本技術(shù)涉及血透設(shè)備的領(lǐng)域，尤其是涉及一種基于bp神經(jīng)網(wǎng)絡(luò)的血透設(shè)備模擬電路故障診斷方法及裝置。

背景技術(shù)：

1、隨著現(xiàn)代科學技術(shù)的不斷進步，電子設(shè)備已在通信、家用、自動控制、測量、科研、運輸?shù)榷鄠€領(lǐng)域得到廣泛應用。與此同時，隨著半導體和集成電路技術(shù)的更新和發(fā)展，電路系統(tǒng)的結(jié)構(gòu)規(guī)模也在迅速擴展。然而，這種復雜化的電路結(jié)構(gòu)提高了故障發(fā)生的概率和復雜程度。文獻研究表明，在許多現(xiàn)代化設(shè)備，尤其是現(xiàn)代武器裝備中，其維修費用可能占到整體成本的50%以上，而機載電子系統(tǒng)的維修費用更是高達67%。盡管在集成電路中模擬電路所占面積很小，不超過5%，但其相關(guān)費用卻能占到整個集成電路費用的95%以上。因此，集成電路產(chǎn)業(yè)要實現(xiàn)技術(shù)突破，就必須優(yōu)先解決模擬電路的檢測這一關(guān)鍵技術(shù)瓶頸。

2、人工神經(jīng)網(wǎng)絡(luò)（artificial?neural?network,ann），簡稱神經(jīng)網(wǎng)絡(luò)，是一種基于現(xiàn)代神經(jīng)科學構(gòu)建的抽象數(shù)學模型，旨在模擬人腦的功能。經(jīng)過多年的研究發(fā)展，人工神經(jīng)網(wǎng)絡(luò)已形成多種網(wǎng)絡(luò)模型，如多層感知器、hopfield?網(wǎng)絡(luò)、art?網(wǎng)絡(luò)、自適應共振理論、概率神經(jīng)網(wǎng)絡(luò)和rbf?網(wǎng)絡(luò)等。這些網(wǎng)絡(luò)因其結(jié)構(gòu)差異而適用于不同應用領(lǐng)域。神經(jīng)網(wǎng)絡(luò)在20世紀80年代末就已廣泛應用于模擬電路故障診斷。隨著理論技術(shù)的發(fā)展及大量實際應用的驗證，神經(jīng)網(wǎng)絡(luò)逐漸成為一種重要的發(fā)展趨勢。在眾多神經(jīng)網(wǎng)絡(luò)方法中，bp神經(jīng)網(wǎng)絡(luò)因其優(yōu)異的模式分類能力，特別適用于電路故障診斷的領(lǐng)域。

3、在電路故障診斷的過程中，為實現(xiàn)有效的故障識別和分類，神經(jīng)網(wǎng)絡(luò)模型需要準確輸入能夠表征模擬電路特征信息的特征向量。小波變換作為一種時-頻分析方法，通過對信號的分解，可以提取出表征模擬電路特征的信息，形成特征向量，從而支持對電路的故障診斷與分類。小波變換具有良好的靈敏性、較少的計算需求和較強的噪聲抑制能力，且不需要特定的數(shù)學模型。然而，由于電路時域?qū)挾容^大，小波變換在某些情況下會引發(fā)時間延遲問題，影響分析的精確性。此外，小波函數(shù)的選擇也會對檢測結(jié)果產(chǎn)生影響。

技術(shù)實現(xiàn)思路

1、為了結(jié)合小波變換和人工神經(jīng)網(wǎng)絡(luò)的優(yōu)勢，優(yōu)化電路故障特征的提取與識別，本技術(shù)提供一種基于bp神經(jīng)網(wǎng)絡(luò)的血透設(shè)備模擬電路故障診斷方法及裝置。

2、第一方面，本技術(shù)提供的一種基于bp神經(jīng)網(wǎng)絡(luò)的血透設(shè)備模擬電路故障診斷方法，采用如下的技術(shù)方案：

