一、容差电路故障诊断BP和SOFM神经网络方法（论文文献综述）
崔业梅[1]（2021）在《BP神经网络实现模拟电路故障诊断的LabVIEW仿真》文中进行了进一步梳理为了实现模拟电路的故障诊断,利用Multisim软件的蒙特卡罗分析,在给定电路元器件参数容差的统计分布规律的情况下,其随机采样序列参数由一组伪随机数产生,并用得到的元器件参数来模拟所设计电路的功能。结合电路故障设置,建立了模拟电路故障数据集,利用LabVlEW软件提供的MATLAB script节点进行编程,调用MATLAB软件的神经网络工具箱构建BP神经网络,利用数据集对BP神经网络进行训练,把训练好的模型用于模拟电路故障诊断,通过理论分析等保证了系统的可靠性和准确性,仿真效果好。
迮良佳[2]（2021）在《模拟电路信号特征分析及故障诊断算法优化》文中进行了进一步梳理随着电子系统的应用领域日渐广泛,电子电路的复杂性和集成度不断加深,对电路测试技术的要求也越来越高。模拟电路作为电子电路系统的重要组成部分,对其故障诊断技术的优化是提高电子电路测试技术的必要途径。然而,由于模拟电路元件的容差性和非线性,以及可测节点有限等特性,以往的故障诊断方法难以取得理想的测试结果,因此有必要探索更高效的测试诊断方法。本文基于神经网络技术,结合小波包分析方法,针对模拟电路中的软故障问题,引入粒子群算法、杂草算法等智能算法,对BP神经网络进行了一系列的优化,旨在提高其故障诊断的精度和效率。本文主要从以下几项展开研究:1、探索小波包分析和神经网络在模拟电路故障诊断领域的应用方法。小波包分析具有良好的时频分析特性,能提取得到优质的故障特征;神经网络具有出色的泛化学习能力和非线性映射性能。本文先用小波包分析实现模拟电路的故障特征提取,再结合神经网络的分类识别能力,实现模拟电路的故障定位。2、构建基于粒子群算法优化BP网络参数（PSO-BP）的模拟电路故障诊断模型,提高基于BP网络分类模型的诊断精度和收敛速度;其次,针对粒子群算法易陷入局部收敛的不足进行改进,引入变异算子的同时结合非线性递减权值策略,提出了一种基于改进粒子群（IPSO）算法优化BP网络参数（IPSO-BP）的改进型分类模型,分别采用Sallen-key和CTSV滤波电路进行故障诊断的仿真和实验,结果表明IPSO-BP分类模型的诊断效果优于BP网络、PSO-BP分类模型,具有较快的收敛速度和较高的诊断精度。3、构建基于入侵杂草算法优化BP网络参数（IWO-BP）的模拟电路故障诊断模型,进一步提升基于BP网络分类模型的诊断精度和收敛速度。接着引入自适应参数选择策略,同时融入差分进化算法的交叉、变异、选择算子,提出一种自适应杂草混合算法（AIWODE）优化BP网络参数（AIWODE-BP）的改进型分类模型,分别采用两个典型电路验证其分类效果,结果表明AIWODE-BP分类模型能有效地防止局部收敛,缩短故障分类时间,获得更高的故障诊断精度。4、提出一种杂草粒子群混合算法（HPSO）来优化BP网络参数的改进型分类模型。对三种典型电路进行仿真分析,并与IPSO-BP、AIWODE-BP、CS-BP和IWOBP以及PSO-BP分类模型进行对比,结果表明HPSO-BP分类模型能够获得最优的故障分类效果。本文工作是对智能化故障诊断方法的有益探索,在一定程度上丰富了模拟电路故障诊断的研究成果。
阮济民[3]（2021）在《矩阵模型优化的模拟电路故障诊断方法研究》文中研究表明随着时代在不停的进步,我国自主研发芯片越来越成为重中之重。芯片热也是近几年的关键词,但是在自主研发芯片的时候就会出现很多问题,因为现在的芯片越来越集成化了,所以当芯片一旦出现问题就会造成重大损失,并且在很多地方,投入电路测试中的成本也逐渐高于电路实际的研发成本;尤其是模拟电路集成芯片,被运用于医疗、航天、通讯等各种领域。尽管学者们对模拟电路故障诊断进行了深入研究与探讨,在未来仍将面临越来越多挑战,但是到目前为止,仍然没有一种成熟有效的方法能广泛的应用到实际电路中,因为模拟电路本身存在很多的制约条件,如:容差、阻差、非线性、有源和无源器件,这些条件都将会影响模拟电路本身;当模拟电路发生故障,没有一种能够有效的解决所有问题的方法。目前发表研究模拟电路故障诊断的论文有很多,人工智能方法居多,其主要依靠大量数据来完成模拟电路故障诊断。本文主要对输出电压进行测量,将测量的电压值作为矩阵模型来对电路进行故障诊断,以两个国际标准电路Sallen＿key、CTSV电路以及对数放大器电路作为实验研究对象;通过时间的不同,测量输出电压值,利用电压值的不同组成输出矩阵,然后以矩阵为模型基础,对矩阵的优化进行一系列的研究,从矩阵的特性和矩阵的降维、分类两方面着手,这能够更好的对模拟电路进行故障诊断,并且故障能够精确定位。