【摘要】：復雜電氣與電子系統在航空、航天、航海、工業制造、核、新能源和高鐵等領域中發揮了越來越重要的作用。模擬電路是復雜電氣與電子系統的重要組成部分,其故障預測與健康管理(prognostics and health management,PHM)技術的研究,逐漸成為了熱點方向。模擬電路的PHM對于復雜電氣與電子系統的運行狀態評估、異常發現、快速診斷、精準維修、提升系統運行可靠性和安全性等,均具有重要的價值和意義。本文使用深度學習中的深度置信網絡(deep belief network,DBN)技術提取模擬電路早期故障的特征,其中DBN中受限玻爾茲曼機(restricted Boltzmann machine,RBM)的學習率應用量子粒子群(quantum-behaved particle swarm optimization,QPSO)算法優化生成。應用支持向量機(support vector machine,SVM)方法建立早期故障診斷模型對各類早期故障進行識別。在模擬電路故障預測的研究中,針對模擬電路中已經識別的早期故障元件,提取其輸出電壓作為特征,計算其皮爾遜相關系數(Pearson product-moment correlation coefficient,PPMCC)作為健康度,應用多核相關向量機(multiple kernel relevance vector machine,MKRVM)方法預測其剩余有用性能(remaining useful performance,RUP)。本文主要工作如下:(1)針對當前故障診斷中特征提取方法的不足,重點研究了應用深度學習中DBN對模擬電路的早期故障特征進行提取的方法,對于影響基于DBN的特征提取方法效果的關鍵參數-RBM的學習率,提出一種應用QPSO算法進行優化取值的方法。應用提出的DBN方法提取模擬電路早期故障的特征作為樣本數據,通過SVM方法建立早期故障診斷模型對各類早期故障進行識別,其中SVM的懲罰因子和寬度因子應用QPSO算法優化生成,可有效提高早期故障診斷的正確率。(2)針對當前模擬電路故障預測研究較少的現狀,重點研究了一種模擬電路故障預測的體系結構。在該體系結構中,首先提出了一種提取輸出電壓為模擬電路故障預測特征的方法,簡單且效果好。提出了模擬電路元件健康度的概念,通過計算模擬電路元件退化時輸出電壓與元件位于標稱值時輸出電壓的PPMCC,作為該元件的健康度。通過對該元件進行一個較長時間內輸出電壓的測量和健康度的計算,生成其樣本數據。利用MKRVM算法對樣本數據進行機器學習,建立其故障預測模型,從而預測該元件故障發生時間和計算其RUP,其中MKRVM核函數的稀疏系數由QPSO算法優化生成。(3)以Sallen Key帶通濾波器電路、四運放雙二階高通濾波器電路和非線性整流電路為被測電路,針對被測電路中的元件進行模擬電路早期故障診斷實驗和模擬電路故障預測實驗。在早期故障診斷實驗中,應用基于DBN的特征提取方法提取的各個早期故障類別的特征,表現出同一早期故障類別之間聚集程度高和不同早期故障類別之間重疊程度低的特點。經QPSO算法優化后的建立的SVM早期故障診斷模型,對3個電路進行早期故障診斷的正確率分別為100%、96.41%和100%。在故障預測實驗中,本文提出的MKRVM方法對已于早期故障診斷中識別的8個元件進行了故障預測實驗,預測的結果均在設定的置信區間中,表明了故障預測的精度較高,并通過對比實驗證明了在故障預測方面MKRVM方法優于基于單核學習方法的傳統RVM方法。
【圖文】：

Step 4：基于 SVM 方法，應用提取的特征構建早期故障診斷模型，其中罰因子和寬度因子應用 QPSO 算法優化；Step 5：應用測試樣本數據對特征提取方法和早期故障診斷模型進行測試Step 6：輸出測試樣本數據的診斷正確率，以此評價提出的特征提取方法障診斷模型性能。 模擬電路早期故障診斷實驗的測試電路和元件Sallen Key 帶通濾波器電路作為第一個測試電路，其電路原理見圖 3.2。的標稱值已經在圖中標出。在元件靈敏度測試中，由于 R2、R3、C1和 頻率的影響較大[41, 49, 118, 122]，故選擇這些元件作為測試元件。測量數據中 類故障類別，即 R2↑、R2↓、R3↑、R3↓、C1↑、C1↓、C2↑、C2↓和無故障（no ，其中↑和↓分別表示元件參數值高于和低于標稱值。激勵源采用持續時s，幅值為 10v 的脈沖波，故障時域響應信號在電路輸出端采樣獲得。應用方法對每個故障類別采集 120 個數據樣本，采樣輸出的時域響應信號為早期故障碼、早期故障類別、標稱值和早期故障值記錄于表 3.1。

