一、一种模拟电路故障定位的新方法(论文文献综述)
秦庆[1](2021)在《智能信息融合视域下的模拟电路故障定位方法研究》文中进行了进一步梳理智能信息融合视域下的故障定位,是融合现代信息技术的全新监测模式,可以提升定位电路故障的准确率。本文探究基于智能信息融合视域的模拟电路故障定位方法,首先阐述在智能信息融合视域下,诊断电路故障的基本思想和方法,了解常见的定位模拟电路故障的措施,总结智能信息融合视域下定位模拟电路故障的优势,最后通过诊断实例,掌握在定位模拟电路故障时应用智能信息融合视域的优势。
谈恩民,阮济民,黄顺梅[2](2022)在《基于输出响应矩阵特性分析的模拟电路故障诊断》文中研究指明针对现有模拟电路故障诊断方法的人工神经网络、支持向量机(SVM)等人工智能算法需要大量的训练样本和时间的问题,该文提出一种利用矩阵特征分析进行模拟电路故障诊断方法。该方法建立一个输出响应方阵,当电路发生故障时,方阵中的元素会发生变化,根据矩阵理论,利用矩阵谱半径和矩阵模的扰动矩阵最大奇异值来描述这种差异。SallenKey电路和CTSV电路的实验结果表明,该方法能够很好地判断模拟电路是否发生故障以及故障定位,该文方法有效性在SallenKey、CTSV电路上得到验证,并且在这两个电路中,故障诊断率高达100%。
谈恩民,阮济民,黄顺梅[3](2022)在《基于输出响应矩阵特性分析的模拟电路故障诊断》文中进行了进一步梳理针对现有模拟电路故障诊断方法的人工神经网络、支持向量机(SVM)等人工智能算法需要大量的训练样本和时间的问题,该文提出一种利用矩阵特征分析进行模拟电路故障诊断方法。该方法建立一个输出响应方阵,当电路发生故障时,方阵中的元素会发生变化,根据矩阵理论,利用矩阵谱半径和矩阵模的扰动矩阵最大奇异值来描述这种差异。SallenKey电路和CTSV电路的实验结果表明,该方法能够很好地判断模拟电路是否发生故障以及故障定位,该文方法有效性在SallenKey、CTSV电路上得到验证,并且在这两个电路中,故障诊断率高达100%。
阮济民[4](2021)在《矩阵模型优化的模拟电路故障诊断方法研究》文中提出随着时代在不停的进步,我国自主研发芯片越来越成为重中之重。芯片热也是近几年的关键词,但是在自主研发芯片的时候就会出现很多问题,因为现在的芯片越来越集成化了,所以当芯片一旦出现问题就会造成重大损失,并且在很多地方,投入电路测试中的成本也逐渐高于电路实际的研发成本;尤其是模拟电路集成芯片,被运用于医疗、航天、通讯等各种领域。尽管学者们对模拟电路故障诊断进行了深入研究与探讨,在未来仍将面临越来越多挑战,但是到目前为止,仍然没有一种成熟有效的方法能广泛的应用到实际电路中,因为模拟电路本身存在很多的制约条件,如:容差、阻差、非线性、有源和无源器件,这些条件都将会影响模拟电路本身;当模拟电路发生故障,没有一种能够有效的解决所有问题的方法。目前发表研究模拟电路故障诊断的论文有很多,人工智能方法居多,其主要依靠大量数据来完成模拟电路故障诊断。本文主要对输出电压进行测量,将测量的电压值作为矩阵模型来对电路进行故障诊断,以两个国际标准电路Sallen_key、CTSV电路以及对数放大器电路作为实验研究对象;通过时间的不同,测量输出电压值,利用电压值的不同组成输出矩阵,然后以矩阵为模型基础,对矩阵的优化进行一系列的研究,从矩阵的特性和矩阵的降维、分类两方面着手,这能够更好的对模拟电路进行故障诊断,并且故障能够精确定位。本文涉及的工作和方法创新如下:(1)针对现有模拟电路故障诊断方法的人工神经网络、支持向量机(SVM)等人工智能算法,这些人工智能算法需要大量的训练样本,如果训练样本不够多或者训练时间不够,则会导致故障诊断率下降,所以本文提出了一种利用矩阵特征分析进行模拟电路故障诊断方法。该方法建立了一个输出响应方阵,当电路发生故障时,方阵中的元素会发生变化。根据矩阵理论,在对矩阵理论深入研究发现,矩阵里面的元素发生变化时,矩阵的谱半径和最大奇异值也会随之而改变,但是也可能发生两个矩阵拥有相同谱半径的情况,所以本文使用谱半径和最大奇异值来寻找矩阵之间的差异,在谱半径和最大奇异值共同的作用下,描述矩阵的特性。Sallen_Key电路、对数放大器电路和CTSV电路的实验结果表明,该方法能够很好的判断模拟电路是否发生故障以及故障定位。本文中方法的有效性在Sallen_Key电路、对数放大器电路、CTSV电路上得到了验证,并且在这三个电路中,故障诊断率高达100%。(2)本文进一步提出了一种将矩阵模型与机器学习相结合的方法,与传统的机器学习相对比,诊断率有所提高,同时也验证了矩阵模型对模拟电路故障诊断方法的可行性与有效性。针对模拟电路故障诊断特征提取和特征分类问题,提出了一种基于优化矩阵随机森林算法(Random Forest algorithm,RF)的模拟电路故障诊断方法,该方法建立在优化矩阵基础上,然后通过三个激励建立特殊的优化矩阵模型。此外,在仿真软件中,根据不同时间测量输出节点的电压值,由测量的电压值共同构建一个输出电压值矩阵。当电路发生故障时,随着激励的输入,输出响应矩阵中的元素会随之发生变化,通过使用局部均值分解生成一个新的优化矩阵,然后将优化矩阵输入到随机森林算法(RF)中,利用多维向量能够具有不同的有效特征,将优化的矩阵模型通过bagging和决策树的共同作用,能够准确的进行单故障和多故障的模拟电路故障诊断的研究。这与其他类型的人工智能算法相比,优化矩阵随机森林算法(RF)不仅能够同时满足特征提取和特征分类的效果,而且故障诊断率达到99.5%。
