基于流形特征提取與優(yōu)化的電子電路故障診斷.pdf

1、隨著電子設備中集成電路規(guī)模和復雜度的不斷提升，系統(tǒng)功能不斷完善，同時也帶來了電路可測節(jié)點少、故障潛在信息難以獲取、故障診斷準確率低等問題，對電子電路故障診斷技術的可靠性研究提出更高的要求。研究電路的故障診斷技術關鍵在于實現(xiàn)有效的故障特征提取和精準的故障模式識別，本文從這兩個核心方面開展電路故障診斷技術的研究，分別提出了融合LLE和MDS算法的故障特征提取技術以及基于DCQGA的優(yōu)化SVM分類器模型，并通過電路診斷實例對該方法進行了仿真驗

2、證。本文主要研究內容如下:
　　首先，研究典型電子電路的建模原理及故障特性。通過對電子電路的軟故障和硬故障的特性進行分析，構建電路故障模型，以故障電路可及節(jié)點的輸出響應作為電路的原始多維故障特征數(shù)據(jù)。
　　其次，提出融合線性和非線性流形學習算法的特征提取技術，即基于LLE和MDS算法的故障特征提取。該融合算法可以最大限度挖掘故障數(shù)據(jù)中潛在的低維流形結構，并保持數(shù)據(jù)的距離相似性不變，達到提取與優(yōu)化故障特征的目的。利用該算法對電

3、路的多維故障特征數(shù)據(jù)進行降維，結果表明降維后的故障特征分布區(qū)分性較明顯。
　　最后，建立一種用于電子電路故障診斷的優(yōu)化分類器模型，即基于雙鏈量子遺傳算法的支持向量機分類器模型。DCQGA-SVM分類器具有雙鏈尋優(yōu)特征，可以加速尋優(yōu)過程，增加獲得全局最優(yōu)參數(shù)的概率。通過UCI公共數(shù)據(jù)庫中的兩個經典分類數(shù)據(jù)集對分類器的可行性進行了測試，最后以電子電路故障診斷實例對優(yōu)化改進分類器的收斂性能和故障診斷性能進行了驗證。實驗結果不僅驗證了DC