng)網(wǎng)絡(luò)在增加動(dòng)量項(xiàng)的BP神經(jīng)網(wǎng)絡(luò)、基于自適應(yīng)學(xué)習(xí)速率方法的基礎(chǔ)上，對(duì)故障診斷的效率有了較顯著的提高，但是對(duì)于大量及高維度數(shù)據(jù)訓(xùn)練收斂難題，依舊沒(méi)有進(jìn)行很好的解決，導(dǎo)致診斷結(jié)果精度不夠高，故障診斷效率可以進(jìn)一步的提高。

均值影響度算法(Mean Impact Value，MIV)能夠反應(yīng)神經(jīng)網(wǎng)絡(luò)中權(quán)重矩陣的變化情況，是神經(jīng)網(wǎng)絡(luò)中評(píng)價(jià)變量相關(guān)性的最好指標(biāo)之一［12］。因此，本文提出運(yùn)用均值影響度算法對(duì)輸入?yún)?shù)進(jìn)行簡(jiǎn)約化處理，再輸入BRBP神經(jīng)網(wǎng)絡(luò)進(jìn)行診斷。

在BRBP神經(jīng)網(wǎng)絡(luò)訓(xùn)練終止后，將訓(xùn)練樣本D中每一自變量特征在其原值的基礎(chǔ)上分別加(減) 15%(或自定義變化值)構(gòu)成新的兩個(gè)訓(xùn)練樣本D1和D2。將D1和D2分別作為仿真樣本，利用已建成的神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真，得到兩個(gè)仿真結(jié)果S1和S2，求出S1和S2的差值，即為變動(dòng)該自變量后對(duì)輸出產(chǎn)生的影響變化值(Impact Value，IV)。然后將IV按訓(xùn)練樣本的總個(gè)數(shù)進(jìn)行平均，得出該自變量的MIV值。最后根據(jù)MIV絕對(duì)值的大小為各個(gè)自變量排序，得到各自變量對(duì)網(wǎng)絡(luò)輸出影響相對(duì)重要性的位次表，從而判斷出輸入特征對(duì)于網(wǎng)絡(luò)結(jié)果的影響程度，即實(shí)現(xiàn)了輸入變量的篩選。

3 實(shí)驗(yàn)及診斷結(jié)果

3.1 測(cè)溫實(shí)驗(yàn)

實(shí)驗(yàn)以臺(tái)式電腦主板的元器件為對(duì)象，通過(guò)紅外測(cè)溫方式，分別在環(huán)境溫度為25℃，26℃，27℃，28℃的情況下，對(duì)不同運(yùn)行狀態(tài)進(jìn)行測(cè)溫實(shí)驗(yàn)，獲取溫度數(shù)據(jù)。紅外測(cè)溫儀為ITVR6816型，距離系數(shù)比為150∶1，測(cè)溫精度為±0.1℃。

為了準(zhǔn)確判斷故障類型，實(shí)驗(yàn)中選取21個(gè)測(cè)溫點(diǎn)(5個(gè)電路板點(diǎn)、9個(gè)電容點(diǎn)、3個(gè)芯片點(diǎn)、4個(gè)散熱片點(diǎn))，各測(cè)溫點(diǎn)具體位置如圖3所示。另外，環(huán)境溫度ts，主板平均溫度tb，共23項(xiàng)變量，進(jìn)行了2個(gè)月的溫度監(jiān)測(cè)，共獲得960組數(shù)據(jù)。分為四類，即有光照條件下電路板散熱輕度故障、有光照條件下電路板散熱中度故障、暗環(huán)境條件下電路板散熱輕度故障、暗環(huán)境下電路板散熱中度故障。

圖3 主板上的測(cè)溫點(diǎn)圖

3.2 基于MIV算法的簡(jiǎn)約化結(jié)果

采用如前所述的MIV算法，利用Matlab對(duì)測(cè)量到的溫度數(shù)據(jù)進(jìn)行運(yùn)算，得到21個(gè)測(cè)溫點(diǎn)的MIV值，如表1所示。由MIV算法的理論可知，當(dāng)MIV絕對(duì)值越大時(shí)，該測(cè)溫點(diǎn)對(duì)結(jié)果的判斷影響越大，本文取MIV絕對(duì)值大于2的測(cè)溫點(diǎn)，而小于2的測(cè)溫點(diǎn)，對(duì)實(shí)驗(yàn)影響較小，將其排除?？蓪?1個(gè)參量簡(jiǎn)約化至12個(gè)輸入?yún)⒘?，?，2，4，…，21，共12個(gè)測(cè)溫點(diǎn)，可進(jìn)行下一步測(cè)試。

表1 MIV數(shù)值表

3.3 診斷結(jié)果與討論

采用如前所述的BRBP神經(jīng)網(wǎng)絡(luò)算法，利用matlab對(duì)MIV算法簡(jiǎn)約后的輸入?yún)?shù)進(jìn)行運(yùn)算，與未經(jīng)MIV簡(jiǎn)約化的BRBP神經(jīng)網(wǎng)絡(luò)診斷結(jié)果進(jìn)行對(duì)比。其中第I類為在有光照條件下電路板散熱輕度故障，第II類為在光照條件下電路板散熱中度故障，第III類為在暗環(huán)境條件下電路板散熱輕度故障，第IV類為在暗環(huán)境下電路板散熱中度故障。如下所示:

