论文部分内容阅读
电路故障诊断是继电路分析、网络综合之后现代电路理论的三大分支之一。随着微电子技术的发展，大规模数模混合集成电路在各行各业的广泛应用，研究如何准确、快速的诊断出模拟电路中的故障成为实际工程中的研究热点；另一方面，由于模拟电路的非线性、元件的容差性、故障种类多样性等特点导致模拟电路故障诊断技术发展遇到了瓶颈，传统的故障诊断理论和方法在实际工程中很难达到预期的效果。因此，研究高效的、适应微电子技术发展需求的模拟电路故障诊断方法是现阶段迫切需要解决的问题。 模拟电路的故障特征提取和故障模式的识别是模拟电路故障诊断的关键环节，决定了模拟电路故障诊断的精度和效率。近年来迅速发展的数据挖掘技术和智能优化算法为模拟电路智能故障诊断提供了很好的思路。本文以现代测试技术为理论基础，利用信号处理、小波分解、神经网络、支持向量机等智能化信息处理和模式识别方法对模拟电路故障诊断进行深入研究。论文的主要研究工作及成果如下： 依据模拟电路发生故障时的特点，构建智能化的模拟电路故障诊断方法。将采集到的故障信息通过主成分分析进行特征提取，利用神经网络对提取的故障特征进行训练和故障模式的识别。通过对模拟电路的仿真结果表明，提取后的故障信息具有维度小、辨识度高等特点，加快了神经网络的训练速度，提高了故障识别的精度。 针对模拟电路故障特征选取困难的问题，提出一种在幅频关系下的基于最小冗余最大相关原则（Minimum Redundancy Maximum Relevance，mRMR）的模拟电路故障特征选择方法。mRMR原则是基于互信息的特征选择方法，它根据最大统计依赖性原则选择最优特征集，有效减少样本中噪声成分、降低特征维数、提高故障识别的效率和精度。 模拟电路典型故障样本获取困难，加大了模拟电路故障诊断的难度。支持向量机（support vector machine，SVM）在解决小样本、非线性及高维模式识别中表现出许多特有的优势，非常适合作为模拟电路故障诊断分类器。但支持向量机的分类效果受自身参数（惩罚参数C和核函数参数）的设置影响较大，提出采用智能优化算法优化支持向量机的参数，避免参数选择的盲目性，提高基于支持向量机的模拟电路故障诊断精度。 模拟电路故障响应信号的高频部分和低频部分具有各自的特点，针对小波分解只涉及低频部分的问题，提出采用小波包分解提取模拟电路故障特征。将采集到的模拟电路故障信号利用小波包分析后得到的不同频带范围内的能量作为故障特征，再用邻域保持嵌入算法进一步提取故障特征值，最后输入支持向量机进行故障诊断。实验证明小波包分解将不太能区别的时域信号变换为频率域，更好的体现模拟电路故障信号各频段不同的特征，用各频带能量谱作为故障特征，并用邻域保持嵌入算法进一步提取特征值，使故障特征达到了很好的区分度，为接下来的故障识别创造了好的条件。 最后通过基于研华PCI-1714UL数据采集卡的实验平台，实现了对Sallen-Key带通滤波器电路故障诊断的物理实验验证，说明本文方法对于实际电路的故障诊断也是行之有效的。