一种新的模拟电路故障诊断方法研究

针对传统模拟电路检测方法难以发现器件缺陷的问题,提出了一种基于小波分析与人工神经网络的故障检测方法,选取典型滤波器电路。使用MATLAB进行仿真。仿真结果表明,此方法能够有效地识别故障器件,且诊断率高。     

一种新的模拟电路K故障诊断方法

论证了在线性网络Ｎ中包含有：ｔ－ｌ条树支支路的ｔ条支路有故障时．利用多激励 Ｉｍｍ必可得到包含有 ｔ－ｌ个独立向量的测试向量组△Ｖｍｍ提出利用这组秩为ｔ－ｌ的测试向量组△Ｖｍｍ快速定位故障元件的方法，使求秩运算由Ｃｎｋ（Ｃｂｋ或Ｃｂ１）次减少到１次。这种快速故障定位方法不仅适用于Ｋ支路故障诊断，也适用于Ｋ节点故障诊断。     

模拟电路故障诊断方法浅析

叙述了模拟电路故障的特点及模拟电路故障诊断的传统方法和发展现状,着重分析了新近发展起来的人工智能、神经网络和小波分析在模拟电路故障诊断中的应用及前景.     

模拟电路故障诊断方法的发展

本文介绍了模拟电路故障诊断的发展现状,以及应用神经网络等技术发展起来的模拟电路故障诊断的新理论和新方法;重点介绍了上述各种方法的基本原理、优缺点及其发展现状;指出了模拟电路故障诊断技术的发展趋势。     

模拟电路故障诊断方法解析

阐述了模拟电路故障诊断的必要性和意义,分析了模拟电路故障诊断的研究现状.针对模拟电路故障诊断过程,对模拟电路故障诊断算法包括常规的方法和智能方法进行了简要阐述,指出各自的特点,并指出了该领域的研究热点和发展方向.     

一种模拟电路故障诊断法

本文以ＣＣＭ方程为基础,提出了模拟电路故障诊断的一种算法,通过矩阵求秩来定位故障元件,适于线性有源网络。最后举例说明了算法的有效性。     

浅谈模拟电路故障诊断的小波方法

从20世纪开始,模拟电路故障诊断的方法已经有许多种。尽管对这些理论及方法都有不少的成就,但是因为模拟电路的输出与输入响应都以连续量出现,元器件因此也存在离散性。模拟电路故障诊断自身所出现的问题加上模拟电路中出现的非线性原因等,都为故障诊断带来了阻碍,使其进展缓慢。微电子技术的不断发展,迫切加快模拟电路故障诊断方法的研究。在传统方法上,将小波与神经网络相结合,利用小波神经网络法对信号消噪以后,在进行小波变换,取出故障特征向量。本文首先提出模拟电路故障诊断的小波方法,然后采用小波的新方法对故障进行诊断,最后通过实验证明此方法的可行性。     

基于同步优化的支持向量机模拟电路故障诊断方法研究

支持向量机模拟电路故障诊断涉及到特征提取、特征选择和支持向量机的参数优化等问题,它们都对诊断结果有直接的影响.针对这一问题,提出了一种基于改进的离散粒子群算法的同步优化方法.该算法采用非线性惯性权重和遗传操作相结合的方法,提高了粒子群前期迭代的探索能力和后期迭代的开发能力,同时降低了粒子群陷入局部最优的风险.通过模拟电路的仿真实验,验证了同步优化方法和改进的离散粒子群算法的有效性.     

基于神经网络的模拟电路故障诊断方法浅析

自20世纪60年代以来,模拟电路故障诊断一直是研究的热点之一。随着集成电路的快速发展,为了提高产品性能、降低芯片面积和费用,需将数字和模拟元件集成在同一块芯片上。虽然模拟部分仅占芯片面积的5%,但其故障诊断成本却占总诊断成本的95%。模拟电路故障诊断一直是集成电路工业中的一个"瓶颈"问题。基于此,本文笔者介绍了模拟电路故障诊断的方法、种类等,并重点介绍了讨论神经网络的模拟电路故障诊断实现的各个步骤。     

基于GFRFs的模拟电路故障诊断方法

探讨了基于非线性系统的广义频率响应方程GFRFs模拟电路的故障诊断方法。利用三阶GFRFs简化辨识算法分别对中放检波电路中的各级子电路进行GFRFs模型辨识。分析其各阶Volterra核所具有的特点。提出了基于GFRFs的故障特征GF。分析了故障状态与正常状态下其特征的异同。将基于GFRFs的系统辨识方法应用于非线性模拟电路的故障诊断,验证了它在模拟电路故障诊断中的可行性。     

Hierarchical Neural Networks Method for Fault Diagnosis of Large-Scale Analog Circuits

A novel hierarchical neural networks (HNNs) method for fault diagnosis of large-scale circuits is proposed. The presented techniques using neural networks(NNs) approaches require a large amount of computation for simulating various faulty component possibilities. For large scale circuits, the number of possible faults, and hence the simulations, grow rapidly and become tedious and sometimes even impractical. Some NNs are distributed to the torn sub-blocks according to the proposed torn principles of large scale circuits. And the NNs are trained in batches by different patterns in the light of the presented rules of various patterns when the DC, AC and transient responses of the circuit are available. The method is characterized by decreasing the over-lapped feasible domains of responses of circuits with tolerance and leads to better performance and higher correct classification. The methodology is illustrated by means of diagnosis examples.     