本文涉及的工作和方法创新如下:（1）针对现有模拟电路故障诊断方法的人工神经网络、支持向量机（SVM）等人工智能算法,这些人工智能算法需要大量的训练样本,如果训练样本不够多或者训练时间不够,则会导致故障诊断率下降,所以本文提出了一种利用矩阵特征分析进行模拟电路故障诊断方法。该方法建立了一个输出响应方阵,当电路发生故障时,方阵中的元素会发生变化。根据矩阵理论,在对矩阵理论深入研究发现,矩阵里面的元素发生变化时,矩阵的谱半径和最大奇异值也会随之而改变,但是也可能发生两个矩阵拥有相同谱半径的情况,所以本文使用谱半径和最大奇异值来寻找矩阵之间的差异,在谱半径和最大奇异值共同的作用下,描述矩阵的特性。Sallen＿Key电路、对数放大器电路和CTSV电路的实验结果表明,该方法能够很好的判断模拟电路是否发生故障以及故障定位。本文中方法的有效性在Sallen＿Key电路、对数放大器电路、CTSV电路上得到了验证,并且在这三个电路中,故障诊断率高达100%。（2）本文进一步提出了一种将矩阵模型与机器学习相结合的方法,与传统的机器学习相对比,诊断率有所提高,同时也验证了矩阵模型对模拟电路故障诊断方法的可行性与有效性。针对模拟电路故障诊断特征提取和特征分类问题,提出了一种基于优化矩阵随机森林算法（Random Forest algorithm,RF）的模拟电路故障诊断方法,该方法建立在优化矩阵基础上,然后通过三个激励建立特殊的优化矩阵模型。此外,在仿真软件中,根据不同时间测量输出节点的电压值,由测量的电压值共同构建一个输出电压值矩阵。当电路发生故障时,随着激励的输入,输出响应矩阵中的元素会随之发生变化,通过使用局部均值分解生成一个新的优化矩阵,然后将优化矩阵输入到随机森林算法（RF）中,利用多维向量能够具有不同的有效特征,将优化的矩阵模型通过bagging和决策树的共同作用,能够准确的进行单故障和多故障的模拟电路故障诊断的研究。这与其他类型的人工智能算法相比,优化矩阵随机森林算法（RF）不仅能够同时满足特征提取和特征分类的效果,而且故障诊断率达到99.5%。
叶志伟[4]（2021）在《基于深度置信网络的模拟电路间歇故障检测》文中研究指明随着计算机技术的高速发展,电路系统所占的比例越来越大。在数模混合电路中的大部分故障来源于模拟电路部分。模拟电路由于其连续性,非线性及元件参数的容差性等特点,使得诊断过程十分复杂。通常大家所认为的故障是永久故障,其实还有更为特殊的瞬时故障和间歇故障,其中瞬时故障和间歇故障的表现非常类似,因此它们之间没有严格的区别。在此,可以将两者统称为间歇故障。恶劣的工作条件会导致模拟电路间歇故障经常发生,间歇故障具有难复现、难测试、难诊断等问题。对模拟电路故障和间歇故障的诊断也是许多学者研究的重点。论文分析研究了模拟电路故障诊断中故障的特征提取和模式分类等两方面的关键技术:对于模拟电路故障特征提取的问题,提出两种方法。一种是提出利用时域分析统计量（如样本极差,均值,标准差,偏斜度,峭度和熵等）作为模拟电路故障的特征向量。另一种方法是提出一种小波包变化的时频分析方法来进行故障特征的提取。通过对电路的原始信号进行多层小波包分解,再对分解系数进行重构后求得小波包能量熵,最后使用当前主流的主成分分析方法（PCA）来进行特征选择,进一步降维后得到模拟电路的故障特征向量。对于模拟电路故障识别分类的问题,研究了深度置信网络（DBN）模型的构造方法。DBN作为深度学习中的一种模型,具有很好特征识别和分类能力,同时还具有强大的处理高维非线性数据和自学习的能力,能够有效准确的定位故障。搭建模拟电路模型收集到原始数据集后,对其进行时域特征提取,然后作为DBN网络的输入,经实验结果表明此方法有良好的故障诊断效果可以达到较高的识别率。为了进一步提高模拟电路的故障识别率并且降低网络模型的迭代次数,对原始数据进行小波包能力熵的提取,然后使用PCA方法进行降维得到特征向量,将其作为模拟电路的特征向量输入到DBN网络模型中,对DBN网络模型进行训练学习后完成故障的诊断。最后,将提出的方法与常见的模拟电路故障诊断方法进行比较,结果表明所提方法具有更高的故障识别率。针对模拟电路系统间歇故障发生的时间、频率、概率及故障强度等随机性强,难以建模和检测这一工程实际问题。搭建模拟电路间歇故障的电路模型进行数据的收集,将小波包能量熵与DBN相结合的方法运用在更为特殊的模拟电路间歇故障诊断中,该方法通过样本集训练出有效的DBN模型,实现了对间歇故障的诊断。与BP反向传播算法进行对比,实验结果表明提出的DBN方法在模拟电路间歇故障诊断中表现依旧优异。
