小波神经网络在模拟电路故障诊断中的应用

介绍了模拟电路故障诊断的神经网络方法及小波神经网络结构和原理,以一带通滤波器为例,提出了一种基于输出灵敏度分析,利用多频测试生成故障特征向量训练小波神经网络进行故障诊断的方法,仿真结果表明小波神经网作为故障分类器具有收敛速度快,诊断准确等特点。     

小波神经网络在模拟电路故障诊断中的应用

研究模拟电路优化问题,电路系统存在非线性和漂移会引起系统故障.针对BP神经网络在模拟电路故障诊断上存在的收敛速度慢、易陷入局部最小等不足,为解决上述问题,提出基于小波神经网络的模拟电路故障诊断方法.采用正弦信号仿真模拟电路,应用小波变换对模拟电路响应的采样信号进行故障特征提取,建立故障字典,利用神经网络对各种状态下的特征向量进行分类决策,实现模拟电路的故障诊断.故障诊断仿真表明,保证较高故障诊断正确率RBF网络的训练次数得到了极大地缩小,极大地提高了模拟电路故障诊断的效率,为设计提供了依据.     

基于小波分析和支持向量机的模拟电路故障诊断

针对模拟电路故障诊断,采用基于小波分析和支持向量机的诊断测试方法,将方波信号作为输入信号激励电路,对电路的响应信号进行小波分析并提取信号的能量作为故障特征向量,并最终利用SVM的一对一多分类方法实现了故障分类。通过对ITC97中的Elliptical Filter电路仿真验证表明,方波信号能够比单频信号更好地激励电路故障,本文所采用的方法能够有效地应用于模拟电路的故障诊断测试中。     

基于小波包Tsallis熵和RVM的模拟电路故障诊断

针对模拟电路故障难以识别等问题,提出一种基于小波包Tallis熵和多分类相关向量机(Rele-vance Vector Machine,RVM)的模拟电路故障诊断方法.该方法采用脉冲信号仿真模拟电路,应用小波包变换对采集到的故障响应信号进行分解,通过提取不同频带内的Tsallis熵作为故障特征值,利用相关向量机对各种状态下的特征向量进行分类决策,实现模拟电路的故障定位.实验结果表明,提出的故障诊断方法相较于现有的故障诊断方法能较好地提取故障特征,极大地提高模拟电路故障诊断的效率.     

模糊神经网络在模拟电路故障诊断中的应用

将模糊理论和神经网络结合起来用于模拟电路的故障诊断是一种有效的方法.首先测得模拟电路在故障状态和正常状态时各测试节点的电压值,并对其电压偏差值模糊化,从而求得不同故障状态下各测试节点的电压偏差值所对应的隶属度;其次,以各测试节点的隶属度和所对应的故障类型作为训练神经网络的样本,来建立从故障特征到故障类型的非线性函数;最后.将该方法用于视频放大电路的故障诊断.仿真结果验证了该方法的有效性.     

非线性电路的神经网络故障诊断方法

针对非线性动态电子电路,提出一种基于神经网络的故障诊断方法。通过故障字典的建立,对电路故障响应进行预处理后得到的故障特征作为神经网络的输入,然后利用神经网络对各种状态下的特征向量进行分类决策,对故障类别进行辨识,并对电路进行了可测性分析,从而实现非线性电路的故障诊断。详细的仿真过程及结果表明, 该方法有效地解决了非线性电路辨识难的问题,能较好地对故障模式进行分类,取得了满意的诊断效果。     

基于故障可诊性与遗传算法的模拟电路测试激励优化方法*

测试激励的选择影响电路故障诊断的精度。对待测电路进行十倍频程AC Sweep分析来确定正弦测试信号的频率优化范围,基于电路幅频响应中离散频点相应的电压有效值来计算各故障特征数据类内类间离散度,统计多频测试信号敏感度因子大小,并以此为目标函数利用遗传算法实现测试信号中频率参数优化。以双带通滤波电路为例进行了仿真验证,实验结果表明该方法优化出的测试激励信号能有效降低电路故障响应特征分布模糊性,提高了故障诊断率。     

