论文部分内容阅读
先进的故障训练诊断技术是电路板大规模发展的前提,模拟电路故障诊断在世界范围内一直是学者们研究的热门课题,也取得了卓有成效的成果,逐渐形成了系统的理论,形成了一个跨电子电路,人工智能等多个领域的交叉学科。模拟电路测试点集优化技术的目的在于,用某种方法从可以测量的电路板测点中选取包含故障信息最多,最容易区分故障的测点集合。这类测点的特点是测点集合包含的测点尽量少,可以隔离的故障数目尽量多。本课题就是在这些条件下,结合基于人工智能技术在板级诊断中的研究这一项目的研发,展开对模拟电路故障诊断中的测试点集优化技术的研究。最优测试节点集构造主要研究搜索一个能够区别出所有已知故障的最小测试点集及其自动生成技术,诊断路径优化是在寻找到的最优测试节点集的基础上,生成测试节点选择、测试信号选择、测试结果输入与处理的重复序列,指导用户以最小的代价诊断出实际电路板的故障。本项技术的优化程度对测试代价、效率及准确度有着十分直接和重要的影响,好的优化结果能极大提高测试的效果,因此是模拟电路测试的一项十分重要关键技术。对于传统的基于整数编码表的测点优化技术,总结起来的过程是一种启发式的过程。这个过程为每次找一个标准,把符合标准的测试点加入优化点集,直到优化点集可以区分所有故障。在基于整数编码表的方法中这个过程的关键是找到这个标准。本文的方法是采用敏感度因子或者信息增益的标准。在这个标准的基础上用KNN算法来替代整数编码表,在KNN算法中把KNN的训练模型的空间切分,利用分治法,减小算法的计算量。用这个算法在某些情况下可以优化一半的计算量。执行这个启发式的过程,找到优化测点。把这些找到的优化测点根据它们对应的故障集合进行交集运算,进一步去掉重复隔离的故障,得到优化后的测点。最后选用有源滤波电路,四运放高通滤波器和与逻辑输出控制电路三种电路,采集信号数据,使用小波处理,分别计算出排序后的敏感度因子和信息增益值,输入KNN算法分别计算出对应的故障隔离集合,找到最优测点集合。使用这些测点集合,在克隆选择算法故障诊断中计算出对应的诊断正确率,验证了本文所述方法是有效的。