《基于故障传播的模块化bp神经网络电路故障诊断-何春.pdf》由会员分享，可在线阅读，更多相关《基于故障传播的模块化bp神经网络电路故障诊断-何春.pdf（8页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、Journal of Computer Applications计算机应用，2018，38(2)：602609ISSN 10019081CODEN JYIIDU20180210http：wwwj093aen文章编号：1001-9081(2018)02060208 DOI：1011772jissn1001-90812017061516基于故障传播的模块化BP神经网络电路故障诊断何春，李琦。，吴让好，刘邦欣(电子科技大学通信与信息工程学院，成都610054)(通信作者电子邮箱1287345989qqcoin)摘要：大规模的数模混合电路所含故障模式众多，电路故障状态复杂，且易发生传播，因而电路故障诊
2、断难度较大。针对大规模电路发生故障时存在故障传播的问题，提出一种基于故障传播的模块化BP神经网络(MBPFP)故障诊断方法。首先，在电路模块划分的基础上分析子电路间的故障传播，并将故障源和故障传播源“模块化”；然后。通过子电路的异常检测模型进行一级定位，缩小故障原因集合，确定故障模块；最后，利用目标模块的BP神经网络模型进行二级定位，实现故障诊断并识别故障模式。与传统BP神经网络等方法进行比较的实验结果表明，MBPFP故障诊断方法具有较高的故障覆盖率，在定位准确率方面提高了至少8个百分点，其性能优予传统Bp神经网络等方法。关键词：大规模数模混合电路；故障诊断；故障传播；BP神经网络；异常检测模
3、型中图分类号：TP2773 文献标志码：ADiagnosis of fault circuit by modularized BP neural network based on fault propagationHE Chun，LI Qi，WU Ranghao，LIU Bangxin(College of Communication and Information Engineering,University of Electronic Science and Technology of China，硝积驰Sichuan 610054，Ch,m)Abstract：It is difficul
4、t to diagnose the faults of large-scale digital-analog hybrid circuit because it has numerous faultmodes，the circuit failure status is complex and Can be propagated easilyTo solve these problems，a new failure diagnosismethod，namely Modularized Back Propagation(BP)neural network based on Fault Propag
5、ation(MBPFP)，Was proposedFirstly，fault propagation between subcircuits Was analyzed on the basis of circuit module division，and failure source andtransmission SOUrce were modularizedSecondly，the set of fatth causes was narrowed and the fault module Was determined bythe anomaly detection model of sub
6、cireuit in 1-order positioningFinally，the fault location Was realized and the fault mode Wasidentified by the BP neural network of target module in 2-order positioningThe experimental results show that compared withthe traditional BP neural network method，the proposed MBPFP method has a hiish fault
7、coverage and the accuracy is improvedby at least 8 percentage points，which is outperforms the traditional method based on BP neural networkKey words：largescale digital-analog hybrid circuit；fault diagnosis；fault propagation；Back Propagation(BP)neuralnetwork；anomaly detection model0 引言近年来，随着数模混合电路规模和
