（电工理论与新技术专业论文）基于遗传算法、小波与神经网络的模拟电路故障诊断方法.pdfVIP

基于遗传算法、小波与神经网络的模拟电路故障诊断方法( 4 ) 对遗传小波神经网络的模拟电路故障诊断方法进行了研究。基于传统神经网络的模拟电路故障诊断方法普遍存在网络收敛慢、易限于局部最优等缺陷。本文提出了一种遗传小波神经网络对模拟电路故障诊断的新方法。与传统的普通神经网络相比较，这种方法给出的遗传小波神经网络的学习既包括网络权值的修正，也包括神经网络其它一些参数的调整。这种方法对模拟电路的故障诊断的准确率有了进一步的提高，而且诊断时间也进一步缩短。实例测试证明这种方法是有效的。( 5 ) 对混合信号电路与机电系统测试仪进行了研发。研究了混合信号电路与系统测试仪的测试原理，硬件结构，软件实现，并介绍了混合信号电路与系统测试仪中d s p 和p c 机的通信设计。关键词：故障诊断；神经网络；信息融合；小波变换；遗传算法；模拟电路i i博十学位论文a b s t r a c ta sm o d e r ne l e c t r o n i ct e c h n o l o g yd e v e l o p sv e r yr a p i d l y ，t h er e s e a r c ho nt h ef a u l td i a g n o s i st h e o r i e sa n dm e t h o d sf o ra n a l o gc i r c u i t sa r eb e c o m i n gv e r yp o p u l a ra n da l s oc h a l l e n g i n g t h ea p p l i c a t i o n so fl a r g e - s c a l ei n t e g r a t e dc i r c u i t sa l l o wt h es c a l ea n dt h es t r u c t u r eo fan e t w o r kt ob em o r ea n dm o r ef u n c t i o n a la n dm o d u l a r i z e dw i t ht h ed e v e l o p m e n to fm o d e r ne l e c t r o n i ci n d u s t r y s oi ti sa nu r g e n ts r b je c ti np r a c t i c a lp r o je c tt os t u d yh o wt oi d e n t i f yt h ef a u l ts u b c i r c u i t sa n dt h ef a u l te l e m e n t sc o r r e c t l yf r o ml a r g e - s c a l ec i r c u i t sw i t ht o l e r a n c eb yu s i n gm o d e r nd i a g n o s i st e c h n i q u e ，a n di ti sa l s oak e ys t e pf o rp r a c t i c a la p p l i c a t i o no fa n a l o gn e t w o r k sf a u l td i a g n o s i st h e o r y a sa p p e a r a n c ea n dr a p i dd e v e l o p m e n to fw a v e l e tt h e o r y ，w h i l ei n c r e a s i n g l ym a t u r a t i o no fn e u r a ln e t w o r k st h e o r ya n di t sa p p l i c a t i o n ，i th a sb e e nb e c o m i n gah o ts t u d i e dp r o j e c tt oa p p l yw a v e l e ta n a l y s i sw i t hn e u r a ln e t w o r k st ol o c a t ef a u l t s t h ew a v e l e ta n a l y s i si su s e dt oa n a l y z ea n dp r o c e s sf a u l ts i g n a l sa tf i r s t ，t h e nn e u r a ln e t w o r k si su s e dt oc l a s s i f ya n dl o c a t ef a u l t s m a n yr e s u l t so fr e s e a r c hs h o wt h a tt h e yp r o v i d e san e ww a yf o rf a u l td i a g n o s i so fa n a l o gc i r c u i t s t h en e wm e t h o d sf o rf a u l td i a g n o s i so fa n