论文部分内容阅读
进入到21世纪后,电子行业发展迅速,各种类型的电子产品如雨后春笋般层出不穷,在我们的生活中起着越来越重要的作用。在电子产品中,相比于数字部分,模拟电路的故障率更高,为了提高产品的可靠性,需要更加有效的模拟电路故障诊断方法。但由于模拟电路故障难以模型化,元件具有容差,电路存在反馈等问题,用传统的故障诊断理论和方法难以取得良好的诊断结果。因此寻找新的解决途径,提出新的研究方法,进一步改善模拟电路故障诊断效果,不仅能够推动相关理论的发展,还具有重要的实际意义。本文的开展的主要工作如下:1.针对模拟电路故障难以模型化的问题,本文致力于研究新的故障特征提取方法,提高模拟电路故障的检测和定位能力。结合小波变换的相关理论,本文提出了基于因子分析和倒谱的两种故障特征提取方法:(1)基于小波包分解和因子分析的故障特征提取方法。在提取故障特征时,首先使用小波包对提取的原始电压信号进行分解;计算出子频带的能量值,将其作为测试电路的故障特征;然后使用因子分析对得出的故障特征进行优化,最后用极限学习机对优化后的故障特征进行诊断,确定测试电路的故障模式。(2)基于倒谱的故障特征提取方法。首先对提取的原始电压信号进行倒谱变换,经倒谱处理后的电压信号会变得更加集中,其动态分析的频谱范围也变大,这样更利于故障特征的提取;然后使用小波对经倒谱变换后的数据进行分解,计算故障子频带和正常子频带的相关系数,将其作为测试电路的故障特征;最后使用极限学习机对得到的故障特征进行分类,得出故障诊断结果。2.极限学习机(Extreme Learning Machine,ELM)是一种单隐层的前馈网络,它的网络训练时间短,具有良好的泛化性能,因此本文将其作为故障分类器,用于判别测试电路的故障类型。在用极限学习机进行故障诊断时,只需设置其隐层节点数和激活函数,便可得出最优解,获得故障分类结果。3.由于极限学习机的权值和偏置是随机确定的,会导致在其网络中存在一些无用节点,影响故障诊断效果。为进一步增强极限学习机的泛化性能,本文在第四章引入思维进化算法对其进行优化。结合极限学习机的拓扑结构,使用思维进化算法对其输入权值和偏置进行寻优,改善网络结构,提升故障分类能力。4.本文设计了基于GUI的模拟电路故障诊断系统,该系统可实现响应电压提取、极限学习机网络训练和故障诊断等功能,它可以避免复杂的编程过程,提高模拟电路故障诊断的效率。本文最后通过实际电路验证了该系统的诊断效果。