学位论文 > 优秀研究生学位论文题录展示

机器学习在模拟电路故障诊断中的应用研究

作　者: 谢薇薇
导　师: 丁香乾
学　校: 中国海洋大学
专　业: 信号与信息处理
关键词: 机器学习模式识别模拟电路故障诊断模型评估
分类号: TN710
类　型: 硕士论文
年　份: 2009年
下　载: 105次
引　用: 0次
阅　读: 论文下载

内容摘要

模拟电路由于本身的容差性、非线性和难以模型化等特点,导致故障诊断工作异常困难。因此,模拟电路故障诊断是一个富有挑战性的研究课题。超深亚微米半导体技术的进展,推动了超大规模模拟电路和模数混合电路的发展,对模拟电路故障诊断提出了新的挑战,传统的故障诊断理论和方法已经难以应对。作为计算智能技术的一个分支——机器学习,为模拟电路故障诊断提供了一条有效的途径,受到普遍关注和重视。针对模拟电路的特点,本文使用了机器学习算法来进行模拟电路故障诊断。通过从工程实践中探索得来的诊断方法,提出了一套基于模式识别理论的诊断系统,并使用一系列模型评估标准对机器学习模型的诊断性能进行了客观评估。本文从选定测试电路开始,对故障集的选择、解决电路容差的Monte Carlo仿真方法、基于PCA的特征提取以及机器学习算法应用等进行了探讨,详细地阐述了每个环节是如何进行的。然后在此基础上提出了一套系统化的诊断流程,使得机器学习算法可以顺利地应用到模拟电路的工业化自动故障诊断中。此方案可以适应模拟电路的容差性、噪声性、非线性和难以建模等特点。随后运用一系列模型评估标准对有代表性的机器学习算法建立的诊断模型进行客观公正地评估。目前,对学习算法进行综合性比较的研究比较少。不同的领域,对学习算法有不同的评估标准。本文整理了适合于故障诊断领域的评估标准,分别对决策树、神经网络和支持向量机算法在故障诊断领域的应用效果做出了评估。针对两个国际标准电路的故障模拟仿真结果,对三种机器学习算法的建模性能进行了点评。

全文目录

摘要  5-6
Abstract  6-10
第一章概论  10-14
  1.1 本课题研究的背景和意义  10-11
  1.2 历史及现状  11-13
  1.3 主要研究内容及章节安排  13-14
第二章模拟电路故障诊断  14-33
  2.1 模拟电路故障诊断介绍  14-17
    2.1.1 模拟电路故障的特点  14
    2.1.2 模拟电路故障分类  14-15
    2.1.3 模拟电路故障诊断方法  15-17
    2.1.4 基准测试电路集  17
  2.2 基于模式识别的模拟电路故障诊断  17-31
    2.2.1 模式识别原理  17-18
    2.2.2 模式识别系统组成  18-20
    2.2.3 基于模式识别的模拟电路诊断系统  20-23
    2.2.4 模拟电路仿真与数据预处理介绍  23-27
    2.2.5 实验：仿真电路与故障数据采集  27-31
  2.3 小结  31-33
第三章机器学习及主要算法  33-51
  3.1 机器学习概念与发展  33-34
  3.2 决策树学习  34-38
    3.2.1 决策树的基本原理  34-36
    3.2.2 决策树的常用算法  36-37
    3.2.3 C4.5 算法  37-38
  3.3 神经网络学习  38-44
    3.3.1 人工神经网络概述  38-39
    3.3.2 神经网络的类型  39-41
    3.3.3 神经网络的学习规则  41-42
    3.3.4 BP 神经网络算法  42-44
  3.4 支持向量机（SVM）方法  44-50
    3.4.1 统计学习理论基础  44-48
    3.4.2 支持向量机的基本思想  48-49
    3.4.3 最优超平面的求解问题  49-50
  3.5 小结  50-51
第四章机器学习算法比较及模型评估  51-74
  4.1 学习算法评价研究概述  51
  4.2 性能标准介绍  51-56
  4.3 模型的过分拟合  56-58
  4.4 评估分类器的性能  58-59
  4.5 比较分类器的方法  59-60
  4.6 实验：建立模拟电路故障诊断模型  60-68
    4.6.1 故障特征数据  60-62
    4.6.2 基于C4.5 算法的诊断模型  62-65
    4.6.3 基于BP 神经网络的诊断模型  65-66
    4.6.4 基于SVM 分类算法的诊断模型  66-67
    4.6.5 实验综合整理  67-68
  4.7 机器学习模型评估  68-72
    4.7.1 直流仿真与交流仿真模型的比较  68-69
    4.7.2 算法建模能力综合评估  69-72
  4.8 小结  72-74
第五章结论与展望  74-76
  5.1 结论  74-75
  5.2 展望  75-76
参考文献  76-80
致谢  80-81
个人简历  81
发表的学术论文  81

机器学习在模拟电路故障诊断中的应用研究

内容摘要

全文目录

相似论文