a l o gc i r c u i t sb a s e do nt h et h e o r i e so fg e n e t i ca l g o r i t h m ( g a ) ，w a v e l e ta n a l y s i sa n dn e u r a ln e t w o r k ( n n ) i si n - d e p t hs t u d i e d t h ea u t h o r sr e s e a r c hr e s u l t sh a sb e e ni n t r o d u c e d ，w h i c hm i x e d s i g n a lc i r c u i t sa n de l e c t r o -m e c h a n i c a ls y s t e m st e s t i n gb a s e do nt h ed s p ，n na n de x p e r ts y s t e m t h em a i nw o r k si nt h ed i s s e r t a t i o na r ea sf o l l o w s ：( 1 ) t h er e s e a r c ho nt h en e u r a ln e t w o r kb a s e dm e t h o do ff a u l td i a g n o s i sf o ra n a l o gc i r c u i t sh a sb e e nd o n e f i r s t l y ，t h es t r u c t u r ea n dp r i n c i p l eo fa n a l o gc i r c u i t sf a u l td i a g n o s i ss y s t e mb a s e do nt h en ni sa n a l y z e di nd e t a i l ，t h er e s e a r c ho nt h ea p p l i c a t i o no ft h eb pn e u r a ln e t w o r k ( b p n n ) i nf a u l td i a g n o s i si sa l s om a d e t h e nd u et ot h ef a c t t h a tt h eb p n nu s u a l l yc o n v e r g e st ol o c a lm i n i m u m ，an e wi m p r o v e dw a yi sc o n s i d e r e di n t h i sd i s s e r t a t i o n a tl a s t ，af a s ta p p r o a c ho fm o d u l el e v e lf a u l td i a g n o s i sf o rl a r g e - s c a l ea n a l o gc i r c u i tb a s e do nt h en e u r a ln e t w o r ka n dt h ec r o s s o v e rt e a r i n gt e c h n o l o g ya c c o r d i n gt oc o n v e n t i o n a lc i r c u i td e c o m p o s i t i o nt e c h n o l o g yi nl a r g e - s c a l ec i r c u i t si sp r e s e n t e di nt h i sd i s s e r t a t i o n ( 2 ) i no r d e rt oo v e r c o m et h ew e a k n e s so ft h ed i a g n o s i st e c h n o l o g yb a s e do nn e u r a ln e t w o r k ，an e wa n a l o gc i r c u i tf a u l td i a g n o s i sa p p r o a c hb a s e do ni n f o r m a t i o nf u s i o nd se v i d e n c et h e o r ya n dn ni sd e v e l o p e d i ti i im a k e sf u l lu s eo ft h er e d u n d a n c ya n dc o m p l e m e n t a t i o no fm u l t i - s e n s o ri n f o r m a t i o n ，t h er o b u s t n e s so fd se v i d e n c et h e o r yf o rp r o c e s s i n gi m p r e c i s ea n du n c e r t a i ni n f o r m a t i o n ，i n t e g r a t e se f f i c i e n t l ya n da p p l i e