论文部分内容阅读
模拟电路故障诊断研究已有数十年历史,受元件容差、非线性、温漂等因素影响,该课题一直是研究的难点和热点。电子器件中,模拟电路所占比例不大,但故障问题出现最多,电子器件运行可靠性很大程度上依赖于模拟电路的可靠性。传统方法在电路规模日趋增大的背景下表现出数据处理能力弱、诊断时间长、诊断过程复杂等局限性,人工智能方法特别是神经网络方法为其提供了新的研究方向,能很好适应非线性电路诊断,不依赖具体电路,降低诊断难度,但在诊断时间、诊断精度、纠错容错方面仍表现不足,并且建模过程复杂。基于覆盖理论构造性神经网络是近年来提出的新型神经网络方法,它相比于传统神经网络具有建模简单、鲁棒性好、运算能力强的优点,适用于海量数据、复杂环境等情况下的工业应用,特别能大大降低运算时间。本文以神经网络理论为基础,克服现有故障诊断系统需要提取故障特征,故障建模过程复杂,系统运行中难以实现知识扩充等问题,提出将构造性神经网络方法应用于模拟电路故障诊断中,取得良好的诊断结果。本文首先以M‐P神经元球面模型为基础,建立基于球面领域的构造性神经网络,对模拟电路具有±4%扰动故障样本进行诊断能达到100%诊断精度;然后针对具有±15%扰动样本某些故障无法诊断问题,通过设定拒识模式并通过增加神经元方法对无法诊断故障进行学习扩充,重新训练神经网络,能对新故障完全诊断并提升整体诊断精度;针对实际工业应用中需要处理海量数据,诊断系统存在优化约简的问题,本文采用领域覆盖和模糊覆盖算法对神经网络进行优化构造,诊断范围从最大软故障扩大为所有软故障模式,诊断精度分别能达到89.3%和94.9%,并且能降低神经元个数,减小计算难度、计算量,降低诊断时间,同时使用模糊覆盖算法对最大软故障模式进行诊断,单选诊断率为85.71%,三选能实现100%诊断。实验证明本文方法具有很强容错能力,泛化能力好,特别适合复杂环境下电路故障诊断,具有良好发展前景。