基于極限學(xué)習(xí)機(jī)的模擬電路故障診斷.pdf

1、隨著半導(dǎo)體技術(shù)和工藝的飛速發(fā)展，電子設(shè)備得到了廣泛應(yīng)用，且組成和結(jié)構(gòu)越來(lái)越復(fù)雜。而電子系統(tǒng)中容易出問(wèn)題的部分往往在模擬電路，為了提高系統(tǒng)的安全性和可靠性，對(duì)模擬電路故障診斷和測(cè)試提出了更高、更新的要求。另外隨著電路大規(guī)模發(fā)展趨勢(shì)，電路可及節(jié)點(diǎn)也日益減少。這些因素使得模擬電路測(cè)試問(wèn)題成了困擾集成電路工業(yè)生產(chǎn)和發(fā)展的技術(shù)瓶頸，因此開(kāi)展模擬電路故障診斷和測(cè)試的研究，具有很大的理論價(jià)值和實(shí)際意義。
　　 極限學(xué)習(xí)機(jī)(extreme le

2、arning machine，ELM)在訓(xùn)練前只需要設(shè)置網(wǎng)絡(luò)隱層節(jié)點(diǎn)個(gè)數(shù)，算法執(zhí)行過(guò)程中不需要調(diào)整網(wǎng)絡(luò)的輸入權(quán)值以及隱層單元的偏置，并且產(chǎn)生唯一的最優(yōu)解，參數(shù)選擇容易、學(xué)習(xí)速度快且泛化性能好。因此本文將極限學(xué)習(xí)機(jī)與模擬電路故障理論診斷相結(jié)合，開(kāi)展了基于ELM的模擬電路故障診斷方法的研究和實(shí)現(xiàn)。
　　 本文提出了基于主成分分析和極限學(xué)習(xí)機(jī)的模擬電路故障識(shí)別方法。首先對(duì)電路進(jìn)行故障特征提取，將輸出信號(hào)的采樣點(diǎn)的電壓幅值作為故障特征樣

3、本，利用主成分分析的方法提取信號(hào)的故障特征。其次，通過(guò)ELM分類(lèi)器對(duì)故障進(jìn)行分類(lèi)，得到滿意的結(jié)果。
　　 在此基礎(chǔ)上，為進(jìn)一步提高ELM的泛化能力和診斷精度，提出了基于ELM-RBF的故障分類(lèi)。將極限學(xué)習(xí)機(jī)算法應(yīng)用到徑向基神經(jīng)網(wǎng)絡(luò)中，它結(jié)合了兩者的優(yōu)點(diǎn)，隱含層數(shù)目減少，優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，具有很高的診斷精度。
　　 考慮到影響ELM性能主要因素是網(wǎng)絡(luò)連接權(quán)值和閾值，研究了結(jié)合群智能算法的模擬電路故障診斷方法。利用群智能算法的的

4、全局尋優(yōu)能力，以差分進(jìn)化算法和群搜索算法為例，優(yōu)化ELM的連接權(quán)值和閾值，獲得了最優(yōu)網(wǎng)絡(luò)，應(yīng)用于故障分類(lèi)中，達(dá)到了很好的效果。
　　 由于集成學(xué)習(xí)可顯著提高學(xué)習(xí)系統(tǒng)的泛化能力，提出了基于k-means聚類(lèi)的極限學(xué)習(xí)機(jī)集成優(yōu)選的電路故障診斷方法，將bagging思想和k-means聚類(lèi)有效結(jié)合，對(duì)極限學(xué)習(xí)機(jī)進(jìn)行選擇性的集成，提高了分類(lèi)精度。
　　 將上述的基于ELM的故障診斷方法分別應(yīng)用于一些具體電路的仿真實(shí)驗(yàn)研究，實(shí)驗(yàn)結(jié)