纳米电路交叉冗余容错技术研究

提出了一种针对纳米电路的数字电路容错设计新方法．该方法基于交叉冗余原理,利用两种二进制错误的不对称性,采用模块化方法对纳米电路进行容错设计．以阵列乘法器为例,采用新方法对电路进行设计和仿真,并结合实验结果与传统的可重构和三模冗余容错方法进行比较．交叉冗余方法无需检测模块及表决器,不会增加系统延时,并且在资源消耗方面远低于传统方法,对纳米电路尤其适用．     

AES中字节代换和列混合的硬件可逆设计

针对AES硬件实现占用大量资源的缺点,对其两个核心计算部件(字节代换和列混合)进行了硬件可逆设计.该设计采用模块复用技术,使字节代换及其逆变换模块最大限度地共享GF(2<'8>)域中的模逆运算单元,而使列混合及其逆变换模块最大限度地共享p(x)乘运算单元,以较小的硬件代价实现了字节代换模块和列混合模块的硬件可逆设计.最后在Xilinx的FPGAVirtexE xev2000e-6上进行了仿真验证,实验结果表明,与其他同类设计相比,新设计方案明显减少了硬件开销.     

一种基于遗传算法的动态电流测试生成方法

针对数字电路测试矢量生成复杂、数量庞大的问题,研究了采用遗传算法进行优化选择的数字电路动态电流测试矢量生成方法.利用遗传算法全局优化、并行处理结构等特性来获得冗余度较小的精简测试集.将得到的测试集施加至电路中,并检测数字电路动态电源电流,再采用小波包分析提取故障特征信息,用BP神经网络来进行故障定位.以ISCA85'基准电路C432为例,验证了文中方法的有效性和可行性.实验结果表明所提出的新方法可以在较小的测试集下达到100%的故障诊断率.     

闭环Boost电路电解电容的故障预测方法研究

为了实现闭环Boost电路中电解电容的故障预测,本文采用基于特征参数退化的方法,利用LS-SVM及LS算法对电解电容的特征参数序列进行预测,实现了电解电容的故障预测与剩余寿命估计.仿真及物理实验均证明了本文方法的有效性及准确性.     

基于场景匹配与可重构技术的自适应道路检测

车辆视觉辅助导航系统要求具有很高的鲁棒性和实时性。而视觉处理系统中,单一算法很难克服环境变化产生的影响,做到各种道路环境下的最优。针对目前这一研究难点,提出了基于道路场景匹配和硬件可重构技术的自适应道路检测方法。该方法基于道路场景分类来实现算法与道路场景的最佳匹配,利用可重构硬件来实现硬件算法功能的实时自适应重构,由此实现车辆视觉辅助导航自适应道路检测。实验结果表明:该方法具有检测性能好、鲁棒性强、实时性高的优点,检测正确率达到了90.17%,较好地解决了检测系统自适应性与实时性之间的矛盾。     

直流绝缘故障检测智能传感器系统

为实现直流供电系统中的绝缘故障检测,研制了一种以AVR单片机为核心的智能传感器系统。该系统利用电磁感应原理检测直流供电系统中电气负载馈电回路的不平衡电流,实现了对电气负载绝缘故障的检测。经过现场测试,该智能传感器系统具有低功耗、高可靠性和易使用的特点,试验结果表明:系统达到了检测准确度要求。     

行驶车辆磁感应检测及智能道路传感系统

智能运输系统的前提条件之一是实现道路行驶车辆自动检测与交通信息实时采集。详细分析了磁感应式行驶车辆检测工作原理,建立了道路交通流信息计算模型,完成了基于DSP技术的智能检测系统设计与实现,采取了软硬件综合技术来对付现场各种干扰与噪声信号。对试验结果进行了分析,实际测试表明:系统性能稳定可靠。     

功率变换电路电解电容器故障预测方法研究

本文对功率变换电路中电解电容故障预测方法进行了研究,提出了一种基于快速傅立叶变换(FFT)与最小二乘支持向量机(LS-SVM)相结合的故障预测方法。通过对电解电容失效机理进行研究,建立其等效电路故障模型,并选择等效串联电阻(ESR)作为寿命特征参数、输出纹波电压和电容电流作为监测信号;通过FFT对监测信号进行频域分析,计算ESR;利用LS-SVM对ESR回归建模、预测。将提出的方法应用于Buck电路,对电解电容的故障进行预测。实验结果表明,该方法可以准确的对电解电容故障进行预测。     

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。     

基于敏感度因子与故障隔离度的模拟电路测点选择

提出了一种基于类内类间敏感度因子与故障隔离度的新方法对模拟电路测试节点进行优选.计算电路各测点采样数据的类内与类间距离离散度来定义测点敏感度因子,根据敏感度因子大小对待优选测点进行重新排序,利用KNN网络计算重排序测试节点的故障隔离组(度),最后优选出能辨识全部预设故障的最优测试节点集.实验结果证明:新方法得出的最优测点集包含的测点数量更少,该方法可以优选出相比其他文献方法故障诊断效率更高的同等规模的测试节点集合.