基于神经网络的车载电源开关电容变换器的智能潜电路分析

何惠英，李良洪，付兰芳，赵 玲

(军事交通学院 基础部，天津 300161)



● 基础科学与技术 Basic Science & Technology

基于神经网络的车载电源开关电容变换器的智能潜电路分析

何惠英，李良洪，付兰芳，赵 玲

(军事交通学院 基础部，天津 300161)

在基于学习机制的智能潜电路分析过程中，如何有效地从大量电路信息中抽象出神经网络所需的样本数据，是保证系统预测结果可靠性的重要前提。为提高神经网络样本数据的有效性，基于图的理论和无效路径剔除方法，提出电路信息转换成神经网络样本数据的新方法，并将此方法应用于车载电源中的基本降压式谐振开关电容变换器潜电路分析过程中的样本生成环节，再借助Matlab工具箱，用遗传算法优化的BP神经网络，对经无效路径剔除方法处理后的样本数据和原始样本数据分别进行训练。训练结果验证了此方法的准确性和实用性。通过误差分析表明，网络训练前对样本数据进行有效处理，不仅可以避免传统潜电路分析中前期大量的数据输入工作及线索表难以获取等问题，还可提高系统预测的准确性。

车载电源；潜电路分析；神经网络；有效样本；开关电容变换器

随着现代汽车用电设备种类的增多、功率的增加，所需车载开关电源输出电压种类多元化，即均需要采用开关变换器将蓄电池提供的直流电压，经DC-DC变换器变换为车辆内部用电设备所需电压，因此，开关变换器的可靠性直接关系到车内用电设备工作的稳定性[1]。实验证明，在车载电源的开关变换器中客观存在着潜电路现象[2]。智能潜电路分析方法因其相对于传统潜电路分析方法的诸多优点[3-5]，已成为潜电路分析的重要发展方向。近年来出现了基于定性仿真、定量仿真、人工智能等多种智能潜电路分析方法[6-9]，其中基于神经网络的潜电路分析方法因其可以避免繁琐的线索表获取问题、减少前期大量的数据输入工作等优点而成为当前研究的热点[10-11]。训练样本的质量是影响神经网络性能的主要方面之一。在拓扑图经遍历所得的全部路径中，可能含有一些无效路径，由无效路径形成的训练样本势必会影响系统的预测准确度。因此，本文提出基于有效样本的神经网络潜电路分析方法。此方法在从电路信息到训练样本的转换过程中，采用无效路径剔除方法，将样本总空间提炼为有效样本数据，目的在于提高神经网络模型预测的准确度，并将此方法应用于基本降压式谐振开关电容变换器[12-13]的潜电路分析，成为保证车载电源开关变换器可靠性的重要手段之一。

1 基于神经网络的智能潜电路分析方法的一般步骤

基于神经网络的智能潜电路分析的一般流程如图1所示。

2 基于学习机制的潜电路分析方法中的信息转换

在基于神经网络的智能潜电路分析过程中，训练样本的质量在很大程度上影响着神经网络的性能，如何有效地将电路的系统信息转换成神经网络的样本数据，是保证预测结果可靠性的前提。对于开关电路的潜电路分析需求，神经网络所需的样本信息即是电路中开关元件状态组合与功能元件状态之间的关系矩阵，其由电路信息获得的过程如下。

2.1 样本空间的确定

(1)拓扑结构图。隐去电路网络的电气特性，依据图的理论将其抽象为图论的一个图，即电路的拓扑结构图。

(2)确定输入/输出变量及其取值。输入变量为系统各开关元件状态，输出变量为系统功能元件状态。因开关元件只有两种工作状态，即“断开”和“闭合”，因此输入变量的状态应对应各开关元件的“断开”和“闭合”。通常开关元件的“闭合”状态用“1”表示，“断开”状态用“0”表示。因为，在实际电路中，系统功能元件的状态反映了电路功能的实现与否，因此样本空间中的输出变量的取值也用“0”和“1”表示，“1”表示电路实现某功能，“0”表示电路未实现某功能。

但在训练过程中，神经网络训练模型的输出可能是0到1之间的任意值。鉴于潜电路分析属于定性分析范畴，可采用阈值过滤方法来处理计算结果，即设置阈值参数。当神经网络训练模型的输出大于阈值参数时，认为系统功能实现；否则，认为系统功能未实现。因此，阈值参数的取值直接影响潜电路的识别结果，一般要求阈值参数≥0．5[9]。

(3)确定样本总空间。采用深度优先搜索算法对电路的拓扑结构图进行遍历，可得其样本总空间个数。

(4)无效路径的剔除。对电路的拓扑结构图遍历所得的样本总空间中可能会包含若干个无效路径[14-15]。预先剔除掉这些无效路径，不但可以提高潜电路分析的准确率，也可减小后续神经网络分析的工作量。依其所述的无效路径剔除方法，并结合所分析电路的实际工作原理，得到无效路径剔除条件，剔除无效路径，得出训练总样本。