陈钇任[5](2021)在《基于智能优化算法的模拟电路多故障定位和参数识别》文中研究说明模拟电路是电子设备不可或缺的一部分,其故障诊断方法也一直是研究热点。目前模拟电路故障诊断方法的研究已经很深入,然而在解决元器件容差、参数连续性、多故障诊断等方面依然有欠缺。针对这些问题,本文在复数域圆模型对故障进行隔离的基础上,将故障定位和参数识别的问题转化为全局优化问题,基于智能优化算法实现故障定位和参数识别。本文具体做了如下工作:1)模拟电路故障定位问题转化为全局优化问题。通过复数域建模得到模拟电路的连续故障特征,实现故障隔离。利用PSPICE电路仿真验证了复数域圆模型,接着分析了容差的问题,通过多频率仿真解决容差对故障定位的影响。研究了将故障定位转化为全局优化,利用传递函数建立目标函数,通过优化目标函数可以实现故障定位。2)基于遗传算法设计了实现模拟电路多故障定位的算法。通过电路仿真说明了单测点无法定位双故障,建立了双故障三维模型,通过双测点隔离双故障。设计了实现模拟电路多故障定位的遗传算法,通过范围限定、最优个体保留、灾变等操作提高多故障定位的正确率。仿真实验验证了该算法的有效性和高正确率。最后通过联合仿真实现非线性模拟电路的多故障定位,验证其适用于非线性模拟电路。3)均匀间隔取值对种群进行初始化,利用遗传算法实现了多故障参数识别。不同的故障参数可以得到相同的目标函数值,参数识别的目的是得到所有可能的故障参数。在单个元件参数估计值的大邻域(搜索区间)内均匀间隔取值来初始化遗传算法的种群,通过调整无故障元件参数,得到所有能最小化目标函数的故障元件参数,来确定故障参数的范围。仿真实验验证,并研究了该方法所存在的不足。4)在均匀间隔取值的基础上对遗传算法进行改进,得到更精确的参数识别结果。为了解决参数识别精度不高的问题,提出了动态种群的方法,通过不断淘汰目标函数值过大的个体,动态缩小搜索区间,提高单位长度内取值的密度,从而实现参数识别精度的提高。接着通过仿真实验验证了该算法有效提高参数识别精度。最后对改进前后的算法进行比较,进一步验证改进后算法的优越性。5)研究了基于双目标进化优化的单故障参数识别。根据目标函数-元件参数特征曲,针对边界点的求解,将参数识别转化为求解双目标问题。通过种群分组优化,实现单个算法同时求解最大化问题和最小化问题。仿真实验验证了该方法的有效性,并通过对比分析了该方法的优缺点。
贾绍华[6](2020)在《基于冷启动SVDD技术的模拟电路模块级故障诊断方法研究》文中研究表明随着科技的不断进步,电子技术得到了快速的发展。在生活、工业、医疗等领域中电子系统发挥出越来越重要的作用,因此对设备可靠性的要求也逐渐提高,对电子系统可靠性检测技术也有了更高需求。众多国内外学者以模拟电路故障诊断为课题开展了丰富的研究。主要思路是利用被测系统的输出样本训练可以用来识别故障和定位故障的诊断模型。但在实际应用过程中,被测电子系统的负类样本数量较少且难以覆盖全部故障模式,导致正负类样本具有较强的非均衡性。这为建立准确有效的诊断模型带来相当大的难度,难以及时发现电路故障位置并对其进行有效维护。因此在电路样本具有较强非均衡性的情况下,对电路故障进行检测与定位,是模拟电路故障诊断领域的难题。为解决以上问题,本文以模拟电路模块级故障为研究对象,深入研究了电路模块故障的检测与定位方法。针对模块化的模拟电路系统,提出了一种基于冷启动支持向量描述的模拟电路模块级故障诊断的方法。首先根据模拟电路的模块划分原则将被测系统划分为具有特定功能和结构的电路模块。以响应相似性度量值为评价指数,为各模块确定用于特征提取的数据处理方法及具体参数。提出了基于冷启动SVDD的故障检测方法,使用电路模块正类样本和少量负类样本,训练得到可以识别电路模块状态的故障检测模型。为实现对电路故障模块的定位,使用图论理论实现对系统级模拟电路的模块级故障定位,在构建模拟系统的故障传播有向图后使用图论算法分别建立邻接矩阵、带权重的可达矩阵以及故障溯源置信矩阵,结合故障检测模型的模块状态识别结果最终确定故障电路模块的位置,完成模拟电路系统的故障诊断。为了验证提出方法的有效性,本文以Sallen-Key电路和Four-opamp电路为研究对象进行电路模块故障检测方法的验证,并在此基础之上以双带通滤波器电路为研究对象,对故障定位方法进行仿真验证。最后将本文提出的方法应用到控制系统模拟平台的故障诊断当中。结果表明,本文提出的方法对模拟电路模块级故障具有较好的诊断效果。
