论文部分内容阅读
模拟电路故障诊断是一项令人瞩目的研究课题,多年来一直被认为是电路理论中的一个重要研究方向。现代化大规模集成电路技术的迅速发展和广泛应用,对模拟电路的运行稳定性和可靠性提出了更高的要求,这就迫切需要模拟电路故障诊断理论和方法的进一步发展。目前模拟电路的诊断方法距离实际工业应用还有一定距离,为了促进模拟电路故障诊断理论向实用化方向发展,本文深入研究了一类最具实用价值的模拟电路诊断法——基于分类器的测前仿真法(CB-SBT)。从这类方法的基本结构和理论出发,探索其规律和特性,寻找能够提高模拟电路故障诊断正确率和解决现存问题的新方法。首先以一个低通滤波器的故障诊断为例,研究了基于反向传播(BP)网络、径向基函数(RBF)网络和支持向量机(SVM)三种分类器的CB-SBT诊断法。实验确定了合适的分类器结构和参数,并对诊断正确率和测试时间等方面性能进行比较研究,找到了CB-SBT诊断法中在分类器选择和配置方面的规律和特性。针对CB-SBT诊断法,基于粒子群优化(PSO)算法和κ-NN分类评价准则,提出了一种故障特征提取算法(PSO/κ-NN算法)。给出该算法的结构和流程,通过示例对该算法进行了验证,并与现存PCA、LDA和基于遗传算法的GA/κ-NN算法进行了性能比较与分析,验证了PSO/κ-NN算法在电路故障特征提取中的优越性。通过研究CB-SBT诊断法中的模糊集问题,提出了不受电路和模糊集类型限制的模糊集确定算法,给出了该算法中样本类间差异矩阵和类重叠度矩阵的原理和计算过程。提出了能够提高时间性能的改进随机算法,分析了随机算法在准确性和运算时间上的性能。又对类间差异矩阵和类重叠度矩阵应用异常值检验的方法,实现了模糊集的确定,同时验证了这种方法的有效性。研究了模拟电路诊断中故障类的重叠问题,针对故障类只存在部分重叠的情况,提出了一种故障重分类的方法。以基于BP网络的CB-SBT诊断法为例,对一个简单电阻电路进行故障诊断,说明了应用该方法能够使分类器的训练过程和故障分类性能得到改善。为了提高效率、减少运算时间,提出了基于样本云团计算和模糊集确定算法的改进算法。为了提高CB-SBT诊断法处理未定义故障的可靠性和对故障类重叠的适应性,提出了一种基于单类分类器测前仿真法(OCB-SBT)的基本架构。与基于多类分类器的传统测前仿真法(MCB-SBT)进行了比较分析,通过诊断示例验证了OCB-SBT架构的优越性,比较了不同单类分类器在诊断中的性能。