8、复杂性的增加，特别是在航空、航天、军事国防等应用领域，其可靠性受到越来越多的关注。故障诊断作为维护电路可靠性的重要手段，成为了研究热点。文献14中提到的电路故障诊断方法包括：故障字典、最近邻、基于规则和支持向量机(Support VectorMachine，SVM)的故障分类模型等，但仅在模拟电路中付诸实践，且由于复杂电路的非线性映射关系错综复杂，导致诊断效果不佳。BP(Back Propagation)神经网络在数学理论上已证明具有实现绝大多数复杂非线性映射的功能，这使得它对诊断实际中建模困难的复杂系统，特别是大规模混合电路，具有独特优势。传统BP神经网络的应用”。9 o是直接对整个电路建立
9、BP网络，建立该网络的过程简单明了，适用于简单线性电路的故障诊断。在对大规模电路进行分析时，所建立的网络过大，易导致训练数据庞大、训练时间过长、计算量大以及对故障传播考虑欠缺等问题，从而造成故障定位准确率低。本文提出了基于故障传播的模块化BP神经网络(Modularized BP neuralnetwork based on Fault Propagation，MBPFP)故障定位方法，对大规模电路进行模块划分，分析并“分割”子电路模块间的故障传播关系，进而利用基于电路仿真建立的模块化异常检测模型和BP神经网络模型进行故障定位，使定位的准确率得到明显提升。1 MBPFP的故障诊断原理大规模数模
10、混合电路结构复杂，输入输出关系难以用简单的数学公式表示，电路故障状态庞杂，传播关系错综复杂。MBPFP方法在电路模块化的基础上，通过最优测试节点的选择确定子电路模块的测试节点，并把测试节点的属性数据作为故障诊断的数据源，使复杂电路的故障表现形式具体化；以电路单故障仿真u引的测试节点属性数据为客观依据，建立模收稿日期：20170620；修回日期：20170814。作者简介：何春(1972一)，女，四川成都人，副研究员，硕士，主要研究方向：通信信号处理、电子系统的可靠性；李琦(1993一)，男，山东滨州人，硕士研究生，主要研究方向：电子系统的可靠性；吴让好(1993一)，男，湖北荆州人，硕士，主要
11、研究方向：电子系统的可靠性；刘邦欣(1993一)，男，江西赣州人，硕士研究生，主要研究方向：电子系统的可靠性。万方数据第2期 何春等：基于故障传播的模块化BP神经网络电路故障诊断块化异常检测模型，分析故障传播并“分割”故障传播关系，建立子电路的BP神经网络模型，确定电路故障与故障原因的内在联系；当实际电路发生故障时，利用模块化异常检测模型进行一级定位，确定故障模块，再利用目标模块的BP神经网络模型进行二级定位，识别故障模式01。下面对MBPFP中的关键技术进行详细介绍。11模块化电路测试节点的确定大规模电路的可测节点众多，造成数据采集、传输和处理的负荷过大，因此首先进行电路模块划分，并确定各子
12、电路模块的测试节点。本文采用电路按功能划分的方法，尽可能地简化子电路模块间的拓扑关系和参数之间的耦合。为了避免因分析所有可测节点带来的冗余问题，同时兼顾一级定位的故障覆盖率，在功能模块划分的基础上，通过最优测试节点的选择确定各模块的测试节点。最优测试节点的选择是将传统的包含法和排除法1-12相结合，从可测节点集合中生成节点子集，并评价其性能，选择性能最佳的节点子集作为最优测试节点。节点子集性能的评价标准为故障覆盖率，公式如下：Coverage=IA IIDI (1)其中：Coverage表示故障覆盖率；l D l表示待检测的故障总数；I A I表示可以被检测到的故障数。考虑到工程实际，最终选定
13、的最优测试节点集要覆盖各子电路模块的输出节点。最优测试节点的选择算法具体如下：令OrigNodeSet是可测节点集合令OutNodeSet是子电路模块输出节点集合令OptiNodeSet=是最优测试节点的初始集合令best_Coverage=0是最佳的初步定位故障覆盖率，初始值为0包含法令NodeSet_Reg=寄存包含法选择出的节点for每个可测节点Node V OrigNodeSet doNodeSet=Node V NodeSet_RegCoverage_Cal()以节点的属性数据为输入，利用式(1)计算故障覆盖率Coverage+-Coverage_Cal(NodeSet)if Cov
14、eragebestCoverage dobestCoverage=Coverage追加D如至NodeSet_Reg的尾部：NodeSet_Reg=Node V NodeSet_Regend ifendfor排除法OptiNodeSet=NodeSet_Regfori=1：(1ength(NodeSet_Reg)一1)doforj=O：(1ength(NodeSet_Reg)一i一1)doNode=NodeSet_Reg(endiJ)NodeSet=OptiNodeSetNodeCoverage_Coverage_Cal(NodeSet)if Coverage=bestCoverage doOp