st h ec l a s s i f i c a t i o nc a p a b i l i t yo fb pn e t w o r k t h u s ，t h et e s t a b i l i t yo ft h ed i a g n o s e dc i r c u i ti si m p r o v e dw i t hl e s ss t r i c tr e q u i r e m e n t sf o rt h et o p o l o g i c a ls t r u c t u r eo fi t ，a n dt h es a t i s f a c t o r ya c c u r a c ya n da p p l i c a b i l i t yo ft h ea p p r o a c hi sa c h i e v e da tal o wc o m p u t a t i o n a lc o s t ( 3 ) t h er e s e a r c ho nw a v e l e tn u e u r a ln e t w o r km e t h o df o ra n a l o gc i r c u i tf a u l td i a g n o s i sh a sb e e nd o n e t h em e t h o di n c l u d e st w ow a y s o n ew a yu s e sg o o dt i m e - f r e q u e n c yl o c a l i z a t i o np r o p e r t yo fw a v e l e t s ，f i r s t l yw a v e l e tt r a n s f o r mp r e p r o c e s s e sf a u l ts i g n a l so fa n a l o gc i r c u i ta n dd i s t i l l sf e a t u r eo ff a u l t ，a n du s e sn e u r a ln e t w o r kt op r o c e s st h ef a u l tf e a t u r e ，t h e ni ti sa p p l i e di nf a u l td i a g n o s i sf o ra n a l o gc i r c i u i t s a n o t h e r ，u s e dw a v e l e tf u n c t i o n si n s t e a do ft h ea c t i v a t i o nf u n o t i o n so ft h et r a d i t i o n a lb p n n ，a n dt h e ni ti sa p p l i e dt od i a g n o s i sa n a l o gc i r c u i t s ( 4 ) t h er e s e a r c ho ng e n e t i ca l g o r i t h mb a s e dw a v e l e tn u e u r a ln e t w o r kf o ra n a l o gc i r c u i tf a u l td i a g n o s i sh a sb e e nd o n e as y s t e m a t i ca p p r o a c hc o m b i n i n gn e u r a ln e t w o r k ，w a v e l e ta n a l y s i sa n dg e n e t i ca l g o r i t h mi sp r o p o s e df o rf a u l td i a g n o s i so fa n a l o g u ec i r c u i t s t h ep r e s e n t e dn e u r a ln e t w o r ki sd e v e l o p e dw i t ht h ei m p r o v e dn e t w o r kw e i g h t e dr e a s o n i n gm e t h o d t h eo p t i m a lf e a t u r es e t sa r ee x t r a c t e dt ot r a i nt h en e t w o r kb yu s i n gw a v e l e ta n a l y s i sa sap r e p r o c e s s o r t h i se n s u r e sas i m p l ea r c h i t e c t u r ef o rt h en e u r a ln e t w o r ka n dm i n i m i z e st h es i z eo ft h et r a i n i n gs e tr e q u i r e df o ri t sp r o p e rt r a i n i n g a n dt h ea d ju s t i n go fc o n n e c t i o nw e