基于提升小波及SVM優(yōu)化的模擬電路智能故障診斷方法研究.pdf

1、模擬電路測試與故障診斷在電路設(shè)計、設(shè)備生產(chǎn)和儀器維護(hù)中發(fā)揮著關(guān)鍵作用，是目前學(xué)術(shù)研究者和工程師在電子測試領(lǐng)域中具有挑戰(zhàn)性的重要課題。隨著電子技術(shù)的迅速發(fā)展，模擬電路的復(fù)雜度和密集度不斷增長，對模擬電路運行的可靠性提出了更為嚴(yán)格的要求。在模擬電路測試和故障診斷中，傳統(tǒng)的故障診斷理論和方法不能很好地解決因元件容差性、輸出響應(yīng)的連續(xù)性和非線性等電路固有屬性而造成的故障多樣性和復(fù)雜性問題，研究切合實用、高效高性能的現(xiàn)代智能故障診斷理論和方法尤為

2、迫切。故障特征提取和故障的有效識別是智能故障診斷中的兩個關(guān)鍵環(huán)節(jié)，本文以現(xiàn)代測試技術(shù)為基礎(chǔ)，結(jié)合小波分析和以支持向量機(jī)為代表的智能計算技術(shù)，深入研究了模擬電路的特征提取優(yōu)化選擇和分類器的優(yōu)化設(shè)計在模擬電路智能故障診斷中的問題。本文取得了如下的成果：
　　 研究了小波分析的模擬電路故障識別靈敏度及故障特征優(yōu)化方法。小波變換在信號分析中具有良好時頻局部性，比單純的時域或頻域分析方法更適合表示故障電路的特征，但不同的小波函數(shù)在故障識別

3、中具有不同的性能。本文提出用均方根(RMS)測度量化小波在故障測試中的靈敏度，以類可分性準(zhǔn)則選擇提取故障特征的最優(yōu)小波函數(shù)，達(dá)到故障特征的優(yōu)化。實驗結(jié)果說明本方法可有效地提高故障的識別精度。
　　 研究了基于小波神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷方法的優(yōu)化問題。針對傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)方法在模擬電路故障診斷中存在收斂速度慢、易于陷入局部極小的不足，將小波分析與神經(jīng)網(wǎng)絡(luò)結(jié)合，構(gòu)建小波神經(jīng)網(wǎng)絡(luò)的模擬電路的故障診斷模型，利用小波函數(shù)具有的多分辨性等

4、特點有效地提高了網(wǎng)絡(luò)的收斂速度和降低了誤診率。為了解決網(wǎng)絡(luò)結(jié)構(gòu)冗余而造成訓(xùn)練收斂方向偏離全局最優(yōu)點，使推廣能力降低的問題，提出用遺傳算法對小波神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)進(jìn)行優(yōu)化的方法，該方法可獲得小波神經(jīng)網(wǎng)絡(luò)的最佳結(jié)構(gòu)，并提高了故障的診斷效率。
　　 研究了提升小波-支持向量機(jī)的模擬電路故障診斷方法。由于小波神經(jīng)網(wǎng)絡(luò)在故障類型數(shù)目較大時，故障的分類和診斷受網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜性和樣本復(fù)雜性的影響較大，提出了基于支持向量機(jī)(SVM)的故障診斷方

5、法。支持向量機(jī)在處理小樣本學(xué)習(xí)、樣本的非線性和高維模式識別方面具有優(yōu)勢，極大地減少故障分類的計算時間。同時，將不受傅立葉分析限制、易實現(xiàn)整數(shù)小波分解的提升小波分析方法用于模擬電路的特征提取，能夠精確地反應(yīng)故障響應(yīng)信號的特征信息。采用提升小波變換(Lifting Wavelet Transform，LWT)優(yōu)化故障特征，可獲取分類性能更高的故障特征向量。LWT和SVM的有效結(jié)合，可獲得很好的故障診斷精度和效率。
　　 研究了二叉決

6、策樹支持向量機(jī)(DBT-SVM)優(yōu)化的模擬電路層級故障診斷方法。支持向量機(jī)是模擬電路故障診斷的有效方法，但其用于模擬電路多故障診斷時，多分類擴(kuò)展策略與診斷的效率、正確率密切相關(guān)。當(dāng)故障類型數(shù)目較多及存在不同故障模式的特征向量相似度高甚至混疊的情況下，常規(guī)策略構(gòu)造的多分類SVM因未考慮故障特征的聚類特性，在故障的誤識率增加的同時診斷效率也下降。DBT-SVM在減少不可分區(qū)域及提高分類效率方面有一定的優(yōu)勢，但需要對結(jié)構(gòu)進(jìn)行優(yōu)化才能獲得更好的