基于最优测点的模拟电路故障诊断.pdf

中文摘要 摘 要 近代科学技术的突破，带动了整个工业系统的进步，经过近代以来的大规模 普及和使用，复杂的电子技术设备已被各个行业所接受，方便、智能、稳定的工 作状态已成为了这个时代能够稳定前进不可缺失的保证，可靠、高效的故障诊断 技术就显得尤为重要。在故障诊断领域，国内外众多研究学者进行了大量的研究 工作，并且提出了一大批行之有效的诊断方法。但在实际的故障诊断应用中，由 于环境或者条件的限制，会产生以下两个问题： ① 最优测点选取问题。在电路原始信号采集时，需要探究哪个位置的测点在 采集数据时，能够保证采集到的原始信号能够包含电路所有故障特征信息，并且 使得数据数量和维度最低； ② 故障信息的噪声干扰问题。通常采集到的原始信号中，故障信息会被大量 的噪声所干扰，导致不易获得充足的故障样本，如何针对这些被干扰的故障信息 进行故障诊断是个难点。 针对以上两个问题，研究了两问题相应的产生机理之后，本文提出了一种基 于最优测点和稀疏降噪自编码神经网络的模拟电路故障诊断方法。为解决最优测 点选取问题，本文引入了基于敏感度因子和测点故障隔离组/度的最优测点选取方 法，此方法可以获得整个模拟电路故障特征信息的最优测点组合，能够避免待选 测点的大量无效运算，并且从最优测点处采集到的原始信号数据，具有信息量少、 维度低和电路故障特征信号完整等特点；针对第二个问题，本文提出了一种稀疏 降噪自编码神经网络的深度学习方法，此方法在使用过程中会在原始信号中添加 一定概率分布的噪声，从而得到鲁棒性更好的训练模型，基于此方法的这一自身 特性，上述的故障信息被噪声干扰问题也可以得到解决。 为了验证最优测点选择方法和稀疏降噪自编码神经网络在模拟电路故障诊断 中的有效性，本文在第四章进行了一次模拟电路的故障仿真实验，经过稀疏降噪 自编码神经网络对从最优测点采集到的原始数据进行多次迭代运算，最终得到分 类结果，通过对实验中平方误差的描绘曲线和分类识别结果的分析，充分说明本 方法在模拟电路故障诊断中的准确性和有效性。 关键词：模拟电路，故障诊断，稀疏降噪自编码神经网络，最优测点选取 I 英文摘要 ABSTRACT The breakthrough of modern science and technology has led to the progress of the whole industrial system. After the large-scale popularization and used for these years, complex electronic technology equipment has been accepted by almost all industries. Convenient, intelligent and stable working state has become an indispensable guarantee for the stable progress of this era. Therefore, it is important for the high efficiency and reliability of diagnostic technology of electronic equipment. It has become more and more urgent. Many scholars have done a lot of research in the field of analog circuit fault diagnosis, and some effective methods have been put forward. But in the practical application of fault diagnosis, the following two problems will arise: ① The problem of selectin