基于量子神经网络的容差模拟电路的软故障诊断

给出了容差模拟电路软故障诊断的量子神经网络方法,将传统的模拟电路故障诊断方法与量子神经网络结合起来,多层激励函数的量子神经网络不仅具有BP网络所有的优点,还克服了BP网络在模糊分类方面的缺点,即利用量子神经网络对其输入的容错能力在一定程度上克服了模拟元件的参数容差的影响,模拟电路故障的复杂性及广泛非线性也能利用量子神经网络的非线性映射能力加以解决,同时还可对模糊数据进行模糊分类;通过应用量子神经网络,实现了容差模拟电路单软、多软软故障的诊断。     

基于多维标度的非线性模拟电路故障诊断方法

在非线性模拟电路故障诊断中,考虑到在电路的不同故障状态下,电路的输出响应也会各不相同。针对这种输出响应的差异性,提出了一种基于多维标度(MDS)的非线性模拟电路故障诊断的方法,将电路不同故障状态下输出响应的差异性,转换为一个低维的拟合构图,从而分辨不同的故障类型。仿真结果表明:在电路的单故障情况下,提出的方法能有效地将不同的故障进行分类,实现故障元件的定位,并在低维坐标系中直观地观察不同故障间的差异性,具有较高的准确率。     

基于信息融合的神经网络模拟电路故障诊断研究

针对目前神经网络模拟电路故障诊断中存在的难点,提出了基于信息融合思想的多神经网络故障诊断方法;该方法测试电路中节点电压信号、供电电流信号,利用小波变换对检测信号进行预处理,基于主成分分析对特征矢量进行降维,根据模拟电路的不同故障模式分别建立诊断神经网络,用概率统计数据融合方法从多个神经网络中选出最优网络用于诊断故障;通过电路实例验证了新故障诊断方法的有效性,实验结果表明新方法可有效提高故障诊断性能。     

基于遗传BP网络的模拟电路故障诊断方法及其应用

针对BP网络诊断模拟电路故障时存在网络结构复杂且可能出现误诊断的不足,提出一种小波变换、遗传算法与神经网络相结合的模拟电路故障诊断的新方法.该方法使用节点电压信号经小波变换、主元分析和归一化处理来实现故障特征的提取,以减少信号的冗余;由于BP网络易陷入局部最优,采用遗传箅法来优化BP网络的结构和初始权值分布,使优化后的神经网络具有较好的收敛性能.最后结合电路实例,对文中提出诊断方法的原理与实现进行了较深入的分析,建立了该方法的测试系统,并通过工程应用效果进一步验证了文中方法的正确性.     

Wavelet based fault detection in analog VLSI circuits using neural networks

This paper deals with a new method of testing analog VLSI circuits, using wavelet transform for analog circuit response analysis and artificial neural networks (ANN) for fault detection. Pseudo-random patterns generated by Linear Feedback Shift Register (LFSR) are used as input test patterns. The wavelet coefficients obtained for the fault-free and faulty cases of the circuits under test (CUT) are used to train the neural network. Two different architectures, back propagation and probabilistic neural networks are trained with the test data. To minimize the neural network architecture, normalization and principal component analysis are done on the input data before it is applied to the neural network. The proposed method is validated with two IEEE benchmark circuits, namely, the operational amplifier and state variable filter.     

基于S变换和小波神经网络的容差模拟电路故障诊断

提出了一种结合S变换和小波神经网络的容差模拟电路故障诊断新方法;该方法通过对被测电路的冲激响应进行S变换,提取信号的时频信息做为特征量,并将所提取的特征量做为小波神经网络的输入进行训练并分类;仿真实验结果表明该方法诊断速度快且故障定位准确率高,在噪声影响、故障类型的特征向量重叠率高以及可测节点不足的情况下,具有良好的故障识别效果。     

基于Volterra 核二次型分布的非线性模拟电路软故障诊断

针对非线性模拟电路软故障诊断的难题,基于Volterra核二次型分布—–Wigner Ville分布(WVD),提出一种故障特征提取的新方法。首先计算待测试电路(CUT)的Volterra核;然后对该Volterra核进行WVD转换,得到WVD函数,从中提取出故障特征,完成非线性模拟电路的软故障诊断。仿真实验结果表明,该方法能有效地解决故障混叠难题,提升故障元件检测和定位的能力。     

PSO-optimized modular neural network trained by OWO-HWO algorithm for fault location in analog circuits

