检索结果-南通市图书馆

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

深度集合型模拟电路故障诊断方法研究

深度集合型模拟电路故障诊断方法研究

作者：徐万洲沈阳理工大学

学位级别：硕士

随着电子技术的不断发展,电子系统被应用在各个领域,对其稳定性以及安全性也提出了更高的要求。故障诊断技术可以有效地进行故障定位,降低财产损失,保证系统正常运行,提高工作效率。模拟电路结构复杂、各个元件之间存在着容差性等问题,... 详细信息

随着电子技术的不断发展,电子系统被应用在各个领域,对其稳定性以及安全性也提出了更高的要求。故障诊断技术可以有效地进行故障定位,降低财产损失,保证系统正常运行,提高工作效率。模拟电路结构复杂、各个元件之间存在着容差性等问题,导致特征数据存在冗余信息,从而降低故障诊断准确率。针对上述问题,本文提出了深度集合型模拟电路故障诊断方法,对故障特征进行自动提取,实现最终的故障诊断分类。首先,本文提出了快速傅里叶变换(Fast Fourier Transform,FFT)、卷积神经网络(Convolutional Neural Network,CNN)与长短期记忆网络(Long Short-term Memory,LSTM)相结合的深度集合型故障诊断方法FFT-CNN-LSTM。通过对原始信号进行FFT变换,将时域信号转变为频域信号,再利用CNN空间特征提取能力,对预处理之后的数据进行降维处理,再将CNN提取到的特征送入到LSTM中,对数据进行深度特征提取,最后将提取到的深度特征通过Softmax分类器完成故障数据分类任务。其次,在FFT-CNN-LSTM的基础上,将LSTM网络替换为门控循环单元(Gate Recurrent Unit,GRU),提出了另一种深度集合型故障诊断方法FFT-CNN-GRU。该方法利用FFT对原始数据样本进行时频转换,将处理后的数据送入CNN-GRU网络模型中,该模型结合了CNN结构的特征提取能力和GRU能够充分挖掘数据时序信息的能力,最后通过Softmax分类器完成分类任务。其中GRU是LSTM网络的一种变体,它拥有着比LSTM更少的参数,可以有效的减少模型训练时间。最后采用CSTV滤波电路数据对FFT-CNN-LSTM和FFT-CNN-GRU两种集合型方法进行实验验证,实验结果表明,本文所提出的集合型故障诊断方法能够有效的提取故障特征,提高故障诊断准确率。

关键词：模拟电路故障诊断深度学习长短期记忆网络门控循环单元

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于PSO-SVM的模拟电路故障诊断系统

基于PSO-SVM的模拟电路故障诊断系统

作者：谢雯鑫淮北师范大学

学位级别：硕士

在电子产品设计验证、批量生产过程中,模拟电路的检测与故障诊断技术一直是电子检测领域研究的重要内容。由于模拟电路元器件非线性和容差性,使得模拟电路诊断相关技术发展相对迟缓,从而导致目前没有较为完整成熟的模拟电路故障诊断系统... 详细信息

在电子产品设计验证、批量生产过程中,模拟电路的检测与故障诊断技术一直是电子检测领域研究的重要内容。由于模拟电路元器件非线性和容差性,使得模拟电路诊断相关技术发展相对迟缓,从而导致目前没有较为完整成熟的模拟电路故障诊断系统,难以满足电子工业发展中电路测试与诊断的需求。因此,开展模拟电路故障诊断技术研究具有重要的理论意义和实际应用价值。本文对SVM模拟电路故障诊断模型进行重点研究。小波包分析具有很好的时频特性,能将原始型号分解为高频信号和低频信号,特别适合于非平稳信号的分析和处理,模拟电路故障响应信号具有非平稳的特点,因此本文利用小波包分析对故障信号数据进行特征提取。同时为提高模拟电路故障诊断正确率,本文利用利用PSO算法对SVM模型参数进行优化。本文采用LabVIEW图形化编程语言结合MATLAB混合编程实现基于PSOSVM模拟电路故障诊断软件,该软件涵盖用户管理功能、数据采集功能和故障诊断功能。在此基础上,将硬件与软件相结合构建完整的模拟电路故障诊断实验平台。该平台可通过改变探针的位置对不同电路测点进行信号采集、分析和处理,从而实现模拟电路的测试与诊断。同时本文还通过控制PCB测试平台验证了模拟电路故障诊断的准确性。

