基于软测量技术的虚拟仪器可靠性分析与优化设计

论文摘要

虚拟仪器技术是随着计算机技术的发展而发展的,它结合了传统仪器与计算机技术的优点,以其强大的功能和高性价比逐渐取代了传统测量领域的各类仪器。而随着虚拟仪器的广泛应用,其可靠性也越来越被人们所重视。虚拟仪器的可靠性与传统仪器的可靠性相比,有很大的特殊性,因为虚拟仪器是一个软硬件相结合的仪器。为提高虚拟仪器的可靠性,不仅要保证其硬件的可靠性,还要从软件方面对系统软件进行重点考量。本论文以电流互感器测试系统作为研究实例,详细地阐述了虚拟仪器的可靠性分析技术,给出电流互感器测试系统的可靠性模型,并提出多种提高系统可靠性的方法。本论文的主要贡献如下:1.回顾虚拟仪器和软测量技术的发展历程,系统地概述了这两种技术的原理与实现方法。2.结合虚拟仪器和软测量技术,提出电流互感器测试系统的实现方案。该测试系统充分发挥了计算机的软硬件优势,实现数据的自动采集、分析和处理,突破了传统仪器在测量速度、功能及适应范围上的局限,为电流互感器的质量检测提供了先进的手段。3.提出虚拟仪器的可靠性分析方法,并将该分析方法应用于电流互感器测试系统。可靠性模型的建立、预计与分配为可靠性分析提供了数学依据,而故障模式效应和故障树分析对虚拟仪器的设计改进和故障预防有着重要的意义。4.依照虚拟仪器可靠性建模技术,给出电流互感器测试系统的软硬件可靠性模型,为电流互感器测试系统的可靠性预计和可靠性指标分配提供了数学基础,也为产品的可靠性设计提供了数学依据。5.提出一种基于协同粒子群算法的径向基神经网络校正技术,对仪器的零点误差进行自适应校正。该技术在电流互感器测试系统中的应用表明,其对抑制系统温度漂移、提高系统测量精度是有很大帮助的,从设计上实现系统的可靠性提升。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 虚拟仪器可靠性研究现状
• 1.3 软测量技术的研究现状
• 1.4 研究任务和论文内容安排
• 参考文献
• 第二章 虚拟仪器与软测量技术
• 2.1 引言
• 2.2 软测量技术
• 2.2.1 软测量建模方法
• 2.2.2 软测量的应用
• 2.3 虚拟仪器技术
• 2.3.1 虚拟仪器的工作原理
• 2.3.2 虚拟仪器的功能特点
• 2.4 基于软测量技术的虚拟仪器的组建方案
• 参考文献
• 第三章 基于软测量－虚拟仪器技术的电流互感器测试系统设计
• 3.1 电流互感器测试系统设计背景和实现原理
• 3.1.1 设计背景
• 3.1.2 测试系统实现原理
• 3.1.3 二次绕组直流-交流表示转换的数学建模
• 3.2 电流互感器测试系统的虚拟仪器硬件设计
• 3.2.1 电源系统
• 3.2.2 测量主回路
• 3.2.3 数据采集系统
• 3.2.4 控制子系统
• 3.2.5 中央处理器系统
• 3.2.6 外围通用设备
• 3.3 电流互感器测试系统的软件实现
• 3.3.1 程序功能模块
• 3.3.2 数据采集和开关控制
• 3.3.3 数据处理
• 3.3.4 其他模块设计
• 3.4 小结
• 参考文献
• 第四章 虚拟仪器的可靠性分析
• 4.1 引言
• 4.2 可靠性指标及环境适应性技术
• 4.2.1 可靠性指标
• 4.2.2 环境适应性
• 4.3 软件可靠性技术
• 4.3.1 软件可靠性指标
• 4.3.2 软件可靠性设计
• 4.3.3 软件可靠性提高方法
• 4.4 虚拟仪器的可靠性分析方法及其在电流互感器测试系统中的应用
• 4.4.1 可靠性指标的分析与确定
• 4.4.2 建立可靠性模型
• 4.4.2.1 可靠性框图模型
• 4.4.2.2 电流互感器测试系统的硬件可靠性模型
• 4.4.2.3 电流互感器测试系统的软件可靠性模型
• 4.4.2.4 电流互感器测试系统的系统可靠性模型
• 4.4.3 可靠性指标分配
• 4.4.4 可靠性预计
• 4.4.4.1 可靠性预计概述
• 4.4.4.2 可靠性预计在电流互感器测试系统中的应用
• 4.4.5 故障模式、效应及危害性分析（FMEA）
• 4.4.6 故障树分析（FAT）
• 4.4.7 容差与漂移分析
• 4.5 小结
• 参考文献
• 第五章 基于电流互感器测试系统的可靠性设计及优化
• 5.1 电流互感器测试系统可靠性设计
• 5.1.1 元器件选择
• 5.1.2 元器件筛选
• 5.1.3 元器件的降额使用
• 5.1.4 电路可靠性设计
• 5.1.5 人为因素设计
• 5.1.6 软件可靠性测试
• 5.1.7 互感器剩磁系数计算方法优化
• 5.2 电流互感器测试系统环境适应性设计
• 5.2.1 热设计
• 5.2.2 电磁兼容性（EMC）设计
• 5.3 电流互感器测试系统基于CPSO-RBFNN的自适应校正研究
• 5.3.1 误差分析
• 5.3.2 径向基函数神经网络（RBFNN）
• 5.3.3 粒子群算法（PSO）和协同粒子群算法（CPSO）
• 5.3.4 CPSO-RBF神经网络在测试系统的自适应校正
• 5.4 小结
• 参考文献
• 第六章 结论与展望
• 6.1 结论
• 6.2 展望
• 致谢
• 攻读硕士学位期间已录用或已发表的学术论文