何朝劼,于文震,郑元珠[5]（2021）在《基于WPEE-RF的模拟电路故障诊断》文中研究表明为实现高效的模拟电路故障诊断,提出了基于小波包能量熵（WPEE）和随机森林（RF）的模拟电路故障诊断方法;选择合适的测试激励信号,监测电路收集数据,对模拟电路监测数据进行5层小波包分解,计算多频带WPEE向量表征故障特征,由RF分类器实现故障诊断;仿真实验结果表明,该方法在双二次滤波电路、Sallen-key滤波电路容差故障诊断以及对数放大器综合故障诊断中体现出良好的性能,故障诊断准确率达99%以上,且该方法具有参数鲁棒性,RF模型训练时间短;较支持向量机和BP网络方法相比,表现出更好的综合性能,更能贴近工程实践应用。
张晓连[6]（2021）在《基于神经网络组的模拟电路故障分级诊断研究》文中研究说明近年来,电子系统被广泛应用于各个领域,同时对其运行稳定性也提出了更严苛的要求。故障诊断技术作为保证电子系统安全可靠运行的重要手段,当电路出现故障后,通过电路故障诊断,可快速诊断故障类型,定位故障位置及评估故障程度,极大减少因电路故障导致的经济损失,提高企业效益。电子系统通常由模数混合电路组成,其中模拟电路虽然所占比例较少,但因其连续性、非线性、容差性及易受环境干扰等因素,导致模拟电路在系统电路中发生故障频率较高。因此,研究模拟电路故障诊断技术具有重要的实际工程意义。目前模拟电路故障诊断领域的研究重点在于优化特征提取和神经网络算法上,但这些方法大多数都只能定位到故障元件,不能进一步识别故障元件的参数区间,因此对模拟电路故障的分级诊断展开了研究。现有的模拟电路故障分级诊断方法主要有分级故障字典法、网络撕裂法和分层多级决策树法等,这些方法虽然能识别出故障元件参数区间,但其诊断过程较为复杂,计算量较大,工程实用性和通用性也较低。另外,通过对现有的模拟电路故障诊断方法进一步研究发现,大多数方法都是通过电路的多个测试节点对部分灵敏度较高的元件进行诊断,并且其故障特征参数也仅为电路的输出电压。针对上述问题,提出了一种基于BP神经网络组的模拟电路故障分级诊断方法,该方法通过对模拟电路输出端仅有的一个测试节点同时进行瞬态分析和交流分析,其中将瞬态分析后的信号进行FFT变换,提取信号的直流分量、基波幅值、基波相位角和失真度值作为故障特征参数,同时抽取交流分析后不同频率下的电压幅值也作为特征参数。将提取的故障特征参数送入BP神经网络组中,实现对电路所有元件的故障自动分级诊断,并识别出故障元件的具体参数区间。随后,为验证该诊断方法的可行性,通过Pspice和Matlab对模拟电路中经典的三极管放大电路进行了系统仿真分析。在仿真可行的基础上,设计了基于FPGA+DSP的系统硬件测试平台。该平台包括信号调理、高速A/D、FPGA及DSP等模块电路,主要完成故障模拟电路的参数采集、存储和处理等任务。随后,硬件平台将处理后的数据通过串口传给Matlab。Matlab利用该数据进行神经网络组训练和分级诊断,并将诊断结果显示在上位机界面。最后,通过系统硬件测试平台进行了实测。实测结果表明,该分级诊断方法确实能通过一个输出端测试节点对电路所有元件进行故障自动分级诊断,并识别出故障元件的具体参数区间,最小可识别偏离元件标称值30%的软故障。
陈钇任[7]（2021）在《基于智能优化算法的模拟电路多故障定位和参数识别》文中认为模拟电路是电子设备不可或缺的一部分,其故障诊断方法也一直是研究热点。目前模拟电路故障诊断方法的研究已经很深入,然而在解决元器件容差、参数连续性、多故障诊断等方面依然有欠缺。针对这些问题,本文在复数域圆模型对故障进行隔离的基础上,将故障定位和参数识别的问题转化为全局优化问题,基于智能优化算法实现故障定位和参数识别。本文具体做了如下工作:1)模拟电路故障定位问题转化为全局优化问题。通过复数域建模得到模拟电路的连续故障特征,实现故障隔离。利用PSPICE电路仿真验证了复数域圆模型,接着分析了容差的问题,通过多频率仿真解决容差对故障定位的影响。研究了将故障定位转化为全局优化,利用传递函数建立目标函数,通过优化目标函数可以实现故障定位。2)基于遗传算法设计了实现模拟电路多故障定位的算法。通过电路仿真说明了单测点无法定位双故障,建立了双故障三维模型,通过双测点隔离双故障。设计了实现模拟电路多故障定位的遗传算法,通过范围限定、最优个体保留、灾变等操作提高多故障定位的正确率。仿真实验验证了该算法的有效性和高正确率。最后通过联合仿真实现非线性模拟电路的多故障定位,验证其适用于非线性模拟电路。3)均匀间隔取值对种群进行初始化,利用遗传算法实现了多故障参数识别。不同的故障参数可以得到相同的目标函数值,参数识别的目的是得到所有可能的故障参数。