基于優(yōu)化機器學習算法的模擬電路故障診斷研究.pdf

1、模擬電路故障診斷理論和方法的研究是目前研究的熱門課題?，F(xiàn)代電子技術正在日新月異的高速發(fā)展，電路規(guī)模和結構日趨模塊化和功能化，給模擬電路故障診斷提出了新的更具挑戰(zhàn)性的要求。從本質(zhì)上來看，模擬電路的故障診斷問題，屬于一種模式識別問題。當前，模擬電路故障診斷研究中的兩大問題是如何提取信號特征和如何建立診斷機的問題。小波理論的出現(xiàn)和發(fā)展，機器學習算法的日益成熟，使得利用小波對故障信號進行預處理，再利用機器學習算法來進行故障診斷成為有效和值得研究

2、的解決方法，為模擬電路的故障診斷提供了新的有效途徑。神經(jīng)網(wǎng)絡和支持向量機均為機器學習領域非常流行的方法。神經(jīng)網(wǎng)絡的優(yōu)化原理是基于經(jīng)驗風險最小化，缺點是易陷入局部最優(yōu)，但在處理大樣本情況時性能很好;而支持向量機有嚴格的理論和數(shù)學基礎，基于結構風險最小化原則，泛化能力優(yōu)于前者，且算法具有全局最優(yōu)性，但目前主要是一種針對小樣本統(tǒng)計的理論算法。因此本文在對遺傳免疫算法、蟻群算法、小波分析、神經(jīng)網(wǎng)絡和支持向量機進行研究的基礎上，深入探討了模擬電路

3、故障診斷神經(jīng)網(wǎng)絡方法和向量機方法存在的問題，提出一些新的融合算法用于對故障診斷分類器進行優(yōu)化。而利用小波分析作為神經(jīng)網(wǎng)絡的預處理手段，進行信號的前置處理也是目前研究的熱點，可以更好的提取故障信號的特征向量。適用合適的特征向量輸入分類器進行故障診斷，可以提高診斷速度并得到更高的診斷正確率。基于此，本文也提出一種新的故障特征小波提取方法，并在實例中將得到的故障特征值輸入神經(jīng)網(wǎng)絡完成故障診斷。本文最后還介紹了基于模擬電路故障診斷神經(jīng)網(wǎng)絡理論而

4、研發(fā)的自動測試與診斷系統(tǒng)裝備的相關技術方案，完成了模擬電路故障診斷神經(jīng)網(wǎng)絡方法從理論到實踐的完整過程。本文的主要內(nèi)容和創(chuàng)新點主要體現(xiàn)在以下幾個方面:
　　對模擬電路故障診斷的神經(jīng)網(wǎng)絡方法進行了研究。在分析和闡述了神經(jīng)網(wǎng)絡各種學習規(guī)則及用算法原理的基礎上，著重介紹了BP網(wǎng)絡和RBF網(wǎng)絡，以及使用神經(jīng)網(wǎng)絡進行模擬電路故障診斷的方法，并詳細分析和比較了兩者各自的優(yōu)缺點和適用的場合。
　　對小波神經(jīng)網(wǎng)絡的模擬電路故障診斷方法進行了研

5、究，并提出新的故障特征提取方法。小波的突出優(yōu)點，是有良好的時頻局部性，因此，可將小波作為故障診斷信號的預處理器，先利用小波變換來對電路測試節(jié)點的電壓信號進行消噪和分解。本文針對分解后的小波系數(shù)，提出一種提取故障特征的方法，即小波系數(shù)各分量均方根法。具體操作方法是對消噪和分解后的信號進行小波變換，分別計算其小波系數(shù)各分量的均方根，然后再進行主元分析與歸一化處理，將得到的數(shù)據(jù)作為故障特征，對神經(jīng)網(wǎng)絡進行訓練，再用訓練后的神經(jīng)網(wǎng)絡來進行故障分

6、類，完成故障診斷過程。本文通過診斷實例對此方法進行了詳細闡述，并通過診斷結果驗證了方法的有效性和實用性。
　　3.提出一種新的模擬電路故障診斷的優(yōu)化神經(jīng)網(wǎng)絡方法。本文針對RBF網(wǎng)絡核函數(shù)參數(shù)難以選擇的缺點，提出一種新的優(yōu)化算法——免疫蟻群算法，并將其用于RBF網(wǎng)絡參數(shù)的尋優(yōu)過程。接下來將通過優(yōu)化得到的RBF網(wǎng)絡用于模擬電路故障診斷，通過實例給出詳細的訓練算法。該方法在對免疫算法、蟻群算法進行深入研究的基礎上，提出使用注入免疫因子的

7、蟻群來實現(xiàn)對RBF網(wǎng)絡核函數(shù)參數(shù)的尋優(yōu)，新算法引入免疫算法的“抗體濃度”概念，使算法既具有全局搜索的能力，又提高了收斂性能，在充分搜索尋優(yōu)空間的同時，提高算法的運行時間。本文對免疫蟻群算法和傳統(tǒng)算法進行了比較，并通過診斷實例將免疫蟻群算法用于優(yōu)化RBF神經(jīng)網(wǎng)絡。實例證明，同遺傳神經(jīng)網(wǎng)絡進行比較，這種新的免疫蟻群RBF網(wǎng)絡有較少的計算工作量，可以在更快的收斂速度下得到更高的診斷正確率。
　　4.研究了支持向量機(SupportVec

8、torMachine，SVM)用做分類器的一般方法和過程，并提出了一種基于改進蟻群算法對向量機核函數(shù)進行優(yōu)化的算法。支持向量機有扎實的理論基礎，和傳統(tǒng)的神經(jīng)網(wǎng)絡相比，算法的效率和精度都比較高。但SVM目前在處理海量數(shù)據(jù)和多分類問題時還存在一些困難，尤其是目前尚無成熟完善的理論來指導選擇對分類器性能起關鍵作用的參數(shù)?；诖?，本章提出了利用改進蟻群算法進行SVM核函數(shù)參數(shù)的尋優(yōu)，利用蟻群算法的良好優(yōu)化性能，減少SVM的訓練量，再用SVM形成

9、故障分類器，達到對故障進行快速診斷的目的。本章最后給出了將優(yōu)化后的SVM應用于模擬電路故障診斷的仿真實例，并與使用傳統(tǒng)雙線性搜索法得到參數(shù)的SVM故障診斷進行了比較，證明了此方法的有效性、合理性和性能優(yōu)勢。
　　5、描述基于DSP控制的自動測試與診斷系統(tǒng)(AutomaticTestandDiagnosisSystem，ATS)的技術方案。在模擬電路故障診斷理論與方法的指導下，本文介紹了系統(tǒng)的測試原理，硬件結構和軟件實現(xiàn)，給出了基于