论文部分内容阅读
模拟电路故障诊断自从20世纪60年代被提出以来,发展一直受到故障情况复杂、集成电路规模越来越庞大等情况的制约,随着故障数目的增多以及集成电路的复杂情况的提高,故障诊断的难度也随之提高。模拟集成电路发生故障的数目占所有电路故障数目的80%以上,因此开展模拟电路故障诊断的研究,具有很强的理论和实际意义。本文在借鉴已有故障特征提取和诊断方法的研究成果基础上,针对故障特征提取困难提出了一种利用EMD算法提取故障特征的新方法;针对故障诊断和识别困难提出了两种新的故障诊断方法,一种是将EMD算法和经过遗传算法优化的BP神经网络相结合的故障诊断方法,另一种是将EMD算法和经过粒子群优化的BP神经网络相结合的故障诊断方法。基于EMD算法的模拟电路故障特征提取方法首先需要对选取的电路模型进行交流仿真和蒙特卡洛分析,采集可测点的响应信息,将采集到的响应信息进行归一化处理,再利用EMD算法将响应信息分解成多组内在模式函数和希尔伯特边际谱,最后求出多组内在模式函数和希尔伯特边际谱的能量值,将能量值作为故障特征向量提取出来。基于EMD算法的模拟电路故障诊断方法首先需要提取出仿真电路的故障特征值,将多组内在模式函数和希尔伯特边际谱的能量值作为故障特征值,接下来将提取出的特征值分别送入经过遗传算法优化的BP神经网络和经过粒子群优化的BP神经网络进行训练和测试。遗传算法优化BP神经网络主要是利用遗传算法来优化BP神经网络的初始权值和阈值,使优化后的BP神经网络能够更好地预测函数输出。粒子群优化BP神经网络是利用粒子群超强的全局搜索能力和BP神经网络快速的局部搜索能力相结合。将上述的基于EMD算法的故障诊断方法分别应用于Sallen-Key滤波器电路和Elliptic Filter电路的故障诊断仿真实验中,并分别对加入10db白噪声和30db白噪声的Sallen-Key滤波器电路和Elliptic Filter电路进行故障诊断仿真实验,实验结果表明这些方法能较好地分析模拟电路的故障响应,较准确地完成模拟电路的故障诊断。