發(fā)布時間：2020-03-18 22:45

【摘要】：在數(shù)�；旌想娐�(Analog/mixed-signal circuits,AMS)測試中,模擬電路測試成本占總測試成本的95%以上,且絕大部分故障發(fā)生于模擬部分。目前,AMS中的數(shù)字電路故障診斷的方法已經(jīng)成熟并在實踐中得到了應用,但由于模擬電路的復雜性和非線性等特點,導致模擬電路故障診斷的發(fā)展較為緩慢,成為了AMS測試領域中的重難點問題。隨著電路集成度和復雜度的提高,傳統(tǒng)的模擬電路故障診斷方法已經(jīng)難以滿足測試要求,人工智能方法成為了研究熱點。本文以人工智能方法為手段,以Sallen-key帶通濾波器和CTSV濾波器電路為被測對象,對模擬電路故障診斷展開研究。本文的主要內容及創(chuàng)新點如下:1.基于小波包峭度和鄰域保持嵌入(Neighborhood preserving embedding,NPE)的模擬電路特征提取方法。本文研究了模擬電路特征提取方法的三個環(huán)節(jié)包括特征提取方法,特征參數(shù)和降維方法,并將不同環(huán)節(jié)進行優(yōu)化組合,在此基礎上提出了基于小波包峭度和NPE的特征提取方法。該方法利用小波包提取模擬電路的故障樣本,峭度作為故障樣本的特征參數(shù),鄰域保持嵌入壓縮樣本數(shù)據(jù),從而避免了電路噪聲干擾,保持了數(shù)據(jù)內部流形,具有更好的電路故障提取能力。實驗結果表明,基于小波包峭度和NPE方法相較于傳統(tǒng)方法至少能提高15%的診斷正確率,從而證明了該方法對于模擬電路故障提取的優(yōu)越性和普適性。2.基于云模型優(yōu)化概率神經(jīng)網(wǎng)絡的模擬電路故障診斷。本文選擇概率神經(jīng)網(wǎng)絡(Probabilistic Neural Network,PNN)解決模擬電路的大樣本分類問題,并利用多維正態(tài)云模型優(yōu)化概率神經(jīng)網(wǎng)絡的參數(shù)。通過峰值云變換將不同故障模式下的訓練樣本構造出多維正態(tài)云模型,將其作為概率神經(jīng)網(wǎng)絡的模式層神經(jīng)元。然后利用峰值這一參數(shù)求得模式層與求和層之間的連接權重。最后,優(yōu)化的概率神經(jīng)網(wǎng)絡進行故障分類。該方法既能確定隱含層神經(jīng)元數(shù)目,又能利用峰值云變換中的峰值這一數(shù)值特性求來取連接權值,優(yōu)化了PNN的三個參數(shù),簡化了PNN的訓練過程。診斷實例表明,該方法的診斷正確率達到了99%以上。3.基于云進化算法優(yōu)化支持向量機的模擬電路故障診斷。針對模擬電路的小樣本分類問題,本文選擇支持向量機(Support Vector Machine,SVM)來解決該問題,并利用云進化算法(Cloud Based Evolutionary Algorithm,CBEA)優(yōu)化支持向量機參數(shù)。云進化算法利用期望作為母體,熵和超熵控制搜索方向,通過局部求精,局部求變,突變的一系列操作以尋找支持向量機的最優(yōu)參數(shù)。該算法可以較好的避免陷入局部最優(yōu),隨機游走等傳統(tǒng)尋優(yōu)算法存在的問題,具有較強的收斂能力。診斷實例表明,該方法的診斷正確率達到了98%以上,相較于傳統(tǒng)的支持向量機診斷方法提高了約8%。
【圖文】：

F1 C1 5nF 1 0%7.5nFF2 C1 5nF 1 0%2.5nFF3 C2 5nF 1 0%7.5nFF4 C2 5nF 1 0%2.5nFF5 R2 3k 5 %4.5k F6 R2 3k 5 %1.5k F7 R3 2k 5 %3k F8 R3 2k 5 %1k §2.4.2 提取故障特征利用PSPICE 16.5對9種故障模式下sallen-key帶通濾波器各進行300次蒙特卡洛交流分析，每次分析選取100個點，開始頻率為100hz,結束頻率為1Mhz,采集‘out1’節(jié)點的輸出電壓并將其組成原始樣本集。圖2-4為F0模式下的電路仿真結果，圖2-5為F1模式下的電路仿真結果，圖2-6為F2模式下的電路仿真結果。從中可以看出，不同故障模式下的電路輸出信號有所差異。

圖2-5 sallen-key帶通濾波器在F1模式下的電路仿真結果圖2-6 sallen-key帶通濾波器在F2模式下的電路仿真結果上文提到了兩種特征提取方法，兩種特征參數(shù)及兩種降維方法，將其進行組合共得到8種特征提取方案，，包括方案1：小波能量+PCA；方案2：小波能量+NPE；方案3：小波峭度+PCA；方案4：小波峭度+NPE；方案5：小波包能量+PCA；方案6：小波包能量+NPE；方案7：小波包峭度+PCA；方案8：小波包峭度+NPE。其中，本文選擇
【學位授予單位】：桂林電子科技大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP18;TN710

