学位论文 > 优秀研究生学位论文题录展示
基于小波熵和自适应量子粒子群优化算法的模拟电路故障诊断方法的研究
作 者: 曲延华
导 师: 王安娜
学 校: 东北大学
专 业: 电工理论与新技术
关键词: 模拟电路 故障诊断 小波熵 径向基神经网络 自适应量子粒子群算法
分类号: TN710
类 型: 硕士论文
年 份: 2009年
下 载: 85次
引 用: 0次
阅 读: 论文下载
内容摘要
模拟电路故障诊断理论和方法研究是目前电工电子领域研究热点之一,现代电子技术的发展对模拟电路的测试和故障诊断提出了更高的要求,因此传统的故障诊断理论和方法在实际工程中很难达到预期的效果。而以神经网络、进化计算为代表的智能技术为模拟电路故障诊断提供了新的、有效的途径,受到了学术界的广泛关注。本文分析了模拟电路故障诊断方法的研究现状,讨论了模拟电路故障诊断难点、故障诊断分类方法,对模拟电路故障诊断原理进行了深入研究。针对模拟电路往往有容差,而且不同节点的电压或电流对不同故障敏感的特点,应用PSpice特有的蒙特卡洛分析和灵敏度分析功能对待诊断电路进行了仿真。在此基础上,重点研究了信息熵、最大熵原理、小波变换方法和小波熵方法。基于信息论和小波变换,提出了小波熵方法,分别采用小波变换方法和小波熵提取了待诊断电路的故障特征。径向基函数(Radial Basis Function, RBF)神经网络是一种新颖有效的前馈式神经网络,它具有最佳逼近和全局最优的性能。系统研究了智能优化算法,将量子粒子群优化算法(Quantum Particle Swarm Optimization, QPSO)和自适应量子粒子群优化算法(Adaptive Quantum Particle Swarm Optimization, AQPSO)同神经网络算法相结合,提出了基于径向基函数神经网络和自适应量子粒子群优化算法的模拟电路故障诊断方法。用QPSO和AQPSO训练RBF神经网络。给出了基于Matlab R2008b平台的模拟电路故障诊断系统,设计了故障诊断的各个模块,实现了基于径向基函数神经网络和自适应量子粒子群优化算法相结合的模拟电路故障诊断方法。做了大量的仿真实验,对论文讨论的不同神经网络诊断方法、小波变换和小波熵两种特征提取方法进行了比较。实验结果表明了本文给出的基于QPSORBF和AQPSORBF模拟电路故障诊断方法的优越性。
|
全文目录
摘要 5-6 Abstract 6-11 第1章 绪论 11-17 1.1 课题研究背景 11 1.2 课题研究的目的和意义 11-12 1.3 模拟电路故障诊断技术的发展及研究现状 12-14 1.3.1 国外故障诊断技术的发展及研究现状 12-13 1.3.2 国内故障诊断技术的发展及研究现状 13-14 1.4 模拟电路故障诊断的难点 14-15 1.5 课题研究所做的主要工作 15-17 第2章 模拟电路故障诊断 17-21 2.1 模拟电路故障的分类 17 2.2 模拟电路故障诊断的基本方法 17-20 2.2.1 测前模拟方法 17-18 2.2.2 测后模拟法 18-19 2.2.3 逼近法和人工智能 19-20 2.3 模拟电路故障的测试 20 2.4 本章小结 20-21 第3章 信息熵 21-29 3.1 信息熵概念的发展 21-22 3.2 熵 22-23 3.3 连续随机变量的微分熵 23-24 3.4 最大熵原则 24-25 3.5 互信息 25-26 3.6 最大熵方法 26-27 3.7 本章小结 27-29 第4章 改进的小波变换及其应用 29-43 4.1 小波的起源 29 4.2 一维连续小波变换和离散小波变换 29-31 4.3 多分辨分析与小波构造 31-32 4.4 Daubechies小波 32-33 4.5 小波熵 33-34 4.6 诊断电路实例一 34-41 4.7 本章小结 41-43 第5章 自适应量子粒子群优化算法 43-51 5.1 粒子群优化算法的产生背景 43-44 5.2 粒子群算法的发展 44-45 5.3 PSO算法的应用 45-46 5.4 量子粒子群优化算法 46-50 5.4.1 QPSO算法过程 47-49 5.4.2 自适应量子粒子群优化算法 49-50 5.5 本章小结 50-51 第6章 AQPSO算法和RBF神经网络相结合的故障诊断方法 51-77 6.1 人工神经网络的发展应用、结构和学习方式 51-56 6.1.1 人工神经网络的发展 51-52 6.1.2 人工神经网络的应用 52-53 6.1.3 神经网络的结构 53-55 6.1.4 神经网络的学习方式 55-56 6.2 基于AQPSO结合RBF神经网络算法的模拟电路故障诊断 56-72 6.2.1 RBF神经网络的结构 56-57 6.2.2 RBF神经网络的映射关系 57-58 6.2.3 RBF网络训练的准则和常用算法 58-61 6.2.4 应用QPSO算法和AQPSO算法训练RBF神经网络 61-64 6.2.5 诊断电路实例二 64-70 6.2.6 诊断电路实例三 70-72 6.3 模拟电路故障诊断系统设计及实现 72-75 6.4 本章小结 75-77 第7章 结论与展望 77-79 7.1 结论 77 7.2 展望 77-79 参考文献 79-83 致谢 83-85 攻读硕士期间参加的科研项目及发表的论文 85
|
相似论文
- 基于WinCE平台的故障分析仪应用程序设计与开发,TP311.52
- 八作动器隔振平台的六自由度容错控制研究,TB535.1
- 基于PCA-SVM的液体火箭发动机试验台故障诊断算法研究,V433.9
- 基于支持向量机的故障诊断方法研究,TP18
- 三容水箱系统故障诊断算法研究,TP277
- 水上交通安全保障系统的关键技术研究,U698
- 注塑成型过程监测与故障诊断平台的设计与实现,TQ320.5
- HART现场故障诊断仪的研究与实现,TP277
- 基于磁致伸缩液位变送器的设计与实现,TP212
- 微功率冲激雷达设计,TN958
- 聚合釜群多通道实时在线监测系统研究,TP274
- 基于EMD与神经网络的柱塞泵故障诊断方法,TH322
- 发电设备综合状态的评价方法研究及应用,TM621.3
- 基于滑模观测器的非线性系统故障诊断与故障重构问题研究,TP13
- 轿车悬架故障诊断系统研究,U472.9
- 发动机振动与燃烧分析虚拟仪器的设计开发与应用研究,TK407
- 融合多种信号特征的模拟电路故障诊断研究,TN710
- 一种应用频响敏感度的MOS管尺寸自动优化方法,TN722.77
- 交流传动系统的滑模控制算法研究,TP273
- 频带熵方法及其在滚动轴承故障诊断中的应用,TH165.3
- 发动机冷试与加工数据的多元相关性研究与应用,U464
中图分类: > 工业技术 > 无线电电子学、电信技术 > 基本电子电路 > 电子电路
© 2012 www.xueweilunwen.com
|