论文部分内容阅读
随着半导体技术和计算机技术的迅猛发展,现代电子设备的规模越来越大,系统构成也越来越复杂,数字/模拟混合电路的使用越来越普遍。而混合信号电子系统中容易发生故障的往往在其模拟部分。模拟电路由于其响应的连续性、非线性特性以及元件参数的容差性,其诊断过程十分复杂。针对模拟电路的故障诊断方法的研究一直是国内外相关学者的研究热点。实现电路故障特征提取与模式分类是其中的两个关键问题。针对模拟电路故障特征提取问题,本文提出了一种基于小波包熵的故障特征提取方法,并分别定义了两种小波包熵测度——能量熵和特征熵,用于表征电路在各种故障模式下的特征信息。通过对待测电路中的输出响应信号进行多层小波包分解,对分解系数进行重构后求取能量熵或特征熵值,经归一化处理后所得即为电路的故障特征向量。针对模拟电路故障模式分类问题,文中主要研究了支持向量机(SupportVector Machine, SVM)多分类辨识器的构建方法。在二分类支持向量机的基础上,通过选择核函数及引入“一对一”的多分类算法,构建了用于实现电路故障模式识别的多分类器,并对支持向量机结构优化中的核参数与惩罚参数的优化问题进行了讨论。将小波包能量熵的特征提取方法与SVM理论结合,文中给出了基于小波包能量熵与SVM的模拟电路故障诊断系统的构建方法,并详细阐述了实现诊断的具体步骤。诊断实例的结果表明,使用该方法可获得较高的故障诊断正确率。针对模拟电路特征向量维数过大影响训练速度与分类精度的问题,文中进一步提出了一种基于最小二乘支持向量机的诊断方法,并与小波包特征熵的故障特征提取方法结合,共同实现模拟电路故障诊断。诊断实例的结果表明,基于小波包特征熵与LS-SVM结合的诊断方法可在保证较高的分类精度的同时,有效降低计算过程的复杂度。