Fault diagnosis of analog circuits is a key problem in the theory of circuit networks and has been investigated by many researchers in recent decades. In this paper, an active filter circuit is used as the circuit under test (CUT) and is simulated in both fault-free and faulty conditions. A modular neural network model is proposed in this paper for soft fault diagnosis of the CUT. To optimize the structure of neural network modules in the proposed scheme, particle swarm optimization (PSO) algorithm is used to determine the number of hidden layer nodes of neural network modules. In addition, the output weight optimization–hidden weight optimization (OWO-HWO) training algorithm is employed, instead of conventional output weight optimization–backpropagation (OWO-BP) algorithm, to improve convergence speed in training of the neural network modules in proposed modular model. The performance of the proposed method is compared to that of monolithic multilayer perceptrons (MLPs) trained by OWO-BP and OWO-HWO algorithms, K-nearest neighbor (KNN) classifier and a related system with the same CUT. Experimental results show that the PSO-optimized modular neural network model which is trained by the OWO-HWO algorithm offers higher correct fault location rate in analog circuit fault diagnosis application as compared to the classic and monolithic investigated neural models.     

Real-time current testing for A/D converters

The author has revised current testing for analog circuits, examined his method for effective fault detection, and applied it to an A/D converter. This method measures the integral of the power supply current during one clock period in which a test vector is applied. Simulation results show effective detection of target faults in the CUT when applying a step voltage input and easier detection when applying a higher power supply voltage     

基于多扫描链的内建自测试技术中的测试向量生成

针对基于多扫描链的内建自测试技术,提出了一种测试向量生存方法。该方法用一个线性反馈移位寄存器（LFSR）作为伪随机测试向量生成器,同时给所有扫描链输入测试向量,并通过构造具有最小相关度的多扫描链克服扫描链间的相关性对故障覆盖率的影响。此外该方法经过模拟确定难测故障集,并针对这外难测故障集利用ATPG生成最小确定性测试向量集。最后丙依据得到的最小测试向量集来设计位改变逻辑电路,利用们改变逻辑电路控制改变扫描链上特定的值来实现对难测故障的检测,从而实现被测电路和故障完全检测。     

基于测前迭代仿真的模拟电路故障诊断方法

针对非线性模拟电路中元件表现出的折线故障特征,提出一种基于测前迭代仿真的模拟电路统一故障诊断方法.在测前将线性元件参数分段划分区间,在各区间进行仿真得到节点电压平面上的点计算斜率特征,对于斜率变化的区间重新进行参数扫描,并通过迭代仿真得到连续平滑的折线轨迹上的点作为测后诊断依据;在测后诊断中,通过计算实测点到各条折线轨迹的点集合的最小距离来定位电路故障,并根据测前仿真的分段信息对故障元件的参数区间进行识别.文中利用计算机程序实现了测前迭代仿真和测后故障定位及参数区间识别,能够同时诊断容差电路元件的硬故障(开路、短路)和软故障(元件参数变化至容差允许范围之外).最后通过实例的仿真实验和实际电路实验验证了该方法的有效性.     

一个自动构造类测试驱动程序的框架

在类测试时,需要驱动程序来运行可执行的类测试用例并收集测试结果,因此驱动程序的开发工作量将直接影响类测试的效率。本文给出了一种类测试驱动程序的构造框架。利用面向对象技术的设计思想,设计了一个驱动基类,通过继承驱动基类,并覆盖驱动基类中的虚函数而生成一个被测类的驱动类。同时在主控程序中注册被测试类的驱动类,从而得到被测试类的驱动程序。最后通过一个实例,说明该驱动构造框架的可行性。     

基于节点导纳矩阵的模拟电路故障诊断

针对模拟电路故障诊断中的容差问题,提出了基于节点导纳矩阵(NAM)的模拟电路故障诊断方法;该方法以NAM为基础,提取被测电路(CUT)的故障特征向量;测试前,用仿真的方法生成被测电路中某一故障对应的故障样本子集,所有类别的故障样本子集构成故障样本集;测试时,测量被测电路的故障特征向量,并根据其与故障样本集中样本的相似性来判断电路发生的故障类型;由于电路的NAM对元件容差不敏感,所以可以很好地克服模拟电路故障诊断中的容差问题;实验结果证明了该方法的有效性。