基于小波和神经网络的大规模模拟电路故障诊断研究

基于小波和神经网络的大规模模拟电路故障诊断研究

论文题目: 基于小波和神经网络的大规模模拟电路故障诊断研究

论文类型: 博士论文

论文专业: 电工理论与新技术

作者: 谭阳红

导师: 何怡刚,吴杰

关键词: 模拟电路,故障诊断,神经网络,小波,模糊

文献来源: 湖南大学

发表年度: 2005

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。 本文运用遗传算法,在对电路响应的容差影响作统计分析的基础上,提出了大规模模拟电路的神经网络和小波方法故障诊断。本文的主要工作内容如下: 对大规模电路的故障子电路定位进行了研究。首先,给出了求解容差电路响应可行域的遗传方法;然后,对大规模电路故障诊断提出了一种新的屏蔽方法,将它逻辑撕裂成若干个子电路后,采用电压激励测电压,结合灵敏度分析,利用电压比较分析来确定存在故障的子电路。这种方法经过简单的测试即能将故障定位到子电路,具有适用于大规模容差电路,诊断速度快、易实施等特点。 对电路的容差进行了统计分析,将电路元件的容差效应化为噪声,并附加到标称电路样本上,只需一次遗传运算就可以获得容差电路的样本,大大降低了神经网络子网络诊断的计算复杂度,因此,对大规模电路进行撕裂后,大规模电路的诊断即化成对各子电路的诊断。为使神经网络的辨识性能达到最佳,对网络的算法参数、结构及初始权值进行了优化,结果表明,采用演化算法对各神经网络进行优化后,各网络的性能都有不同程度的提高,对于没有重叠区间的故障诊断,其诊断率有所提高。 基于遗传算法,提出了二种新的电路激励和测试点选择方法,一种是将激励选择转化成各种故障情况下的响应距离优化函数;另一种是转化成对各种故障状态下的均值和方差优化函数,采用遗传算法能同时得到电路激励函数和测试点的最优值。它不需要矩阵运算、存储量小、不仅可用于线性电路,也适用于非线性电路。 给出了求解容差电路的小波包分解可行域方法,同时从两个方面着手改善故障的诊断率。一方面利用小波和小波包提取电路的故障特征,且将小波分解过程中的尺度和位移参数纳入学习范畴,以寻找它们的最优值,使各故障模式之间的距离最大化;另一方面以紧致型小波神经网络作为故障分类器,从函数型和权值型小波网络中寻找一种最适合于模拟故障诊断的网络,并利用遗传算法对网络的结构和参数进行优化和学习,以得到最佳的网络结构,加快网络的训练速度。并将电路的诸多不确定性因素融合到概率和模糊运算中,运用小波概率神经网络和小波模糊推理神经网络来进行子电路的故障诊断,同时用遗传算法对它们的参