关键词：模拟电路故障诊断 LabVIEW 支持向量机粒子群算法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向模拟电路故障诊断的深度学习方法研究

面向模拟电路故障诊断的深度学习方法研究

作者：姜云威桂林电子科技大学

学位级别：硕士

人工智能、大数据等技术的飞速发展,使得电子系统的复杂度呈指数型增长,电路健康状态检测成为系统安全运行和合理维护的根本保障。由于元件的容差特性,模拟电路容易发生软故障,给系统健康检测带来很大的挑战。因此,开发高效的模拟电路... 详细信息

人工智能、大数据等技术的飞速发展,使得电子系统的复杂度呈指数型增长,电路健康状态检测成为系统安全运行和合理维护的根本保障。由于元件的容差特性,模拟电路容易发生软故障,给系统健康检测带来很大的挑战。因此,开发高效的模拟电路故障诊断技术成为电子系统健康检测的必然选择。传统的故障诊断方法主要基于机器学习算法,该方法需要手动提取特征,且难以获得电路信号的深层特征信息。深度学习算法具有自动完成特征提取与分类的独特优势,本文将深度学习算法引入模拟电路故障诊断技术,探索基于深度学习的故障诊断方法,在单故障诊断的基础上,研究了双故障状态的诊断效果,进一步提高故障诊断效率。本文以模拟电路故障为研究对象,结合深度学习算法对模拟故障诊断进行研究,主要研究内容如下:1.针对基于机器学习算法的故障诊断方法严重依赖特征提取技术和双故障诊断准确率低的问题,提出一种基于Adam梯度优化的一维卷积神经网络（OneDimensional Convolutional Neural Network,1D-CNN）故障诊断方法,该方法在模拟电路故障诊断中的优势有:（1）卷积层自动提取数据特征,（2）批归一化算法解决网络内部协变量偏移问题,（3）96个大小为1的卷积核替代全连接层进行特征全局处理,（4）Adam梯度优化算法提高损失函数收敛速度,以上四点优势提高了诊断方法的学习效率和故障识别能力。基于以上优势,本文选取Sallen-Key带通滤波电路进行蒙特卡洛仿真,建立9种单故障数据集和24种双故障数据集,对提出的诊断方法进行测试和分析,单故障诊断准确率达到99.44%,双故障诊断准确率可达97.22%。测试结果表明1D-CNN诊断方法训练时间短、诊断效率高。但是1D-CNN无法获取故障信号的时间信息且双故障诊断率较低。2.为解决上述一维卷积网络方法不能获取故障信号时间信息和双故障诊断率较低的问题,研究并提出一种一维卷积长短期记忆（One-Dimensional Convolutional Long Short-Term Memory,1D-CLSTM）神经网络故障诊断方法,该方法利用1DCNN提取特征提高学习效率,利用LSTM获取时间信息并进一步提取隐藏特征信息。最后利用Sallen-Key电路数据集进行验证分析,新模型在单故障数据集上诊断准确率可达99.63%,在双故障数据集上准确率可达98.56%。验证结果表明,1D-CLSTM能够更好地获取故障信号的隐藏特征信息,双故障诊断率高于1D-CNN。

关键词：模拟电路故障诊断特征提取 1D-CNN 1D-CLSTM

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

模拟电路故障信号的小波预处理

中南大学学报（自然科学版） 2008年第3期39卷 584-589页

作者：彭卫韶李力争胡燕瑜中南大学信息科学与工程学院湖南长沙410083

针对模拟电路故障诊断的神经网络存在结构规模较大的问题,提出一种基于小波-神经网络的模拟电路故障诊断方法。该法采用冲激响应来获取模拟电路的故障信号,采用小波变换作为模拟电路故障信号的预处理器,利用Haar小波分层次分解提取故障... 详细信息