15、tiNodeSet=OptiNodeSetNodeendifendforendfor与工程实际结合for每个可测节点Node V OutNodeSet doif isempty(find(OptNodeSet，Node)doOptiNodeSet=OptiNodeSet V Nodeendforreturn OptiNodeSet通过最优测试节点的选择，构造如下测试节点矩阵：TestNodeMatrix=a“NxM；1iN&IJM(2)其中：表示子电路模块数；M表示可测节点数；表示可测节点o如i是否为模块Modulei的最优测试节点(或测试节点)，取值如式(3)所示。fl， o如i是Modul
16、e。的最优测试节点 ，。口= Lj，【0， D如，不是Module；的最优测试节点以TestNodeMatrix为基础，获取相应节点的属性数据，建立模块化异常检测模型。12模块化异常检测模型在电路故障诊断中，异常检测31的目标是发现与正常电路有差别的故障电路。当大规模电路故障时，故障情况复杂，故障原因众多，利用异常检测模型监测电路、筛选并缩小故障原因集合是一种有效手段。本文通过电路单故障仿真得到各测试节点的“与正常波形的距离”属性口叫数据，且由于同节点同属性的数据近似地呈高斯分布4|，因此根据文献15，通过参数法的密度估计法建立各测试节点的一元高斯分布异常检测模型(几(茁i)，q)，(p#()
17、，铂)表示子电路Module。(1iN)中第J(1_M)个测试节点的异常检测模型如下：m)8#， 菇i E oN酬 f4、Lpi(菇可)C遥馨卫簿一时J百】，u5图3 R3短路时电路仿真结果Fig3 Simulation results of R3 shorting in Circuitl由图2、3可知，当R3发生短路时，导致模块M2中节点S2输出为0，113为M2的故障源；导致模块M1中节点Sl输出幅值下降50mV，R3(或其所在模块M2)为Ml的故障反向传播源；导致模块M3中节点S3输出为O，113(或其所在模块M2)为M3的正向故障传播源。所以R3短路故障对应的故障向量s砧_S。u=1
18、1 1，基于子电路模块的故障传播有向图模型如图4所示。 一的图4 1t3短路的故障传播有向图模型Fig4 Fault propagation digraph model of R3 shorting由图4表示的有向图故障传播模型可知，R3短路既是万方数据第2期 何春等：基于故障传播的模块化BP神经网络电路故障诊断R3所在模块M2的故障源又是其他模块M1、M3的故障传播源。14模块化BP神经网络模型BP神经网络71是人工神经网络的一种重要算法，包括无监督学习过程和有监督调优过程，通过学习和调优建立的分类模型具有较强的自学习能力。本文利用模块化异常检测模型只能在子电路层次进行故障诊断。为了提高定位
19、精度，利用BP神经网络将故障原因集合缩小到故障模式。BP神经网络通过学习各种故障模式的样本数据自动提取“合理的”求解规则，建立BP网络模型，该模型保存了电路故障的内在因果对应关系，直接用于之后的二级定位。为适应数模混合电路，根据测试节点信号的不同，建立属性表引，如表l所示。裹1 电路测试节点信号的一性Tab1 Attributes of circuit test node signal模拟信号属性 数字信号属性与正常波形的距离与5V电压基准的距离与0V电压基准的距离均值误差均值误差方差最大值最小值与正常波形的距离与固低基准的距离与固高基准的距离不定态比例高阻态比例上升沿个数下降沿个数错误比例l
20、电路lI仿真l一一酬蓁蓁囊蓁|_E莲zPIe-1 BPfM础1e 2zP屿l|leJ且PlfM曲Ile(14)其中，即MM讪l。(1tN)在BPMVector中按照子电路模块物理连接先后的顺序排列(并联模块对应的BPM。甜。排序任意)。141最优属性的选择由各测试节点所有属性数据组成的一维属性向量显然会存在属性冗余问题，且不同属性在电路故障诊断中的重要程度不同，若将其直接聚类，建立BP神经网络模型，可能会因为属性之间的强相关性、冗余等问题，造成BP网络性能不佳甚至低下，因此，该一维属性向量需要通过最优属性选择去除冗余，再进行后续操作。最优属性的选择是将一维属性向量中的属性按照性能的优劣排序，然
21、后选择前K个性能最佳的属性作为最优属性。其中，有以下两点需要说明：1)属性性能的评价是通过对将要用于的系统进行性能评估完成的，即利用DB Index1 8|、相关性和故障簇数量对该属性的聚类效果进行评估。其中，DB Index评价聚类结果的凝聚程度，公式如下：DB。=妾(川黑，i半)st=者艺悄一互oui IEGid0=0互一弓0 (15)其中：k表示聚类的簇总数；S；表示簇内平均离散度；I c；I表示故障簇C。中所包含的样本总数，zi表示簇C；的中心；也表示簇间距离。对于DB Index准则来说，DB。值越小，说明聚类的效果越好。相关性评价参与聚类的各属性之间的冗余程度，公式如下：XCOR=