何威[7](2019)在《基于时频特征的模拟电路故障诊断方法研究》文中研究说明模拟电路作为电子设备中的重要部件,其测试和故障诊断是目前研究的热点问题。但是由于模拟电路易受外界噪声干扰,元器件存在参数连续性、容差性以及高度非线性等问题,使得故障诊断理论及测试技术发展一直比较缓慢,远远不能满足电子工业对设备高可靠性的现实需求。本文针对模拟电路故障诊断方法,基于交叉小波时频分析技术,融合矩阵分解技术、图像特征分析、统计分类方法以及生成对抗网络等理论和技术,研究模拟电路故障诊断中的特征提取及故障分类策略,并探讨了深度学习技术在模拟电路故障诊断中的运用。本文的研究内容如下:·(1)提出基于交叉小波变换(XWT)与矩阵分解的模拟电路故障特征提取方法。通过研究交叉小波谱的时频特征,将奇异值分解与变分贝叶斯矩阵分解引入到模拟电路故障特征提取中,并由此提出了两种故障特征向量构建方法。首先通过采样正常状态与故障状态下电路输出响应信号,随后运用交叉小波技术将响应信号变换为二维时频谱,然后采用SVD和VBMF分解时频谱矩阵,最后计算出所有故障状态下SVD奇异值序列的信息熵和VBMF奇异值序列的统计参量,并构建为故障特征向量。仿真实验结果证明基于XWT和矩阵分解所构建的故障特征具有较高的区分度。(2)提出基于交叉小波变换与图像信息分析的模拟电路故障特征提取方法。通过研究交叉小波谱图像的几何矩特性和纹理结构信息,将Krawtchouk矩和局部二值模式(LBP)引入到模拟电路故障特征提取中,并以此构建故障特征向量。首先,获取所有状态下输出信号的交叉小波时频谱;随后,应用权重Krawtchouk矩和局部最优方向模式(LOOP)处理时频谱图像,最终生成故障特征向量。其中,权重Krawtchouk矩方法主要用来解决传统Krawtchouk矩中数值不稳定问题,而LOOP则旨在解决传统LBP方法过于依赖方向的缺点。仿真结果表明基于XWT和图像信息分析的方法具有较好的故障特征提取效果。(3)提出基于统计分类模型的模拟电路故障定位方法。在传统的故障分类中,一般是采用神经网络作为故障分类器,该方法属于经验风险最小化范畴,容易陷入局部最优点。考虑到统计分类模型在在模式识别方面的优异性能,提出了基于权重特征核线性判别分析,支持向量机和向量正则核函数逼近方法的模拟电路故障诊断方法。同时考虑花授粉算法(FPA)和量子粒子群算法(QPSO)良好的参数优化能力,分别采用花授粉算法优化支持向量机以及量子粒子群算法优化向量正则核函数逼近方法。通过仿真实验表明,这三种方法均取得较高的故障诊断正确率。(4)提出了基于生成对抗网络的模拟电路故障诊断方法。在传统的故障诊断方法中,在面对不同诊断任务时,需要人工选择不同的故障特征方法和分类策略,而深度学习方法却可以有效的避免上述问题,借助其强大的非线性映射能力,在不同网络层中实现特征提取和分类。本文在探讨生成对抗网络的基本原理后,提出采用深层卷积神经网络、sigmoid和softmax分类器对其进行改进,同时为了降低生成对抗网络的负担,并采用小波交叉谱和相干谱数据作为其输入向量。仿真实验表明该方法可以较好地实现故障诊断的任务。
张艳艳[8](2019)在《基于熵权与灰色关联融合分析的模拟电路故障诊断研究》文中研究表明模拟电路应用广泛,是电子设备中必不可少的组成部分。由于其固有属性,模拟电路极易发生故障,对人们的生命和财产安全造成威胁。因此,对模拟电路故障诊断技术的研究非常必要。本文将“改进的熵权法和改进的灰色关联法的融合分析(Fusionanalysis of Improved Entropy Weight method and Improved Grey Relational method,FIEWIGR),应用于模拟电路故障诊断中(具体包括电阻软故障诊断和电路状态检测),旨在通过少量样本客观地实现模拟电路故障的正确诊断。本文的主要工作如下:1.本文在深入研究了灰色关联法(Grey Relational Method,GRM)和摘权法(Entropy Weight Method,EWM)的应用后,总结出两点改进措施,并通过数学模型及理论分析给出改进的必要性。一是对灰色关联法的改进:对灰色分辨系数的获取方式进行改进,不再按照以往经验直接取0.5,而是通过数据动态计算灰色分辨系数最优值,避免主观因素对评价结果的影响;二是对熵权法的改进:对权重计算方式进行改进,解决了指标信息熵趋近于1时,指标权重与熵权原理相悖的问题。2.本文将FIEWIGR用于模拟电路故障诊断的电路状态检测。分别以直流电路、四阶有源低通滤波电路及CTSV滤波电路为待诊断对象,运用FIEWIGR算法完成模拟电路状态检测实验。实验结论与经Multisim仿真出的故障电路输出响应对比图所得结论一致,从而验证了 FIEWIGR可实现模拟电路状态的正确检测。3.本文将FIEWIGR用于模拟电路的电阻软故障诊断。通过三个经典的测试电路验证了 FIEWIGR可以实现电阻软故障的正确诊断,说明了其熵权计算方式克服了传统熵权法EWM存在的缺陷。最后用MATLAB随机仿真了 300组熵权,统计分析了传统灰色关联分析法的诊断结果,实验表明FIEWIGR的鲁棒性优于灰色关联分析法。