针对模拟电路故障诊断的神经网络存在结构规模较大的问题,提出一种基于小波-神经网络的模拟电路故障诊断方法。该法采用冲激响应来获取模拟电路的故障信号,采用小波变换作为模拟电路故障信号的预处理器,利用Haar小波分层次分解提取故障信号特征,该信号特征经主元分析和数据标称化后,作为用于故障诊断的神经网络的输入。基于该法故障诊断的基本原理,对一实例电路进行故障划类、小波函数及故障特征选择,给出计算故障特征的仿真编程及故障类别的识别方法。该法大大减少用于故障诊断的神经网络的输入数目,简化它的结构和减少其训练处理的时间。仿真结果表明,该法可以提高模拟电路故障诊断的效率和辨识故障类别的能力。

关键词：小波变换神经网络故障诊断模拟电路

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于深度学习的复杂模拟电路故障诊断

基于深度学习的复杂模拟电路故障诊断

作者：黄泽华昆明理工大学

学位级别：硕士

随着电力电子技术的发展,模拟电路在各个领域起着不可替代的重要作用。同时,模拟电路也是电子电路发生故障的重灾区,模拟电路的稳定性很大程度上决定着电路的稳定性,若能及时对模拟电路软故障进行及时的诊断,则能有效避免模拟电路元器... 详细信息

随着电力电子技术的发展,模拟电路在各个领域起着不可替代的重要作用。同时,模拟电路也是电子电路发生故障的重灾区,模拟电路的稳定性很大程度上决定着电路的稳定性,若能及时对模拟电路软故障进行及时的诊断,则能有效避免模拟电路元器件故障所造成的损失。因为在模拟电路的故障种类中,其中早期故障器件数值波动较小较难判断,硬故障虽然较容易判断但其一发生就会造成电路性质在一瞬间迅速发生巨大改变,严重影响电路的稳定运行,故障持续时间较短,发现不及时会造成巨大的损失。因而在模拟电路故障诊断方面本文一般选择软故障来进行诊断识别,软故障的诊断难度较低,且实现诊断后及时进行器件的更换能有效防止硬故障的发生,保证电路稳定有效的运行,有效减小模拟电路故障造成的损失。受模拟电路本身非线性、容差性等影响,传统的模拟电路故障诊断方法一直没能取得较好的成效。深度学习技术的不断进步和智能算法的优化,为模拟电路故障诊断带来了巨大的进步。同时CEEMDAN(Complete EEMD with Adaptive Noise)作为一种经验模态分解方法,在信号处理和特征提取中具有自适应性、完备性、抗混叠能力和灵活性等多个优点。与以往的研究相比,浅层学习模型往往无法识别各个故障量之间的特征,而深度学习中的卷积神经网络展现出了强大的图像学习、特征提取和分类能力。这使得在许多需要图像识别的领域中广泛应用深度学习成为可能。从这些研究中可以看出,现代的信号分解方法及处理技术和深度学习方法为模拟电路故障诊断方面提供了很多技术支持。目前的基于数据驱动的机器学习模型在解决复杂模拟电路的单一元件故障方面表现较好,很多研究只考虑了单元件故障,对于双元件故障及单双混合故障方面识别率效果还不够好,需要进一步改进。另外绝大部分研究尚未考虑深度学习模型在实际部署时计算及硬件性能的限制,需要进一步研发出轻量化的、可携带的、高准确度的基于深度学习故障诊断系统,这将会大大提高电路诊断技术的普及性。针对复杂模拟电路的故障传递关系复杂、故障信号特征提取困难、故障与特征之间关系存在复杂非线性关系的问题,本文提出了一种两测点信号组合,自适应噪声完备集合经验模态分解(CEEMDAN)-多尺度伪彩色图像-Alex Net网络结合的模拟电路故障诊断方法。使用SIMetrix-SIMPLIS 8.20软件采集故障数据,利用CEEMDAN分解方法对故障数据进行多尺度分解,得到多尺度数据矩阵,对多尺度数据矩阵进行量化编码获得像素矩阵,再对像素矩阵进行伪彩色编码得到多尺度伪彩色图。用得到的不同故障类型伪彩色图压缩后送入卷积神经网络Alex Net卷积神经网络,进行深层次特征提取、学习和识别,进行仿真验证。结果表明,所提出的方法能够有效地提高复杂模拟电路的诊断精度,实现故障的准确分类。在此基础上研究了用轻量化卷积神经网络Squeeze Net代替Alex Net进行复杂模拟电路同时识别双元件和单元件故障的可能性,实验研究表明Squeeze Net代替Alex Net网络后提出的模型仍然能实现准确分类,具备了轻量化、诊断准确度高的优点。随着电力电子技术的发展,模拟电路在各个领域起着不可替代的重要作用。同时,模拟电路也是电子电路发生故障的重灾区,模拟电路的稳定性很大程度上决定着电路的稳定性,若能及时对模拟电路软故障进行及时的诊断,则能有效避免模拟电路元器件故障所造成的损失。

