基于信息融合和极限学习机的模拟电路故障诊断

论文摘要

模拟电路测试与故障诊断始于20世纪60年代元件可解性问题的研究，发展至今已在理论上取得了长足的进展，但受元器件的容差、可测故障信息量不足、故障模式多样化、电路输入输出非线性等因素的影响，至今距实用尚有一定的距离。神经网络、小波分析、和信息融合等智能信息处理技术为解决模拟电路故障诊断中的诸多难题提供了一条新的途径。同时，红外诊断可以克服传统的接触法测试的不足，亦为传统的模拟电路故障诊断方法提供了一种有效的补充。本文首先综述了模拟电路故障诊断的研究现状，然后以基于智能信息处理技术的模拟电路故障诊断为核心，对模拟电路故障信息、特征提取和故障分类等进行了较深入的研究。模拟电路，尤其是大规模模拟集成电路使得传统的接触法在某些场合受到了限制。针对其造成的故障信息量不足的问题，本文研究结合红外诊断进行模拟电路的故障定位，融合电压信息和温度信息进行故障诊断，提出了基于SOFM网络的异质信息融合诊断方法。该法提取电路工作时的电压和温度信息作为故障特征信息，经预处理后作为样本输入SOFM神经网络分类器，通过SOFM网络输出层各神经元的竞争，得到获胜神经元，从而实现对样本数据的故障识别及分类。仿真实例证明了所提融合方法提高了诊断正确率。针对模拟电路故障诊断的特征提取和故障分类这两大问题，着重研究了小波分析在模拟电路故障诊断中的应用和极限学习机在故障模式分类中的应用。本文在利用小波包分解算法提取电路输出信号各子频带能量作为故障特征的基础上，将极限学习机引入模拟电路故障诊断，进行故障模式的分类。诊断实例表明本文所提的小波包分解和极限学习机相结合的模拟电路诊断方法能够对故障模式进行正确分类。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题研究背景及其意义
• 1.2 模拟电路诊断存在的问题
• 1.3 模拟电路诊断的发展及现状
• 1.4 模拟电路诊断技术的分类
• 1.5 论文结构
• 第2章 模拟电路诊断的神经网络方法
• 2.1 引言
• 2.2 神经网络概述
• 2.2.1 人工神经元模型
• 2.2.2 神经网络的发展
• 2.2.3 神经网络的分类
• 2.3 神经网络模型
• 2.3.1 BP 神经网络
• 2.3.2 RBF 神经网络
• 2.3.3 SOFM 神经网络
• 2.3.4 各神经网络的比较
• 2.4 基于神经网络的模拟电路诊断
• 2.4.1 电路诊断基本框架
• 2.4.2 训练样本的构造
• 2.4.3 神经网络结构的确定
• 2.4.4 神经网络的训练
• 2.5 小结
• 第3章 模拟电路的故障特征提取方法
• 3.1 引言
• 3.2 特征提取方法概述
• 3.3 小波分析法
• 3.3.1 多分辨率分析
• 3.3.2 小波变换
• 3.3.3 小波包分解
• 3.4 故障特征提取
• 3.4.1 基本原理
• 3.4.2 实施步骤
• 3.4.5 实例分析
• 3.5 小结
• 第4章 信息融合在模拟电路诊断中的应用
• 4.1 引言
• 4.2 信息融合概述
• 4.3 信息融合模型
• 4.3.1 数据级融合
• 4.3.2 特征级融合
• 4.3.3 决策级融合
• 4.4 模拟电路融合诊断方法
• 4.4.1 贝叶斯信息融合
• 4.4.2 模糊变换信息融合
• 4.4.3 D-S 证据理论信息融合
• 4.4.4 神经网络信息融合
• 4.5 小结
• 第五章 基于 SOFM 网络的异质信息融合诊断
• 5.1 引言
• 5.2 红外诊断基础
• 5.2.1 热辐射定律
• 5.2.2 红外诊断原理
• 5.3 故障诊断策略
• 5.4 异类故障信息分析
• 5.5 实例分析
• 5.6 小结
• 第6章 基于极限学习机的模拟电路诊断
• 6.1 引言
• 6.2 极限学习机在模式分类中的应用
• 6.2.1 单隐层前馈神经网络
• 6.2.2 极限学习机算法
• 6.2.3 极限学习机分类方法
• 6.3 应用小波包分解和 ELM 的模拟电路诊断
• 6.3.1 故障特征提取
• 6.3.2 电路诊断原理
• 6.3.3 实例分析
• 6.4 小结
• 结论
• 参考文献
• 附录A （攻读学位期间发表的学术论文目录）
• 附录B （攻读学位期间参加的科研工作及学术活动）
• 致谢