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 模拟电路故障诊断技术的发展与现状

1.3 本文的思路与主要内容

1.3.1 本文的思路

1.3.2 本文的主要内容

1.3.3 本文的主要创新点

第2章 大规模模拟电路的子电路定位方法

2.1 单支路的屏蔽原理

2.1.1 无容差电路的单支路屏蔽原理

2.1.2 容差电路单支路的屏蔽原理

2.2 子电路的屏蔽方法

2.2.1 无容差子电路的屏蔽方法

2.2.2 容差子电路的屏蔽方法

2.2.2.1 容差电路可行域遗传算法设计

2.2.2.2 容差子网络的屏蔽方法

2.2.3 子网络的可诊断性条件

2.3 大规模电路的屏蔽诊断方法

2.3.1 单子网络故障屏蔽法

2.3.2 多子网络故障屏蔽法

2.3.3 大规模电路故障诊断

2.3.4 诊断实例

2.4 屏蔽法的逻辑矩阵故障定位

2.5 交叉撕裂诊断法

2.6 讨论

2.7 本章小结

第3章 大规模电路的神经网络诊断方法

3.1 子电路的神经网络诊断

3.1.1 子电路的神经网络诊断步骤

3.1.2 子电路的容差分析与处理

3.1.3 学习算法

3.1.4 诊断实例

3.1.5 网络优化对故障诊断率的影响

3.1.5.1 网络权值优化故障诊断率的影响

3.1.5.2 隐层节点数权值优化对故障诊断率的影响

3.1.5.3 同时优化结构和权值对故障诊断率的影响

3.1.5.4 混沌遗传算法故障诊断率的影响

3.1.5.5 演化遗传算法与BP算法的比较

3.2 大规模电路的神经网络故障诊断

3.2.1 大规模电路的撕裂原则

3.2.2 大规模电路的神经网络诊断

3.3 本章小结

第4章 故障模式模糊性的减少—电路激励设计

4.1 测试节点的选择原则

4.2 故障模式模糊性的降低设计-电路激励的设计原则

4.2.1 故障模式模糊性的降低设计1-电路激励的选择原则1

4.2.2 故障模式模糊性的降低设计2—电路激励的选择原则2

4.3 基于遗传算法的激励设计算法

4.4 设计实例

4.5 本章小结

第5章 模拟电路故障辨识方法的优化—小波神经网络法

5.1 模拟电路故障特征的小波分析法提取

5.1.1 小波分析

5.1.2 模拟电路故障特征向量的小波分析法提取

5.2 模拟电路故障特征向量的小波包提取

5.2.1 小波包分解的能量守恒原理

5.2.2 容差电路特征向量的小波包提取

5.2.2.1 容差电路的小波包分解可行域求解方法

5.2.2.2 容差电路的故障特征向量选择

5.3 模拟电路故障辨识方法的优化—小波神经网络法

5.3.1 函数型小波神经网络故障诊断方法

5.3.1.1 函数型小波神经网络

5.3.1.2 小波基元的选取

5.3.1.3 故障诊断学习算法

5.3.2 权值型小波神经网络故障诊断方法

5.3.2.1 权值型小波神经网络

5.3.2.2 学习算法

5.3.3 故障诊断实例

5.4 小波神经网络优化对诊断率的影响的研究

5.5 小波概率和小波模糊神经网络诊断

5.5.1 概率神经网络诊断

5.5.1.1 概率神经网络

5.5.1.2 小波(包)概率神经网络诊断

5.5.2 模拟电路的小波模糊神经网络故障诊断

5.5.2.1 小波模糊神经网络

5.5.2.2 小波(包)模糊神经网络诊断

5.6 讨论

5.7 本章小结

第6章 模拟电路故障信息融合诊断方法

6.1 模拟电路故障的电流特征提取和诊断方法

6.1.1 故障电流特征的提取

6.1.2 故障电流特征的分析

6.1.3 故障电流特征的设计

6.2 模拟电路故障信息融合诊断方法

6.2.1 子电路故障信息融合诊断

6.2.2 大规模电路的子网络分层神经网络

6.3 本章小结

结论

参考文献

致谢

附录A (攻读学位期间发表的学术论文)

附录B (学术论文中的权威刊物论文和被收录论文)

附录C (攻读学位期间参加的科研项目)

发布时间: 2005-09-27

参考文献

  • [1].基于Volterra级数、小波分析与神经网络的非线性网络故障诊断方法的研究[D]. 谢宏.湖南大学2005
  • [2].基于忆阻的神经网络的动力学分析及应用[D]. 李若霞.东南大学2017
  • [3].Hopfield神经网络及其在电厂中的应用研究[D]. 郭鹏.华北电力大学(河北)2004
  • [4].集成电路工艺模拟的设备模型研究[D]. 李煜.清华大学2004
  • [5].近红外光谱技术在药品检测中的应用研究[D]. 白英奎.吉林大学2005
  • [6].基于神经网络的永磁同步电机控制策略的研究[D]. 李鸿儒.东北大学2001
  • [7].小波和神经网络在模拟电路故障诊断中的应用研究[D]. 张维强.西安电子科技大学2006
  • [8].计算智能及其在热工系统中的应用研究[D]. 焦嵩鸣.华北电力大学(河北)2007
  • [9].基于神经网络空间映射的微波射频器件建模[D]. 朱琳.天津大学2014
  • [10].基于神经网络的微波射频器件建模[D]. 闫淑霞.天津大学2015

标签:;  ;  ;  ;  ;  

基于小波和神经网络的大规模模拟电路故障诊断研究
下载Doc文档

猜你喜欢