3、一種基于bp神經(jīng)網(wǎng)絡(luò)的血透設(shè)備模擬電路故障診斷方法，包括以下步驟：

4、s1.獲取輸入信號并處理得到頻譜分析；

5、s2.計算信號的功率譜密度，分析信號在不同頻率上的能量分布，以確定故障電路為高頻信號輸出電路或低頻信號輸出電路；

6、s3.若為高頻信號輸出電路，則分析其能量集中區(qū)域的頻率量級，以確定所對應的電路，并得到故障特征；其中，所對應的電路包括氣泡檢測電路和心率監(jiān)測電路，所述能量集中區(qū)域為超過預設(shè)比例的能量部分對應的頻率區(qū)域；

7、若為低頻信號輸出電路，則設(shè)定頻率閾值，用于區(qū)分高頻區(qū)和低頻區(qū)，若低頻區(qū)的能量高于高頻區(qū)的能量，則對輸入信號進行多分辨分析，以得到故障特征；若低頻區(qū)的能量不高于高頻區(qū)的能量，則進行小波包分析，以得到故障特征；

8、s4.對故障特征進行分析，得到故障分析結(jié)果。

9、可選的，所述s1包括：

10、s11.選取信號采集點并連接；

11、s12.進行信號采集；

12、s13.對采集的信號進行快速傅里葉變換，得到頻譜分布；

13、s14.提取頻率成分和對應的幅度信息。

14、可選的，所述s2包括：

15、s21.使用welch方法計算功率譜密度；

16、s22.根據(jù)計算得到的功率譜密度曲線，分別計算高頻區(qū)和低頻區(qū)的總能量，其中，高頻區(qū)的頻率范圍和低頻區(qū)的頻率范圍預設(shè)定；

17、s23.計算高頻區(qū)和低頻區(qū)的能量比值，若能量比值大于預設(shè)閾值，則判定信號以高頻能量為主，故障電路為高頻信號輸出電路；若能量比值小于預設(shè)閾值，則判定能量以低頻能量為主，故障電路為低頻信號輸出電路。

18、可選的，所述s4包括：

19、將高頻信號輸出電路的故障特征輸入到所對應的專一電路的預訓練的bp神經(jīng)網(wǎng)絡(luò)中，得到故障分析結(jié)果，其中，所述專一電路的預訓練的bp神經(jīng)網(wǎng)絡(luò)為基于采用標定好故障類型的高頻信號輸出電路的故障特征向量的樣本集對bp神經(jīng)網(wǎng)絡(luò)進行訓練，以輸出故障模式。

20、可選的，所述s4包括：

21、將低頻信號輸出電路的故障特征輸入到所對應的泛用電路的預訓練的bp神經(jīng)網(wǎng)絡(luò)中，得到故障分析結(jié)果，其中，預訓練的bp神經(jīng)網(wǎng)絡(luò)根據(jù)預先標定好故障類型的低頻信號輸出電路的故障特征向量的樣本集對bp神經(jīng)網(wǎng)絡(luò)進行訓練。

22、可選的，所述專一電路的預訓練的bp神經(jīng)網(wǎng)絡(luò)的訓練步驟包括：

23、s41.進行模擬電路仿真，確定能夠?qū)﹄娐吩斐捎绊懙脑骷?，以進而確定能夠產(chǎn)生的故障類型；

24、s42.提取故障特征向量，其中，故障模式和故障特征向量之間具有明確的互相對應關(guān)系；

25、s43.基于歸一化方法對故障特征向量進行處理，以構(gòu)成神經(jīng)網(wǎng)絡(luò)訓練所需的輸入和輸出樣本集；

26、s44.建立和訓練神經(jīng)網(wǎng)絡(luò)。

27、可選的，s44包括：

28、s441.設(shè)定bp神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)，所述基本結(jié)構(gòu)包括輸入層、隱含層和輸出層的節(jié)點數(shù)量；

29、s442.使用誤差反向傳播算法進行訓練，通過不斷調(diào)整網(wǎng)絡(luò)權(quán)重來最小化預測誤差；

30、s443.將訓練樣本輸入神經(jīng)網(wǎng)絡(luò)，通過反向傳播算法不斷調(diào)整權(quán)重，使輸出誤差逐步減小，直至達到設(shè)定的誤差目標；