在单个元件参数估计值的大邻域（搜索区间）内均匀间隔取值来初始化遗传算法的种群,通过调整无故障元件参数,得到所有能最小化目标函数的故障元件参数,来确定故障参数的范围。仿真实验验证,并研究了该方法所存在的不足。4)在均匀间隔取值的基础上对遗传算法进行改进,得到更精确的参数识别结果。为了解决参数识别精度不高的问题,提出了动态种群的方法,通过不断淘汰目标函数值过大的个体,动态缩小搜索区间,提高单位长度内取值的密度,从而实现参数识别精度的提高。接着通过仿真实验验证了该算法有效提高参数识别精度。最后对改进前后的算法进行比较,进一步验证改进后算法的优越性。5)研究了基于双目标进化优化的单故障参数识别。根据目标函数-元件参数特征曲,针对边界点的求解,将参数识别转化为求解双目标问题。通过种群分组优化,实现单个算法同时求解最大化问题和最小化问题。仿真实验验证了该方法的有效性,并通过对比分析了该方法的优缺点。
李楠,邓威,王晨,吴光辉[8]（2021）在《基于K-means聚类与概率神经网络的模拟电路故障诊断方法》文中研究说明模拟电路已广泛应用于航空电子系统,模拟电路的失效会影响系统的功能,引起系统故障,甚至引发灾难性的安全事故。为快速准确地实现模拟电路的故障诊断,该文引入概率神经网络方法,并针对传统概率神经网络方法中的诊断准确性、诊断效率问题,提出基于K-means与概率神经网络的模拟电路故障诊断方法,定义聚类有效性指标,采用K-means聚类分析与有效性指标分析相结合的方式,选取聚类中心作为模式层神经元训练概率神经网络模型,从而降低模型的复杂程度,大大减少故障诊断时间。最后,以有源滤波电路为对象,通过与传统概率神经网络方法以及随机概率神经网络方法的对比分析,验证该文方法在故障诊断准确性以及故障诊断效率上的优越性能。
叶剑波[9]（2021）在《多端口网络的非线性模拟电路故障诊断系统研制》文中进行了进一步梳理由于制作工艺和外界条件干扰等原因,绝大多数电子元件都具有非线性特性。非线性模拟电路的信号连续性,元器件参数容差,非线性现象和复杂故障特征等原因导致了对该类电路的诊断难度十分巨大。在非线性模拟电路中,对于单输入单输出系统的诊断已取得了较多成果,而对于多端口网络的系统诊断研究还大多停留在理论阶段,在实际应用方面还不够系统和完善。本文针对多端口网络即多输入多输出的非线性模拟电路,在现有Volterra核诊断理论的基础之上进行了拓展研究,阐述了多端口网络非线性模拟电路的Volterra泛函级数模型,以及基于Volterra核及神经网络的智能诊断原理;使用最优搜索理论对多音测试激励信号进行了搜索优化,通过选择合适频率基底组成的多音激励信号施加在待诊断电路的各输入端,使同一阶Volterra核的输出频率成分互不重合,依据多音激励下的Volterra核频域输出特性,再结合Vandemode法得到Volterra各阶核序列;在非线性模拟电路诊断的Volterra核处理环节,研究电路故障特征的选择提取方法,采用改进退火遗传的核特征提取算法实现对故障特征的提取,达到更快的特征提取速度和更好的特征提取效果,提高了多端口网络非线性模拟电路的故障诊断的效率和准确度。最后完成系统的软硬件设计,研制了具有上位机,待测电路,以及包含有信源采集单元、多音信号发生单元与数据采集单元的多端口非线性模拟电路故障诊断仪所组建的诊断系统,并对具体电路进行了诊断,通过实际的电路故障诊断验证了该系统的有效性与实用性。
刘美容,刘津涛,何怡刚[10]（2021）在《基于EMD复合多尺度熵的模拟电路故障诊断方法》文中指出根据当今模拟电路高集成度、非线性以及易受环境影响等特点,提出一种基于经验模态分解（EMD）结合复合多尺度熵（CMSE）的故障特征提取新方法。首先通过仿真获得电路的输出信号,然后使用经验模态分解,将原始信号分解为有限个固有模态分量以及一个残余分量。再利用复合多尺度熵算法,分别计算出这些固有模态分量在不同时间尺度下的样本熵值,并据此构造能反映电路故障的特征向量。最后,构造BP神经网络,输入这些故障特征向量进行训练和测试,诊断出电路的故障类别。实验结果表明,该方法能将电路中表征故障的特征参数有效的提取出来,对电路的单故障识别有着较高的正确率。
二、容差电路故障诊断BP和SOFM神经网络方法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、容差电路故障诊断BP和SOFM神经网络方法（论文提纲范文）
（1）BP神经网络实现模拟电路故障诊断的LabVIEW仿真（论文提纲范文）
| 0 引言 |
| 1 模拟电路故障数据集的制作 |
| 2 Lab Vl EW软件的MATLAB script节点编程 |
| 3 BP神经网络MATLAB实现 |
| 4 Lab VIEW软件与MATLAB联合调试 |