i g h t sa n do p t i m i z a t i o no fm e m b e r s h i pf u n c t i o n sa r ep e r f o r m e dw i t hg e n e t i ca l g o r i t h m s t h er e l i a b i l i t ya n dc o m p a r i s o no ft h i sm e t h o dw i t ho t h e rm e t h o d sa r es h o w nb ya c t i v ee x a m p l e s ，a n dt h er e s u l t so fe x p e r i m e n t a lt e s t ss h o wt h a tt h i sm e t h o dc a ns a t i s f a c t o r i l yd e t e c ta n di d e n t i f yt h ef a u l t s ( 5 ) t h er e s e a r c ho nm i x e d s i g n a lc i r c u i t sa n de l e c t r o - m e c h a n i c a ls y s t e mt e s t i n gh a sb e e nd o n e i nt h i sc h a p t e r ，f i r s t l y ，t h et e s tt h e o r yo ft h et e s t i n g ，h a r d w a r eb l o c kd i a g r a m ，t h es o f t w a r ep r o c e d u r e sh a v e b e e na n a l y s e d ；t h e nt h ec o m m u n i c a t i o nd e s i g no fd s pa n dp cf o rt h et e s t i n gh a sb e e ni n t r o d u c e d k e y w o r d s ：f a u l td i a g n o s i s ；n e u r a ln e t w o r k s ；i n f o r m a t i o nf u s i o n ；w a v e l e tt r a n s f o r m ；g e n e t i ca l g o r i t h m ；a n a l o gc i r c u i ti v湖南大学学位论文原创性声明本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体己经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体，均己在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。作者签名：别娩日期：加7 年歹月7学位论文版权使用授权书日本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权湖南大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。本学位论文属于1 保密口，在年解密后适用本授权书。2 不保密团。( 请在以上相应方框内打“ )作者签名：导师签名：l 笑善日日哆7月月r年年9夕1 洲期期博士学位论文1 1 选题意义第1 章绪论模拟电路故障诊断自2 0 世纪7 0 年代以来，在世界范围内已取得卓有成效的研究成果，并逐渐形成了比较系统的理论，确立了它在网络理论中应有的地位，成为网络理论的第三大分支。当前，由于模拟电子电路v l s i 的崛起和数字模拟混合电路的普遍使用，对模拟系统的测试和诊断提出了急迫的需求和更高的要求1 1 】。虽然，世界各国的学者发表了许多关于模拟电路故障诊断理论研究的学术成果，提出了各种不同的原理和方法；同时，我国学者从二十世纪八十年代以来，也开展了模拟电路故障分析、诊断理论和技术的研究，并取得了丰富的成果 2 - 3 2 l ，但至今在理论上、方法上均未完全成熟，可付诸实用的还比较少。模拟系统的测试与诊断课题进展一直比较缓慢，探索其原因，大致有两个：一是模拟系统的集成度较低，传统的模拟电路规模也比较小，因此采用人工测试和修理还可满足实际需要，所以模拟电路的测试和诊断的研究缺少强有力的动力。另一个原因是模拟电路的测试与诊断远比数字系统困难。总结起来，主要有如下几方面的问题：( 1 ) 模拟电路中的输入激励和输出响应都是连续量，网络中各元件的参数通常也是连续的，所以模拟系统中的故障诊断模型比较复杂，难以作简单的量化。( 2 ) 模拟电路中的元件参数具有很大离散性，即具有容差。它们的普遍存在，其影响往往可与一个或几个元件的“大故障 等效，因此导致实际故障的模糊性，而无法唯一定位实际故障的物理位置。( 3 ) 在模拟电路中广泛存在非线性问题，包括一般理解的网络中的非线性元件引起的，也包括线性电路中存在的众多的非线性问题。( 4 ) 一个实用的模拟电路中，几乎无一例外地存在着反馈回路，电路规模越大，反馈回路也越复杂。