【摘要】 现代电子和计算机技术的迅猛发展使得电子设备的组成和结构越来越复杂,规模越来越庞大,为了提高系统的安全性和可靠性,对电路测试提出了更高、更新的要求。电子系统中容易出问题的部分往往在模拟电路,另外模拟电路的测试也一直是制约我国集成电路工业的“瓶颈”。顺应当代微电子技术和信息技术的新发展,开展模拟电路测试和诊断方法的研究不仅在学术上而且对我国集成电路工业发展都具有重要的理论价值和现实意义。目前模拟电路故障智能诊断面临的主要难题是典型故障样本的严重不足以及诊断知识的发现问题;基于统计学习理论的支持向量机(SVM)机器学习算法很好地执行了结构风险最小化原则,其应用于故障诊断最大的优势在于它适合于小样本决策,能在有限特征信息情况下,最大限度地发掘数据中隐含的分类知识。本文将支持向量机与模拟电路故障理论诊断相结合,开展了基于SVM的模拟电路故障诊断方法的研究和实现。模拟电路故障诊断本质上是一多状态的模式分类问题,而传统支持向量机分类器是针对二分类问题的。在常用的三种多类推广模型中,本文采用了决策有向无环图的多值分类算法,建立了多故障SVM分类器模型,并对其核函数选择和核参数确定方法进行了研究。基于该模型,给出了支持向量机用于模拟电路故障诊断的基本思想和实现步骤。在模拟电路故障特征提取技术上,将响应信号有效采样点的电压幅值作为故障特征样本的同时,利用小波包分解提取各频段能量的方法提取信号的故障特征作为故障样本,形成了基于有效采样点和SVM多分类器、基于小波包分解和SVM多分类器两种模拟电路故障诊断方法。借鉴机械设备的分形诊断原理,分形维数能够反映模拟电路的状态。基于此,本文研究了基于分形理论与SVM的模拟电路故障诊断方法:计算电路响应信号的二进分形网格维数作为故障特征,将基于不同采样周期对应的分形网格维数为故障特征向量,构建SVM多分类器进行训练和诊断。Volterra级数模型不依赖系统输入即可充分描述非线性系统的本质特性,可将系统唯一的Volterra频域核作为系统特征进行故障诊断。本文应用Volterra级数理论对非线性模拟电路的频率响应特性进行分析,讨论了非线性电路故障诊断中计算Volterra频域核的特征提取方法,在此基础上基于SVM多分类器对非线性电路的工作模态加以分类,实现故障诊断。SVM本身具有的几个缺点,降低了SVM的稳定性和泛化能力,集成学习可显著提高学习系统的泛化能力。因此,本文进行了SVM集成技术的研究:通过分析支持向量机的两重扰动机理(扰动特征空间和模型参数),在传统Bagging算法的基础上,结合Logistic映射的随机性和遍历性在参数选择中的利用,提出了两种结合二重扰动机制和Logistic映射的SVM集成算法——RAB-SVM算法和2D-RBaggingSVM算法,最后将两种SVM集成算法应用于模拟电路故障诊断。将上述的基于支持向量机的故障诊断方法分别应用于一些具体电路的仿真实验研究,实验结果表明这些方法能较好地分析模拟电路的故障响应,较准确地完成模拟电路的故障诊断,具有良好的可行性。

 

【关键词】 支持向量机； 模拟电路故障诊断； 特征提取； 分形维数； 集成学习； 两重扰动机制；