| 5 结语 |
（2）模拟电路信号特征分析及故障诊断算法优化（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| §1.1 课题研究的背景与意义 |
| §1.2 故障诊断发展历程与现状 |
| §1.3 本文主要研究内容和结构安排 |
| §1.3.1 本文主要研究内容 |
| §1.3.2 本文结构安排 |
| 第二章 模拟电路信号特征分析及神经网络诊断算法 |
| §2.1 引言 |
| §2.2 基于小波包分析的故障特征提取 |
| §2.2.1 小波包分析原理 |
| §2.2.2 故障特征提取的小波包分析方法 |
| §2.2.3 小波包基函数的选择 |
| §2.3 BP神经网络诊断算法研究 |
| §2.3.1 BP神经网络算法研究 |
| §2.3.2 BP神经网络模型建立及其故障诊断方法 |
| §2.4 仿真实例分析 |
| §2.4.1 信号特征提取实例分析 |
| §2.4.2 基于BP神经网络的软故障诊断实例分析 |
| §2.5 本章小结 |
| 第三章 基于PSO算法优化神经网络的模拟电路故障诊断 |
| §3.1 引言 |
| §3.2 基于PSO-BP的模拟电路故障诊断模型 |
| §3.2.1 粒子群优化算法(PSO) |
| §3.2.2 PSO算法寻优性能测试 |
| §3.2.3 PSO-BP诊断模型构建 |
| §3.2.4 诊断实例 |
| §3.3 基于IPSO-BP的模拟电路故障诊断 |
| §3.3.1 改进的粒子群算法(IPSO) |
| §3.3.2 IPSO算法寻优性能测试 |
| §3.3.3 IPSO-BP模型构建及诊断实例 |
| §3.4 本章小结 |
| 第四章 基于IWO算法优化神经网络的模拟电路故障诊断 |
| §4.1 引言 |
| §4.2 基于IWO-BP的模拟电路故障诊断模型 |
| §4.2.1 入侵杂草算法(IWO) |
| §4.2.2 IWO算法寻优性能测试 |
| §4.2.3 IWO-BP诊断模型构建 |
| §4.2.4 诊断实例 |
| §4.3 基于AIWODE-BP的模拟电路故障诊断 |
| §4.3.1 差分进化算法(DE) |
| §4.3.2 自适应杂草混合算法(AIWODE) |
| §4.3.3 AIWODE算法寻优性能测试 |
| §4.3.4 AIWODE-BP模型构建及诊断实例 |
| §4.4 本章小结 |
| 第五章 基于HPSO算法优化神经网络的模拟电路故障诊断 |
| §5.1 引言 |
| §5.2 基于HPSO-BP的模拟电路故障诊断模型 |
| §5.2.1 杂草粒子群混合算法 |
| §5.2.2 HPSO算法寻优性能测试 |
| §5.2.3 HPSO-BP诊断模型构建 |
| §5.3 诊断实例 |
| §5.3.1 Sallen-key带通滤波电路 |
| §5.3.2 CTSV滤波电路 |
| §5.3.3 Leapfrog电路 |
| §5.4 本章小结 |
| 第六章 总结与展望 |
| §6.1 总结 |
| §6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者攻读硕士学位期间取得的的研究成果 |
（3）矩阵模型优化的模拟电路故障诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| §1.1 模拟电路故障诊断研究背景及意义 |
| §1.2 国内外研究现状 |
| §1.2.1 国外研究现状 |
| §1.2.2 国内研究现状 |
| §1.3 本文研究内容和结构安排 |
| §1.3.1 本文主要研究内容 |
| §1.3.2 本文结构安排 |
| §1.4 本章小结 |
| 第二章 模拟电路故障诊断概述 |
| §2.1 模拟电路故障诊断理论 |
| §2.1.1 模拟电路故障诊断的提出 |
| §2.1.2 模拟电路故障分类 |
| §2.2 模拟电路故障诊断难点与诊断方法研究 |
| §2.2.1 模拟电路故障诊断SBT与 SAT方法 |
| §2.2.2 模拟电路故障诊断传统方法与人工智能方法 |
| §2.3 模拟电路故障诊断中的特征提取 |
| §2.3.1 主成分分析 |
| §2.3.2 小波分析 |
| §2.3.3 多分辨分析 |
| §2.4 模拟电路故障诊断中的特征分类 |
| §2.4.1 神经网络在模拟电路故障诊断中的分类 |
| §2.4.2 支持向量机在模拟电路故障诊断中的分类 |
| §2.5 矩阵模型方法的可行性分析与有效性研究 |