( 5 ) 模拟电路中的电流是一个重要参数，也是故障信息的重要组成部分。但是在实际测量时除输入端口和输出端口可以比较方便地测到电流参数外，一般电路中的支路电流均不易甚至不可测量，通常只能通过测量电压来得到。此外可测电压的节点数也有限，导致可用于作故障诊断基于遗传算法、小波与神经网络的模拟电路故障诊断方法的有关信息量较少，甚至很不充分，最后造成故障定位的不唯一性和模糊性，或者根本不可诊断。特别是对含有非线性元件的模拟电路故障诊断，由于非线性元件的电参数具有不仅随元件本身的伏一安特性变化而变化，也要随着工作点的变化而变化等特性，使得二十世纪八十年代中期以来，这一领域的研究陷入徘徊的局面，尚未形成系统的完整的理论。关于非线性模拟电路的故障诊断的文献也不多见。进入二十世纪九十年代以来，在现代高科技的发展过程中，神经网络理论的研究和应用越来越广泛。到目前，它已成为控制工程、模式识别、信号处理等领域中不可缺少的工具，正日益受到科技研究人员的注目，并且随着一些挑战性的工程问题的解决，许多新的神经网络模型和算法正在不断丰富着神经网络本身。随着神经网络理论和应用的成熟发展，国内外学者尝试用神经网络理论，如多层反向传播( b p ) 算法、h o p f i e l d网络模型、自适应共振理论( a r t ) 、贝叶斯神经网络【2 3 】和概率神经网络 2 sj 等实现模拟电路的故障诊断。其它的用于模拟电路故障诊断的神经网络还有：，模拟电路故障诊断方法已取得了许多重要的进展【2 卜3 2 1 。神经网络用于模拟电路故障诊断为模拟电路故障诊断开辟了一条新的途径，是一个很有前景的新的研究领域。然而，虽然神经网络具有逼近有限空间中任意函数的功能，被认为是对具有强非线性关系的时间序列进行处理和预测的有效方法，基于神经网络的模拟电路故障诊断方法无需知道模拟电路故障的物理模型、元件容差和非线性特性，但也存在算法收敛速度不快、网络推广能力弱等目前难以突破的障碍和困难，而且在实际应用中，对于规模稍大的模拟电路的故障诊断，存在着神经网络的输入数目颇多，结构规模较大，训练和处理时间长等不足。自动故障诊断的关键和中心问题是模拟电路故障分析和诊断理论。故障诊断的问题是一个从故障所体现的特征来识别故障源的问题。模拟电路故障特征分析的主要内容是模拟电路故障信号分析和处理，即如何从模拟电路故障原始信号中分析提取故障特征的信息，这是故障诊断的核心问题。所以，近年来，如何提取和处理故障信号得到表示更加简洁的特征信息，如何寻找快速、效率更高的模拟电路故障诊断的神经网络方法也成为了一些学者研究的热门课题。1 2 模拟电路故障诊断技术的发展与现状19 6 2 年r s b e r k o w i t z 首先提出模拟电路可解性 3 3 】概念，得到了无源博上学位论文线性集总电路的元件值可解性的必要条件，从而揭开了模拟电路故障诊断研究的序幕。19 7 9 年，n a v i d 和w i l l s o n 3 4 】论证了模拟电路网络可解性的充分条件，奠定了模拟电路故障诊断的理论基础。此后，研究者们力图将其他领域的方法应用到此领域，以求得网络中所有元件的实际数值，提出了多种诊断方法 3 5 - 3 9 】，但是他们对故障本身的性质研究较少，往往要求测试点较多，计算量大而难以付诸实际应用。8 0 年代以后，研究者们从故障诊断的实际情况出发，将着眼点从求解全部元件数值转移到诊断部分元件，即确定故障区域或故障元件，用较少的可及点就可以将故障定位到元件，并分成故障定位和故障元件求值两步来完成，从而减少了计算量，削弱了诊断条件。这一时期，比较典型的方法是k 故障诊断和失效元件定界法【2 】【4 0 - 43 1 。此后，模拟电路故障诊断朝着更实用化和多故障的方向发展。随着集成工艺的不断发展，在大规模电路中，存在着不可分割的功能块，一旦这些功能块出现故障，只要能及时发现并更换，立即能排除故障。此时，再对它内部进行元件级诊断已经没有必要。在这种背景下，s a l a m a 和b a n d l e r 4 4 】于l9 8 4 年率先提出了基于网络分解的子网络级诊断方法。但该方法要求子网络间的关联节点全部可及，并对所有关联节点撕裂，这种电路的撕裂是破坏性的，在实际诊断中是不容许的，而且，它在某些典型电路中，当故障子网络数为2 时会出现误判断。此后，很多学者对这种方法进行了完善和补充 4 5 - 4 9 ，但是多数方法都是基于k c l 方程校验，计算量大，诊断速度慢，应用受到很大的限制。9 0 年代以后，神经网络、专家系统、模糊理论等逐渐被应用于模拟电路故障诊断中 5 0 - 5 3 】。随着人工智能技术的不断发展与深入，为解决模拟电路传统诊断方法中所存在的元件容差与非线性、电路的可诊断性等难题提供了有力的工具，特别是人工神经网络在不同领域中的广泛应用，使得故障诊断技术也朝着智能化的方向发展。r o b e r ts p a i n 和s h a m b h uu p a d h y a y a 于19 9 7 年【49 】将神经网络运用到小规模模拟电路的故障检测领域，即用神经网络来完成故障的分类和故障字典的自动查询，不仅诊断率高( 文献 4 9 称诊断率达到了9 5 ) ，且由于神经网络的鲁棒性，可以识别未出现过的训练样本。此后，许多学者纷纷利用神经网络来自动检测故障 4 8 , 5 4 - 5 6 1 。