贺孝言[9](2019)在《基于最优测点的模拟电路故障诊断》文中研究指明近代科学技术的突破,带动了整个工业系统的进步,经过近代以来的大规模普及和使用,复杂的电子技术设备已被各个行业所接受,方便、智能、稳定的工作状态已成为了这个时代能够稳定前进不可缺失的保证,可靠、高效的故障诊断技术就显得尤为重要。在故障诊断领域,国内外众多研究学者进行了大量的研究工作,并且提出了一大批行之有效的诊断方法。但在实际的故障诊断应用中,由于环境或者条件的限制,会产生以下两个问题:(1)最优测点选取问题。在电路原始信号采集时,需要探究哪个位置的测点在采集数据时,能够保证采集到的原始信号能够包含电路所有故障特征信息,并且使得数据数量和维度最低;(2)故障信息的噪声干扰问题。通常采集到的原始信号中,故障信息会被大量的噪声所干扰,导致不易获得充足的故障样本,如何针对这些被干扰的故障信息进行故障诊断是个难点。针对以上两个问题,研究了两问题相应的产生机理之后,本文提出了一种基于最优测点和稀疏降噪自编码神经网络的模拟电路故障诊断方法。为解决最优测点选取问题,本文引入了基于敏感度因子和测点故障隔离组/度的最优测点选取方法,此方法可以获得整个模拟电路故障特征信息的最优测点组合,能够避免待选测点的大量无效运算,并且从最优测点处采集到的原始信号数据,具有信息量少、维度低和电路故障特征信号完整等特点;针对第二个问题,本文提出了一种稀疏降噪自编码神经网络的深度学习方法,此方法在使用过程中会在原始信号中添加一定概率分布的噪声,从而得到鲁棒性更好的训练模型,基于此方法的这一自身特性,上述的故障信息被噪声干扰问题也可以得到解决。为了验证最优测点选择方法和稀疏降噪自编码神经网络在模拟电路故障诊断中的有效性,本文在第四章进行了一次模拟电路的故障仿真实验,经过稀疏降噪自编码神经网络对从最优测点采集到的原始数据进行多次迭代运算,最终得到分类结果,通过对实验中平方误差的描绘曲线和分类识别结果的分析,充分说明本方法在模拟电路故障诊断中的准确性和有效性。
李志盛[10](2018)在《基于SVDD和D-S证据理论的模拟电路模块故障诊断方法研究》文中研究说明伴随着科技迅猛发展,电子技术不断突破创新,电子系统已经是生活,医疗,装备等众多领域中不可缺少的一部分,因此电子系统安全性问题便接踵而至,对于电子设备的可靠性检测技术要求也日益增高。众多的优秀学者对模拟电路故障诊断方法已经进行了深入的研究和大量的实验,主要依靠对大量故障状态的样本进行训练,实现模拟电路故障定位。然而在实际应用时,往往存在某些电子设备的负类样本较少,甚至无法获得,难以建立有效的分类模型,导致对电路故障的部分不能及时的发现和更换。若仅通过单分类实现电路故障状态检测,对整个电子系统更换,则会导致成本损失巨大,因此,利用已有的正类样本完成对故障的定位,是模拟电路故障诊断领域的难题。为解决这一问题,本文以模拟电路模块故障作为研究对象,深入研究了对故障模块定位的方法。针对于模块化的模拟电路,提出了一种基于支持向量数据描述(Support Vector Data Description,SVDD)和D-S证据理论(DempsterShafer envidence theory)进行模拟电路模块故障诊断的方法。首先将电路按照功能模块划分,并遵循模块间无反馈,并联模块存在非公共节点的原则。然后选用脉冲信号和扫频信号对待测电路进行激励,提取各模块输出的时域、频域电压信号,通过主成分分析的方式对提取的特征进行处理,对于各模块的状态检测,提出了基于SVDD线性核的模块故障检测模型,并对从时域和频域得到的模块检测效果进行了分析。随后又提出了SVDD高斯核、多项式核两种检测模型以提高模块故障的检测率。由于SVDD检测只能给出各模块状态信息,需结合模块位置信息,找到故障的源头进行定位,较容易受到噪声干扰,因此引入D-S理论整合各模型的检测结果进行故障定位。首先在故障诊断前,通过仿真获得上述两种模型分别从时域、频域角度对电路各模块的检测结果,将各模块检测结果作为先验知识。诊断时,通过两种模型对电路各模块的实际检测结果,并利用获得的先验数据为实测结果配置一定的权重、可信程度,给出故障模块信息,通过信息融合、决策故障模块,完成基于SVDD和D-S理论的模拟电路模块故障诊断。为了验证该方法的有效性,选择了一个串联的带通滤波电路和含有并联成分的双带通滤波电路分别进行了仿真验证和实物验证。结果表明,本文提出的方法对模拟电路模块故障具有很好的故障诊断效果。
二、一种模拟电路故障定位的新方法(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、一种模拟电路故障定位的新方法(论文提纲范文)
(1)智能信息融合视域下的模拟电路故障定位方法研究(论文提纲范文)
0 引言 |
1 智能信息融合视域下的模拟电路故障定位思想 |
2 智能信息融合视域下的电路故障定位措施 |
2.1 选取需进行故障定位的信号 |
2.2 预处理诊断信息 |
2.3 BP网络及其算法改进 |
2.4 BP网络信息融合诊断方法 |
3 综合诊断与实验论证分析 |
4 结语 |
(4)矩阵模型优化的模拟电路故障诊断方法研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
§1.1 模拟电路故障诊断研究背景及意义 |
§1.2 国内外研究现状 |
§1.2.1 国外研究现状 |
§1.2.2 国内研究现状 |
§1.3 本文研究内容和结构安排 |
§1.3.1 本文主要研究内容 |
§1.3.2 本文结构安排 |
§1.4 本章小结 |
第二章 模拟电路故障诊断概述 |
§2.1 模拟电路故障诊断理论 |
