|
【摘要】 模拟电路故障诊断理论和方法的研究是目前研究的一项热门课题。随着现代化电子技术的飞速发展,网络规模和结构日趋功能化和模块化,研究如何运用现代诊断技术从大规模容差电路中准确地诊断出存在故障的子电路和元件,成为实际工程迫切需要解决的课题,也是模拟电路故障诊断理论和方法走向实际应用的关键步骤。小波理论的出现和发展,神经网络理论和方法的日益成熟,利用小波进行故障信号的分析和处理以及用神经网络来进行故障诊断,已成为热门的研究课题,大量的研究成果表明,它们为模拟电路的故障诊断提供了新的途径。本文以遗传算法、小波分析、数据融合和神经网络等理论为基础,深入研究了基于遗传小波神经网络的模拟电路故障诊断方法,并介绍了作者的研究成果“基于DSP、神经网络和专家系统的混合信号电路与机电系统测试仪”的软硬件设计及实现。本文的创新点主要体现在以下几个方面:(1)对模拟电路故障诊断的神经网络方法进行了研究。在分析和阐述神经网络诊断模拟电路故障的系统结构和原理的基础上,研究了BP网络诊断模拟电路故障的方法。针对BP网络易收敛于“局部最小值”这一缺陷,提出了BP网络的改进模型,并把优化后的BP网络用于模拟电路故障诊断。并在此基础上提出了基于神经网络的大规模模拟电路故障诊断的撕裂法和交叉撕裂搜索法。(2)针对现有神经网络诊断方法的缺陷,提出了一种基于数据融合D-S证据理论的神经网络模拟电路故障诊断方法。该方法利用多源信息间的冗余性与互补性和D-S证据理论对不确定信息融合的鲁棒性,有机集成并应用BP网络优良的分类能力,提高了电路的可测性和诊断方法的准确性与适用性,且该方法对电路的拓扑结构要求相对较低,测后计算量很小。(3)对小波神经网络的模拟电路故障诊断方法进行了研究。根据小波变换的基本原理,构造小波神经网络。该方法分两种情况,一种是利用小波具有良好时频局部特性,将小波作为模拟电路故障信号的预处理器,并将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;另一种是用小波基函数代替传统BP网络中的激励函数构造BP小波神经网络,然后用它来诊断模拟电路的故障。(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DSP和PC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；
摘要 5-7
Abstract 7-8
第1章 绪论 15-22
1.1 选题意义 15-16
1.2 模拟电路故障诊断技术的发展与现状 16-20
1.3 本文的主要研究内容及结构安排 20-22
1.3.1 本文的主要研究内容 20-21
1.3.2 本文的内容安排 21-22
第2章 神经网络在模拟电路故障诊断中的应用研究 22-47
2.1 引言 22
2.2 人工神经网络概述 22-24
2.2.1 神经网络的特性 23
2.2.2 神经网络的分类 23-24
2.3 神经网络的学习规则 24-25
2.4 基于 BP 神经网络（BPNN）的模拟电路故障诊断 25-30
2.4.1 BP 神经网络结构模型 26-27
2.4.2 BP 神经网络的学习规则 27-29
2.4.3 传统 BP 算法的局限性及改进 29-30
2.4.4 BP 神经网络在模拟电路故障诊断中的应用 30
2.5 大规模模拟电路快速诊断方法 30-36
2.5.1 网络撕裂法 30-32
2.5.1.1 网络的撕裂和子网络特性 31
2.5.1.2 子网络状态判定条件 31-32
2.5.1.3 故障子网络定位逻辑分析 32
2.5.2 大规模电路交叉撕裂搜索诊断法 32-35
2.5.2.1 网络撕裂诊断图和撕裂准则 32-34
2.5.2.2 子网络级故障的逻辑定位 34-35
2.5.3 基于神经网络的大规模模拟电路快速诊断方法 35-36
2.5.3.1 故障模块快速诊断法 35-36
2.5.3.2 撕裂指导原则 36
2.6 基于 BP 神经网络的模拟电路故障诊断的实例 36-45
2.7 小结 45-47
第3章 基于神经网络数据融合方法的模拟电路故障诊断 47-67
3.1 引言 47-48
3.2 数据融合概述 48-51
3.2.1 数据融合的概念及特点 48-49
3.2.2 数据融合的分类 49-51
3.3 D-S(Dempster-Shafer)证据理论 51-53
3.4 神经网络数据融合原理 53-59
3.4.1 神经网络数据融合概述 53-54
3.4.2 数据融合的神经网络 54-59