| §2.6 本章小结 |
| 第三章 基于输出响应矩阵特性分析的模拟电路故障诊断 |
| §3.1 矩阵特性分析的模拟电路故障诊断提出 |
| §3.2 矩阵特性分析 |
| §3.2.1 输出响应矩阵 |
| §3.2.2 矩阵的谱半径 |
| §3.2.3 矩阵的奇异值概念 |
| §3.2.4 故障诊断步骤 |
| §3.3 Sallen_Key电路故障诊断 |
| §3.3.1 Sallen_Key电路故障诊断与分析 |
| §3.3.2 试验数据 |
| §3.4 电路故障诊断 |
| §3.4.1 CTSV电路以及对数放大电路介绍 |
| §3.4.2 数据及对比 |
| §3.5 本章小结 |
| 第四章 基于优化矩阵随机森林算法的模拟电路故障诊断 |
| §4.1 局部均值分解 |
| §4.1.1 局部均值分解概况 |
| §4.1.2 局部均值分解原理 |
| §4.2 随机森林算法 |
| §4.2.1 随机森林算法介绍 |
| §4.2.2 随机森林算法原理 |
| §4.2.3 随机森林算法特征提取 |
| §4.2.4 随机森林算法特征分类 |
| §4.3 Sallen_Key电路故障诊断与实例分析 |
| §4.3.1 故障诊断流程图 |
| §4.3.2 Sallen_Key电路故障诊断 |
| §4.3.3 Sallen_Key电路故障及特征提取 |
| §4.3.4 Sallen_Key电路故障分类及诊断结果 |
| §4.4 CTSV电路故障诊断与实例分析 |
| §4.4.1 CTSV电路多故障诊断 |
| §4.4.2 CTSV电路仿真结果 |
| §4.5 对数放大电路故障诊断与实例分析 |
| §4.5.1 对数放大器电路多故障诊断 |
| §4.5.2 对数放大器电路仿真结果 |
| §4.6 结论 |
| 第五章 总结与展望 |
| §5.1 本文工作总结 |
| §5.2 创新内容 |
| §5.3 研究展望 |
| 参考文献 |
| 致谢 |
| 作者在攻读硕士期间的主要研究成果 |
（4）基于深度置信网络的模拟电路间歇故障检测（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 模拟电路故障诊断国内外研究现状 |
| 1.3 模拟电路故障诊断方法 |
| 1.3.1 传统的模拟电路故障诊断方法 |
| 1.3.2 现代的模拟电路故障诊断方法 |
| 1.4 间歇故障 |
| 1.4.1 间歇故障研究背景及意义 |
| 1.4.2 间歇故障研究综述 |
| 1.5 文章研究内容及安排 |
| 第二章 信号特征提取及模拟电路模型搭建 |
| 2.1 引言 |
| 2.2 传统的信号分析法 |
| 2.2.1 时域信号分析 |
| 2.2.2 频域分析 |
| 2.3 小波分析法 |
| 2.4 小波包分析法 |
| 2.4.1 小波包分解 |
| 2.4.2 小波包基函数选取 |
| 2.4.3 小波包能量熵的特征提取 |
| 2.5 主成分分析法 |
| 2.6 模拟电路模型 |
| 2.6.1 Sallen-key带通滤波器模型 |
| 2.6.2 四运放双二次高通滤波器模型 |
| 2.6.3 模拟电路间歇故障的电路模型 |
| 2.7 本章小结 |
| 第三章 基于深度置信网络的模拟电路故障诊断 |
| 3.1 引言 |
| 3.2 DBN模型 |
| 3.2.1 RBM框架 |
| 3.2.2 训练RBM |
| 3.2.3 DBN模型框架 |
| 3.2.4 DBN模型参数的选取 |
| 3.3 实例 |
| 3.3.1 诊断步骤 |
| 3.3.2 诊断实例 |
| 3.4 本章小结 |
| 第四章 基于小波包能量熵和PCA-DBN的模拟电路故障诊断 |
| 4.1 引言 |
| 4.2 PCA降维 |
| 4.3 诊断步骤 |
| 4.4 Sallen-key带通滤波电路诊断实例 |
| 4.4.1 特征提取 |
| 4.4.2 实验验证 |
| 4.5 四运放双二次高通滤波器诊断实例 |
| 4.5.1 特征提取 |
| 4.5.2 实验验证 |
| 4.6 本章小结 |
| 第五章 基于小波包能量熵和DBN的模拟电路间歇故障诊断 |
| 5.1 引言 |
| 5.2 模拟电路间歇故障实例 |
| 5.2.1 诊断步骤 |
| 5.2.2 诊断实例 |
| 5.3 BP反向传播神经网络 |
| 5.3.1 BP反向传播神经网络原理 |
| 5.3.2 反向传播神经网络计算过程 |
| 5.3.3 实验分析和对比 |
| 5.4 本章小结 |
