混合BIST对象建模及结构分析

介绍一种基于谱分析的混合信号BIST分析方法,包括被测电路模型建立,即利用Volterra级数来描述,阐述这种BIST测试方案。以硬件开销较小的伪随机信号作为输入激励,通过谱估计方差较小的Welch算法进行谱分析,计算出Volterra频域核来进行故障诊断,可使测量过程高效、准确。最后利用MATLAB仿真分析验证了方案的可行性,使测试方案具有较好的实用性和通用性。     

频域内的非线性模拟电路故障诊断

利用Volterra级数分析非线性模拟电路核函数的结论,分析了测试节点输出响应信号各阶频率分量相对于电路中元件参数的灵敏度,从而确定被测电路的故障诊断算法.为了提高灵敏度计算的效率,本文分析了灵敏度计算时非线性元件高阶项对测试节点输出响应信号各阶频谱分量的直接影响因素和间接影响因素,从而避免了两者之间的耦合而增加灵敏度的计算量.实际应用电路的分析结果表明本文介绍算法不仅极大的降低了灵敏度分析的计算量,可广泛应用于非线性模拟电路的自动测试系统.     

基于Volterra核的MIMO非线性电路建模及智能特征提取

为了解决模拟乘法器等多输入测量电路的智能故障诊断准确率低的问题,文中研究了多输入多输出(MIMO)电路的基于Volterra级数的建模方法,为电路的故障诊断提供模型,提出了整体退火遗传特征提取方法,利用整体退火遗传算法的全局寻优能力优化故障诊断特征参数的提取,以选出各种故障状态之间特征差异最大的特征,以提高故障诊断的准确率,以模拟乘法器电路为例进行了建模及故障特征智能优化提取实验.实验表明,文中方法可以有效建模并提高智能故障诊断的准确率.     

Elman神经网络在非线性模拟电路故障诊断中的应用

Elman神经网络把隐层输出反馈回输入层,是一种动态递归神经网络,改进的Elman网络能逼近任意动态非线性系统。本文研究了Elman网络的结构和学习算法,并把改进的Elman网络应用于非线性模拟电路故障诊断激励信号参数优化中,以提高故障正确诊断率。首先用改进的Elman神经网络建立故障电路和无故障电路系统模型,然后用遗传算法搜索电路故障诊断的最佳激励信号参数。     

MRA-PCA-PSO组合优化BP神经网络模拟电路故障诊断研究

为解决模拟电路故障诊断中的特征提取困难、输入维数过高和故障信号无法进行有效分类等问题,提出一种组合优化反向传播神经网络故障诊断方法。首先采用多分辨率分析提取故障信号特征,用其能量谱构造特征向量,通过主成分分析进行降维,以减少计算规模,然后利用粒子群算法优化神经网络,克服其易陷入局部极小值的缺陷,从而达到准确识别故障类型的目的。最后以四运放高通滤波电路为测试对象,通过仿真验证该方法在模拟电路故障诊断的有效性和可靠性,结果表明能提高约10%的诊断准确率。     

混合粒子群算法优化支持向量机电路故障诊断

为寻求支持向量机(SVM)中的核函数与惩罚函数的组合最优来提高电路故障诊断的准确率,提出一种混合粒子群算法与支持向量机相结合的电路故障诊断的方法。鉴于传统的粒子群优化(PSO)算法在参数寻优中容易陷入局部最优中,因此将模拟退火机制与自适应粒子变异引入到基本粒子群算法中。混合粒子群算法选用带压缩因子的粒子群优化算法来保证算法的收敛性,采用轮盘赌输策略与粒子自适应变异来避免局部最优,最终寻求到全局最优解。实验结果显示,将chebyshe滤波电路的故障诊断的准确率提高到了96%,且具有普遍性与实用性。     

基于动态RBF神经网络的模拟电路故障诊断

提出一种基于动态RBF神经网络的模拟电路故障诊断方法.该方法利用小波变换对故障信号进行预处理,提取特征向量建立故障字典,采用最近邻聚类算法构建动态RBF神经网络,利用神经网络对各种状态下的特征向量进行分类识别,实现模拟电路故障诊断.仿真结果表明该方法具有训练速度快,故障准确率高,容错能力强的特点.     

结合LMD云模型和ABC-LSSVM的 模拟电路故障诊断

针对模拟电路存在的非线性和非平稳性,以及电路元件存在容差而带来诊断时的模糊性与随机性等问题,提出了一种结合了局域均值分解(LMD)云模型特征提取和人工蜂群-最小二乘法支持向量机(ABC-LSSVM)分类器的模拟电路故障诊断法。首先,利用LMD算法对初始故障信号进行分解,再将分解的信号通过云逆向发生器计算得出分解信号的云数字特征,并将得到的云数字特征构造为故障特征向量。然后,将部分故障特征向量作为测试样本输入到ABC算法优化的LSSVM中,对各电路故障进行分类识别,得到各故障的分类精度。以两个国际基准电路CTSV和Sallen_Key电路为验证对象,结果表明,该方法提取的故障特征能很好的反映电路各故障状态信息,所提方法的故障诊断精度均达到99%。     

