由此可见软故障是一个连续变化的值，要实现其故障诊断非常复杂，目前，国际上对软故障诊断比较热衷，但通常都是对某一定点的软故障进行诊断，如↓情况，R1=5 kΩ，或者↑情况，R1=15kΩ。
1．6．3 故障特征提取
    考虑到当电路发生故障时，各测试点电压会有所变化，这种变化表征了此故障的特征。基于这一想法，利用各元件故障时在各测试点上施加不同频率的正弦信号产生的电压作为原始数据。
    对图4电路，在电路输入端施加3 V的正弦激励，测试频率分别取10 kHz，16 kHz，20 kHz，32 kHz，取Vc为测试点。从测试点提取输出波形的电压值，作为故障特征信息。将一个测试点4个频率的故障信息进行融合，形成对应故障模式的4维故障特征向量：X=[x1，x2，…，x4]T其中xi为第i个测试频率下获得的测量值。
1．6．4 样本集构造
    为了验证测试向量对故障元件的实际诊断效果，在电路输入端施加3 V的正弦激励，测试频率分别取10 kHz，16 kHz，20 kHz，32 kHz(被测电路截止频率是15．9 kHz，四种频率优选是应用Multisim2001进行灵敏度分析得到的)，取Vc为测试点，各待测元件的故障值：Ri(i=1，2，…，6)为±50％；Cj(j=1，2)为±50％。将故障分为两类：共计有19种故障模式(设定实验电路存在故障)。故障模式用二进制编码法来表征，如：00001表示R1↓故障，00010表示R1↑故障。利用PSpice 4．02程序对电路在标称值及各元件在故障情况下进行仿真。所得数据见表1(这里只列出1组部分代表性数据)。
    为了加快神经网络的收敛速度，需要对数据进行尺度变化，这里采用均方根方法对数据预处理。
    从图4可以看到，电路中共有9个元件，所以其软故障加正常状态共有19种。使用蒙特卡罗分析，电阻在5％的容差下和电容在10％的容差下，对每一个故障模式进行100次Monte—Carlo分析，其中70次为训练样本，构成训练样本集；30次为测试样本，构成测试样本集。对其进行预处理，所得数据见表1，这里仅列出其中1组部分数据。

2 诊断结果
    应用BP神经网络对实验电路进行故障诊断，整个设计与训练过程在Matlab 6．5仿真环境下进行。
    将训练样本集序列输入神经网络，均方误差设定为0．02，经多次调整网络结构选为4一11—5，学习速度为0．3，动量因子0．3，网络经过179 163次训练调整后达到期望的均方误差。误差变化曲线图如图5所示。

    为检验经过训练的神经网络的故障诊断能力，分别使用训练样本集和测试样本集对网络进行训练和测试，对应测试样本的神经网络的输出如表l所示。
    对被测电路采用蒙特卡罗分析得到100组数据，其中70组数据作为训练样本集，30组数据作为测试样本集。从表1可知，其测试结果正确率达100％。故障诊断正确率较高。证明所选择的测试矢量对电路故障诊断是行之有效。

3 结 语
    讨论了BP神经网络在模拟电路故障诊断中的应用和故障特征提取方法；采用多频组合法建立了故障样本集；并且在Matlab下仿真验证了结果的可行性。