【相似文獻】

相關期刊論文 前10條

1 鄒昊;;基于概率神經(jīng)網(wǎng)絡的流行音樂分類研究[J];北方音樂;2015年16期

2 王仲民;周鵬;李充寧;;基于改進概率神經(jīng)網(wǎng)絡的滾動軸承故障診斷[J];機械科學與技術;2013年05期

3 韓浩;王寅瀟;王博;譙妍;田京京;;基于概率神經(jīng)網(wǎng)絡的流行音樂分類研究[J];數(shù)字技術與應用;2013年08期

4 崔遜波;鄒俊;阮曉東;傅新;;基于加權概率神經(jīng)網(wǎng)絡的齒輪箱抗噪故障診斷[J];機電工程;2010年02期

5 柏帆;;概率神經(jīng)網(wǎng)絡在識別帶有噪聲字母中的應用[J];洪都科技;2009年04期

6 胡運江;;徑向基概率神經(jīng)網(wǎng)絡的結構優(yōu)化算法研究[J];科技信息;2008年33期

7 馬良玉;馬杏齋;馮志杰;張雷;;基于徑向基概率神經(jīng)網(wǎng)絡的高壓加熱器故障診斷[J];華北電力大學學報(自然科學版);2007年05期

8 陳曉利;趙健;葉洪;;應用徑向基概率神經(jīng)網(wǎng)絡研究地震滑坡[J];地震地質;2006年03期

9 翟紅林,陳曉峰,陳興國,胡之德;基于徑向基概率神經(jīng)網(wǎng)絡模型的小兒厭食癥輔助診斷(英文)[J];蘭州大學學報;2004年06期

10 黃德雙;一種新的徑向基概率神經(jīng)網(wǎng)絡模型(Ⅰ):基本理論[J];計算機研究與發(fā)展;1998年02期

相關會議論文 前10條

1 徐欣;馮道旺;周一宇;盧啟中;;核函數(shù)概率神經(jīng)網(wǎng)絡脈沖去交錯器研究與設計[A];第十屆全國信號處理學術年會（CCSP-2001）論文集[C];2001年

2 朱志強;樊大帥;張軍;王亮;;基于組合PNN概率神經(jīng)網(wǎng)絡的車標識別方法[A];全國先進制造技術高層論壇暨第十屆制造業(yè)自動化與信息化技術研討會論文集[C];2011年

3 連遠鋒;趙剡;吳發(fā)林;;結合多小波與自適應概率神經(jīng)網(wǎng)絡的核磁圖像分割[A];2011下一代自動測試系統(tǒng)學術研討會論文集[C];2011年

4 孟明;盧建昌;孫偉;;基于優(yōu)化概率神經(jīng)網(wǎng)絡的電力負荷預測模型研究[A];2006中國控制與決策學術年會論文集[C];2006年

5 劉建華;張偉江;張仲俊;;概率神經(jīng)網(wǎng)絡的實時訓練[A];1995中國控制與決策學術年會論文集[C];1995年

6 孫佳斯;佟文偉;郎宏;劉宇佳;何山;;燃氣輪機潤滑系統(tǒng)磨損故障診斷技術初步研究[A];2015航空試驗測試技術學術交流會論文集[C];2015年

7 鄧宇翔;魯煒;黃敏;;運用概率神經(jīng)網(wǎng)絡進行企業(yè)信用風險評估[A];2003年中國管理科學學術會議論文集[C];2003年

8 吳德勝;梁j;;概率神經(jīng)網(wǎng)絡在財務預警實證中的應用[A];2003年中國管理科學學術會議論文集[C];2003年

9 趙文杰;楊紹普;邢海軍;;基于概率神經(jīng)網(wǎng)絡的架橋機裂紋位置識別[A];第十屆動力學與控制學術會議摘要集[C];2016年

10 王偉凝;余英林;張劍超;;圖像的動感特征分析[A];第一屆中國情感計算及智能交互學術會議論文集[C];2003年

相關博士學位論文 前10條

1 張航;自然場景下的交通標志識別算法研究[D];中南大學;2006年

2 李倫波;自然場景下交通標志的檢測與分類算法研究[D];哈爾濱工業(yè)大學;2008年

3 董艷慧;地下水保護理論及修復技術的研究[D];長安大學;2010年

4 程志強;基于智能方法的產(chǎn)品制造過程質量診斷[D];南京理工大學;2011年

5 王常青;數(shù)字圖像處理與分析及其在故障診斷中的應用研究[D];華中科技大學;2012年

6 吳婷;自發(fā)腦電腦機接口模式識別關鍵技術與實驗研究[D];上海交通大學;2008年

7 李艷梅;服裝面料縫紉外觀質量客觀評價及其縫制加工工藝生成系統(tǒng)的研究[D];東華大學;2009年

8 崔大尉;基于地震信息的煤與瓦斯突出預測與評價方法研究[D];中國礦業(yè)大學;2015年

9 郭風琪;在役石拱橋評估與加固關鍵技術研究[D];中南大學;2012年

10 李楊;組分孔隙介質理論研究及其在儲層氣水識別中的應用[D];中國地質大學(北京);2012年

相關碩士學位論文 前10條

1 張欣然;基于優(yōu)化人工智能算法的模擬電路故障診斷研究[D];桂林電子科技大學;2019年

2 孟柳;基于概率神經(jīng)網(wǎng)絡改進的人體健康評估研究[D];西南科技大學;2019年

3 周佳煒;概率神經(jīng)網(wǎng)絡的優(yōu)化研究及其在醫(yī)療輔助診斷中的應用[D];浙江工業(yè)大學;2018年

4 羅q

本文編號：2589289