§2.1.1 模拟电路故障诊断的提出 |
§2.1.2 模拟电路故障分类 |
§2.2 模拟电路故障诊断难点与诊断方法研究 |
§2.2.1 模拟电路故障诊断SBT与 SAT方法 |
§2.2.2 模拟电路故障诊断传统方法与人工智能方法 |
§2.3 模拟电路故障诊断中的特征提取 |
§2.3.1 主成分分析 |
§2.3.2 小波分析 |
§2.3.3 多分辨分析 |
§2.4 模拟电路故障诊断中的特征分类 |
§2.4.1 神经网络在模拟电路故障诊断中的分类 |
§2.4.2 支持向量机在模拟电路故障诊断中的分类 |
§2.5 矩阵模型方法的可行性分析与有效性研究 |
§2.6 本章小结 |
第三章 基于输出响应矩阵特性分析的模拟电路故障诊断 |
§3.1 矩阵特性分析的模拟电路故障诊断提出 |
§3.2 矩阵特性分析 |
§3.2.1 输出响应矩阵 |
§3.2.2 矩阵的谱半径 |
§3.2.3 矩阵的奇异值概念 |
§3.2.4 故障诊断步骤 |
§3.3 Sallen_Key电路故障诊断 |
§3.3.1 Sallen_Key电路故障诊断与分析 |
§3.3.2 试验数据 |
§3.4 电路故障诊断 |
§3.4.1 CTSV电路以及对数放大电路介绍 |
§3.4.2 数据及对比 |
§3.5 本章小结 |
第四章 基于优化矩阵随机森林算法的模拟电路故障诊断 |
§4.1 局部均值分解 |
§4.1.1 局部均值分解概况 |
§4.1.2 局部均值分解原理 |
§4.2 随机森林算法 |
§4.2.1 随机森林算法介绍 |
§4.2.2 随机森林算法原理 |
§4.2.3 随机森林算法特征提取 |
§4.2.4 随机森林算法特征分类 |
§4.3 Sallen_Key电路故障诊断与实例分析 |
§4.3.1 故障诊断流程图 |
§4.3.2 Sallen_Key电路故障诊断 |
§4.3.3 Sallen_Key电路故障及特征提取 |
§4.3.4 Sallen_Key电路故障分类及诊断结果 |
§4.4 CTSV电路故障诊断与实例分析 |
§4.4.1 CTSV电路多故障诊断 |
§4.4.2 CTSV电路仿真结果 |
§4.5 对数放大电路故障诊断与实例分析 |
§4.5.1 对数放大器电路多故障诊断 |
§4.5.2 对数放大器电路仿真结果 |
§4.6 结论 |
第五章 总结与展望 |
§5.1 本文工作总结 |
§5.2 创新内容 |
§5.3 研究展望 |
参考文献 |
致谢 |
作者在攻读硕士期间的主要研究成果 |
(5)基于智能优化算法的模拟电路多故障定位和参数识别(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 选题背景及研究意义 |
1.2 模拟电路故障定位和参数识别研究现状 |
1.3 论文结果与研究内容 |
第二章 故障定位的问题转化 |
2.1 复数域建模 |
2.2 建立圆模型 |
2.3 仿真实验验证 |
2.3.1 故障特征提取 |
2.3.2 完整复数域模型 |
2.3.3 容差问题 |
2.4 故障定位的问题转化 |
2.5 目标函数分析 |
2.6 遗传算法 |
2.6.1 个体编码和解码 |
2.6.2 种群初始化 |
2.6.3 选择 |
2.6.4 交叉 |
2.6.5 变异 |
2.7 本章小结 |
第三章 基于遗传算法的模拟电路多故障定位 |
3.1 单测点无法定位双故障 |
3.2 双故障的三维模型 |
3.3 设计的遗传算法 |
3.3.1 子集初始化 |
3.3.2 后代生成 |
3.3.3 计算适应度 |
3.3.4 最优个体保留 |
3.3.5 环境优选 |
3.4 仿真实例验证 |
3.4.1 初始化 |
3.4.2 多故障定位 |
3.4.3 统计实验 |
3.4.4 对比实验 |
3.5 非线性模拟电路多故障定位 |
3.6 本章小结 |
第四章 均匀间隔取值的遗传算法参数识别 |
4.1 参数识别问题描述 |
4.2 均匀间隔取值的参数识别遗传算法 |
4.2.1 定位结果分析 |
4.2.2 均匀间隔取值的种群初始化 |
4.2.3 交叉变异操作 |
4.2.4 优选 |
4.3 仿真实验验证 |
4.4 本章小结 |
第五章 动态种群的遗传算法参数识别 |
5.1 问题阐述 |
5.2 动态种群的参数识别遗传算法 |
5.2.1 淘汰适应度较差个体 |
5.2.2 重新定义种群 |
5.3 仿真实验与对比 |
5.3.1 仿真实验验证 |
5.3.2 对比分析 |
5.4 阈值改进 |
5.5 本章小结 |
第六章 基于双目标进化优化的参数识别 |
6.1 问题阐述和双目标进化优化 |
6.1.1 问题阐述 |
6.1.2 双目标进化优化 |
6.2 算法设计 |
6.2.1 种群分组 |
6.2.2 优选 |
6.3 仿真实验验证 |
6.4 对比分析 |
6.5 本章小结 |
第七章 总结与展望 |
7.1 本文总结 |
7.2 展望 |
致谢 |
参考文献 |
攻硕期间取得的研究成果 |
(6)基于冷启动SVDD技术的模拟电路模块级故障诊断方法研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 研究的背景和意义 |
