基于小波神经网络的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和方法研究是目前研究的热门课题,现代电子技术的发展对模拟电路的测试和故障诊断提出了更高的要求。由于模拟电路故障诊断有其自身的许多困难,因此传统的故障诊断理论和方法在实际工程中很难达到预期的效果。而以神经网络为代表的计算智能技术为模拟电路故障诊断提供了一条有效的途径,受到学术界的广泛关注。本论文以现代测试技术、系统辨识、神经网络和小波分析等理论为基础,深入研究了小波神经网络和多小波神经网络诊断模拟电路故障的方法。本论文的工作主要体现在以下三个方面:1.研究了基于神经网络的模拟电路故障诊断方法。在分析和阐述神经网络诊断模拟电路故障的系统结构和原理的基础上,研究了BP网络诊断模拟电路故障的方法。针对BP网络易收敛于“局部最小值”这一缺陷,提出了用遗传算法优化BP网络权值的方法,该方法能在较短的时间内得到BP网络的最佳参数。2.研究了多种小波神经网络诊断模拟电路故障的方法。针对BP网络在模拟电路故障诊断中存在的缺陷:收敛速度慢、容易收敛于“局部最小值”,网络的结构设计仅凭经验以及存在误诊。提出了以下几种小波神经网络诊断模拟电路故障的方法:1)基于BP小波神经网络的模拟电路故障诊断。首先用具有良好时频局部特性的小波基函数替代传统BP网络的激励函数构造了BP小波神经网络。然后用它诊断模拟电路的故障。诊断结果表明,BP小波神经网络的诊断效果比BP神经网络要好,且收敛速度比BP网络明显加快。2)基于小波框架神经网络的模拟电路故障诊断。根据离散小波框架理论构造了小波框架神经网络,并用于诊断模拟电路的故障。结果表明,小波框架神经网络的故障诊断率明显比BP网络要高,收敛速度更快,且网络结构设计有理论依据——小波框架理论。3)基于多分辨小波神经网络的模拟电路故障诊断。从多分辨分析思想出发构造了多分辨小波神经网络。把待诊断电路的样本输入到该网络中进行训练及测试,结果表明:该网络在诊断模拟电路故障过程中,收敛速度快,避免了收敛于“局部最小值”,且网络结构设计有理论依据,更重要的是该网络不仅对已有的故障诊断不存在误诊,而且对新出现的故障也能够全部正确地分类。3.研究了多分辨多小波神经网络诊断模拟电路故障的方法。和小波相比,多小波同时具有正交性、紧支撑性、对称性和高阶消失矩等优点。本文构造了一种多分辨多小波神经网络,并用于模拟电路的故障诊断。诊断结果表明,该网络保留了多分辨小波神经网络的所有优点,同时克服了多分辨小波神经网络的“维数灾”问题,但良好性质的多小波构造是难点,目前还不成熟。本论文在小波神经网络诊断模拟电路故障的方法研究中已经取得了一些成果。在接下来的阶段里将继续针对这些工作开展深入的研究。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究的背景和意义
• 1.2 模拟电路故障诊断方法的研究现状
• 1.2.1 国外研究现状
• 1.2.2 国内研究现状
• 1.3 本文的主要内容及结构安排
• 1.3.1 本文的主要内容
• 1.3.2 本文的结构安排
• 第二章 基于神经网络的模拟电路故障诊断
• 2.1 引言
• 2.2 模拟电路的神经网络故障诊断方法
• 2.2.1 神经网络的故障诊断能力
• 2.2.2 神经网络故障诊断
• 2.2.2.1 诊断原理
• 2.2.2.2 故障特征提取
• 2.2.2.3 主元分析法
• 2.2.2.4 构造样本集
• 2.2.2.5 神经网络结构的设计
• 2.3 BP网络诊断模拟电路故障的方法
• 2.3.1 BP神经网络结构
• 2.3.2 BP算法及其改进
• 2.3.3 诊断实例
• 2.3.3.1 诊断电路
• 2.3.3.2 故障特征提取
• 2.3.3.3 样本集的构造
• 2.3.3.4 诊断结果
• 2.4 遗传算法优化的BP网络诊断模拟电路故障的方法
• 2.4.1 遗传算法
• 2.4.2 遗传算法优化BP网络
• 2.4.3 诊断实例
• 2.4.3.1 实验电路
• 2.4.3.2 故障特征提取
• 2.4.3.3 样本集的构造
• 2.4.3.4 诊断结果
• 2.5 本章小结
• 第三章 基于小波神经网络的模拟电路故障诊断
• 3.1 引言
• 3.2 小波理论
• 3.2.1 小波变换
• 3.2.2 小波框架与Riesz基
• 3.2.3 多分辨分析
• 3.2.4 张量积小波
• 3.3 B样条小波的构造
• 3.4 小波神经网络
• 3.4.1 小波神经网络的分类
• 3.4.2 小波神经网络的学习算法
• 3.4.2.1 梯度下降法
• 3.4.2.2 最小二乘法
• 3.4.3 小波神经网络隐层节点数目的确定及其逼近性质
• 3.5 BP小波神经网络诊断模拟电路故障的方法
• 3.5.1 BP小波神经网络的结构
• 3.5.2 BP小波神经网络的训练算法
• 3.5.3 诊断实例
• 3.5.3.1 诊断电路
• 3.5.3.2 故障特征提取
• 3.5.3.3 样本集的构造
• 3.5.3.4 诊断结果
• 3.6 小波框架神经网络诊断模拟电路故障的方法
• 3.6.1 小波框架神经网络的结构及其训练
• 3.6.2 诊断结果
• 3.7 多分辨小波神经网络诊断模拟电路故障的方法
• 3.7.1 基于第Ⅰ类多分辨小波神经网络的模拟电路故障诊断
• 3.7.1.1 第Ⅰ类多分辨小波神经网络的结构及其训练
• 3.7.1.2 诊断结果
• 3.7.2 基于第Ⅱ类多分辨小波神经网络的模拟电路故障诊断
• 3.7.2.1 张量积小波神经网络诊断模拟电路故障的方法
• 3.7.2.2 非张量积小波神经网络诊断模拟电路故障的方法
• 3.8 各种小波神经网络诊断模拟电路故障方法的对比
• 3.9 本章小结
• 第四章 基于多分辨多小波神经网络的模拟电路故障诊断
• 4.1 引言
• 4.2 多小波理论
• 4.2.1 多小波
• 4.2.2 多小波的多分辨分析
• 4.2.3 张量积多小波
• 4.3 多小波的构造
• 4.4 多分辨多小波神经网络及其逼近性质
• 4.5 第Ⅰ类多分辨多小波神经网络诊断模拟电路故障的方法
• 4.5.1 第Ⅰ类多分辨多小波神经网络的结构及其算法
• 4.5.2 诊断结果
• 4.6 第Ⅱ类多分辨多小波神经网络诊断模拟电路故障的方法
• 4.6.1 第Ⅱ类多分辨多小波神经网络的结构及其学习算法
• 4.6.2 诊断结果
• 4.7 两类多分辨多小波神经网络诊断模拟电路故障方法的对比
• 4.8 本章小结
• 第五章 结束语
• 5.1 全文总结
• 5.2 进一步的工作
• 致谢
• 参考文献
• 附录
• 攻博期间取得的研究成果