基于神经网络的模拟电路故障诊断

论文摘要

相比于数字电路来说,模拟电路由于其容差性、非线性和难以模型化等特点,导致故障诊断工作异常的困难。有效的寻找到电路中发生故障的器件及发生何种故障,进而对后期的维修提供参考,无论是在电路的使用过程中还是生产质量保障中都起着重要的作用。经过近40年的发展,模拟电路故障诊断领域的研究者们从各个理论角度着手做出了巨大的成果。随着理论的成熟,本领域需要一个从理论向实用化的演进,真正的将神经网络模拟电路故障诊断应用到实际的生产中去为提高生产力作出贡献,这也是该领域目前继续解决的问题。而且,随着电路的日益复杂化,目前应用最广泛最有前景的神经网络诊断方法,存在单神经网络泛化能力有限的问题,这也有待进一步提高。针对模拟电路的特点,本文使用了了人工神经网络来进行模拟电路故障诊断。通过从工程实践中探索得来的诊断方法,提出了一套基于神经网络的诊断系统,并使用神经网络集成的方法对诊断性能进行了提升。本文主要解决了以下问题:1提出一套基于神经网络的实用型工业化诊断流程及系统。该系统从选定测试电路开始,对故障集的选择、解决电路容差的蒙特卡罗仿真方法、基于主成分分析的特征提取以及神经网络的构建等进行了探讨。然后再此基础上提出了一套系统化的诊断流程,使得神经网络可以顺利地应用到模拟电路的工业化自动故障诊断。同时此方案可以适应模拟电路容差性、噪声性、非线性和难以建模等特点,并提供灵活可行的实现。2使用神经网络集成的方法来提高诊断性能。先从理论上讨论了集成神经网络可以提高模式分类的性能,然后通过实验验证了这个理论。本文使用Bagging和AdaBoost这两种集成方法,对诊断系统的分类器进行改进,结果表明能有效的提高诊断性能。同时神经网络的集成还为网络结构的选择提供了一种简化,使得模型的构建过程更加容易,这使得基于神经网络的模拟电路故障诊断方法更加实用化。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 研究的背景和意义
• 1.2 研究历史及现状
• 1.3 问题的提出
• 1.4 本文的研究内容及组织结构
• 2 模拟电路故障诊断
• 2.1 模拟电路故障诊断介绍
• 2.1.1 模拟电路故障诊断方法
• 2.1.2 基准测试电路集
• 2.2 基于模式识别的模拟电路故障诊断
• 2.2.1 模式识别原理
• 2.2.2 使用模式识别的方法诊断模拟电路
• 2.3 小结
• 3 人工神经网络及应用
• 3.1 人工神经网络概述
• 3.1.1 神经网络的类型
• 3.1.2 神经网络的学习规则
• 3.2 两种常用的神经网络
• 3.2.1 多层前馈 BP 神经网络
• 3.2.2 径向基神经网络
• 3.2.3 两种网络的比较
• 3.3 神经网络在模拟电路故障诊断中的应用
• 3.4 小结
• 4 神经网络模拟电路故障诊断方法设计
• 4.1 基于神经网络的诊断系统
• 4.1.1 系统的组成
• 4.1.2 电路的仿真与数据采集
• 4.1.2.1 基于 PSpice 软件的电路仿真
• 4.1.2.2 解决电路容差的 Monte Carlo 方法
• 4.1.3 数据预处理
• 4.1.3.1 归一化
• 4.1.3.2 主成分分析维度约简
• 4.1.4 神经网络训练及诊断
• 4.2 实验及结果分析
• 4.2.1 实验：基本诊断流程
• 4.2.1.1 数据采集与预处理
• 4.2.1.2 神经网络训练及诊断
• 4.2.2 实验：主成分分析维度约简
• 4.2.2.1 数据采集与预处理
• 4.2.2.2 神经网络训练及诊断
• 4.3 小结
• 5 提升诊断性能的神经网络集成方法
• 5.1 集成学习介绍
• 5.1.1 集成学习原理
• 5.1.2 集成方法
• 5.1.2.1 Bagging 方法
• 5.1.2.2 Boosting 方法
• 5.1.3 实验：UCI 数据集上的分类实验
• 5.2 基于集成神经网络的诊断系统
• 5.2.1 集成神经网络训练
• 5.2.2 诊断
• 5.3 实验：集成神经网络模拟电路故障诊断
• 5.3.1 数据采集与预处理
• 5.3.2 集成神经网络训练及诊断
• 5.4 小结
• 6 总结与展望
• 6.1 全文总结
• 6.2 下一步的工作
• 参考文献
• 致谢
• 个人简历
• 发表的学术论文