| 第六章 总结和展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的研究成果 |
（5）基于WPEE-RF的模拟电路故障诊断（论文提纲范文）
| 0 引言 |
| 1 WPEE特征提取 |
| 1.1 小波包变换 |
| 1.2 WPEE特征提取 |
| 2 RF算法 |
| 3 基于WPEE-RF的模拟电路故障诊断方法 |
| 4 模拟电路故障诊断实例 |
| 4.1 双二次滤波器电路诊断实例 |
| 4.2 Sallen-key带通滤波器诊断实例 |
| 4.3 对数放大器诊断实例 |
| 5 结束语 |
（6）基于神经网络组的模拟电路故障分级诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 选题背景和意义 |
| 1.2 模拟电路故障诊断的发展历程 |
| 1.3 模拟电路故障诊断的研究现状 |
| 1.4 论文的研究内容及结构安排 |
| 2 基于BP神经网络组的模拟电路故障分级诊断原理 |
| 2.1 BP神经网络及其算法 |
| 2.2 基于BP神经网络组的分级诊断模型 |
| 2.3 分级诊断方案及故障特征参数提取原理 |
| 2.4 本章小结 |
| 3 系统仿真分析 |
| 3.1 单级三极管放大电路故障诊断仿真分析 |
| 3.2 两级三极管放大电路故障诊断的仿真分析 |
| 3.3 本章小结 |
| 4 模拟电路故障分级诊断系统硬件设计 |
| 4.1 系统硬件实现方案 |
| 4.2 系统硬件电路设计 |
| 4.3 本章小结 |
| 5 模拟电路故障分级诊断系统软件设计 |
| 5.1 FPGA软件设计 |
| 5.2 DSP软件设计 |
| 5.3 DSP与 Matlab的串口通信设计 |
| 5.4 上位机软件设计 |
| 5.5 本章小结 |
| 6 系统测试与结果分析 |
| 6.1 测试平台的搭建 |
| 6.2 硬件电路测试 |
| 6.3 软件测试 |
| 6.4 系统测试及结果分析 |
| 6.5 本章小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
| 在校期间发表的学术论文及参与的科研项目 |
（7）基于智能优化算法的模拟电路多故障定位和参数识别（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 选题背景及研究意义 |
| 1.2 模拟电路故障定位和参数识别研究现状 |
| 1.3 论文结果与研究内容 |
| 第二章 故障定位的问题转化 |
| 2.1 复数域建模 |
| 2.2 建立圆模型 |
| 2.3 仿真实验验证 |
| 2.3.1 故障特征提取 |
| 2.3.2 完整复数域模型 |
| 2.3.3 容差问题 |
| 2.4 故障定位的问题转化 |
| 2.5 目标函数分析 |
| 2.6 遗传算法 |
| 2.6.1 个体编码和解码 |
| 2.6.2 种群初始化 |
| 2.6.3 选择 |
| 2.6.4 交叉 |
| 2.6.5 变异 |
| 2.7 本章小结 |
| 第三章 基于遗传算法的模拟电路多故障定位 |
| 3.1 单测点无法定位双故障 |
| 3.2 双故障的三维模型 |
| 3.3 设计的遗传算法 |
| 3.3.1 子集初始化 |
| 3.3.2 后代生成 |
| 3.3.3 计算适应度 |
| 3.3.4 最优个体保留 |
| 3.3.5 环境优选 |
| 3.4 仿真实例验证 |
| 3.4.1 初始化 |
| 3.4.2 多故障定位 |
| 3.4.3 统计实验 |
| 3.4.4 对比实验 |
| 3.5 非线性模拟电路多故障定位 |
| 3.6 本章小结 |
| 第四章 均匀间隔取值的遗传算法参数识别 |
| 4.1 参数识别问题描述 |
| 4.2 均匀间隔取值的参数识别遗传算法 |
| 4.2.1 定位结果分析 |
| 4.2.2 均匀间隔取值的种群初始化 |
| 4.2.3 交叉变异操作 |
| 4.2.4 优选 |
| 4.3 仿真实验验证 |
| 4.4 本章小结 |
| 第五章 动态种群的遗传算法参数识别 |
| 5.1 问题阐述 |
| 5.2 动态种群的参数识别遗传算法 |
| 5.2.1 淘汰适应度较差个体 |
| 5.2.2 重新定义种群 |
| 5.3 仿真实验与对比 |
| 5.3.1 仿真实验验证 |
| 5.3.2 对比分析 |
| 5.4 阈值改进 |
| 5.5 本章小结 |
| 第六章 基于双目标进化优化的参数识别 |
| 6.1 问题阐述和双目标进化优化 |
| 6.1.1 问题阐述 |