混合布谷鸟算法在高压断路器故障诊断上的应用

为了更准确、快速地对高压断路器故障进行分类、诊断,提出一种基于混合布谷鸟算法优化的最小二乘支持向量机(LSSVM)的故障诊断方法。首先提取分合闸线圈的时间和电流特征量得到特征向量,再利用模拟退火算法(SA)与布谷鸟算法(CS)结合形成的混合布谷鸟算法(CS-SA),对支持向量机进行寻优,旨在得到具有最优参数支持向量机分类模型,提高诊断结果的准确性。最后,利用收集到的数据对该算法进行诊断验证,结果表明利用混合布谷鸟算法优化后的LS-SVM得到的分类模型比常用的粒子群算法、遗传算法、标准布谷鸟算法优化得到的模型准确率更高。     

克隆选择优化的SVM模拟电路故障诊断方法

对基于克隆选择算法的支持向量机(SVM)参数优化、及其在模拟电路故障诊断中的应用进行了深入研究,故障诊断实现步骤为:首先对电路的各种故障模式进行蒙特卡洛仿真分析,利用小波分解提取输出信号的各频段能量,进行归一化处理后得到故障特征样本;然后应用克隆选择算法进行SVM参数优化,并将选定的参数用于SVM的训练;最后采用训练好的SVM对故障样本进行分类,从而实现故障判定。论文以CTSV滤波电路和螺距反馈电路为诊断实例进行了实验验证,结果表明对容差模拟电路的故障定位具有较高的准确率。     

基于EMD和SPS的容差模拟电路故障诊断

针对具有容差的模拟电路故障诊断难题,提出了结合经验模态分解(EMD)和子带多态谱(SPS)的提取模拟电路故障特征新方法。首先计算出待测试电路的二阶Volterra核序列,然后用EMD对Volterra序列进行分解,获得本征模态函数(IMFs),最后通过计算IMFs的倒谱(CS)和Hiltert谱(HS),对时频域的多态数字故障特征进行提取,从而将容差模拟电路中的软故障和非线性故障进行分离,完成模拟电路故障诊断。实验结果表明,该方法能够有效地解决故障混叠难题,提升故障元件定位和分离的能力。     

基于频域核系数的动态模拟电路故障诊断

因模拟电路中可及测试节点数量的限制,基于系统辨识的思想提出了一种新的故障诊断方法,频域核系数被用来进行模拟电路参数故障诊断.根据电路传递函数和元件的容差预先计算出全部频域核系数的正常范围,然后利用电路的输入输出信息提取故障电路的频域核系数,依据超出正常范围频域核系数的故障特征可确定电路故障范围或故障元件.通过仿真实例验证了该方法的有效性.     

支持向量机在模拟电路故障诊断中应用

支持向量机是建立在统计学习理论基础上的机器学习方法,结构简单,泛化能力强,对小样本分类具有良好的识别效果.本文提出了基于支持向量机的模拟电路故障诊断新方法,描述了电路故障特征的选取过程,建立了以支持向量机为基础的模拟电路故障诊断模型.并以双二次滤波电路为诊断实例,实验结果表明,该方法故障诊断准确率大于96.5%,优于传统方法.     

模拟电路故障诊断的邻近支持向量机集成方法

提出了基于非对称AdaBoost算法与邻近支持向量机的模拟电路集成故障诊断方法。该方法采用非对称AdaBoost解决邻近支持向量机处理多分类问题出现的数据不平衡问题,提高邻近支持向量机的分类准确率;利用高斯变异策略自适应选择核函数及正则化因子,提高集成邻近支持向量机的个体间差异性;最后获得分类精度高和泛化性能好的分类器。通过对模拟电路的故障诊断实验,验证了该方法的鲁棒性和可行性。诊断结果表明本文方法具有故障定位准确和泛化性好的特点。     

模拟电路层次聚类故障分析与马氏距离故障诊断

基于聚类分析与马氏距离,提出了一种模拟电路故障分析与故障诊断的方法。首先简述了层次聚类分析与马氏距离的基本原理。然后通过一个模拟电路故障诊断实例,验证本文的有效性。首先给出一个模拟电路图,对该电路的常见故障状态进行仿真,获取将来进行聚类分析与故障诊断的样本。然后对采集的样本进行聚类分析,验证聚类算法对各种故障分类能力,并且计算各类故障的样本平均值。最后随机仿真一种故障,计算当前电路状态与各类故障之间的马氏距离,实现模拟电路的故障诊断。实例表明,本方法能够准确清晰地辨别模拟电路的各类故障,仅需少量样本即可获得各种状态的典型参数,对模拟电路进行客观有效的故障诊断。     

RBF-SVM的核参数选择方法及其在故障诊断中的应用

基于核理论的SVM中,RBF核函数应用最广,是一个普适的核函数,但其参数的选择却没有固定方法。鉴于此,本文首先分析了现有核函数参数优选算法的不足;然后在SVM网络结构分类原理的基础上提出了基于数据最大方差-关联度准则的核参数选择算法,并结合粒子群算法建立了RBF核参数的自动优选流程。将其用于模拟电路故障诊断实验,证明了所提方法具有参数选择准确、简单快速等优点,优选得到的核参数提高了故障诊断率。