(5)样本分类。将总样本分成训练样本和测试样本，训练样本用于建立网络模型，测试样本用于系统预测，并验证网络模型性能。

2.2 样本输入输出矩阵的确定

为应用遗传算法优化的BP神经网络对样本进行训练，需要对训练样本及测试样本建立输入输出矩阵，从样本数据到输入输出矩阵的转换方法如下。

(1)训练样本输入矩阵的确定。输入变量个数即开关元件数目作为样本的输入特征维数D，输入变量的状态分别用X1，X2，…，XD表示。设训练样本数目为N，因此输入矩阵P大小为D×N，并写出输入矩阵。

(2)训练样本输出矩阵的确定。输出变量个数即功能元件数目作为样本的输出特征维数K，输出变量的状态用Y1，Y2，…，YK表示。设训练样本数目为N，因此输出矩阵T大小为K×N，并写出输出矩阵。

(3)测试样本输入输出矩阵的确定。除此之外，为测试神经网络模型的泛化能力，需要将测试样本的输入作为神经网络模型的输入，从而预测系统的输出，因此需根据测试样本的维数确定其输入输出矩阵。

2.3 网络模型的确定

应用遗传算法优化的神经网络对训练样本进行训练[16]，得网络模型，并用测试样本进行系统测试，最终确定网络模型。用网络模型进行系统预测，并作出误差分析。

3 基本降压式谐振开关电容变换器的潜电路分析

基本降压式谐振开关电容变换器的原理如图2所示。在正常工作情况下，S1和S2轮流导通[13]。

若电路能实现谐振功能，则功能状态用“1”表示，否则用“0”表示。根据电路的设计功能，得其预期功能状态见表1。

表1 预期功能状态

依上述方法，由本电路的系统信息到神经网络的样本数据的转换过程如下。

3.1 样本空间的确定

由图2得电路的拓扑结构(如图3所示)。

将图2电路中的6个开关元件S1、DS1、S2、DS2、D1、D2的状态作为输入变量，分别用X1、X2、X3、X4、X5、X6表示。设开关元件闭合时，状态为“1”；断开时，状态为“0”。输出变量为电路是否实现谐振功能，用Y表示。“1”表示实现谐振功能，“0”表示未实现谐振功能。同时可以确定输入样本的维数为6，输出样本的维数为1。

通过对图3所示的拓扑图进行遍历，可得其样本总空间为26=64个，再经无效路径剔除过程[14]，得此电路的无效样本数为28+4+4=36个。训练样本空间为样本总空间数减去无效样本数，即64-36=28个，部分样本状态见表2。

选第7和第14个样本为测试样本，其余为训练样本，总训练样本数N=28-2=26。

3.2 训练样本输入输出矩阵的确定

在本基本降压式谐振开关电容变换器中，样本的输入特征维数D即输入变量也即开关元件数目为6，训练样本数目为26，因此其输入矩阵P大小为D×N=6×26。

样本的输出特征维数即输出变量也即功能元件数目为1，训练样本数目为26，因此其输出矩阵T大小为K×N=1×26。

T=[0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0]

测试样本的开关状态对应的输入矩阵P′为

表2 训练样本总空间

3.3 训练模型及误差分析

借助Matlab神经网络工具箱，用遗传算法优化的BP神经网络对未经处理的训练样本(即样本空间数64个)，以及无效路径剔除后的有效训练样本(即样本空间数26个)分别进行训练，得其对应的网络模型，并用测试样本分别进行测试。运行程序50次，取其预测输出的平均值作为测试结果，其误差分析见表3。

表3 训练结果对比

经以上对比分析可以看出：

(1)测试结果均大于所设置的阈值参数，即认为在测试样本所对应的开关元件状态条件下，神经网络模型的输出为1，这使得电路功能状态与预期功能状态不一致，因此，判定此条件下的路径为潜路径，这与文献[2，13]的分析结果一致，验证了以上潜电路分析方法的正确性。

(2)相对于样本总空间，由有效训练样本建立的BP神经网络模型对潜电路的预测误差大大降低，说明无效路径剔除方法在形成有效样本环节中的有效性和实用性。

(3)预测结果还存在着较大误差，这与电路的复杂程度(电路越复杂，即样本数越多，预测精度越高)、BP神经网络本身局限性等因素有关。

3.4 潜电路消除

根据以上潜电路分析结果，改进电路[13]，从而消除潜电路，保证电路按预期功能可靠工作。

4 结 语

本文在神经网络潜电路分析的训练样本形成环节中，基于无效路径剔除方法，提出了基于有效样本的神经网络智能潜电路分析方法，并将此方法应用于车载电源的基本降压式谐振开关电容变换器的潜电路分析，提高了神经网络模型预测的准确度，同时减小了后续预测环节的工作量，验证了此方法的正确性和实用性，同时提高了车载电源变换器的可靠性。在基于神经网络等学习机制的智能潜电路分析方法中，人工智能技术本身参数设置问题、网络模型参数与电路参数的相关性问题、预测结果的可靠性分析等问题，如当神经网络模型预测输出接近于阈值参数时的诊断问题，仍是下一步重点研究的课题。

