在信息化社会,电子设备已经成为人类生产生活中的必要工具。随着电子工业的崛起,人们对电子产品的修理和保养提出了更高层次的需求。因为电路本身存在非线性因素,以及电子元器件自身的容差性,因此给模拟电路故障诊断技术带来了一定的难度。传统的模拟电路故障诊断技术已经不能适用高复杂度、高集成度的电路,因此,亟需探索新的诊断方法。伴随着人工智能的快速发展,神经网络、小波分析、遗传算法、支持向量机等人工智能算法被广泛应用到模拟电路故障诊断技术当中,为故障诊断领域开辟了新的方向。在故障诊断中,特征向量提取和模式识别是故障诊断的两个重要步骤,因此如何构造特征向量和分类器是模拟电路故障检测技术的研究方向。本文以故障特征向量提取为重点研究内容,提出了基于LMD和神经网络的模拟电路故障诊断方法。主要内容如下:(1)本文研究了小波包理论,将小波包用于模拟电路故障特征提取部分,并利用BP神经网络进行故障分类。仿真实验表明此方法的有效性。(2)研究LMD(局部均值分解)算法,提出一种基于LMD能量特征的故障特征向量提取方法。该特征向量提取方法将复杂的多分量调频信号分解成单分量的调频信号,且分解结果保持了原始信号的幅值和频率变化,因此适合于电路故障诊断。(3)在LMD基础上,结合多尺度熵的理论,提出一种将LMD和多尺度熵结合进行故障特征提取的新方法。多尺度熵表征的是时间序列在不同尺度因子下自相似性与复杂性程度,具备很强的抗噪声与抗干扰的性能,能有效的提取故障特征。仿真实验证明该方法的有效性。(4)介绍神经网络的原理及应用,研究了BP神经网络结构模型及其学习算法。针对BP神经网络训练速度缓慢、容易陷于局部最优值的缺陷,研究了极限学习机在模拟电路故障诊断技术中的应用。该算法不需调要整权值和阈值,只需设置隐含层神经元的个数就可以得到唯一的最优解,它学习速度快,泛化性能好,大大地减少了故障诊断时间。