| 6.1.2 双目标进化优化 |
| 6.2 算法设计 |
| 6.2.1 种群分组 |
| 6.2.2 优选 |
| 6.3 仿真实验验证 |
| 6.4 对比分析 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 本文总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 攻硕期间取得的研究成果 |
（9）多端口网络的非线性模拟电路故障诊断系统研制（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外发展现状 |
| 1.2.1 国外发展现状 |
| 1.2.2 国内发展现状 |
| 1.3 主要研究内容 |
| 第2章 故障诊断原理及Volterra核的获取 |
| 2.1 非线性模拟电路Volterra级数描述 |
| 2.1.1 单输入单输出非线性系统Volterra级数的描述 |
| 2.1.2 多端口网络非线性系统Volterra级数的描述 |
| 2.2 多端口网络非线性模拟电路Volterra核的获取 |
| 2.2.1 多音激励信号下Volterra核的获取 |
| 2.2.2 高阶Volterra核的获取 |
| 2.3 基于Volterra核及神经网络的智能故障诊断研究 |
| 2.4 本章小结 |
| 第3章 测试激励优化和基于退火遗传算法的Volterra核特征选择和提取 |
| 3.1 多音测试激励信号的优化 |
| 3.1.1 最优搜索理论 |
| 3.1.2 多音测试激励信号的优化 |
| 3.2 退火遗传混合优化算法 |
| 3.2.1 退火遗传混合算法的原理及改进 |
| 3.2.2 退火遗传混合优化算法的仿真验证 |
| 3.3 基于改进退火遗传的故障特征选择与提取方法研究 |
| 3.3.1 改进退火遗传的故障特征选择方法 |
| 3.3.2 改进退火遗传的故障特征提取方法 |
| 3.3.3 Volterra核的退火遗传特征选择实例 |
| 3.4 本章小结 |
| 第4章 故障诊断系统硬件设计 |
| 4.1 诊断系统的总体结构 |
| 4.2 主控单元 |
| 4.3 数据采集模块 |
| 4.4 多音信号发生单元 |
| 4.5 USB通信模块 |
| 4.6 系统其它模块 |
| 4.7 本章小结 |
| 第5章 故障诊断系统软件设计与实验 |
| 5.1 上位机软件总体设计 |
| 5.2 上位机软件流程设计 |
| 5.3 特征提取的程序设计 |
| 5.4 故障诊断的程序设计 |
| 5.5 系统诊断实例 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间发表的学术论文及获奖情况 |
| 致谢 |
（10）基于EMD复合多尺度熵的模拟电路故障诊断方法（论文提纲范文）
| 0 引 言 |
| 1 经验模态分解 |
| 2 复合多尺度熵 |
| 2.1 多尺度熵理论 |
| 2.2 复合多尺度熵 |
| 3 仿真实验及分析 |
| 3.1 故障诊断流程 |
| 3.2 故障诊断实例 |
| 3.3 特征提取 |
| 3.4 结果分析 |
| 4 结 论 |
四、容差电路故障诊断BP和SOFM神经网络方法（论文参考文献）
- [1]BP神经网络实现模拟电路故障诊断的LabVIEW仿真[J]. 崔业梅. 长江信息通信, 2021(09)
- [2]模拟电路信号特征分析及故障诊断算法优化[D]. 迮良佳. 桂林电子科技大学, 2021
- [3]矩阵模型优化的模拟电路故障诊断方法研究[D]. 阮济民. 桂林电子科技大学, 2021
- [4]基于深度置信网络的模拟电路间歇故障检测[D]. 叶志伟. 江西理工大学, 2021(01)
- [5]基于WPEE-RF的模拟电路故障诊断[J]. 何朝劼,于文震,郑元珠. 计算机测量与控制, 2021(08)
- [6]基于神经网络组的模拟电路故障分级诊断研究[D]. 张晓连. 四川师范大学, 2021(12)
- [7]基于智能优化算法的模拟电路多故障定位和参数识别[D]. 陈钇任. 电子科技大学, 2021(01)
- [8]基于K-means聚类与概率神经网络的模拟电路故障诊断方法[J]. 李楠,邓威,王晨,吴光辉. 中国测试, 2021(03)
- [9]多端口网络的非线性模拟电路故障诊断系统研制[D]. 叶剑波. 哈尔滨理工大学, 2021(09)
- [10]基于EMD复合多尺度熵的模拟电路故障诊断方法[J]. 刘美容,刘津涛,何怡刚. 电子测量技术, 2021(04)