[1] 麻友良．汽车车载电源及起动机原理与故障检修实例[M]．北京：机械工业出版社，2010：1-30

[2] 屈莉莉，张波．电力电子变换器的开关布尔矩阵及潜电路分析[J]．电机与控制学报，2011，15 (12)：56-61．

[3] RANKIN JP．Sneak circuit analysis[J]．Nuclear Safety，1973，14(5)：461-468．

[4] 胡昌华，陈斌文，刘丙杰．复杂系统潜在问题分析理论与应用[M]．北京：科学出版社，2008：114-151．

[5] 梁因，马齐爽，徐萍．基于图论的潜通路分块分析方法[J]．北京航空航天大学学报，2014， 40(1)：115-119．

[6] ZIDAN MA，FAHMY HAH，HUSSAIN MM，et al．The sneak paths problem and solutions [J]．Microelectronics Journal，2013，44(2)：176-183．

[7] 任立明．潜在电路分析技术与应用[M]．北京：国防工业出版社，2011：1-12．

[8] 徐萍，马齐爽，邹涛．开关电路潜通路分析的一种方法[J]．北京航空航天大学学报，2011，37 (3)：360-363．

[9] 刘丙杰，刘勇志，黄岳．基于克隆选择算法的学习型Petri网及在潜在通路分析中的应用[J]．航天控制，2011，29 (8)：94-97．

[10] 胡昌华，刘丙杰．复杂系统可靠控制中的潜在问题互连神经网络分析方法[J]．自动化学报，2008，34 (2)：179-194．

[11] 刘丙杰，胡昌华．基于神经网络的潜在通路分析[J]．宇航学报，2006，27 (3)：474-477．

[12] 屈莉莉，张波，丘东元．ZCS谐振开关电容变换器的拓扑结构改进[J] ．电力电子技术，2009，43 (6)：21-23．

[13] 黎剑源，丘东元，张波．n阶谐振开关电容变换器潜电路图论分析法[J]．中国电机工程学报，2008，28 (3)：53-58．

[14] 何惠英，李志刚，张菲菲，等．电力电子变换器潜电路中的无效路径剔除方法[J]．电子技术应用，2013，39 (12)：72-74．

[15] 何惠英，李志刚，张菲菲，等．汽车电子电路潜电路的无效路径剔除方法研究[J]．电子技术应用，2014，40 (5)：59-61．

[16] 陈明．MATLAB神经网络原理与实例精解[M]．北京：清华大学出版社，2013：127-133.

(编辑：史海英)

《军事交通学院学报》学术不端行为检测声明

为进一步强化学术诚信意识，维护学术期刊的严肃性和科学性，并向广大读者负责，本刊将利用“军事科研学术文献检测系统”对所有来稿进行学术不端行为检测，论文复制比应≤15%。

特此声明。

本刊编辑部

Intelligent Sneak Circuit of Switched Capacitor Converters of Vehicle Power Based on Neural Network

HE Huiying, LI Lianghong, FU Lanfang, ZHAO Ling

(General Courses Department, Military Transportation University, Tianjin 300161, China)

In the process of analyzing intelligent sneak circuit based on learning mechanism, abstracting sample data for neural network from a large number of circuit information is the important premise of the reliability of prediction. In order to improve the effectiveness of the sample data of neural network, the paper firstly proposes a new method of transforming circuit information into sample data of neural network based on graph theory and excluding method of invalid paths, and applies this method in the link of sample generation in sneak circuit analysis process of switched capacitor converters of vehicle power. Then, it trains the sample data dealt with excluding method of invalid paths and the original sample data respectively with BP neural network optimized by genetic algorithm in MATLAB toolbox. The training result verified the accuracy and practicability of this method, and the error analysis showed that the effective treatment of sample data before training can reduce a lot of data entry work and solve the problem of obtaining clue lists, and it can also improve the accuracy of system prediction.

vehicle power; sneak circuit analysis; neural network; effective sample; switched capacitor converters

2016-08-31；

2016-12-07．

何惠英(1976—)，女，硕士，讲师.

10.16807/j.cnki.12-1372/e.2017.06.020

TM46

A

1674-2192(2017)06- 0087- 05