31、s444.在訓練完成后，將測試樣本輸入神經(jīng)網(wǎng)絡(luò)進行性能測試，驗證網(wǎng)絡(luò)對未見數(shù)據(jù)的故障分類準確性。

32、第二方面，本技術(shù)提供的一種基于bp神經(jīng)網(wǎng)絡(luò)的血透設(shè)備模擬電路故障診斷裝置，采用如下的技術(shù)方案：

33、一種基于bp神經(jīng)網(wǎng)絡(luò)的血透設(shè)備模擬電路故障診斷裝置，包括：

34、頻譜分析模塊，用于獲取輸入信號并處理得到頻譜分析；

35、故障電路分類模塊，用于計算信號的功率譜密度，分析信號在不同頻率上的能量分布，以確定故障電路為高頻信號輸出電路和低頻信號輸出電路；

36、故障特征提取模塊，用于若為高頻信號輸出電路，則分析其能量集中區(qū)域的頻率量級，以確定所對應的電路，并得到故障特征；其中，所對應的電路包括氣泡檢測電路和心率監(jiān)測電路，所述能量集中區(qū)域為超過預設(shè)比例的能量部分對應的頻率區(qū)域；

37、若為低頻信號輸出電路，則設(shè)定頻率閾值，用于區(qū)分高頻區(qū)和低頻區(qū)，若低頻區(qū)的能量高于高頻區(qū)的能量，則對輸入信號進行多分辨分析，以得到故障特征；若低頻區(qū)的能量不高于高頻區(qū)的能量，則進行小波包分析，以得到故障特征；

38、分析模塊，用于對故障特征進行分析，得到故障分析結(jié)果。

39、第三方面，本技術(shù)提供的一種計算機設(shè)備，采用如下的技術(shù)方案：

40、一種計算機設(shè)備，其包括：

41、一個或多個處理器；

42、存儲器；

43、一個或多個應用程序，其中所述一個或多個應用程序被存儲在所述存儲器中并被配置為由所述一個或多個處理器執(zhí)行，所述一個或多個程序配置用于：執(zhí)行上述的基于bp神經(jīng)網(wǎng)絡(luò)的血透設(shè)備模擬電路故障診斷方法。

44、第四方面，本技術(shù)提供的一種計算機可讀存儲介質(zhì)，采用如下的技術(shù)方案：

45、一種計算機可讀存儲介質(zhì)，存儲有能夠被處理器加載并執(zhí)行如上的上述方法的計算機程序。

46、所述存儲介質(zhì)存儲有至少一條指令、至少一段程序、代碼集或指令集，所述至少一條指令、所述至少一段程序、所述代碼集或指令集由所述處理器加載并執(zhí)行以實現(xiàn)：如上述的基于bp神經(jīng)網(wǎng)絡(luò)的血透設(shè)備模擬電路故障診斷方法。

47、綜上所述，本技術(shù)包括以下至少一種有益技術(shù)效果：

48、1、通過對信號進行逐級分解和檢測，能夠獲取先驗條件來對故障電路的類型進行預判，以選擇效果更好的專一電路訓練的bp神經(jīng)網(wǎng)絡(luò)模型，或者在后續(xù)步驟利用多分辨分析或小波包分析來對信號進行分解，得到更多更準確的故障特征，再輸入泛用路訓練的bp神經(jīng)網(wǎng)絡(luò)模型，從而更準確地得到故障類型。

49、2、通過小波包變換的特征，先將信號經(jīng)過小波包預處理可以避免應用?bp?網(wǎng)絡(luò)進行故障診斷造成的較大規(guī)模和較慢收斂速度的問題。且小波包變換還可以有效的淘汰刪除信號中的冗余信息，完成減小神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，減少訓練時間的任務。

50、3、bp?神經(jīng)網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò)均可有效地進行模擬電路故障診斷，?但在收斂速率和學習能力上，小波神經(jīng)網(wǎng)絡(luò)故障診斷方法明顯優(yōu)于單一的?bp神經(jīng)網(wǎng)絡(luò)方式。