22、芝：xcor(Att，Attj) (16)丽其中：Att；表示参与聚类的第i个属性的数据。对于相关性来说，XCOR值越小，说明参与聚类的特征之间相关性越低，冗余程度越小。故障簇(故障模式集合)作为最终定位结果，故障簇数是对整个系统故障定位精确程度的评价，簇数越多，相应的每个簇中包含的故障模式数越少，定位精确程度越高。2)最优属性数置的确定：完成最优属性的排序后，利用聚类的故障簇数确定民K需要满足如下公式：，NumOfCluster(OptiAttSet(K)l NumOfCluster(OptiAttSet(Kf) ，1l NumOfCluster(OptiAttSet(K)=L NumOfC
23、luster(OptiAttSet(K+Z)其中：Z为任意正整数；OptiAttSet($)表示前水个性能最佳的属性集合；NumOfCluster()表示幸聚类的故障簇数。最优属性的选择算法具体如下：令OdgA靠$et是属性向量令OptiAttSet=是最优属性的初始集合，初始为空最优属性排序令OptiAttSeq=|是最优属性排序的初始集合，初始为空OrigAttSetReg=OrigAttSetfor i=1：length(OrigAttSet)doDBReg=for每个属性ArtOrigAttSetReg doAttSet=Att V OptiAttSeqDBCal()以属性的数据为输入
24、。利用式(15)计算万方数据计算机应用 第38卷DB值 物理意义相同。DB一DB_C81(AuSet)DBReg=DB V DBRegendforAttRegl=arg(min(OSReg)ifi一1 d0AttRe92=AttReglelseXcorrReg=for每个属性Art E AuRegl doAttSet=Art V OptiAttSeqXcort Cal()以属性的数据为输入，利用式(16)计算相关值Xcorr+-Xcorr_Cal(AttSet)XcorrReg 2 Xcorr V XcorrRegendforAttRe西2=a唱(min(XcorrReg)endifNumCl
25、uReg=for每个属性触EAttRe92 doAttSet=Att V OptiAuSeqNumOfCluster_Cal()以属性的数据为输入。获得属性聚类后的故障簇数NumOfCluster一NumOfCluster_Cal(Attar)NumCluReg。NumOfCluster V NumCluRegendforArt=arg(max(NumCluReg)l追加Art到OptiAttSeq的尾部：OptiAttSeq=Att V OptiAttSeqOrigAttSetReg 2 OrigAttSetRegArtendfor从OptiAttSeq中选择最优属性OptiAttSetNC
26、Reg=寄存不同个数的最优属性经聚类后的类故障数fori=1：length(OptiAttSeq)doAttSet=OptiAttSeq(1：i)NumOfCluster一NumOfCluster_Cal(AttSet)追加NumOfCluster到NCReg的尾部：NCReg=NumOfCluster V NCRegendforD矿NCReg+-diff(NCReg)ind=find(Dif_NCReg=0、OptiAttSet=OptiAttSeq(1：i，ld)retum OptiAttSet通过对测试节点的所有属性进行最优属性的选择，并将结果作为各模块BP神经网络模型的输人数据，使BP
27、网络关于故障属性输入和故障类别输出间的映射关系更加全面合理，在二级定位时，定位准确率更高。15 MBPFP的故障定位步骤针对实际电路，建立相应的仿真电路，并通过仿真构建各子电路模块的异常检测模型和BP神经网络模型。当实际电路发生故障时(只考虑发生单一故障的情况)，故障诊断过程如图6所示。步骤1获取实际电路中各测试节点的电压，具体可通过在测试节点上安置电压感知器获取，并提取属性。步骤2 从各测试节点的属性中选取“与正常波形的距离”属性数据，利用模块化异常检测模型的向量形式ADMVector对各子电路的故障状态进行评估，获得实际故障向量|s。IIII=s。s：s。岫，s。_l与前文中提到的S咖删“
28、：BP神经图6实际定位过程不意图Fig6 Schematic diagram of actual positioning process步骤3 根据S。进行一级定位，缩小当前故障原因的搜索范围。结果如下：1)S。叫中的分量全为0时，则电路正常。2)S。中只有一个分量为1时，则电路故障，故障原因可以定位到如下模块：FauhCa淞e=arg(il氏=1) (18)即S。中为1的分量表示的模块。3)S。叫中存在两个或多个分量为l时，则电路故障且模块间存在故障传播，但无法确定故障传播源。此时可分为如下两种情况：情况l 考虑到故障正向传播，选择如下模块作为一级定位的结果：FauhCause=arg(ra
