随着电子工业的快速发展,电路故障诊断在可靠运行以及良好的工业系统维护中起着非常重要的作用,这可以确保生产更高质量的产品,降低产品报废率并满足日益严格的安全和环境要求。目前,虽然对于数字电路来说,广泛使用的是完全自动化的故障诊断技术,但是对于模拟电路来说,由于故障模型复杂,元件容差和非线性问题,使得故障很难检测和诊断,这造成了电路芯片高成本和集成电路发展的技术瓶颈。因此,在模拟电路中,有效的诊断技术仍然是一个开放的研究课题。近年来,随着深度学习的出现以及智能算法的发展,为模拟电路故障诊断提供了新颖的研究途径。本文以深度学习、GA以及PSO算法为理论基础,非线性电路为被测对象,提出了基于深度极限学习机的模拟电路故障诊断模型,通过分析电路的输出信号,对模拟电路故障诊断进行了研究。主要工作和成果如下:1.针对模拟电路故障诊断中特征提取以及模型训练时间较慢的难题,本文采用了一种基于深度极限学习机(Deep Extreme Learning Machine,简称DELM)的模拟电路故障诊断算法。该算法将自编码器(Auto Encoder,简称AE)的思想引入到极限学习机(Extreme Learning Machine,简称ELM)中,搭建双随机隐层的ELM自编码器(ELM-AE)模型,然后使用原始的ELM作为分类器。ELM-AE是一种尽可能重现输入的神经网络,它可以作为多层学习框架中的特征抽取器,具有特征表示能力,可以实现数据的维度压缩以及稀疏表达。为了进一步增强DELM网络的鲁棒性,采用正则极限学习机(Regularized ELM,简称RELM)代替原始的ELM。将ELM-AE作为训练DELM的基本组成部分,ELM作为诊断器,将底层的故障特征形成更加抽象的高级特征,能自主地学习数据特征,避免了单独对数据进行特征提取和选择的问题,提高了诊断效率。训练DELM首先通过仿真提取出原始故障数据,然后直接作为深度极限学习机的输入,不需要单独的特征提取和选择,就可以快速地对故障进行定位,实现故障诊断。最后以Sallen-Key、四运放高通滤波以及二级四运放双二阶低通滤波器电路为被测对象,分析结果表明了该方法的可行性,能够快速且准确地实现故障识别。2.基于GA和PSO算法优化深度极限学习机的模拟电路故障诊断。针对深度网络隐层节点数难以选择以及人为选择的隐层节点会遗漏数据本身有效的特征信息,进而产生较大的训练误差问题,选择合适的隐藏节点可以有效地降低时间复杂度,使网络具有很好的泛化能力,所以采用遗传算法(Genetic Algorithm,简称GA)来寻找DELM网络每个隐层的最优节点数,并且进一步与粒子群算法(Particle Swarm optimization,PSO)优化的深度极限学习机进行了比较,证明了GA-DELM算法可以自适应地搜索全局最优点,可以避免陷入局部最优。最后通过非线性整流电路进行了验证,诊断结果表明了该算法的可行性。