非線性模擬電路Wiener核故障特征提取的優(yōu)化方法研究.pdf

1、非線性模擬電路智能診斷占據(jù)著電路測試領(lǐng)域的重要地位，備受學(xué)者們關(guān)注。智能故障診斷中，模式識別是診斷的核心。電路模式識別獲得的原始特征值包含很多冗余信息，如果全部用于故障診斷，不僅使得故障分類界限模糊，更加大了數(shù)據(jù)計(jì)算工作量。因此如何有效提取電路特征信息，成為了亟待解決的問題。本文針對這一問題，利用Wiener核級數(shù)描述非線性模擬電路，并通過粒子群模擬退火算法對Wiener核故障特征進(jìn)行提取，以實(shí)現(xiàn)對待測電路高效、準(zhǔn)確的故障診斷。

2、　　本文論述了非線性模擬電路的Wiener泛函級數(shù)描述方法，以及基于Wiener核和BP神經(jīng)網(wǎng)絡(luò)的智能診斷原理，并對Wiener核的獲取方法進(jìn)行了研究，同時(shí)給出通過自適應(yīng)學(xué)習(xí)速率調(diào)整改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)方法。
　　利用Wiener核描述非線性模擬電路，需要選擇一些各故障狀態(tài)核的差別較顯著的頻率點(diǎn)，把這些頻點(diǎn)核作為特征參數(shù)，這樣進(jìn)行診斷時(shí)準(zhǔn)確性較高。本文研究了改進(jìn)粒子群模擬退火算法的智能特征選擇和提取方法，進(jìn)行Wiener核的特

3、征提取和選擇。通過三個(gè)測試函數(shù)和Wiener核特征提取實(shí)例驗(yàn)證，在初始種群數(shù)相同和最大進(jìn)化代數(shù)相同的情況下，改進(jìn)粒子群模擬退火算法的優(yōu)化精度和算法速度均優(yōu)子粒子群算法和模擬退火算法，同時(shí)驗(yàn)證了Wiener核的粒子群模擬退火算法特征選擇和提取的方法是可行的，能夠提取出最能反映故障特征參數(shù)。
　　在進(jìn)行理論研究和仿真的同時(shí)，本文設(shè)計(jì)基于ATmega128單片機(jī)的故障診斷系統(tǒng)，其中包括信號采集單元、數(shù)據(jù)存儲單元以及數(shù)據(jù)通信單元等。同時(shí)設(shè)