基于SVDD的模擬電路異常檢測方法研究及應用.pdf

1、隨著電子技術的飛速發(fā)展，電子設備被廣泛應用于航天、醫(yī)療等各種領域。電子設備的廣泛應用使其在復雜多樣甚至極端的環(huán)境中工作，對其可靠性要求也日益提高。一旦電子設備發(fā)生故障，國家安全和人民生活將會受到嚴重的影響，造成巨大的經濟損失。眾多學者針對故障診斷進行了深入的研究，模擬電路中的故障是由早期微小的故障逐漸發(fā)展而來，如果任憑早期故障發(fā)展而不采取措施，必然會導致電路發(fā)生故障。早期故障和故障都給電路性能和系統(tǒng)特性帶來很大的影響，將早期故障和故障稱

2、為異常。目前，在模擬電路測試與診斷中，對于異常狀態(tài)的研究較少，對電路中異常情況的檢測缺乏有效的方法，而傳統(tǒng)的基于多分類的故障診斷方法對于電路的異常檢測難以取得理想的效果。
　　本文針對傳統(tǒng)的故障診斷方法對于模擬電路異常狀態(tài)檢測率低的問題展開研究，重點研究了單類學習方法支持向量數(shù)據描述的理論基礎，使用網格搜索和交叉驗證的方法對影響數(shù)據描述邊界的兩個重要參數(shù)懲罰系數(shù)C和核參數(shù)進行優(yōu)化，為獲取最能表征電路特性的信息，使用小波變換的方法對

3、原始數(shù)據進行特征提取。本文將SVDD方法應用到模擬電路的異常檢測中，為充分驗證SVDD方法的有效性和通用性，選擇四個結構復雜程度不同的國際標準電路進行了仿真實驗和硬件實驗，并將某裝備電源電路板作為研究對象，將SVDD應用到直流電源電路的異常檢測中。實驗結果表明，SVDD相對于傳統(tǒng)的故障診斷方法對電路的異常狀態(tài)的分類準確率大大提高，而對比于其他單類學習方法Kmeans，對正常狀態(tài)和異常狀態(tài)都有較好的分類效果。本文中選擇了不同的電路對象進行