29、inf h=l) (19)即S。中首个为1的分量对应的模块；情况2 考虑到故障反向传播，结果如下：FauhCause=arg(maxi h=l) (20)即S。叫中尾部为1的分量对应的模块。若定位精度要求为子电路模块级，则定位结束；否则进行下一步。步骤4 根据一级定位的结果，从模块化BP神经网络模型的向量形式BPMVector中选择如下模型作为二级定位的诊断工具： 蹦。啊=BPMVector(FauhCause)(21)并从测试节点的属性值中筛选出最优属性数据，利用肼咐晰进行二级定位，将结果定位到故障模式。2实例诊断分析将MBPFP方法应用于实际电路的故障诊断中，实例分析的仿真平台为OrCAD
30、 Capture 165和PSpice AD，数据处理平台为Matlab R2012b。21实例1截取于某大型系统的时钟产生电路作为待诊断电路，如万方数据第2期 何春等：基于故障传播的模块化BP神经网络电路故障诊断图7所示。图7电路包含56个故障模式，表2描述了电容 C12、电阻R12和数字器件D3的部分故障模式。V321AR1S5l21141567199412篇r珊：R95lD】亨 AM26LS32V!垒竖揪!挲谳!D2裹2部分故_I模式TIIb2 Part 0f fault mode831441013一l53 S513llLMl61图7实例电路Fig7 Example circuit故障模
31、式 物理意义C12_S_NULLC12jUPR12-I吐NUI工R12j j内WND3-0z_11D3一H 11D3一L-11D3I1 1电容C12开路电容C12参数上漂20电阻R12开路电阻R12参数下漂20D3的ll管脚输出为高阻态D3的ll管脚输出为固高D3的ll管脚输出为固低D3的11管脚输出反向：利用PSpiee AD进行电路正常仿真和单故障仿真。将电阻和电容的容差设为5，对正常电路作200000次蒙特卡罗(Monte Carlo，MC)分析，每种故障模式作100次MC分析，并根据表1提取MC样本所有可测节点的属性数据。取每种故障模式第一次MC对应的属性数据作为额定值训练样本集(No
32、minal Train sample SET，terser)；取200000组正常属性样本和每种故障模式中前80组属性样本作为容差值训练样本集(Tolerant Train sample SET，TrSET)；取每种故障模式另外的20组样本作为测试样本集(TEsT sample SET，TESTSET)。故障诊断过程具体如下。步骤l 将该电路按功能划分为4个模块：ModulelnCircuit=FiherModule，CompareModulel，CompareModule2，Counterl6Module各子电路所含的可测节点依次如下：NodelnModule=Sl，S2，S3，S5，S4，
33、S6，S7，S8，S9步骤2 利用-11SET中的“与正常波形的距离”属性数据建立所有可测节点的异常检测模型。根据最优测试节点选择算法，结合式(6)和式(1)，确定测试节点矩阵，同时可获得各子电路的模块化异常检测模型，矩阵如下：98S 6R14，Vr22R16221 OO 0O O0 0l 0O 00 00 O0 0l 00 OO O0 0O Ol 00 O 丑矩阵中各行依次表示ModulelnCircuit中的各子电路模块所含的最优测试节点；各列依次表示NodelnModule中的各可测节点作为最优测试节点(或测试节点)时的归属模块。例如，a13=1表示S3为FilterModule的最优测
34、试节点。根据TestNodeMatrix建立的模块化异常检测模型使一级定位的故障覆盖率理论上达到：Coverage=JA IIDI=5656=10000步骤3 将步骤2中的模块化异常检测模型组合为向量形式，如下：ADMVector=舡哺tergadule肋帆I蹦kI舡wcq。抛AD岷洲眦de步骤4基于NTSET，利用ADMVector建立各故障模式的故障向量|s刚龇如。将表2中故障模式对应的故障向量组成的失效矩阵如下：L i ； i ；J其中，各行依次表示表2中的各故障模式对各子电路模块的故障影响；各列依次表示ModulelnCircuit中的各子电路模块在各种故障模式下的故障状态。步骤5 以
35、FaultMatrix为数据源，分析故障传播，并确定各子电路模块的故障来源FaultSourceM舢，如下：望匠=j氅面一O：一舡驮1lOO11lllnul111l1llO01111l11l11ll万方数据计算机应用 第38卷FauhSource蹦t舢=C12_sNuLL，C12JP，R12一O_NULL，R12一F_DOWN，几HZ渤眦ecom口Mml=C12s_-NULL，C12一FUP，D3_OZjl，D3一H-1l，几lZ蜘Mrcecom蛳M0duk2=C12-s-NuLL，R12JO-NULL，R12一F_DOWN，D3一OZ一1 1，FauhSourcec。h删舢=C12-SJiu
