基于主成分的概率神经网络模拟电路故障诊断的研究

论文摘要

随着现代化电子技术的飞速发展,大规模集成电路的应用,网络规模和结构日趋功能化和模块化,研究如何运用现代诊断技术从大规模容差电路中准确地诊断出存在故障的子电路和元件,是实际工程迫切需要解决的课题,也是模拟电路故障诊断理论和方法走向实际应用的关键步骤之一。模拟电路故障诊断经过二十多年的发展,已经形成一系列诊断理论和方法,但由于其本身理论的复杂以及目前诊断方法的实用性不强使得应用前景和人们的期望差距甚远。人工神经网络理论近年来得到了快速发展,已开始在各个领域广泛应用。随着人工神经网络技术的不断发展,人工神经网络技术被广泛的应用于非线性系统的建模与辨识。模拟电路故障的多样性使得神经网络训练样本数量增加,BP网络结构趋于复杂,训练速度降低。针对反向传播神经网络(BPNN)学习收敛速度慢、易陷入局部极小值等问题,提出了基于主成分分析(PCA)与概率神经网络(PNN)相结合的模拟电路故障诊断方法。传统的概率神经网络(PNN)是一种建立在径向基函数网络(RBF)基础之上的、简单的、广泛应用的分类网络。与传统的BP网络比较,它有三大优点:网络学习过程简单,训练速度快;网络的容错性好,模式分类能力强,收敛性较好;网络结构设计灵活方便。本文的主要工作内容如下:1.研究了模拟电路故障特征提取方法。利用主成分分析模拟电路节点电压响应的特征参数,从而简化了神经网络结构并提高了网络训练速度,提高了诊断效率。2.研究了基于神经网络的模拟电路故障诊断的一般方法和诊断步骤,探讨了PNN网络的结构设计、训练算法以及用于故障诊断的优势。3.选取了一个典型纯电阻电路,结合主成分分析法和概率神经网络的优点,使用PSPICE和MATLAB软件对故障诊断过程进行了具体的仿真实现。实验结果表明,概率神经网络能够有效的对故障特征进行分类和识别,可以达到故障快速定位和诊断的目的,且诊断率高。总之,基于概率神经网络的方法,通过主成分分析提取模拟电路的故障特征,对于解决模拟电路的故障数据冗余、故障诊断速率问题是切实有效的。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 模拟电路故障诊断的意义
• 1.2 模拟电路故障诊断的研究现状及发展
• 1.3 模拟电路故障测试与故障诊断的范畴
• 1.3.1 模拟电路故障测试
• 1.3.2 模拟电路故障诊断范畴
• 1.4 模拟电路故障诊断的方法及其瓶颈
• 1.5 神经网络故障诊断问题的提出
• 1.6 神经网络的故障诊断能力
• 1.7 基于神经网络的故障诊断方法研究现状
• 1.8 本文的工作
• 第2章 模拟电路故障诊断理论
• 2.1 模拟电路故障诊断概述
• 2.2 模拟电路故障产生原因与模式识别
• 2.2.1 模式识别概述
• 2.3 模拟电路故障特征及提取
• 2.4 模拟电路故障类型
• 2.5 模拟电路故障诊断方法分类
• 2.6 本章小结
• 第3章 神经网络理论
• 3.1 神经网络理论概述
• 3.1.1 神经网络理论的发展历史
• 3.1.2 神经网络的发展的特点
• 3.1.3 神经网络的基本原理
• 3.1.4 神经网络学习算法
• 3.2 BP 神经网络结构
• 3.2.1 BP 网络模型结构
• 3.2.2 BP 网络的学习算法
• 3.2.3 BP 网络学习算法的主要问题
• 3.3 径向基函数神经网络
• 3.3.1 RBF 神经网络模型
• 3.3.2 RBF 网络的学习算法
• 3.4 概率神经网络模型
• 3.4.1 概率神经网络模式识别机理
• 3.5 本章小结
• 第4章 主成分分析法
• 4.1 主成分分析法法简介
• 4.2 主成分分析法法基本原理
• 4.2.1 主成分分析法的主要统计量
• 4.2.2 特征根λ
• 4.2.3 特征向量α（即为载荷）
• 4.2.4 主成分分数（得分矩阵）
• 4.2.5 各成分的贡献率
• 4.2.6 累计贡献率
• 4.2.7 计算主成分值，建立新样本
• 4.2.8 确定取几个成分作为主成分的判定方法
• 4.2.9 主成分的图形解释
• 4.2.10 主成分分析法算法
• 4.3 主成分的诊断实例
• 4.3.1 诊断结果
• 4.4 本章小结
• 第5章 基于主成分的概率神经网络故障诊断实例
• 5.1 电路故障特征集的确定
• 5.1.1 输入特征的提取和表示
• 5.1.2 输出量的表示
• 5.1.3 构造样本集
• 5.2 故障诊断过程
• 5.3 仿真分析
• 5.3.1 BP 网络和 PNN 网络的训练过程
• 5.3.2 故障诊断中的模糊集
• 5.4 本章小结
• 总结与展望
• 1. 全文总结
• 2. 进一步的工作
• 参考文献
• 致谢
• 附录 A 攻读学位期间所发表的学术论文目录
• 附录 B 主成分分析（PCA）数据集 1
• 附录 C 主成分分析（PCA）数据集 2