【摘要】：電子電路故障診斷一直是電路領(lǐng)域里的研究熱點。隨著電子電路規(guī)模和集成度進一步提高,以及電子電路模擬部分的元件的非線性、容差效應(yīng)問題的影響,電子電路故障特征呈現(xiàn)復(fù)雜的非線性情況,對于電子電路故障的特征提取和診斷技術(shù)提出更高的要求。對此,本文提出一種基于深度特征學(xué)習(xí)的電子電路故障診斷方法。由于電路故障特征的提取實質(zhì)在于找到故障響應(yīng)信號的非線性表達,而深度學(xué)習(xí)技術(shù)恰是一種對數(shù)據(jù)逐層地非線性映射表達實現(xiàn)特征提取的技術(shù)。因此本文結(jié)合電路故障特征提取與深度學(xué)習(xí)技術(shù)的特點,展開了對電路故障的深度特征提取的研究。本文的研究主要集中在以下2點:(1)提出一種基于SAE-SOFTMAX的電路故障特征提取方法。該方法通過構(gòu)建堆疊自動編碼器(SAE)和SOFTMAX分類器的深度學(xué)習(xí)框架,結(jié)合無監(jiān)督的預(yù)訓(xùn)練和有監(jiān)督的全局微調(diào),優(yōu)化堆疊自動編碼器的特征提取性能,實現(xiàn)了電路故障特征的深度提取。(2)給出兩種基于SAE特征提取的電子電路故障診斷模型。包括基于SAESOFTMAX的診斷模型和基于SAE-SVM的診斷模型。前者融合SAE與SOFTMAX分類層實現(xiàn)電路故障特征的快速提取和診斷,后者以SAE提取特征、與魯棒特性強的SVM結(jié)合構(gòu)成電路故障診斷模型。最后兩例電路仿真實驗表明:基于SAE-SOFTMAX的電路故障特征提取技術(shù)具有很好的效果,較傳統(tǒng)的小波和主元分析法所提取具有明顯的技術(shù)優(yōu)勢、特征評估指標(biāo)高;本文提出兩種電路故障診斷模型均未錯分。對于基于SAE-SOFTMAX的診斷模型,在診斷效果及性能都優(yōu)于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)診斷模型。
[Abstract]:Fault diagnosis of electronic circuits has been a hot topic in the field of circuits. With the further improvement of the scale and integration of electronic circuits, as well as the nonlinearity of components in the analog part of electronic circuits and the effect of tolerance effect, the fault characteristics of electronic circuits present complex nonlinear situations. Higher requirements for feature extraction and diagnosis of electronic circuit faults are put forward. In this paper, a method of electronic circuit fault diagnosis based on depth feature learning is proposed. Because the essence of circuit fault feature extraction is to find the nonlinear expression of fault response signal, the depth learning technique is just a kind of feature extraction technology for the data layer by layer nonlinear mapping expression. Therefore, combining the characteristics of circuit fault feature extraction and depth learning technology, the research of circuit fault depth feature extraction is carried out in this paper. This paper focuses on the following two points: (1) A fault feature extraction method based on SAE-SOFTMAX is proposed. This method optimizes the feature extraction performance of stack automatic encoder by constructing the depth learning framework of (SAE) and SOFTMAX classifier, combining unsupervised pre-training and supervised global fine-tuning. The depth extraction of circuit fault features is realized. (2) two fault diagnosis models of electronic circuits based on SAE feature extraction are presented. It includes diagnosis model based on SAESOFTMAX and diagnosis model based on SAE-SVM. The former fuses SAE and SOFTMAX classification layer to realize the fast extraction and diagnosis of circuit fault features, the latter uses SAE to extract features and combines with robust SVM to form a circuit fault diagnosis model. The last two circuit simulation experiments show that the circuit fault feature extraction technology based on SAE-SOFTMAX has a good effect, and has obvious technical advantages over traditional wavelet and principal component analysis methods, and has a high feature evaluation index. In this paper, two fault diagnosis models are presented. For the diagnosis model based on SAE-SOFTMAX, the diagnostic effect and performance are better than the traditional neural network diagnosis model.
【學(xué)位授予單位】：合肥工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TN707

【相似文獻】

相關(guān)期刊論文 前10條

1 馬少華,高峰,李敏,吳成東;神經(jīng)網(wǎng)絡(luò)分類器的特征提取和優(yōu)選[J];基礎(chǔ)自動化;2000年06期

2 管聰慧,宣國榮;多類問題中的特征提取[J];計算機工程;2002年01期

3 胡威;李建華;陳波;;入侵檢測建模過程中特征提取最優(yōu)化評估[J];計算機工程;2006年12期

4 朱玉蓮;陳松燦;趙國安;;推廣的矩陣模式特征提取方法及其在人臉識別中的應(yīng)用[J];小型微型計算機系統(tǒng);2007年04期

5 趙振勇;王保華;王力;崔磊;;人臉圖像的特征提取[J];計算機技術(shù)與發(fā)展;2007年05期

6 馮海亮;王麗;李見為;;一種新的用于人臉識別的特征提取方法[J];計算機科學(xué);2009年06期

7 朱笑榮;楊德運;;基于入侵檢測的特征提取方法[J];計算機應(yīng)用與軟件;2010年06期

8 王菲;白潔;;一種基于非線性特征提取的被動聲納目標(biāo)識別方法研究[J];軟件導(dǎo)刊;2010年05期

9 陳偉;瞿曉;葛丁飛;;主觀引導(dǎo)特征提取法在光譜識別中的應(yīng)用[J];科技通報;2011年04期

10 王華,李介谷;人臉斜視圖象的特征提取與恢復(fù)[J];上海交通大學(xué)學(xué)報;1997年01期

相關(guān)會議論文 前10條

1 尚修剛;蔣慰孫;;模糊特征提取新算法[A];1997中國控制與決策學(xué)術(shù)年會論文集[C];1997年

2 潘榮江;孟祥旭;楊承磊;王銳;;旋轉(zhuǎn)體的幾何特征提取方法[A];第一屆建立和諧人機環(huán)境聯(lián)合學(xué)術(shù)會議（HHME2005）論文集[C];2005年

3 薛燕;李建良;朱學(xué)芳;;人臉識別中特征提取的一種改進方法[A];第十三屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2006年

4 杜栓平;曹正良;;時間—頻率域特征提取及其應(yīng)用[A];2005年全國水聲學(xué)學(xué)術(shù)會議論文集[C];2005年

5 黃先鋒;韓傳久;陳旭;周劍軍;;運動目標(biāo)的分割與特征提取[A];全國第二屆信號處理與應(yīng)用學(xué)術(shù)會議專刊[C];2008年

6 魏明果;;方言比較的特征提取與矩陣分析[A];2009系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)會議論文集[C];2009年

7 林土勝;賴聲禮;;視網(wǎng)膜血管特征提取的拆支跟蹤法[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會議論文集[C];1999年

8 秦建玲;李軍;;基于核的主成分分析的特征提取方法與樣本篩選[A];2005年中國機械工程學(xué)會年會論文集[C];2005年

9 劉紅;陳光，

本文編號：2268709