基于优化人工智能算法的模拟电路故障诊断研究

发布时间：2020-03-18 22:45

【摘要】：在数模混合电路(Analog/mixed-signal circuits,AMS)测试中,模拟电路测试成本占总测试成本的95%以上,且绝大部分故障发生于模拟部分。目前,AMS中的数字电路故障诊断的方法已经成熟并在实践中得到了应用,但由于模拟电路的复杂性和非线性等特点,导致模拟电路故障诊断的发展较为缓慢,成为了AMS测试领域中的重难点问题。随着电路集成度和复杂度的提高,传统的模拟电路故障诊断方法已经难以满足测试要求,人工智能方法成为了研究热点。本文以人工智能方法为手段,以Sallen-key带通滤波器和CTSV滤波器电路为被测对象,对模拟电路故障诊断展开研究。本文的主要内容及创新点如下:1.基于小波包峭度和邻域保持嵌入(Neighborhood preserving embedding,NPE)的模拟电路特征提取方法。本文研究了模拟电路特征提取方法的三个环节包括特征提取方法,特征参数和降维方法,并将不同环节进行优化组合,在此基础上提出了基于小波包峭度和NPE的特征提取方法。该方法利用小波包提取模拟电路的故障样本,峭度作为故障样本的特征参数,邻域保持嵌入压缩样本数据,从而避免了电路噪声干扰,保持了数据内部流形,具有更好的电路故障提取能力。实验结果表明,基于小波包峭度和NPE方法相较于传统方法至少能提高15%的诊断正确率,从而证明了该方法对于模拟电路故障提取的优越性和普适性。2.基于云模型优化概率神经网络的模拟电路故障诊断。本文选择概率神经网络(Probabilistic Neural Network,PNN)解决模拟电路的大样本分类问题,并利用多维正态云模型优化概率神经网络的参数。通过峰值云变换将不同故障模式下的训练样本构造出多维正态云模型,将其作为概率神经网络的模式层神经元。然后利用峰值这一参数求得模式层与求和层之间的连接权重。最后,优化的概率神经网络进行故障分类。该方法既能确定隐含层神经元数目,又能利用峰值云变换中的峰值这一数值特性求来取连接权值,优化了PNN的三个参数,简化了PNN的训练过程。诊断实例表明,该方法的诊断正确率达到了99%以上。3.基于云进化算法优化支持向量机的模拟电路故障诊断。针对模拟电路的小样本分类问题,本文选择支持向量机(Support Vector Machine,SVM)来解决该问题,并利用云进化算法(Cloud Based Evolutionary Algorithm,CBEA)优化支持向量机参数。云进化算法利用期望作为母体,熵和超熵控制搜索方向,通过局部求精,局部求变,突变的一系列操作以寻找支持向量机的最优参数。该算法可以较好的避免陷入局部最优,随机游走等传统寻优算法存在的问题,具有较强的收敛能力。诊断实例表明,该方法的诊断正确率达到了98%以上,相较于传统的支持向量机诊断方法提高了约8%。
【图文】：

电路仿真,带通滤波器,故障模式

F1 C1 5nF 1 0%7.5nFF2 C1 5nF 1 0%2.5nFF3 C2 5nF 1 0%7.5nFF4 C2 5nF 1 0%2.5nFF5 R2 3k 5 %4.5k F6 R2 3k 5 %1.5k F7 R3 2k 5 %3k F8 R3 2k 5 %1k §2.4.2 提取故障特征利用PSPICE 16.5对9种故障模式下sallen-key带通滤波器各进行300次蒙特卡洛交流分析，每次分析选取100个点，开始频率为100hz,结束频率为1Mhz,采集‘out1’节点的输出电压并将其组成原始样本集。图2-4为F0模式下的电路仿真结果，图2-5为F1模式下的电路仿真结果，图2-6为F2模式下的电路仿真结果。从中可以看出，不同故障模式下的电路输出信号有所差异。

电路仿真,带通滤波器,峭度,方案

图2-5 sallen-key带通滤波器在F1模式下的电路仿真结果图2-6 sallen-key带通滤波器在F2模式下的电路仿真结果上文提到了两种特征提取方法，两种特征参数及两种降维方法，将其进行组合共得到8种特征提取方案，，包括方案1：小波能量+PCA；方案2：小波能量+NPE；方案3：小波峭度+PCA；方案4：小波峭度+NPE；方案5：小波包能量+PCA；方案6：小波包能量+NPE；方案7：小波包峭度+PCA；方案8：小波包峭度+NPE。其中，本文选择
【学位授予单位】：桂林电子科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP18;TN710

【相似文献】