本世纪以来，小波分析、信息融合技术及遗传算法等应用于模拟电路故障诊断的研究亦开始起步 5 7 - 5 9 1 ，为形成实用的有效诊断方法开辟了新的途径。综合上述方法，依据电路的仿真是在实际测试的先或后，可将模拟基于遗传算法、小波与神经网络的模拟电路故障诊断方法电路故障诊断方法分为测前模拟诊断和测后模拟诊断，故障诊断的主要计算工作量多集中在对电路作仿真，因此测前( 后) 模拟诊断的工作量集中在现场测试之前( 后) 。显见测前模拟诊断更易于作实时诊断。测前模拟诊断的典型方法是故障字典法，它是目前模拟电路故障诊断中最具有实用价值的方法。其基本思想是首先根据经验或实际需要，确定所要诊断的故障集，然后求电路存在故障集中的一个故障时的响应，这里求响应的方法可以是在计算机上仿真，也可以在实际电路上仿真。然后将所得到的响应作必要的处理，例如压缩、编码等，最后作为对应故障的特征，将它们编纂成一部故障与特征相对应的字典。考虑到测前模拟的现实工作量和字典容量的限度，字典法故障诊断只作硬故障的诊断，对于少量软故障也是转化成硬故障的形式处理。而且在实际应用中只用来解决单故障i lj 。测后故障诊断包括元件参数识别法和故障验证法。元件参数识别事实上是系统参数估计，它是在取得足够的独立数据后，根据网络的结构去估计或求解网络中每个元件的参数。只有在解得网络所有元件的参数之后，才能断定网络中有多少个元件故障。哪些元件存在故障。由于一般网络所包含的元件( 模块) 数较大，标志这些元件特性的参数量，即方程中的未知量是很多的。欲求出这些未知量所需的方程数目也是很大的( 独立方程数至少不少于未知数个数) 。而且这些方程多数是非线性方程，所以求解这些方程是一件艰巨的工作，通常需要用大型计算机来完成。此外由于这些工作都是在测试后进行的，所以作实时诊断是很困难的。虽然现在已有一些成熟的方法将其中的非线性方程转换成线性方程，但由于同时增加了许多中间变量，方程个数也有相应的增加，所以总的计算工作量仍是相当可观的。故障验证法是在获取“不完整”的有限故障信息的基础上作诊断，实施比较方便，其基本思想是：预先猜测电路中的故障所在，然后根据所测数据去验证这种猜测是否正确( 吻合) 。如果二者吻合，则认为猜测正确，故障定位工作结束。由于电路中总的故障种数较大，而各种故障的组合数则更大，因此这种“猜测”的次数是非常大的，而且每次对猜测的验证都需要大量的计算( 随电路规模增大而以指数形式增加) 。因此对这种方法的研究主要集中在如何减少猜测的次数，以及减少对每次猜测的验证所需要的工作量。由于故障验证法诊断所依据的故障信息较少，因此其中一个比较突出的问题是故障的可诊断性问题，即网络的可测性问题。除上述方法外，目前还有逼近法和人工智能( 专家系统) 及模式识别等博士学位论文方法。逼近法包括测前模拟中的概率统计方法和测后模拟中的优化方法。专家系统包括类似字典法中的故障特征的提取和处理过程，以及测后模拟中的故障推理搜索等过程。由于网络分析理论已十分成熟，人们对其认识已经非常充分，因此可以依照故障字典法建立故障字典的过程来获取知识，建立专家系统中的关键部件一一知识库。因此利用专家系统实现模拟电路的故障诊断是有实际意义的。模式识别是基于对事物性质的认识而能够对事物进行正确的分类和描述，它被认为是人类及其他生物的基本属性。模式识别问题可视为通过搜索各模板特征，对输入数据与各模板之间的相似性进行鉴别。针对模式特征的不同选择及其判别决策方法的不同，模式识别方法可分为：模板匹配法、统计特征法、逻辑特征方法、模糊模式识别入神经网络等方法。其优点是可处理一些环境信息十分复杂，背景知识不清楚，推理规则不明确的问题，它允许样本有较大的缺损和畸变，同时避免了繁杂的数学运算，因而大大地缩短了诊断时间，且只需有限的故障信息，就能断定网络中的元件故障，实施比较方便，具有较好的应用前景。总而言之，一般的模拟电路故障诊断方法，很大程度上决定于模拟电路诊断方程或优化模型，计算量大，建模过程中工作量大，建模后难以改变，缺乏灵活性或根本无法得到模拟故障诊断方程。在众多方法中，虽然神经网络方法不要求建立模拟电路故障模型，能够从输入的数据中自动提取故障特征，且神经网络所具有的学习、泛化、容错性强和鲁棒性等优点能使该方法在一定程度上解决由于元件容差、故障多样性与故障参数的连续性等所引起的问题，但该方法在诊断过程中普遍存在以下缺陷：样本存储量大，使得神经网络的结构和计算量大，存在计算费时和实用性差等问题；网络收敛速度慢，可能陷入局部极小点或易形成局部极小而得不到整体最优；网络结构及步长、学习速率等参数的确定等问题。因此，我们期待能寻找对模拟电路进行故障诊断的更简便、更实用的方法和手段。小波分析( w a v e l e ta n a l y s i s ) 是近2 0 年来发展起来的数学分支，它是f o u r i e r 分析划时代发展的结果，已形成比较完整的理论体系。小波分析在许多方面取得重要进展，其理论与应用研究日新月异的蓬勃向前发展，已是目前国际上公认的信号信息获取与处理领域的高新技术。将小波分析应用于故障特征的分析和处理，是由于小波分析克服了f o u r i e r 分析不能作局部分析的不足，小波分析具有在时域和频域的良好局部特性和对信号有较强的特征提取功能【l3 。1 4 】。因此，它对故障特征分析技术起基于遗传算法、小波与神经嘲络的模拟电路故障诊断方法到很大的推动作用，开辟了一条崭新的途径。