發(fā)布時(shí)間：2020-05-31 14:07

【摘要】：復(fù)雜電氣與電子系統(tǒng)在航空、航天、航海、工業(yè)制造、核、新能源和高鐵等領(lǐng)域中發(fā)揮了越來(lái)越重要的作用。模擬電路是復(fù)雜電氣與電子系統(tǒng)的重要組成部分,其故障預(yù)測(cè)與健康管理(prognostics and health management,PHM)技術(shù)的研究,逐漸成為了熱點(diǎn)方向。模擬電路的PHM對(duì)于復(fù)雜電氣與電子系統(tǒng)的運(yùn)行狀態(tài)評(píng)估、異常發(fā)現(xiàn)、快速診斷、精準(zhǔn)維修、提升系統(tǒng)運(yùn)行可靠性和安全性等,均具有重要的價(jià)值和意義。本文使用深度學(xué)習(xí)中的深度置信網(wǎng)絡(luò)(deep belief network,DBN)技術(shù)提取模擬電路早期故障的特征,其中DBN中受限玻爾茲曼機(jī)(restricted Boltzmann machine,RBM)的學(xué)習(xí)率應(yīng)用量子粒子群(quantum-behaved particle swarm optimization,QPSO)算法優(yōu)化生成。應(yīng)用支持向量機(jī)(support vector machine,SVM)方法建立早期故障診斷模型對(duì)各類早期故障進(jìn)行識(shí)別。在模擬電路故障預(yù)測(cè)的研究中,針對(duì)模擬電路中已經(jīng)識(shí)別的早期故障元件,提取其輸出電壓作為特征,計(jì)算其皮爾遜相關(guān)系數(shù)(Pearson product-moment correlation coefficient,PPMCC)作為健康度,應(yīng)用多核相關(guān)向量機(jī)(multiple kernel relevance vector machine,MKRVM)方法預(yù)測(cè)其剩余有用性能(remaining useful performance,RUP)。本文主要工作如下:(1)針對(duì)當(dāng)前故障診斷中特征提取方法的不足,重點(diǎn)研究了應(yīng)用深度學(xué)習(xí)中DBN對(duì)模擬電路的早期故障特征進(jìn)行提取的方法,對(duì)于影響基于DBN的特征提取方法效果的關(guān)鍵參數(shù)-RBM的學(xué)習(xí)率,提出一種應(yīng)用QPSO算法進(jìn)行優(yōu)化取值的方法。應(yīng)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(shù)據(jù),通過SVM方法建立早期故障診斷模型對(duì)各類早期故障進(jìn)行識(shí)別,其中SVM的懲罰因子和寬度因子應(yīng)用QPSO算法優(yōu)化生成,可有效提高早期故障診斷的正確率。(2)針對(duì)當(dāng)前模擬電路故障預(yù)測(cè)研究較少的現(xiàn)狀,重點(diǎn)研究了一種模擬電路故障預(yù)測(cè)的體系結(jié)構(gòu)。在該體系結(jié)構(gòu)中,首先提出了一種提取輸出電壓為模擬電路故障預(yù)測(cè)特征的方法,簡(jiǎn)單且效果好。提出了模擬電路元件健康度的概念,通過計(jì)算模擬電路元件退化時(shí)輸出電壓與元件位于標(biāo)稱值時(shí)輸出電壓的PPMCC,作為該元件的健康度。通過對(duì)該元件進(jìn)行一個(gè)較長(zhǎng)時(shí)間內(nèi)輸出電壓的測(cè)量和健康度的計(jì)算,生成其樣本數(shù)據(jù)。利用MKRVM算法對(duì)樣本數(shù)據(jù)進(jìn)行機(jī)器學(xué)習(xí),建立其故障預(yù)測(cè)模型,從而預(yù)測(cè)該元件故障發(fā)生時(shí)間和計(jì)算其RUP,其中MKRVM核函數(shù)的稀疏系數(shù)由QPSO算法優(yōu)化生成。(3)以Sallen Key帶通濾波器電路、四運(yùn)放雙二階高通濾波器電路和非線性整流電路為被測(cè)電路,針對(duì)被測(cè)電路中的元件進(jìn)行模擬電路早期故障診斷實(shí)驗(yàn)和模擬電路故障預(yù)測(cè)實(shí)驗(yàn)。在早期故障診斷實(shí)驗(yàn)中,應(yīng)用基于DBN的特征提取方法提取的各個(gè)早期故障類別的特征,表現(xiàn)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(diǎn)。經(jīng)QPSO算法優(yōu)化后的建立的SVM早期故障診斷模型,對(duì)3個(gè)電路進(jìn)行早期故障診斷的正確率分別為100%、96.41%和100%。在故障預(yù)測(cè)實(shí)驗(yàn)中,本文提出的MKRVM方法對(duì)已于早期故障診斷中識(shí)別的8個(gè)元件進(jìn)行了故障預(yù)測(cè)實(shí)驗(yàn),預(yù)測(cè)的結(jié)果均在設(shè)定的置信區(qū)間中,表明了故障預(yù)測(cè)的精度較高,并通過對(duì)比實(shí)驗(yàn)證明了在故障預(yù)測(cè)方面MKRVM方法優(yōu)于基于單核學(xué)習(xí)方法的傳統(tǒng)RVM方法。
【圖文】：