36、LL，C12_F_UP，D3一OZ_11，D3一H一11，步骤6将NTSET中各测试节点的所有属性数据组合为一维属性向量，进行最优属性的选择，选择结果及性能数据如表3所示。衰3量优一性Tab3 Optimal attributes根据FauhSourceM拙，筛选出各模块故障来源的最优属性向量，并通过聚类搭建各模块BP网络的训练数据框架。基于该框架，在13SET中构建各BP网络的训练数据，训练精度设为0Ol，建立各子电路的BP神经网络模型，其向量形式如下：BPMVector=眠l。kBP唧。蝴职岷岬棚。酗吐胛喁屯蚓酗b弛步骤7诊断。利用TESTsET对该方法进行测试，根据一级定位中故障传播分析
37、方向的不同，分为如下两种情提：1)一级定位产生的故障向量按正向传播分析；2)一级定位产生的故障向量按反向传播分析。两种不同分析方向的性能如表4所示。裹4 MBPFP性能1铀4 Performance of MBPFP其中，定位准确率表示定位结果正确的样本数与所有样本数的比例。不管一级定位采用哪种故障传播分析方向，MBPFP的故障覆盖率和定位准确率在所设容差范围内性能均较好；另外，该方法有效地减小了各模块BP神经网络的计算量和训练时间，提高了故障定位线下训练的效率。22性能对比分析文献9提出了一种大规模电路故障诊断神经网络方法，在电路模块划分的基础上，直接利用所有可测节点的电压值建立各子电路的B
38、P神经网络，再利用各BP神经网络依次进行故障定位，没有涉及测试节点的选择、属性选择，也没有考虑到存在故障传播的情况。文献15提出了一种基于结合异常检测算法的双步故障诊断方法，异常检测模型作为故障检测器，只能用以检测电路是否发生故障，而不能缩小电路的故障源范围；SVM作为故障分类器，在确定电路发生故障的基础上进行故障定位，该方法实际上相当于对电路实时监测的单步故障诊断方法，不适用于大规模电路的故障诊断，而且也没有考虑到故障传播的复杂情况。在与实例1相同的电路系统环境下，MBPFP与传统BP神经网络、文献E9、文献15中故障定位方法的性能比较，如表5所示。裹5不同故障定位方法的性能对比 Tab5
39、Performance compMison of differentmethods of fault positioning 与传统BP神经网络和文献15中的方法相比，MBPFP的性能明显优于这两种方法；与文献9中的方法相比。虽然MBPFP在故障覆盖率上略低于该方法，但其最终的故障定位准确率比文献9的方法高93个百分点。实验结果表明，MB噼大规模数模混合电路的故障诊断中具有较高的故障覆盖率和定位准确率。3 结语针对大规模数模混合电路的故障诊断问题，特别是存在故障传播的情况，本文提出了基于故障传播的模块化BP神经网络(MBPFP)故障诊断方法，实现了大规模数模混合电路的故障诊断；特别是针对存在故
40、障传播的情况，通过“分割”故障传播关系实现故障定位，具有较高的故障定位准确率。该方法以元器件的故障模式为研究对象，但同样可以扩展到板级、系统级的故障诊断，适合于系统级的故障诊断；特别是在系统级联结构较为复杂的情况下，该方法可以把复杂的故障情况进行分割，模块化为子系统的故障诊断问题，具有良好的应用前景。参考文献(References l【I】 谭阳红，何怡刚模拟电路故障诊断的新故障字典法f J】微电子学，2001，31(4)：252253(TANYH，HEYGA newfault dictionary method for fault diagnosis of analog circuits【J
41、】Micro-eletronies，2001，31(4)：252-253)【2】 陈文豪，郭子彦，王立，等复杂机载电子系统故障综合诊断技术研究【J1计算机测量与控制，2016，24(11)：14(CHEN W H，GUO Z Y，WANG L，et a1The integrated fault diagnosis technolo-舒research based on complex sLirborue electronic system【J1Computer MeasurementControl，2016，24(1 1)：1-4)【3】DUHAMEL P，RAULT JAutomatic t
42、est generation techniques foranalog circuits and systems：a review【J】IEEE Transactions onCircuits and Systems，1979，26(7)：411-440f4】 黄亮模拟电路放障诊断研究【D】北京：北京交通大学，2012：2124f HUANG LResearch on fault diagnosis of analog circuits【D1Beijing：Beijng Jiaotong University，2012：2124。1【5】 何怡剐。罗先觉，邱关源模拟电路故障诊断l估计及其神经网