(1)采用增加動(dòng)量項(xiàng)的BP神經(jīng)網(wǎng)絡(luò)、基于自適應(yīng)學(xué)習(xí)速率的BP神經(jīng)網(wǎng)絡(luò)，將全部實(shí)驗(yàn)數(shù)據(jù)進(jìn)行輸入，分類結(jié)果分別如圖4和圖5所示。

圖4 增加動(dòng)量項(xiàng)的BP神經(jīng)網(wǎng)絡(luò)結(jié)果

圖5 基于自適應(yīng)學(xué)習(xí)速率的BP神經(jīng)網(wǎng)絡(luò)結(jié)果

(2)采用BRBP神經(jīng)網(wǎng)絡(luò)，將全部實(shí)驗(yàn)數(shù)據(jù)作為輸入，分類結(jié)果如圖6所示，期望輸出與預(yù)測(cè)輸出的絕對(duì)誤差如圖7所示。

圖6 BRBP神經(jīng)網(wǎng)絡(luò)結(jié)果

圖7 BRBP神經(jīng)網(wǎng)絡(luò)絕對(duì)誤差

圖8 MIV優(yōu)化后的BRBP神經(jīng)網(wǎng)絡(luò)結(jié)果

圖9 MIV優(yōu)化后的BRBP神經(jīng)網(wǎng)絡(luò)絕對(duì)誤差

(3)采用BRBP神經(jīng)網(wǎng)絡(luò)，將MIV簡(jiǎn)約化后12個(gè)測(cè)溫點(diǎn)的溫度數(shù)據(jù)作為輸入，分類結(jié)果如圖8所示，期望輸出與預(yù)測(cè)輸出的絕對(duì)誤差如圖9所示。

由于實(shí)驗(yàn)數(shù)據(jù)共有960組，無(wú)法詳細(xì)展示，所以僅隨機(jī)挑選部分神經(jīng)網(wǎng)絡(luò)故障診斷實(shí)驗(yàn)數(shù)據(jù)列出，如表2所示。

表2 部分神經(jīng)網(wǎng)絡(luò)故障診斷實(shí)驗(yàn)數(shù)據(jù)表

通過(guò)以上四組實(shí)驗(yàn)可得到，實(shí)驗(yàn)對(duì)比表3，可以清晰地展現(xiàn)出四種實(shí)驗(yàn)條件下，神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確度，平均每組測(cè)試數(shù)據(jù)的絕對(duì)誤差、診斷時(shí)間、方差情況如下所示。

由四組實(shí)驗(yàn)結(jié)果圖、表2部分神經(jīng)網(wǎng)絡(luò)故障診斷實(shí)驗(yàn)數(shù)據(jù)表和表3四組實(shí)驗(yàn)對(duì)比表可知:增加動(dòng)量項(xiàng)的BP神經(jīng)網(wǎng)絡(luò)和基于自適應(yīng)學(xué)習(xí)速率的BP神經(jīng)網(wǎng)絡(luò)，雖然可以滿足日常電路板故障診斷準(zhǔn)確率的要求，但是訓(xùn)練速度過(guò)慢，誤差偏大，在實(shí)驗(yàn)的輸出數(shù)據(jù)方差接近0.100的情況下，診斷時(shí)間都已經(jīng)到達(dá)了10.0 s以上，效率較低。BRBP神經(jīng)網(wǎng)絡(luò)，在實(shí)驗(yàn)的輸出數(shù)據(jù)方差小于0.015的情況下，未經(jīng)MIV預(yù)處理的需要2.8 s完成，而經(jīng)過(guò)MIV預(yù)處理的1.2 s就可以完成，效率得到顯著提高，使網(wǎng)絡(luò)模型得到優(yōu)化。

表3 四組實(shí)驗(yàn)對(duì)比表

4 結(jié)語(yǔ)

本文對(duì)基于MIV和BRBP神經(jīng)網(wǎng)絡(luò)的電路板紅外故障診斷方法進(jìn)行研究。利用紅外測(cè)溫方式，在不同室溫及運(yùn)行狀態(tài)下，將電路板的四種故障狀態(tài)進(jìn)行了準(zhǔn)確分類。實(shí)驗(yàn)表明，對(duì)隨機(jī)抽取的100組數(shù)據(jù)進(jìn)行故障判斷，采用經(jīng)MIV預(yù)處理的BRBP神經(jīng)網(wǎng)絡(luò)的診斷準(zhǔn)確率高達(dá)99%，僅需要1.2 s處理時(shí)間，相對(duì)于未經(jīng)MIV預(yù)處理的BRBP神經(jīng)網(wǎng)絡(luò)效率更高，用時(shí)更省，能夠有效診斷電路板故障并可推廣至模擬電路故障診斷領(lǐng)域、各種電氣設(shè)備故障診斷領(lǐng)域等，因此具有重要的參考意義。

［1］LUO Yunlin，ZHANG Xiang.Aircraft electronic board fault detection based on infrared thermal imaging and integrated SVM［J］.Measurement＆Control Technology，2012，31(12):41－48.(in Chinese)

羅云林，章翔.基于紅外熱成像與集成SVM的航空器電子板卡故障檢測(cè)［J］.測(cè)控技術(shù)，2012，31(12):41－48.

