基于時(shí)頻分析和復(fù)數(shù)域的模擬電路故障診斷研究.pdf

1、面對(duì)電路的高速集成和規(guī)?；藗兤惹械男枰芯扛酉冗M(jìn)的、高效的、智能的模擬電路故障診斷理論和技術(shù)，以此滿足現(xiàn)代電子工業(yè)領(lǐng)域?qū)﹄娮酉到y(tǒng)安全性、可靠性及可測(cè)試性的高要求。其中，如何提取出故障的可辯特征以避免因故障之間的混疊造成故障的不可分已成為模擬電路故障診斷的研究焦點(diǎn)。時(shí)頻分析方法能在時(shí)間和頻率上同時(shí)提供信號(hào)的分布信息，能清晰的刻度任意時(shí)刻的信號(hào)頻率和幅值。復(fù)數(shù)域分析通過把時(shí)域信號(hào)變換到復(fù)數(shù)域，用實(shí)部和虛部來聯(lián)合刻畫信號(hào)在復(fù)平面的分布狀

2、況。這兩種方法都能很好的為故障診斷提供更多可辨的細(xì)節(jié)特征。本文圍繞時(shí)頻分析技術(shù)和復(fù)數(shù)域分析進(jìn)行深入研究了模擬電路的參數(shù)故障診斷并提出了新的診斷方法。另外本文也對(duì)電子系統(tǒng)測(cè)試性驗(yàn)證做了一定的深入研究。本文取得的成果如下：
　?。?）提出了基于集合經(jīng)驗(yàn)?zāi)B(tài)分解和極限學(xué)習(xí)機(jī)(EEMD-ELM)的模擬電路故障診斷方法。通過研究希爾伯特-黃變換以及其經(jīng)驗(yàn)?zāi)B(tài)分解變換的原理，將EEMD變換引入到模擬電路故障診斷中。由此提出了一種EEMD聯(lián)合相

3、對(duì)熵和峭度構(gòu)建模擬電路故障特征向量，通過ELM進(jìn)行單、多參數(shù)故障診斷的方法。首先通過分別采集電路正常狀態(tài)和故障狀態(tài)響應(yīng)輸出信號(hào)，然后使用EEMD把響應(yīng)輸出各自分解成一組本征模態(tài)函數(shù)(IMF)，計(jì)算出所有電路狀態(tài)IMF的峭度及電路正常狀態(tài)IMF和故障狀態(tài)IMF之間的相對(duì)熵，構(gòu)建成故障特征向量以此作為ELM的輸入樣本進(jìn)行故障的診斷。仿真結(jié)果表明該基于EEMD分解所建立的故障特征在ELM分類器中具有很低的計(jì)算代價(jià)和較高的診斷率。
　?。?/p>

4、2）對(duì)局部均值分解(LMD)的模擬電路故障特征向量?jī)?yōu)化進(jìn)行了研究，提出了新的基于聚類方式的優(yōu)化策略。本文深入的研究了LMD的原理及分解過程。并采用LMD技術(shù)把被測(cè)電路的響應(yīng)輸出信號(hào)分解成一系列的乘積函數(shù)(PF)信號(hào)；以各PF信號(hào)的能量熵、標(biāo)準(zhǔn)差和峭度等參數(shù)構(gòu)造特征向量，這種特征向量的維度會(huì)隨著信號(hào)分解的PF個(gè)數(shù)的增加而增加。因此本文提出一種新的特征優(yōu)化策略對(duì)其進(jìn)行降維，首先以每種故障模式的各特征項(xiàng)的聚類中心和半徑為依據(jù)，通過優(yōu)化策略從這

5、些特征項(xiàng)中選出最優(yōu)特征項(xiàng)，組成新的特征向量，以此作為L(zhǎng)VQ神經(jīng)網(wǎng)絡(luò)的輸入。仿真實(shí)驗(yàn)證明該策略能使故障特征向量維數(shù)和分類器計(jì)算量有效的降低，同時(shí)也能有效進(jìn)行故障診斷。
　?。?）提出了基于最小二乘圓擬合算法的復(fù)數(shù)域故障建模及故障診斷方法。實(shí)際模擬電路的故障響應(yīng)是連續(xù)無窮的，但是在傳統(tǒng)的故障診斷模型字典法中所存儲(chǔ)的故障特征值是離散的，這必然造成字典中故障類型的不完備。為了提高字典的完備性和解決元件容差影響，通過深入研究斜率故障模型和復(fù)

6、數(shù)域故障模型，并在模擬電路復(fù)數(shù)域故障建模理論基礎(chǔ)上提出使用最小二乘圓擬合算法擬合出故障特征函數(shù)作為故障特征，并針對(duì)該模型提出了相應(yīng)的故障診斷方法，仿真實(shí)驗(yàn)和實(shí)際電路實(shí)驗(yàn)都驗(yàn)證了該方法能很好的實(shí)現(xiàn)故障診斷。
　?。?）基于蟻群算法的故障樣本選擇。在傳統(tǒng)的測(cè)試驗(yàn)證實(shí)驗(yàn)中，基于故障率的隨機(jī)測(cè)試樣本選擇方法往往忽略了具有較小故障率的傳播故障的選擇，但是傳播故障一旦發(fā)生可能引起很嚴(yán)重的擴(kuò)散故障。為解決這個(gè)問題，提高對(duì)傳播故障的選擇，本文利用