1.2 模拟电路故障诊断的概念与过程 |
1.3 国内外研究现状分析 |
1.3.1 模拟电路特征提取的研究现状 |
1.3.2 故障检测与诊断方法的研究现状 |
1.3.3 不平衡数据挖掘方法研究现状 |
1.3.4 现状总结 |
1.4 本文主要研究内容和论文结构 |
第2章 基于相似性度量的特征提取算法的优选方法 |
2.1 引言 |
2.2 经典特征提取方法的原理 |
2.2.1 主成分分析原理 |
2.2.2 局部均值分解算法原理 |
2.2.3 小波包变换原理 |
2.2.4 总结与分析 |
2.3 基于响应相似性度量的特征提取算法优选方法 |
2.3.1 特征的相似性度量 |
2.3.2 高维空间映射与核函数 |
2.3.3 特征提取算法及参量的优选流程 |
2.4 仿真实验及验证 |
2.4.1 Four-opamp电路的仿真验证 |
2.4.2 Sallen-Key电路的仿真验证 |
2.4.3 仿真实验结果对比及分析 |
2.5 本章小结 |
第3章 基于冷启动SVDD的故障检测方法 |
3.1 引言 |
3.2 基于常规SVDD的模拟电路故障检测方法 |
3.2.1 SVDD的原理 |
3.2.2 基于SVDD的模拟电路故障检测流程 |
3.2.3 模型训练参数寻优方法 |
3.2.4 SVDD模型检测方法的总结与分析 |
3.3 基于冷启动SVDD模拟电路故障检测方法 |
3.3.1 粒子群优化算法原理 |
3.3.2 基于PSO的冷启动SVDD故障检测模型训练方法 |
3.4 仿真实验验证 |
3.4.1 Four-opamp电路故障检测模型训练与验证 |
3.4.2 Sallen-Key电路故障检测模型训练与验证 |
3.4.3 仿真实验结果对比及分析 |
3.5 本章小结 |
第4章 基于图论的系统级电路故障定位方法及应用 |
4.1 引言 |
4.2 系统级电路故障定位的基本思想 |
4.3 系统级电路的模块划分原则 |
4.4 基于图论的系统级电路故障定位方法 |
4.4.1 故障传播有向图模型 |
4.4.2 基于图论的故障定位算法 |
4.4.3 系统级电路故障定位方法的仿真验证 |
4.5 故障诊断方法的应用 |
4.6 本章小结 |
结论 |
参考文献 |
附录 |
致谢 |
(7)基于时频特征的模拟电路故障诊断方法研究(论文提纲范文)
致谢 |
摘要 |
abstract |
第一章 绪论 |
1.1 研究工作的背景与意义 |
1.2 模拟电路特性与故障分类 |
1.2.1 模拟电路自身特性 |
1.2.2 模拟电路故障分类 |
1.3 模拟电路故障诊断技术的研究现状 |
1.4 有待攻克的问题 |
1.5 本文的主要研究内容及结构安排 |
1.5.1 论文研究思路与主要内容 |
1.5.2 论文结构安排 |
第二章 信号预处理分析 |
2.1 引言 |
2.2 传统信号分析 |
2.2.1 时域分析法 |
2.2.2 频域分析法 |
2.3 时频分析方法 |
2.3.1 短时傅里叶变换 |
2.3.2 Wigner-Ville分布 |
2.4 小波分析 |
2.4.1 连续小波分析方法 |
2.4.2 离散小波分析方法 |
2.4.3 交叉小波分析方法 |
2.5 模拟电路信号时频分析 |
2.5.1 电路信号频域分析与小波分析 |
2.5.2 模拟电路信号交叉小波分析 |
2.6 模拟电路故障诊断与时频特征 |
2.7 本章总结 |
第三章 基于时频矩阵分解的特征提取方法研究 |
3.1 引言 |
3.2 基于奇异熵方法的故障特征提取方法 |
3.2.1 奇异值分解原理 |
3.2.2 信息熵理论 |
3.2.3 奇异熵提取过程 |
3.2.4 仿真分析 |
3.3 基于变分贝叶斯矩阵分解的特征提取方法 |
3.3.1 变分贝叶斯的矩阵分解算法 |
3.3.2 基于VBMF的统计特征分析 |
3.3.3 仿真分析 |
3.4 本章总结 |
第四章 基于时频图像的特征提取方法研究 |
4.1 引言 |
4.2 基于Krawtchouk矩的时频图像特征提取 |
4.2.1 图像矩的定义及其变换 |
4.2.2 几何矩定义及其性质 |
4.2.3 权重Krawtchouk矩 |
4.2.4 仿真分析 |
4.3 基于均值二值模式的时频图像特征提取 |
4.3.1 局部二值模式概述 |
4.3.2 局部方向模式 |
4.3.3 局部最优方向模式 |
4.3.4 仿真分析 |
4.4 本章总结 |
第五章 基于统计学习分类算法的故障诊断方法研究 |
5.1 引言 |
5.2 基于LDA方法的故障诊断 |
5.2.1 特征权重核线性判别分析 |
5.2.2 仿真分析 |
5.3 基于SVM方法的故障诊断 |
5.3.1 SVM的基本原理 |
5.3.2 花授粉算法 |
5.3.3 基于花授粉算法的参数优化过程 |
5.3.4 仿真分析 |
5.4 基于VVRKFA方法的故障诊断 |
5.4.1 VVRKFA的基本原理 |
5.4.2 量子粒子群算法 |
5.4.3 基于量子粒子群算法的参数优化过程 |
5.4.4 仿真分析 |
5.5 本章总结 |