［2］LIGuohong.Electronic equipment thermal design power of the analysis and application［J］.Chinese Journal of Power Sources，2009(8):31－36.(in Chinese)

李國(guó)宏.電力電子設(shè)備熱設(shè)計(jì)的分析及應(yīng)用［J］.電源技術(shù)，2009(8):31－36.

［3］WANGMenghui，CHUNG Yukuo，Wen－tsai Sung.Using thermal image matter element to design a circuit board fault diagnosis system［J］.Expert Systems with Applications，2011，38(5):6164－6169.

［4］LIYibo，QIWangxu.Novel recognition algorithm for IR mobile target［J］.Laser＆Infrared，2013，43(3):324－328.(in Chinese)

李一波，齊萬(wàn)旭.一種新的紅外機(jī)動(dòng)目標(biāo)識(shí)別算法［J］.激光與紅外，2013，43(3):324－328.

［5］Jadin，MohdShawal.Recent progress in diagnosing the reliability of electrical equipment.infrared physics and technology［J］.Infrared Physics＆Technology，2012，55(4): 236－245.

［6］Rumelhart D E，Hinten G E，Williams RJ.Learning representation by back propagation errors［J］.Nature，1986，19 (11):832－836.

［7］QIU Chenlin，CHENG Li.Study on plasma acoustic wave diagnosis of laser shock processing based on wavelet packet and neural networks［J］.Laser＆Infrared，2012，42(10):1107－1110.(in Chinese)

邱辰霖，程禮.基于小波包和神經(jīng)網(wǎng)絡(luò)激光沖擊強(qiáng)化診斷研究［J］.激光與紅外，2012，42(10): 1107－1110.

［8］JIANG Lihui，ZHANG Chunqing，XIONG Xinglong，et al.Study on type recognition of low-levelwind shear based on radarimage simulation［J］.Laser＆ Infrared，2013，3 (43):334－338.(in Chinese)

蔣立輝，張春慶，熊興隆，等.基于仿真雷達(dá)圖像的低空風(fēng)切變類型識(shí)別研究［J］.激光與紅外，2013，3 (43):334－338.

［9］MacKay D JC.Bayesian interpolation［J］.Neural Computation，1992，4(3):415－447.

［10］Foresee FD，Hagan M T.Gauss-newton approximation to bayesian iearning［C］.Houston:Proceedings of the 1997 International Joint Conference on Neural Networks，1997，3:1930－1935.

［11］WEIYing，LIRui，YANG Jinzhu，et al.An algorithm for segmentation of lung ROI by mean-shift clustering combined withmulti-scale HESSIAN matrix dot filtering［J］.Journal of Central South University，2012(12)19: 3500－3509.

［12］SUN Haibin，LIU Xiliang，WANG Hongbin，et al.Weight analysis of blasting effective factors based on MIV method［J］.Journal of China University ofMining＆Technology，2012，41(6):993－998.(in Chinese)

孫文彬，劉希亮，王洪斌，等.基于MIV的拋擲爆破影響因子權(quán)重分析［J］.中國(guó)礦業(yè)大學(xué)學(xué)報(bào)，2012，41 (6):993－998.

Infrared diagnosis of circuit board fault based on M IV and BRBP neural networks

CUIHao-yang，XU Yong-peng，YANG Jun-jie，ZENG Jun-dong，TANG Zhong
(School of Electronic and Information Engineering，Shanghai University of Electric Power，Shanghai200090，China)

The training algorithm for BP network is hard to convergewhen the input data is large and has high dimension.Aiming at this problem，a novel fault diagnosismethod based on MIV and BRBP neural networks by infrared temperaturemeasuring is put forward.Sample data about21 variables of circuit board under different room temperature and operating conditions aremeasured，and these 21 parameters are used as the initial input variables of fault diagnosismodel.After MIV optimization，the reduced 12 variables will be input into BRBP neural networks to predict faults and classify the circuit board running conditions.Experiments show that the proposed neural networksmodel is more efficiently andmore rapidly compared with the traditional BRBPneural network.The neuralnetworkmodel presented in the paper can effectively diagnose the circuit board faults.

infrared temperaturemeasuring;MIV;BRBP neural networks;fault diagnosis

TN219;TN215

A

10.3969/j.issn.1001-5078.2014.04.00 7

1001-5078(2014)04-0382-05

國(guó)家自然科學(xué)基金項(xiàng)目(No.61107081，61202369);上海市教育委員會(huì)科研創(chuàng)新項(xiàng)目(No.10YZ158，12ZZ176)資助。

崔昊楊(1978－)，副教授，博士，主要研究工作是電力設(shè)備狀態(tài)檢測(cè)和半導(dǎo)體光電器件等。E-mail:cuihy@shiep.edu.cn

2013-09-02;

2013-09-25