3F7 R4↑ 1.6k F8 R4↓ 1.6k 1F9 C1↑ 5nF 6F10 C1↓ 5nF 3F11 C2↑ 5nF 6F12 C2↓ 5nF 3階高通濾波器被選擇為第二個測試電路，比第一理見圖 3.3，，其中各個元件的標稱值已經在圖中標us，幅值為 10v 的脈沖波，故障時域響應信號在電測試，選擇 R1、R2、R3、R4、C1和 C2作為測試對、R2↓、R3↑、R3↓、R4↑、R4↓、C1↑、C1↓、C2↑和 C法對每個故障類別采集 120 個數據樣本，采樣輸期故障碼、早期故障類別、標稱值和早期故障值
【學位授予單位】：合肥工業大學
【學位級別】：博士
【學位授予年份】：2018
【分類號】：TN710

【相似文獻】

相關期刊論文 前10條

1 趙建松;;模擬電路故障的診斷及檢測技術[J];產業與科技論壇;2017年03期

2 寶石;許軍;;基于信息融合的模擬電路故障的特征提取與融合方法[J];計算機測量與控制;2017年08期

3 楚軍;張栓;沈靜靜;;模擬電路故障預測方法綜述[J];科技視界;2017年21期

4 劉波濤;;論模擬電路故障檢測與診斷的策略探討[J];數字技術與應用;2014年01期

5 李超;;基于多特征的模擬電路故障預測[J];硅谷;2013年11期

6 劉媛媛;;模擬電路故障的診斷及測試技術[J];電子質量;2010年08期

7 李愛琴;;基于小波變換和支持向量機的模擬電路故障診斷方法研究[J];工業控制計算機;2010年11期

8 林爭輝，劉牧野;模擬電路故障定值的解析方法[J];上海交通大學學報;1995年01期

9 楊鴻魁;錢彭年;;模擬電路故障界診斷法中元件分組的可分性拓撲條件[J];北京郵電學院學報;1987年02期

10 龍治理;;高效測定模擬電路故障的子網絡分解法[J];長沙水電師院學報(自然科學版);1989年06期

相關會議論文 前1條

1 王安娜;李明;李華;欒峰;;基于支持向量機的容差電路故障診斷[A];電工理論與新技術學術年會論文集[C];2005年

相關博士學位論文 前10條

1 張朝龍;模擬電路故障預測與健康管理的關鍵技術研究[D];合肥工業大學;2018年

2 王承;基于神經網絡的模擬電路故障診斷方法研究[D];電子科技大學;2005年

3 金瑜;基于小波神經網絡的模擬電路故障診斷方法研究[D];電子科技大學;2008年

4 劉琦;基于云模型理論的模擬電路故障分類診斷的研究[D];河北工業大學;2013年

5 黃亮;模擬電路故障診斷研究[D];北京交通大學;2012年

6 李西峰;信息論觀點下的模擬電路故障診斷方法研究[D];電子科技大學;2014年

7 高坤;基于多核共空間模式的超限學習機聚類診斷方法研究[D];湖南大學;2015年

8 胡鴻志;基于相量分析的模擬電路故障診斷方法研究[D];電子科技大學;2015年

9 孫永奎;基于支持向量機的模擬電路故障診斷方法研究[D];電子科技大學;2009年

10 于文新;模擬電路故障診斷神經智能果蠅算法研究[D];湖南大學;2015年

相關碩士學位論文 前10條

1 謝燕;噪聲信息下的模擬電路故障診斷技術研究[D];電子科技大學;2018年

2 黃凱倫;基于半監督學習的模擬電路故障診斷方法研究[D];渤海大學;2018年

3 趙洪玲;模擬電路故障仿真注入技術研究與實現[D];北方工業大學;2016年

4 王嘉家;大規模模擬電路故障傳播特性研究[D];湖南大學;2010年

5 李愛琴;基于支持向量機的模擬電路故障診斷方法研究[D];南京理工大學;2011年

6 王欣;基于神經網絡的模擬電路故障診斷方法研究與實現[D];西安電子科技大學;2007年

7 涂志均;模擬電路故障仿真與診斷平臺研制[D];哈爾濱工業大學;2011年

8 楊志芹;基于SVDD的模擬電路故障診斷技術研究[D];西安石油大學;2017年

9 孫業勝;基于優選小波包的模擬電路故障深度特征提取方法[D];合肥工業大學;2017年

10 秦新紅;基于小波包分析神經網絡的模擬電路故障診斷方法研究[D];中北大學;2012年

本文編號：2689970