自动测试系统是用一台计算机或可编程控制器来协调系统中各可程控的测量仪器的智能测试系统。它包括系统硬件平台、系统软件平台和故障诊断平台，其主要功能之一就是对被测设备进行故障诊断。故障诊断的过程有三个步骤：第一步是检测设备状态的特征信号；第二步是从所检测到的特征信号中提取征兆；第三步是根据征兆和其它诊断信息来识别设备的状态。故障诊断的方法多种多样，基于神经网络的故障诊断专家系统既充分利用了领域专家在诊断、排故方面的经验和特长，又利用神经网络强大的运算和模式匹配能力解决了发动机故障诊断中诊断信息少、无法确诊故障的问题，是故障诊断技术发展的方向之一。

1 MATLAB 在自动测试系统中的应用

在现代的以计算机为核心的自动测试设备中，硬件是基础，软件是灵魂。软件在很大程度上决定了系统的先进性、可靠性、实用性和实时性，软件也日益成为ATE 的主体，成为决定整个系统的关键。MATLAB 软件是在1984 年由美国Math Works 公司推出的一套高效率的数值计算的可视化软件，它提供了丰富的数值分析、矩阵运算、图形绘制、数据处理、图像处理等功能，并且提供了大量的应用于不同学科的工具箱。正因为它是一个开放的环境，已经成为国际控制界广泛使用的语言之一。文章在MATLAB 7 基础上讲述了如何利用神经网络工具箱构造自动测试系统故障诊断网络模型和进行仿真研究的方法和具体步骤。在实际应用中，首先要分析利用神经网络求解问题的性质，然后依据问题的特点，确定网络模型，最后通过对网络进行训练、仿真等，检验网络性能是否满足要求。2 MATLAB 神经网络诊断算法的实现

2.1 特征信息和故障模式的提取过程

某可更换部件(LRU) 的测试资料超差关联表如表1 所示。表中与SRUi 对应的列定义了当前行测试项目超差与元器件SRUi 故障的对应关系( 概率值)。每一行中各SRU 的故障概率总数为100%。

依据表中的关联关系，经过推理分析可以建立测试项目和故障SRU 之间的对应关系，SRU1，，SRUi 表示待诊断的故障模式； SRUi 取值为1 时对应第i 种故障发生，取0 时对应第i 种故障不发生。需要指出的是，相应元器件故障可以由其中一个或若干个测试项目超差表现出来。考虑到最简单的情况，当一个测试项目超差，而其它测试项目测试结果正常时，推断出肯定故障的元器件；若不能，则根据测试项目之间的相互关系进行推理。由此，可按照如下方式设计网络，网络的输入层神经元数为9 个，分别对应9 个测试项目，输出层神经元数为4 个，分别对应4 种故障模式；隐含层神经元数选择是一个十分复杂的问题，往往需要根据设计者的经验和多次实验来确定，因而不存在一个理想的解析式来表示。隐单元的数目与问题的要求、输入输出单元的数目都有着直接关系。隐单元数目太多会导致学习时间过长，误差不一定最佳，也会导致容错性差，不能识别以前没有看到的样本，因此一定存在一个最佳的隐单元数。

一般来讲，隐层单元数要多于输入单元数，先放入足够多的隐单元，通过学习将那些不起作用的隐单元剔除，直到不可收缩为止。取隐层神经元数为15 个。这样，利用MATLAB 神经网络工具箱函数就能构造出一个诊断网络。

2.2 仿真结果分析

当出现误诊现象时，网络需要进行新的学习。这里存在两种情况：一种是，实际发生的故障原因仍落在统计的故障原因内，这时只要将当前的网络输入和实际的故障原因组成一个新的学习样本对网络进行训练即可；第二种情况，就是发生的故障不在统计之列，这时就需要改变网络结构、增加新的输出节点，然后将当前的输入和实际故障组成学习样本对网络进行训练。理想情况下，把每一个测试项目以及测试项目超差时得到的故障模式作为网络的输入和目标输出，训练结果如图1 所示，经过172 次训练后，网络误差达到要求，训练误差曲线比较平滑。

图1 训练结果

3 结束语

文章主要介绍和探讨了MATLAB 软件在自动测试系统故障诊断平台中的应用。在实际构建诊断网络和开发应用程序时，应根据不同的被测对象，选用不同的网络结构和训练函数；另外，网络的故障特征向量和故障模式向量的选择除了基于知识的推理之外，还应该加入专家的经验知识，这样才能体现出样本的全面性。

参考文献

[1] 赵凤芝, 包锋. 故障诊断型神经网络专家系统[J]. 计算机系统应用, 1998 (9):12-14

[2] 张毅刚, 彭喜元, 姜守达, 付平. 自动测试系统[M]. 哈尔滨：哈尔滨工业大学出版社,2001 ：42

[3] 曹国柱, 米东.ATE 软件常用模式及选用策略研究[J]; 国外电子测量技术,1997（02）

[4] 飞思科技产品研发中心. 神经网络理论与MATLAB 7 实现[M]. 北京：电子工业出版社,2005 ：56

[5] 虞和济, 陈长征, 张省. 基于神经网络的智能诊断[M], 北京：冶金工业出版社,2000 ：41-47