第六章 基于深度学习的模拟电路故障诊断方法研究 |
6.1 引言 |
6.2 卷积神经网络 |
6.2.1 卷积层 |
6.2.2 池化层 |
6.2.3 全连接层 |
6.2.4 激活函数 |
6.2.5 代价函数 |
6.2.6 优化算法 |
6.3 深度卷积生成对抗网络 |
6.3.1 判别式与生成式模型 |
6.3.2 生成对抗网络 |
6.4 基于生成对抗网络的多分类器 |
6.4.1 sigmod与softmax函数 |
6.4.2 双分类器的生成对抗网路 |
6.4.3 双分类器的深度卷积生成对抗网络 |
6.5 交叉小波张量特征结合GANs的故障诊断 |
6.5.1 基于交叉小波张量特征预处理 |
6.5.2 故障诊断流程 |
6.5.3 仿真分析 |
6.6 本章总结 |
第七章 论文总结与展望 |
7.1 工作总结 |
7.2 研究展望 |
参考文献 |
攻读博士学位期间的学术活动及成果情况 |
(8)基于熵权与灰色关联融合分析的模拟电路故障诊断研究(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
1 引言 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.2.1 国外研究现状 |
1.2.2 国内研究现状 |
1.3 本文的主要研究内容 |
1.4 论文的结构 |
2 基于熵权与灰色关联融合的模拟电路故障诊断方法 |
2.1 引言 |
2.2 模拟电路故障诊断基础 |
2.2.1 故障类型的划分 |
2.2.2 故障诊断方法的分类 |
2.2.3 故障诊断的基本思想 |
2.3 灰色关联分析理论 |
2.3.1 灰色关联分析法概述 |
2.3.2 灰色关联分析模型 |
2.4 熵权法理论 |
2.4.1 熵权法概述 |
2.4.2 熵权决策模型 |
2.5 灰色关联法与熵权法的改进 |
2.5.1 灰色关联法中灰色分辨系数的改进 |
2.5.2 熵权法中指标权重的改进 |
2.6 熵权法与灰色关联法的融合分析 |
2.7 本章小结 |
3 基于FIEWIGR的模拟电路状态检测 |
3.1 引言 |
3.2 直流电路的状态检测 |
3.2.1 灰色关联系数的获取 |
3.2.2 灰色关联度的计算 |
3.2.3 实验结论验证 |
3.3 四阶有源低通滤波电路的状态检测 |
3.3.1 灰色关联系数的获取 |
3.3.2 灰色关联度的计算 |
3.3.3 实验结论验证 |
3.4 CTSV滤波电路的状态检测 |
3.4.1 灰色关联度的计算 |
3.4.2 实验结论验证 |
3.5 本章小结 |
4 基于FIEWIGR的电阻软故障诊断实验 |
4.1 引言 |
4.2 直流电路的电阻软故障诊断 |
4.2.1 FIEWIGR有效性验证 |
4.2.2 熵权优化效果对比 |
4.2.3 诊断效果对比 |
4.3 四运放滤波电路的电阻软故障诊断 |
4.3.1 FIEWIGR算法有效性验证 |
4.3.2 熵权优化效果对比 |
4.3.3 诊断效果对比 |
4.4 CTSV滤波电路的电阻软故障诊断 |
4.4.1 FIEWIGR有效性验证 |
4.4.2 熵权优化效果对比 |
4.4.3 诊断效果对比 |
4.5 本章小结 |
5 总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
作者简历及攻读硕士学位期间取得的研究成果 |
学位论文数据集 |
(9)基于最优测点的模拟电路故障诊断(论文提纲范文)
中文摘要 |
英文摘要 |
1 绪论 |
1.1 课题研究背景与意义 |
1.2 模拟电路故障诊断研究现状 |
1.2.1 国外研究现状 |
1.2.2 国内研究现状 |
1.3 模拟电路故障特点及分类 |
1.3.1 模拟电路故障特点 |
1.3.2 模拟电路故障分类 |
1.4 主要研究内容及结构安排 |
2 模拟电路最优测点选取和监测信号获取方法研究 |
2.1 引言 |
2.2 模拟电路最优测点选取多尺度分析 |
2.2.1 基于测点的故障敏感度因子分析 |
2.2.2 基于测点的故障隔离组/度分析 |
2.2.3 基于测点故障敏感度因子和故障隔离组/度的选择算法 |
2.3 模拟电路故障监测信号获取 |
2.3.1 故障监测信号参数选择 |
2.3.2 故障监测信号信息融合 |
2.3.3 最优测点处采集数据的特点 |
2.4 实例仿真 |
2.5 本章小结 |
3 模拟电路故障模式诊断方法研究 |
3.1 引言 |
3.2 基于模拟电路故障诊断的深度神经网络模型 |
3.2.1 基于模拟电路故障诊断的神经网络模型结构选择 |
3.2.2 深度神经网络层参数设置 |
3.2.3 Soft-max层参数设置 |
3.3 基于自动编码器的模拟电路故障信号重构方法研究 |
3.3.1 基于AE的模拟电路故障信息重构 |
3.3.2 基于SAE的模拟电路故障信息重构 |
3.3.3 基于DAE的模拟电路故障信息重构 |
3.4 基于SDAE神经网络的模拟电路故障模式诊断方法研究 |
3.4.1 SDAE神经网络结构 |
3.4.2 SDAE神经网络的训练及参数微调 |
