容差模拟电路故障诊断方法研究

论文摘要

模拟电路故障诊断理论是网络理论的第三分支,在自动测试技术中起着支柱作用。自60年代开始研究以来,取得了不少有价值的理论成果,但总的来说发展一直比较缓慢。元件容差的普遍存在、电路故障的多样性等是制约模拟故障诊断理论发展的主要障碍,尤其是电路中存在软故障时,电路的故障状态可能与正常状态比较接近,或不同故障下的电路状态可能重叠,因此诊断难度很大。随着微电子技术尤其是VLSI技术的发展,对模拟电路自动测试和诊断的需求日益迫切。为此,本文对容差模拟电路故障诊断方法进行了较深入的研究,重点探索神经网络诊断方法,致力于解决由于容差的存在以及模拟电路故障的多样性而导致的训练样本规模过大、诊断速率较低、诊断准确率有待提高等问题。针对BP网络存在收敛速度缓慢、容易陷入局部极小以及网络结构难以确定等缺陷,提出了利用概率神经网络进行故障诊断方法。仿真结果表明:该诊断方法快速、准确,尤其对软故障有较高的识别能力。为了解决神经网络训练样本优化选择的问题,采取遗传算法的全局寻优能力与粗糙集理论结合的方法获得决策表最小约简,该方法为本文所提出的粗糙集神经网络集成诊断方案奠定了基础。针对容差电路神经网络故障诊断方法训练样本规模过大使得网络过于复杂,网络训练速度较低的问题,提出了应用自组织竞争网络-粗糙集-BP网络集成进行故障诊断的方案,从而降低了神经网络训练样本规模,减少了网络训练时间。针对容差电路故障元件诊断的不确定性问题,提出了基于RBF与BP神经网络、D-S证据理论的故障诊断方法,模拟诊断结果显示,所采用的神经网络数据融合方法能提高故障诊断的准确率。

论文目录

• 摘要
• Abstract
• 第1 章 绪论
• 1.1 选题背景和意义
• 1.2 模拟电路故障分类
• 1.3 模拟电路故障诊断传统方法
• 1.4 模拟电路故障诊断的研究现状
• 1.5 电路诊断中存在的问题
• 1.6 本文的主要工作
• 第2 章 基于神经网络的电路故障诊断
• 2.1 神经网络理论概述
• 2.1.1 神经网络模型
• 2.1.2 神经网络的学习方法
• 2.2 应用神经网络的模拟电路诊断
• 2.2.1 诊断模型
• 2.2.2 神经网络电路故障诊断注意事项
• 2.2.3 诊断方法的实施步骤
• 2.3 BP 神经网络及其特点分析
• 2.3.1 BP 神经网络模型
• 2.3.2 BP 神经网络的学习算法
• 2.3.3 BP 神经网络的优缺点
• 2.4 概率神经网络特点分析
• 2.4.1 概率神经网络模型
• 2.4.2 概率神经网络的学习算法
• 2.4.3 概率神经网络与BP 网络比较
• 2.5 基于概率神经网络的电路诊断
• 2.5.1 输入/输出模式
• 2.5.2 训练样本集的选取
• 2.6 诊断实例及其结果分析
• 2.6.1 待诊断电路
• 2.6.2 电路故障诊断过程
• 2.7 PNN 网络与 BP 网络诊断结果比较
• 2.8 本章小结
• 第3 章 基于遗传算法的粗糙集属性约简
• 3.1 问题的引出
• 3.2 粗糙集理论概述
• 3.2.1 粗糙集数据分析的基本思想
• 3.2.2 粗糙集知识
• 3.2.3 粗糙集在数据挖掘中的应用
• 3.3 遗传算法基本原理
• 3.4 基于遗传算法的粗集属性约简方法
• 3.4.1 编码方法
• 3.4.2 适应值函数的构建
• 3.4.3 选择操作
• 3.4.4 交叉操作
• 3.4.5 变异操作
• 3.4.6 最优保存策略与终止条件
• 3.5 算法执行过程
• 3.6 算例
• 3.7 本章小结
• 第4 章 基于粗集神经网络的电路故障诊断
• 4.1 问题的引出
• 4.2 粗糙集理论在故障诊断中的应用
• 4.3 粗糙集与神经网络集成方案
• 4.4 连续属性值离散处理
• 4.4.1 自组织竞争神经网络特点分析
• 4.4.2 聚类数目的确定
• 4.5 粗糙集与神经网络结合的诊断策略
• 4.6 诊断实例
• 4.7 诊断结果分析
• 4.8 本章小结
• 第5 章 基于神经网络数据融合的电路诊断
• 5.1 问题的引出
• 5.2 D-S 证据理论
• 5.2.1 D-S 证据理论基础知识
• 5.2.2 D-S 证据理论的组合规则
• 5.3 证据理论和神经网络融合诊断方法
• 5.3.1 RBF 网络特点分析
• 5.3.2 基于训练样本的神经网络选取规则
• 5.3.3 证据理论基本概率赋值函数的构造
• 5.3.4 神经网络的输出设定
• 5.4 诊断实例及分析
• 5.5 本章小结
• 结论
• 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 攻读学位期间参与的科研工作