3.4.2.1 子网络的组建 56
3.4.2.2 集成神经网络的实现 56-59
3.5 基于 D-S 证据理论的神经网络故障识别系统 59-62
3.5.1 网络结构 59-61
3.5.2 学习算法 61-62
3.6 实例 62-66
3.7 小结 66-67
第4章 小波神经网络在模拟电路故障诊断中的应用 67-85
4.1 引言 67-68
4.2 小波理论概述 68-77
4.2.1 小波变换 68-69
4.2.2 小波变换的时-频局部化特性 69-70
4.2.3 小波函数 70-74
4.2.3.1 Haar 小波 70-71
4.2.3.2 Morlet 小波(高斯包络下的单频率复正弦函数) 71-72
4.2.3.3 Marr 小波(墨西哥小帽) 72
4.2.3.4 Daubechies 紧支集正交小波 72-74
4.2.3.5 Symlets 小波 74
4.2.4 小波分解和重构 74-77
4.2.4.1 Haar 小波分解算法 74-76
4.2.4.2 Haar 小波重构算法 76-77
4.3 基于 MATLAB 小波分解仿真程序的实现 77-79
4.4 小波神经网络在模拟电路故障诊断中的应用 79-81
4.4.1 基于小波预处理的神经网络模拟电路故障诊断 79-80
4.4.2 嵌入式小波神经网络的模拟电路故障诊断方法 80-81
4.5 实例 81-84
4.6 小结 84-85
第5章 遗传小波神经网络在模拟电路故障诊断中的应用 85-104
5.1 引言 85-86
5.2 遗传算法概述 86-87
5.2.1 遗传算法的基本思想 86-87
5.2.2 遗传算法的特点 87
5.3 基本遗传算法 87-93
5.3.1 简单遗传算法 87-89
5.3.2 遗传算法的基本操作 89-91
5.3.2 遗传算法的编码 91-93
5.3.3 遗传算法的适应度及其调整 93
5.4 遗传算法对神经网络的优化 93-97
5.4.1 神经网络连接权的进化 94-95
5.4.2 神经网络结构的进化 95-96
5.4.3 神经网络学习规则的进化 96-97
5.4.4 混合训练神经网络 97
5.5 遗传小波神经网络在模拟电路故障诊断中的应用 97-98
5.6 实例 98-103
5.7 小结 103-104
第6章 基于 DSP、神经网络的混合信号电路与系统测试仪的研究 104-120
6.1 引言 104
6.2 自动测试系统概述 104-106
6.3 基于 DSP 的功能测试 106-107
6.4 混合信号电路与机电系统测试仪的设计方案 107-109
6.4.1 基本原理 107-108
6.4.2 系统硬件组成 108-109
6.4.3 DSP 软件总流程 109
6.5 PC 与 DSP 通信的设计与实现 109-111
6.5.1 通信模块硬件电路的组成 109-110
6.5.2 通信模块软件设计 110-111
6.5.2.1 通信协议的制定 110-111
6.5.2.2 软件设计 111
6.6 测试仪的硬件组成 111-119
6.6.1 DSP 主控制模块 112-113
6.6.2 数字芯片测试 113-115
6.6.2.1 测试原理 113
6.6.2.2 硬件结构图 113-114
6.6.2.3 软件测试的实现 114-115
6.6.3 模拟芯片的测试 115-117
6.6.3.1 测试原理 115-117
6.6.3.2 硬件结构图 117
6.6.3.3 测试实现 117
6.6.4 PCB 测试模块 117-119
6.7 小结 119-120
结论 120-122
参考文献 122-133
附录A (研究成果：论文与专利) 133-136
A.1 攻读学位期间发表的学术论文 133-134
A.2 专利申请情况 134-136
附录B（攻读学位期间参加的科研项目） 136-137
附录C（读研期间获奖情况） 137-138
附录D 混合信号电路与系统测试仪附图 138-140
D.1 DSP 主控制模块 138
D.2 模拟芯片测试模块 138
D.3 硬件总图 138-139
D.4 测试总界面 139
D.5 测试仪外壳正面 139-140
附录E 混合信号电路与系统测试仪部分程序 140-145
E.1 测试主程序 140-142
E.2 数字模块部分程序 142-144
E.3 串口中断响应部分的 DSP 程序 144-145
致谢 145
学术论文网Tag： |