Soft Fault Diagnosis for Analog Circuits Based on Slope Fault Feature and BP Neural Networks

Fault diagnosis is very important for development and maintenance of safe and reliable electronic circuits and systems. This paper describes an approach of soft fault diagnosis for analog circuits based on slope fault feature and back propagation neural networks (BPNN). The reported approach uses the voltage relation function between two nodes as fault features; and for linear analog circuits, the voltage relation function is a linear function, thus the slope is invariant as fault feature. Therefore, a unified fault feature for both hard fault (open or short fault) and soft fault (parametric fault) is extracted. Unlike other NN-based diagnosis methods which utilize node voltages or frequency response as fault features, the reported BPNN is trained by the extracted feature vectors, the slope features are calculated by just simulating once for each component, and the trained BPNN can achieve all the soft faults diagnosis of the component. Experiments show that our approach is promising.     

基于柔性免疫神经树的模拟电路故障诊断方法

模拟电路的非线性特性、连续性和元器件的容差等因素给故障的建模分析造成了诸多不确定因素,因此其智能故障诊断方法的研究至关重要。柔性神经树是一种采用树形结构和一组运算符集合构成的新型神经网络,与传统神经网络相比具有更加灵活的自动优化能力。本文将人工免疫机理融入柔性神经树,提出了一种基于柔性免疫神经树的模拟电路故障诊断方法。通过对一种典型模拟电路的故障诊断仿真试验,证明了该方法的有效性和可行性。     

模拟电路故障诊断神经网络方法

提出了一种新的模拟电路故障诊断近似估计方法以及求解此问题的神经网络。其显著特点是只需一次优化过程即能估计出最可能故障元件，计算量小。计算机模拟和实例表明该方法是可行的。     

模拟线性电路中故障元件存在范围的确定

为了简化模拟线性电路故障诊断定位阶段的工作量，提出了1种确定故障元件存在范围的方法.即在十分现实的K故障假设下，确定能代表电路所有元件并给出在K故障假设下的故障诊断方程的唯一解的1组元件--最优可测试元件组，使故障定位工作只局限于该组元件，而不必对电路所有元件进行.该方法构成了故障定位的第一步，且与故障定位方法无关.方法基于电路的可测试值计算和规范式不确定性组的确定，它在可测试性与不确定性组概念中具有严格的理论基础，其可测试性计算可直接从参数类型故障诊断技术中推得.     

数字电路故障模块诊断的神经网络方法研究

对数字电路系统的测试，提出一种基于神经网络的电路故障模块诊断方法，对方法的诊断系统模型、故障特征的获取、网络结构的确定与调整、诊断的流程等进行了详细论述。由于传统的电路故障诊断方法是通过对故障字典的搜索来确定发生的故障，这对庞大的故障字典来说既复杂又费时，因此文中的方法可显著提高传统故障字典法的效率。     

模拟电路故障定数的理论和方法

本文研究模拟电路的故障定数问题，这是作者提出的一个新概念，在最近２０年的故障诊断研究中，涉及到故障定位和故障定值，本文首先指出，故障定数、故障定痊和故障定值三者乃是整个故障诊断的三个主题，并给出了模拟电路故障定数的理论和方法。     

基于SVM多类分类算法的模拟电路软故障诊断

给出了基于支持向量机(SVM)1-v-1和决策导向无环图(decision directed acyclic graph,DDAG)多类分类算法的模拟电路软故障诊断新方法.DDAG是在1-v-1算法基础上构建的新的学习架构,在对多个SVM子分类器进行组合的过程中,引入了图论中有向无环图的思想.比较了采用不同核函数时支持向量机的分类结果.实验结果表明采用DDAG支持向量机(DAGSVM))多类分类算法时,诊断准确率为99%.因此,DAGSVM算法具有较高的诊断准确率.     

模拟网络在线分块诊断新方法

提出了一种多端口网络的分块诊断新方法,这种方法是先将网络分成子网络,而后再诊断有故障的子网络此方法简便,不需复杂的运算,是一种较为适用的诊断方法．     

基于故障区分度DAGSVM的模拟电路故障诊断

为了提高模拟电路故障诊断的精度,针对现有DAG-SVM用于解决多类分类问题固有的不稳定性结构以及"误差累积"的特点,提出了一种基于故障区分度构建DAG-SVM的新方法。根据从不同测试点获取的故障数据信息,定义故障区分度,并以此为依据优化DAG-SVM的拓扑结构,从而消除DAG-SVM结构固有的不稳定性,获得稳定而较高的诊断精度。实验结果表明,与现有的"1vs 1"SVM、DAG-SVM及其改进方法相比,该方法在诊断精度上有明显提高,对于模拟电路的故障诊断具有很好的借鉴意义。