论文部分内容阅读
随着半导体技术的快速发展,电子电路得到广泛的应用。但电路规模的庞大和电路运行环境的变化多端,加之受电路元件非线性、容差性以及电路测试节点等条件的限制增加了故障诊断的难度,并且使模拟电路故障诊断成为了数模混合集成电路生产和维护的瓶颈。因此,开展模拟电路诊断的测试和研究具有很大的理论价值和实际意义。Fisher判别分析法利用多元统计的方法对各种模式选取的故障样本进行训练学习,最终使各个故障样本在空间中分离,实现模式识别。本文在Fisher判别分析法的基础上,主要从高阶累积量与Fisher结合的故障诊断、小波包与Fisher结合的故障诊断以及核函数优化Fisher判别分析三个方面入手,结合具体的电路实例研究Fisher判别法在模拟电路中的故障诊断,具体内容如下:基于高阶累积量与Fisher判别分析法的模拟电路故障诊断方法。首先对选取的电路模型进行交流仿真和蒙特卡洛分析,采样可测点的响应信息,再利用高阶累积量分析原始的采样信息,提取相应模式下的峰度和陡度构造各个模式的特征向量,最后利用Fisher判别分析法对故障进行模式分类,得到最终的模式识别结果;所选实例证明了高阶累积量构造的特征向量可以区分各个模式,Fisher判别法识别故障准确率达到90.46%以上。为了优化训练样本的精度,将利用小波包处理的采样信号,提取其频带能量值构造故障特征向量,结合Fisher判别分析法对电路进行诊断分析。为了证实所提方法的通用性和有效性,选取非线性电路、典型的Sallen-Key电路和四通运放滤波器电路验证基于小波包与Fisher判别分析方法在模拟电路故障诊断上的有效性和可行性,并与RBF神经网络的诊断结果进行对比,实例证实了小波包和Fisher判别法对电路的故障诊断准确率达到90.77%以上。考虑到实际问题的复杂性,数据之间的非线性,Fisher判别分析法有时难以识别故障模式间的非线性问题,文中将引用核函数技术优化Fisher判别分析。首先将采样数据经过经典的主元分析方法降维去冗,再将数据映射到核空间,将非线性问题转换为线性问题,最后利用Fisher判别分析法处理相应的模式识别问题,并与未优化Fisher判别分析结果进行对比分析。实例表明,在同样提取故障特征的前提下,优化后的Fisher准确率提高了5.38%。将上述基于Fisher的故障诊断方法分别结合非线性电路、Sallen-Key电路和四通滤波器电路进行仿真实验,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。