论文部分内容阅读
模拟电路的可靠性决定了电子设备系统的可靠性,模拟系统故障诊断是电工电子领域的一个前沿研究课题,具有极其重要的现实意义。
支持向量机(SVM)是当今学术界的研究热点,是在统计学习理论基础上发展的一种新的通用学习方法,能够较好的解决小样本学习问题,可使在小样本情况下建立的分类器有较好的推广能力,有效地克服了在神经网络中出现的“维数灾难”和“过学习”等问题。故障样本的缺乏是模拟电路故障诊断技术发展的一个瓶颈。因此,本文将支持向量机应用于模拟电路故障诊断,提出了一种新的模拟电路智能故障诊断方法。
论文介绍了支持向量机和模拟电路故障诊断的基础知识及其发展概况,对近年来在这方面的成果进行了简要的概述。给出了基于SVM的容差模拟电路硬故障诊断方法,利用元件发生故障时,采集有效可及节点电压值作为特征向量,将这些电压值进行归一化后作为一对一(1-v-1),一对余(1-v-r)和改进的1-v-r支持向量机网络的训练样本和测试样本。实验结果表明,SVM能够有效地实现模拟电路硬故障诊断。
给出了用决策有向无环图(DDAGSVM)算法和改进DDAGSVM算法实现模拟电路软故障诊断方法。在频域内,提取频率响应曲线上有效点作为特征向量。应用支持向量机的映射能力、推理能力、分类和识别能力实现模拟电路的软故障诊断。仿真结果表明,基于DDAGSVM和改进型DDAGSVM方法进行模拟电路故障检测和故障定位是切实可行的,且诊断正确率高。
将信息融合和决策树SVM(DTSVM)方法相结合,利用DTSVM网络对多信息特征数据进行融合处理,减少了故障诊断系统的不确定性、提高了检测系统的可靠性。通过对电路输出电压与电源电流特征信息,及两者融合信息故障诊断性能的比较,表明DTSVM网络多源信息融合方法能有效地提高低可测性模拟电路故障诊断的准确性和可靠性。