基于小波和神经网络的大规模模拟电路故障诊断研究

【摘要】：随着现代化电子技术的飞速发展,大规模集成电路的应用,网络规模和结构日趋功能化和模块化,研究如何运用现代诊断技术从大规模容差电路中准确地诊断出存在故障的子电路和元件,是实际工程迫切需要解决的课题,也是模拟电路故障诊断理论和方法走向实际应用的关键步骤之一。 本文运用遗传算法,在对电路响应的容差影响作统计分析的基础上,提出了大规模模拟电路的神经网络和小波方法故障诊断。本文的主要工作内容如下: 对大规模电路的故障子电路定位进行了研究。首先,给出了求解容差电路响应可行域的遗传方法;然后,对大规模电路故障诊断提出了一种新的屏蔽方法,将它逻辑撕裂成若干个子电路后,采用电压激励测电压,结合灵敏度分析,利用电压比较分析来确定存在故障的子电路。这种方法经过简单的测试即能将故障定位到子电路,具有适用于大规模容差电路,诊断速度快、易实施等特点。 对电路的容差进行了统计分析,将电路元件的容差效应化为噪声,并附加到标称电路样本上,只需一次遗传运算就可以获得容差电路的样本,大大降低了神经网络子网络诊断的计算复杂度,因此,对大规模电路进行撕裂后,大规模电路的诊断即化成对各子电路的诊断。为使神经网络的辨识性能达到最佳,对网络的算法参数、结构及初始权值进行了优化,结果表明,采用演化算法对各神经网络进行优化后,各网络的性能都有不同程度的提高,对于没有重叠区间的故障诊断,其诊断率有所提高。 基于遗传算法,提出了二种新的电路激励和测试点选择方法,一种是将激励选择转化成各种故障情况下的响应距离优化函数;另一种是转化成对各种故障状态下的均值和方差优化函数,采用遗传算法能同时得到电路激励函数和测试点的最优值。它不需要矩阵运算、存储量小、不仅可用于线性电路,也适用于非线性电路。 给出了求解容差电路的小波包分解可行域方法,同时从两个方面着手改善故障的诊断率。一方面利用小波和小波包提取电路的故障特征,且将小波分解过程中的尺度和位移参数纳入学习范畴,以寻找它们的最优值,使各故障模式之间的距离最大化;另一方面以紧致型小波神经网络作为故障分类器,从函数型和权值型小波网络中寻找一种最适合于模拟故障诊断的网络,并利用遗传算法对网络的结构和参数进行优化和学习,以得到最佳的网络结构,加快网络的训练速度。并将电路的诸多不确定性因素融合到概率和模糊运算中,运用小波概率神经网络和小波模糊推理神经网络来进行子电路的故障诊断,同时用遗传算法对它们的参