43、络解法【J】电子科学学刊，1997，15(4)：365371(HE Y G，LUO X J，QiU G YA neuralbased nonlinear L1 nolln optimizationalgorithm for diagnosis of networks f J】Journal of Electronics，1998，15(4)：365371)【6】 袁海英基于时频分析和神经网络的模拟电路故障诊断及可测性研究【D1电子科技大学，2006：2549(YUAN H YStudyOil fault diagnosistestability in analog circuits based
44、 on time-fre万方数据第2期 何春等：基于故障传播的模块化BP神经网络电路故障诊断【7】【8】【9】【lO】【11】12【13】queney-domain analysis and neural network【D】Chengdu：Univer-sity of Electronic and Technology 0f China，2006：2549)王承基于神经网络的模拟电路故障诊断方法研究【D】成都：电子科技大学，2005(WANG CResearch on fault diagnosis inanalog circuits based on neural network【D】Ch
45、engdu：Universityof Electronic and Technology of China)AMINIAN F，AMINIAN M，COLLINS H WAnalog fault diagnosis0f actual circuits using neural networks【J】IEEE Transactions onInstnunent&Meansurement，2002，5l(3)：544-550谭阳红，何怡剐。陈洪云，等大规模电路故障诊断神经网络方法【J】电路与系统学报，2001，6(4)：2529(TANYH，HEYG，CHEN H Yet a1Tne method
46、 of large scale circuit diagnosis basedon neutral network【J】Journal of Circuits and Systems，200l，6(4)：2529)张立永基于数据挖掘的电路故障分析【D】成都：电子科技大学，2015：4190(ZHANG L YFault analy8is of circuits basedon data mining【D1Chengdu：University of Electronic and Tech-nology of China,2015：41901曾希雯基于客观化FMEA方法的故障字典研究与实现【D】成
47、都：电子科技大学，2016：2864(ZENG X WResearch andimplementation of fault dictionary based傩objective FMEA【D】Chengdu：Univemity of Electronic and Technology of China，2016：2864)f17WARA HFAN：8 fanout-orlented test pattern generationalgemhm【CISCAS 1985：Proceedings of the 1985 IEEEIntemationul Symposium on Circuits
48、and SystemsPiseataway，NJ：IEEE，1985：671674TAN P N，STElNBACH M，KUMAR V数据挖掘导论【M1范明，范宏建，译北京：人民邮电出版社，2014：403420(TANP N，STENBACH M，KUMAR VIntroduction to Data Mining【M】FAN M，FAN H JtranslatedBnijing：Posts and TelecomPress，2014：403420)(上接第532页)【12J LIU J，JM Y，KONG L，Sign-coherence-factor-based suppressionfor grating lobes in thresh-wall radar imaging【J】IEEE GeciRemote Seosing Lettem,2016，13(11)：16811685【13】 BRADSKI G RComputer vision face tracking for use in a