3.4.3 基于SDAE神经网络的故障模式诊断验证 |
3.5 本章小结 |
4 模拟电路故障诊断仿真验证 |
4.1 引言 |
4.2 仿真用模拟电路介绍 |
4.3 基于故障敏感因子和测点故障隔离组/度的最优测点选取 |
4.4 基于信号信息融合的电路原始信号采集 |
4.5 基于SDAE神经网络的模拟电路故障模式诊断 |
4.6 本章小结 |
5 总结与展望 |
5.1 本文总结 |
5.2 工作展望 |
参考文献 |
附录 |
A.攻读硕士学位期间发表的学术论文 |
B.攻读硕士学位期间申请的发明专利 |
C.学位论文数据集 |
致谢 |
(10)基于SVDD和D-S证据理论的模拟电路模块故障诊断方法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究的背景和意义 |
1.2 模拟电路故障诊断的概念及过程 |
1.3 国内外研究现状分析 |
1.3.1 故障特征提取研究现状 |
1.3.2 故障诊断研究现状 |
1.3.3 单类学习方法研究现状 |
1.3.4 现状总结 |
1.4 本文主要研究内容及论文结构 |
第2章 单分类法实现模拟电路模块故障诊断的基础 |
2.1 引言 |
2.2 电路模块划分原则 |
2.2.1 电路模块划分的提出 |
2.2.2 电路模块划分的原则 |
2.3 模拟电路模块故障诊断的可行性研究 |
2.3.1 实验对象的选取 |
2.3.2 电路扫频分析 |
2.3.3 相似度度量分析 |
2.4 本章小结 |
第3章 故障特征提取方法研究 |
3.1 引言 |
3.2 特征提取方法的原理 |
3.2.1 主成分分析原理 |
3.2.2 小波变换原理 |
3.3 基于SVDD的模拟电路模块故障检测方法 |
3.3.1 SVDD的原理 |
3.3.2 基于SVDD线性核的模块故障检测流程 |
3.4 仿真实验及验证 |
3.4.1 基于PCA-SVDD线性核的检测方法仿真验证 |
3.4.1.1 从时域角度进行仿真验证 |
3.4.1.2 从频域角度进行仿真验证 |
3.4.2 基于WT-SVDD线性核的检测方法仿真验证 |
3.4.2.1 从时域角度进行仿真验证 |
3.4.2.2 从频域角度进行仿真验证 |
3.4.3 仿真实验结果对比及分析 |
3.5 本章小结 |
第4章 SVDD模块故障检测模型改进 |
4.1 引言 |
4.2 支持向量描述中的核函数研究 |
4.2.1 核函数及其基本性质 |
4.2.2 高斯核函数 |
4.2.3 多项式核函数 |
4.3 检测流程及参数寻优方法 |
4.3.1 基于SVDD高斯核和多项式核的模块故障检测流程 |
4.3.2 参数寻优方法 |
4.4 仿真实验及验证 |
4.4.1 基于PCA-SVDD高斯核的检测方法仿真验证 |
4.4.1.1 从时域角度进行仿真验证 |
4.4.1.2 从频域角度进行仿真验证 |
4.4.2 基于PCA-SVDD多项式核的检测方法仿真验证 |
4.4.2.1 从时域角度进行仿真验证 |
4.4.2.2 从频域角度进行仿真验证 |
4.4.3 仿真实验结果对比及分析 |
4.4.4 特征提取方式分析 |
4.5 本章小结 |
第5章 基于D-S证据融合的模拟电路模块故障诊断 |
5.1 引言 |
5.2 基于D-S证据融合的模块故障诊断方法 |
5.2.1 逻辑判别方式 |
5.2.2 D-S证据理论 |
5.2.3 基于D-S证据融合模块故障诊断的流程 |
5.3 仿真实验及验证 |
5.3.1 基于D-S证据理论的模块故障诊断方法仿真验证 |
5.3.2 实验结果及分析 |
5.4 硬件实验及验证 |
5.4.1 硬件平台搭建 |
5.4.2 实验结果及分析 |
5.5 本章小结 |
结论 |
参考文献 |
致谢 |
四、一种模拟电路故障定位的新方法(论文参考文献)
- [1]智能信息融合视域下的模拟电路故障定位方法研究[J]. 秦庆. 新型工业化, 2021(09)
- [2]基于输出响应矩阵特性分析的模拟电路故障诊断[J]. 谈恩民,阮济民,黄顺梅. 中国测试, 2022(01)
- [3]基于输出响应矩阵特性分析的模拟电路故障诊断[J]. 谈恩民,阮济民,黄顺梅. 中国测试, 2022(01)
- [4]矩阵模型优化的模拟电路故障诊断方法研究[D]. 阮济民. 桂林电子科技大学, 2021(02)
- [5]基于智能优化算法的模拟电路多故障定位和参数识别[D]. 陈钇任. 电子科技大学, 2021(01)
- [6]基于冷启动SVDD技术的模拟电路模块级故障诊断方法研究[D]. 贾绍华. 哈尔滨工业大学, 2020(01)
- [7]基于时频特征的模拟电路故障诊断方法研究[D]. 何威. 合肥工业大学, 2019
- [8]基于熵权与灰色关联融合分析的模拟电路故障诊断研究[D]. 张艳艳. 北京交通大学, 2019(01)
- [9]基于最优测点的模拟电路故障诊断[D]. 贺孝言. 重庆大学, 2019(01)
- [10]基于SVDD和D-S证据理论的模拟电路模块故障诊断方法研究[D]. 李志盛. 哈尔滨工业大学, 2018(01)