遗传算法( g e n e t i ca l g o r i t h m ，g a ) 是一种进化论的数学模型，是在思想方法上标新立异的优化方法，近年来发展的十分迅速，在一些研究工作和工程技术中以其独特的解决问题的能力而获得了广泛的应用。遗传算法将“自然选择 原则引入优化过程中，由于它对优化问题基本上没有限制，对目标函数及约束既不要求其连续，也不要求可微，仅要求该问题能计算即可，且其搜索空间遍及整个解空间。其中隐含着一种并行的计算机制，因此容易得到全局最优解，较好的克服了寻优过程中易陷入局部极小值的困境。其通用编码技术和简单有效的遗传操作为其广泛、成功的应用奠定了基础。8 0 年代中期以来，这种方法的研究开始在美国、欧洲等国家进入高潮，将其用于解决许多领域的难题1 6 0 - 6 2 】。正是在这种背景下，本文着重研究了基于小波、神经网络和遗传算法对模拟电路进行故障诊断的方法，为解决实际模拟电路在线实时故障诊断提供了理论依据。在研究期间，有幸受国家自然科学基金( n o 50 6 7 7 014 ) 、高校博士点基金( 2 0 0 6 0 53 2 0 0 2 ) 、国家8 6 3 计划( n o 2 0 0 6 a a 0 4 a l0 4 ) 、湖南省科技计划( 0 6 j j 2 0 2 4 ，2 0 0 8 g k 2 0 2 2 ) 、教育部新世纪优秀人才支持计划( n c e t 0 4 0 7 6 7 ) 等项目资助，在此表示衷心感谢11 3 本文的主要研究内容及结构安排1 3 1 本文的主要研究内容本文围绕模拟电路故障诊断这一主题，阐述了神经网络的模拟电路故障诊断方法的基本原理，小波分析的基本思想方法，系统地分析和研究了b p 网络、小波分析、遗传算法及其优化神经网络的方法，以及如何利用小波分析理论、神经网络及遗传算法对模拟电路故障进行诊断与识别。主要研究内容如下：( 1 ) 研究了b p 网络及优化b p 网络诊断模拟电路故障的方法。分析了基于神经网络的模拟电路故障诊断系统的结构及其原理：详细地研究了b p 网络诊断模拟电路故障的算法及诊断效果；提出了优化b p 网络的方法，并把优化后的b p 网络用于模拟电路故障诊断；提出了基于大规模模拟电路撕裂法和交叉撕裂搜索法的神经网络方法。( 2 ) 研究了神经网络数据融合的模拟电路故障诊断方法。介绍了数据融合的基本理论，几种常用方法，并提出了数据融合技术中d s 证据理论与神经网络相结合后在模拟电路故障诊断中的应用。博上学位论文( 3 ) 研究了基于小波神经网络的模拟电路故障诊断方法。介绍了小波分析的基本原理；根据小波理论，构造了小波神经网络。利用小波具有良好时频局部特性，首先将小波作为预处理器将模拟电路故障特征进行预处理，将预处理后的特征信号作为神经网络的输入样本进行训练，从而对模拟电路进行故障诊断，识别各种故障类型；另外用小波基函数代替传统b p 网络中的传递函数构造b p 小波神经网络，然后用它来诊断模拟电路的故障。( 4 ) 研究了融合遗传算法的小波神经网络的模拟电路故障诊断方法。( 5 ) 研发了混合信号电路与系统测试仪。重点研究了硬件设计、软件实现和测试原理。1 3 2 本文的内容安排第一章绪论。概述了模拟电路故障诊断技术发展和现状，对现有的主要诊断方法、近年来先进的神经网络理论和技术以及小波分析、神经网络和遗传算法在模拟电路故障诊断领域中的应用进行了简单的论述，并提出了本文的主要研究工作。第二章神经网络在模拟电路故障诊断中的应用研究。介绍了神经网络的基本原理，基本结构，分析了神经网络各种学习规则，着重介绍了b p 神经网络的诊断模拟电路故障诊断的方法。第三章基于神经网络数据融合方法的模拟电路故障诊断。主要介绍了数据融合的原理，并提出了基于神经网络数据融合技术的模拟电路故障诊断方法。第四章小波神经网络在模拟电路故障诊断中的应用。本章阐述了小波理论和分析方法，介绍了小波神经网络模型和学习算法，研究了小波与b p n n 结合对模拟电路进行故障诊断的算法和具体实现步骤。第五章遗传小波神经网络在模拟电路故障诊断中的应用。详细分析了基于遗传算法的小波神经网络用于模拟电路的故障诊断方法，并通过实例说明了该法的有效性。第六章基于d s p 、神经网络的混合信号电路与系统测试仪的研究。具体分析了混合信号电路与系统测试仪的测试原理，硬件结构框图和下位机核心d s p 的软件总流程，介绍了混合信号电路与系统测试仪中d s p和p c 机的通信设计。结束语给出本文对模拟电路故障诊断研究的主要结论，以及今后进一步研究工作的展望和设想。基于遗传算法、小波与神经网络的模拟电路故障诊断方法第2 章神经网络在模拟电路故障诊断中的2 1 引言应用研究自2 0 世纪8 0 年代中期以来，世界上许多国家都掀起了人工神经网络的研究热潮，形成近代非线性科学和计算智能研究的主要内容之一，引起了许多科技工作者的兴趣。当前，神经网络的研究内容十分广泛，如各种网络模型的构造、它们的原理性能分析、在各个领域的应用实例、硬件实现或应用软件开发等等。神经网络的应用主要在以下三个方面：信号处理与模式识别、知识处理工程和专家系统及运动过程控制。到目前，它已成为控制工程、模式识别、信号处理等领域中不可缺少的工具，正日益受到科技研究人员的注目，并且随着一些挑战性的工程问题的解决，许多新的神经网络模型和算法正在不断丰富着神经网络本身。