Step 4：基于 SVM 方法，應(yīng)用提取的特征構(gòu)建早期故障診斷模型，其中罰因子和寬度因子應(yīng)用 QPSO 算法優(yōu)化；Step 5：應(yīng)用測(cè)試樣本數(shù)據(jù)對(duì)特征提取方法和早期故障診斷模型進(jìn)行測(cè)試Step 6：輸出測(cè)試樣本數(shù)據(jù)的診斷正確率，以此評(píng)價(jià)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(shí)驗(yàn)的測(cè)試電路和元件Sallen Key 帶通濾波器電路作為第一個(gè)測(cè)試電路，其電路原理見圖 3.2。的標(biāo)稱值已經(jīng)在圖中標(biāo)出。在元件靈敏度測(cè)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(cè)試元件。測(cè)量數(shù)據(jù)中 類故障類別，即 R2↑、R2↓、R3↑、R3↓、C1↑、C1↓、C2↑、C2↓和無(wú)故障（no ，其中↑和↓分別表示元件參數(shù)值高于和低于標(biāo)稱值。激勵(lì)源采用持續(xù)時(shí)s，幅值為 10v 的脈沖波，故障時(shí)域響應(yīng)信號(hào)在電路輸出端采樣獲得。應(yīng)用方法對(duì)每個(gè)故障類別采集 120 個(gè)數(shù)據(jù)樣本，采樣輸出的時(shí)域響應(yīng)信號(hào)為早期故障碼、早期故障類別、標(biāo)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(gè)測(cè)試電路，比第一理見圖 3.3，，其中各個(gè)元件的標(biāo)稱值已經(jīng)在圖中標(biāo)us，幅值為 10v 的脈沖波，故障時(shí)域響應(yīng)信號(hào)在電測(cè)試，選擇 R1、R2、R3、R4、C1和 C2作為測(cè)試對(duì)、R2↓、R3↑、R3↓、R4↑、R4↓、C1↑、C1↓、C2↑和 C法對(duì)每個(gè)故障類別采集 120 個(gè)數(shù)據(jù)樣本，采樣輸期故障碼、早期故障類別、標(biāo)稱值和早期故障值
【學(xué)位授予單位】：合肥工業(yè)大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2018
【分類號(hào)】：TN710

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 趙建松;;模擬電路故障的診斷及檢測(cè)技術(shù)[J];產(chǎn)業(yè)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(jì)算機(jī)測(cè)量與控制;2017年08期

3 楚軍;張栓;沈靜靜;;模擬電路故障預(yù)測(cè)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(cè)與診斷的策略探討[J];數(shù)字技術(shù)與應(yīng)用;2014年01期

5 李超;;基于多特征的模擬電路故障預(yù)測(cè)[J];硅谷;2013年11期

6 劉媛媛;;模擬電路故障的診斷及測(cè)試技術(shù)[J];電子質(zhì)量;2010年08期

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

8 林爭(zhēng)輝，劉牧野;模擬電路故障定值的解析方法[J];上海交通大學(xué)學(xué)報(bào);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?fù)錀l件[J];北京郵電學(xué)院學(xué)報(bào);1987年02期

10 龍治理;;高效測(cè)定模擬電路故障的子網(wǎng)絡(luò)分解法[J];長(zhǎng)沙水電師院學(xué)報(bào)(自然科學(xué)版);1989年06期

相關(guān)會(huì)議論文 前1條

1 王安娜;李明;李華;欒峰;;基于支持向量機(jī)的容差電路故障診斷[A];電工理論與新技術(shù)學(xué)術(shù)年會(huì)論文集[C];2005年

相關(guān)博士學(xué)位論文 前10條

1 張朝龍;模擬電路故障預(yù)測(cè)與健康管理的關(guān)鍵技術(shù)研究[D];合肥工業(yè)大學(xué);2018年

2 王承;基于神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷方法研究[D];電子科技大學(xué);2005年

3 金瑜;基于小波神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷方法研究[D];電子科技大學(xué);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(yè)大學(xué);2013年

5 黃亮;模擬電路故障診斷研究[D];北京交通大學(xué);2012年

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

7 高坤;基于多核共空間模式的超限學(xué)習(xí)機(jī)聚類診斷方法研究[D];湖南大學(xué);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(xué);2015年

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

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

相關(guān)碩士學(xué)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(shù)研究[D];電子科技大學(xué);2018年

2 黃凱倫;基于半監(jiān)督學(xué)習(xí)的模擬電路故障診斷方法研究[D];渤海大學(xué);2018年

3 趙洪玲;模擬電路故障仿真注入技術(shù)研究與實(shí)現(xiàn)[D];北方工業(yè)大學(xué);2016年

4 王嘉家;大規(guī)模模擬電路故障傳播特性研究[D];湖南大學(xué);2010年

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

6 王欣;基于神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷方法研究與實(shí)現(xiàn)[D];西安電子科技大學(xué);2007年

7 涂志均;模擬電路故障仿真與診斷平臺(tái)研制[D];哈爾濱工業(yè)大學(xué);2011年

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

9 孫業(yè)勝;基于優(yōu)選小波包的模擬電路故障深度特征提取方法[D];合肥工業(yè)大學(xué);2017年

10 秦新紅;基于小波包分析神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷方法研究[D];中北大學(xué);2012年

本文編號(hào)：2689970