子空间学习算法在模拟电路故障诊断中的应用

发布时间：2023-12-09 12:18

　　模拟电路故障诊断是关系国计民生的一个研究课题,资料表明,超过60%的集成电路包括数字和模拟混合信号电路,而混合电子系统中80%以上的故障发生在模拟部分,模拟电路的测试成本可占总测试成本的95%。然而由于模拟电路存在着一些固有的困难,对故障元件和参数的诊断与定位并不是一件容易的事,模拟电路故障诊断理论虽然在过去的几十年里取得了不少成果,但一直没有突破性的进展。本文主要围绕着模拟电路故障诊断的关键技术即特征提取方法展开研究,研究了用子空间学习算法进行特征提取时如何提高故障诊断的精度和如何增强算法的抗噪能力两个方面的问题。具体工作如下:(1)针对非线性的子空间学习算法中的核熵成分分析,提出了基于概率密度的熵估计方法,从全带宽矩阵核概率密度函数和高阶核概率密度函数两个角度出发,优化了熵估计。导出了两个更合理、更准确的熵估计式,不仅从理论上证明了这个结论,还给出了仿真试验,试验表明一方面改进的估计式对熵的估计更准确,另一方面改进熵估计的核熵成分分析用于提取模拟电路故障信号的非线性特征时,诊断的准确率得到了提高。(2)针对若干流形算法,将对异常点稳健的扩散距离用于度量流形上两点的距离以及确定流形上...

【文章页数】：209 页

【学位级别】：博士

【文章目录】：
致谢
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 传统模拟电路故障诊断方法
        1.2.2 现代模拟电路故障诊断方法
        1.2.3 模拟电路故障特征提取方法
    1.3 本文的研究内容及安排
        1.3.1 本文的主要内容
        1.3.2 本文的结构安排
第二章 子空间学习算法相关理论
    2.1 子空间学习算法综述
    2.2 线性子空间学习算法
        2.2.1 主成分分析(Principal Component Analysis, PCA)
        2.2.2 线性判别法(Linear Discriminant Analysis, LDA)
        2.2.3 随机投影(Random Projection,RP)
    2.3 基于核方法的子空间学习算法
        2.3.1 核方法
        2.3.2 核主成分分析(Kernel Principal Component Analysis,KPCA)
        2.3.3 核熵成分分析(Kernel Entropy Component Analysis,KECA)
    2.4 流形学习概述
        2.4.1 关于流形的一些定义
        2.4.2 流形学习的一般模式
        2.4.3 流形学习方法的分类
        2.4.4 试验数据集介绍
    2.5 基于距离保持的流形学习算法
        2.5.1 多维尺度分析(Multidimensional Scaling,MDS)
        2.5.2 等距映射算法(Isometric Mapping,ISOMAP)
        2.5.3 极大方差展开(Maximum Variance Unfolding,MVU)
        2.5.4 随机近邻嵌入(Stochastic Neighbor Embedding,SNE)
    2.6 基于拓扑保持的流形学习算法
        2.6.1 局部线性嵌入算法(Locally Linear Embedding,LLE)
        2.6.2 邻域保持嵌入算法(Neighborhood Preserving Embedding,NPE)
        2.6.3 拉普拉斯特征映射(Laplacian Eigenmaps,LE)
        2.6.4 局部保持投影(Locality Preserving Proj ection,LPP)
        2.6.5 局部切空间排列(Local Tangent Space Alignment,LTSA)
        2.6.6 Hessian特征映射(Hessian-LLE,HLLE)
        2.6.7 局部样条嵌入(Local Spline Embedding, LSE)
    2.7 流形学习算法图嵌入框架
        2.7.1 框架介绍
        2.7.2 流形算法的图嵌入
    2.8 仿真实例
        2.8.1 Swiss Roll数据集
        2.8.2 Swiss Hole数据集
        2.8.3 Corner Planes数据集
        2.8.4 Punctured Sphere数据集
        2.8.5 3D Clusters数据集
        2.8.6 Toroidal Helix数据集
    2.9 本章小结
第三章 基于核方法的子空间学习算法的模拟电路特征提取与故障诊断
    3.1 核概率密度估计
        3.1.1 —维随机变量核概率密度估计
        3.1.2 多维随机变量核概率密度估计
        3.1.3 高阶核概率密度估计
    3.2 基于全带宽矩阵的核概率密度估计Renyi熵
        3.2.1 Renyi熵的一个新估计
        3.2.2 估计的无偏性
        3.2.3 全带宽矩阵的选取
        3.2.4 仿真试验
    3.3 基于高阶核的核概率密度估计在KECA中的应用
        3.3.1 Renyi熵的偏差校正
        3.3.2 核特征空间中统计量的分析
    3.4 改进的KECA在模拟电路故障诊断中的应用
        3.4.1 故障特征提取
        3.4.2 故障模式识别
        3.4.3 故障诊断流程
    3.5 诊断实例
        3.5.1 诊断电路和故障设置
        3.5.2 诊断结果
    3.6 本章小结
第四章 基于流形算法的子空间学习算法的模拟电路故障诊断
    4.1 理论背景
        4.1.1 图的数学描述
        4.1.2 图上的随机游走(Random Walk)
        4.1.3 图上的扩散过程
    4.2 扩散映射
        4.2.1 扩散映射(Diffusion Maps)
        4.2.2 扩散距离
    4.3 基于扩散距离的若干流形算法
        4.3.1 ISOMAP—DD算法
        4.3.2 基于扩散距离的其它流形算法
    4.4 基于两阶段的流形算法在模拟电路故障诊断中的应用
        4.4.1 故障特征提取
        4.4.2 故障诊断流程
    4.5 诊断实例
        4.5.1 诊断电路
        4.5.2 故障设置
    4.6 诊断结果
        4.6.1 单个流形学习算法提取故障特征
        4.6.2 其它子空间算法提取故障特征
        4.6.3 两阶段流形算法提取故障特征
        4.6.4 算法的分类性能比较
    4.7 算法有效性分析
        4.7.1 原始故障数据
        4.7.2 中级特征故障数据
    4.8 本章小结
第五章 基于信息理论学习准则的子空间学习算法的模拟电路故障诊断
    5.1 半二次正则化方法
    5.2 代价函数中的准则函数
        5.2.1 最小均方误差准则(Minimum Mean Square Error,MMSE)
        5.2.2 最大相关熵准则(Maximum Correntropy Criterion,MCC)
        5.2.3 最小误差熵准则(Minimum Error Entropy,MEE)
    5.3 不同准则关系
        5.3.1 MMSE与MCC
        5.3.2 MEE与MCC
        5.3.3 仿真试验
    5.4 基于MCC和扩散距离的LLE算法
        5.4.1 基于MCC的局部线性嵌入(LEE-MCC, LEE based on MCC)
        5.4.2 基于MCC和DD的LLE算法(LEE-DD-MCC, LEE based onDiffusion Distance and MCC)
    5.5 基于MCC和扩散距离的LLE算法的仿真实例
        5.5.1 试验数据集及噪声
        5.5.2 试验结果
    5.6 基于MCC的LLE算法在模拟电路故障诊断中的应用
        5.6.1 故障特征提取
        5.6.2 故障诊断流程
    5.7 基于LLE-MCC的模拟电路故障诊断实例
        5.7.1 诊断电路
        5.7.2 诊断结果
    5.8 本章小结
第六章 总结与展望
    6.1 本文总结
    6.2 研究展望
参考文献
攻读博士学位期间的学术活动及成果情况



本文编号：3871560