随着模拟电路故障诊断技术研究的深入，经典常规的模拟电路故障诊断方法在工程应用中很难达到预期的诊断效果，而神经网络由于其自身特点，如自学习能力强、大规模并行分布式结构等，为模拟电路故障诊断提供了一条良好的诊断途径 2 6 - 3 2 】。因此本章对神经网络在模拟电路故障诊断中的应用作了深入的分析与研究。2 2 人工神经网络概述人工神经网络是由大量简单的基本元件一神经元( n e u r o n ) 相互连接而成的自适应非线性动态系统。每个神经元的结构和功能比较简单，而大量神经元组合产生的系统行为却非常复杂。人工神经元是对生物神经元的简化和模拟，它是一个多输入、单输出的非线性元件，其输入输出关系可描述为：= w j ，_ 一谚( 2 1 )_ ，= ly i = f ( i i )( 2 2 )其中x j ( _ ，= 1 ，2 ，n ) 是从其他细胞传来的输入信号，包为神经元单元的偏置( 阈值) ，w ，f 表示从细胞歹到细胞f 的连接权值( 对于激发状态，8 博士学位论文w 取正值；对于抑制状态，1 4 ；j i 取负值) ，刀为输入信号数目。咒为神经元输出，厂( ) 称为传递函数，有时叫做激发或激励函数，往往采用0 和1二值函数或s 型函数。2 2 1 神经网络的特性神经网络之所以受到人们如此重视，主要是因为它具有如下特点：( 1 ) 并行分布处理。神经网络具有高度的并行结构和并行实现能力，因而能够有较好的耐故障能力和较快的总体处理能力。这种并行计算的处理，使得神经网络可用于实时快速处理信息，特别适用于实时控制和动态控制；( 2 ) 非线性映射。一个神经元可以是线性的或者非线性的，一个由非线性神经元互联而成的神经网络自身是非线性的，并且非线性是一种分布于整个网络中的特殊性质；( 3 ) 自适应学习过程。人工神经网络具有的自适应与自组织能力，通过训练可以改变连接权值，以适应周围环境的要求，抽象出样本的主要特征。神经网络是一个具有学习能力的系统，可以发展知识，以至超过设计者原有的知识水平；( 4 ) 鲁棒性。神经网络的信息分布特点，使经过训练的神经网络具有强大的联想能力，对个别神经元和连接权值的损坏，并不会对信息特征造成太大的影响，表现了神经网络强大的鲁棒性，即受干扰时自动稳定的特性，和强大的容错能力。从以上几点可以看出，神经网络的优点是传统故障诊断方法难以比拟的，因此将神经网络应用于模拟电路的故障诊断是很有前景的【6 3 】。2 2 2 神经网络的分类由于神经网络具有学习、泛化和容错能力，且神经元的计算是并行的，有利于实现实时应用等特点，近年来已得到广泛应用。目前，有代表性的神经网络模型已有数十种，包括多层感知器，自适应共振理论，k o h o m e n 自组织特征映射，h o p f i c l d 网络，r b f 网络，小波神经网络，混沌神经网络，细胞神经网络，模糊神经网络等【6 3 】。这些网络结构不同，应用范围也各不相同。用于故障诊断领域中最常见的模型有：( 1 ) b p ( b a c k - p r o p a g a t i o n ) 网络：是多层映射网络，采用最小均方差的学习方式，是使用最广泛的网络。( 2 ) r b f ( 径向基函数) 网络：是一种具有单隐层的三层前馈网络，其神经元数目可以在参数优化过程中自动确定。基于遗传算法、小波与神经网络的模拟电路故障诊断方法( 3 ) h o p f i e l d 网络：是相同元件构成的单层而不带学习功能的自联想网络。( 4 ) k o h o n e n 自组织特征映射网络和模糊神经网络：一种具有自组织特征映射的人工神经网络模型。( 5 ) a r t 自适应共振理论：主要用于模式识别。2 3 神经网络的学习规则学习功能是人工神经网络中最重要的特征之一。神经网络主要由三种因素决定：神经元的特性，网络的连接和学习算法规则。其中，学习算法对网络学习速度、收敛特性、泛化能力等有很大的影响。对各种学习算法规则的研究，在人工神经网络理论与实践发展过程中起着相当重要的作用，因此，当前人工神经网络研究的许多课题仍然是致力于学习算法规则的改进、更新和应用。神经网络的工作过程一般可分为工作期和学习期两个阶段。在工作期间，各连接权值固定，处理单元逐渐演化，以求达到稳定状态。学习期间，各处理单元状态不变，各连接权值通过学习样本或其他方法不断修改，以求达到期望输出。对于人工神经网络而言，学习方法归根到底就是网络连接权的调整方法。人工神经网络连接权的确定通常有两种方法：一种是根据具体要求直接计算出来，如h o p f i e l d 网络作优化计算时就属于这种情况；另一种是通过学习得到的，大多数人工神经网络都是采用这种方法。随着网络结构和功能的不同，人工神经网络的学习方法也是多种多样的。人工神经网络中一些最基本的、最通用的学习规则主要有：( 1 ) 无监督h e b b 学习规则h e b b 学习规则是l9 4 9 年由h e b b 根据生理学中条件反射机理，提出的神经元连接强度变换的规则，它是人工神经网络学习的基本规则，可以这样形容，几乎所有的人工神经网络的学习规则都可以看作是h e b b 学习规则的变形。( 2 ) p e r c e p t i o n 学习规则p e r c e p t i o n 学习规则是采用有导师学习方法。