关键词：模拟电路故障诊断 CEEMDAN 伪彩色 AlexNet卷积神经网络 SqueezeNet卷积神经网络

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于迁移学习的模拟电路性能建模

基于迁移学习的模拟电路性能建模

作者：田绍鹏东南大学

学位级别：硕士

模拟电路的性能与器件尺寸密切相关,其尺寸自动优化作为设计自动化的重要部分,需要执行耗时的电路仿真才能得到精确的性能指标进行优化。现有的机器学习算法可以对模拟电路性能进行建模,在一定程度上替代电路仿真器,但是构建精确的模型... 详细信息

模拟电路的性能与器件尺寸密切相关,其尺寸自动优化作为设计自动化的重要部分,需要执行耗时的电路仿真才能得到精确的性能指标进行优化。现有的机器学习算法可以对模拟电路性能进行建模,在一定程度上替代电路仿真器,但是构建精确的模型需要大量的训练数据。尤其当电路更换工艺节点后,机器学习算法需要重新建模,没有考虑旧工艺下大量仿真样本的复用。因此,谨慎的做法是利用旧工艺下的仿真数据构建精确的性能模型,在先进工艺节点下使用较小的数据集对模型进行迁移,加速性能建模。本文设计了一种面向模拟电路性能模型的快速建模算法。首先针对实际的模拟电路场景,设计了一种综合评估电路性能指标的奖励函数,以指导采样过程;其次,通过采样区域动态调整算法,根据贝叶斯优化算法的结果缩减采样区间,提升采样效率;最后,利用电路在不同工艺节点间的相似性,使用基于模糊残差的迁移学习方法将旧工艺下的性能模型迁移到先进工艺,减小高精度的性能模型对样本点数量的依赖。为了验证算法的准确性和效率,本文以电荷泵电路,运算跨导放大器电路以及环形振荡器电路为实验场景,从TSMC40nm工艺迁移到TSMC28nm工艺,对比了低秩张量近似算法(Low Rank Tensor Approximate,LRTA)、高斯过程回归算法(Gaussian Process Regression,GPR)和贝叶斯模型融合算法(Bayesian Model Fusion,BMF)三种模拟电路性能建模算法。本文算法构建的性能模型相对预测误差在5%以下,比LRTA和GPR方法快7.7倍～11.7倍;对比BMF算法,性能模型的精度更高,训练速度更快,极大地加快了性能模型构建的速度。

关键词：模拟电路性能模型迁移学习贝叶斯优化

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于机器学习的模拟电路故障诊断方法研究

基于机器学习的模拟电路故障诊断方法研究

作者：贾欣雨中国民航大学

学位级别：硕士

随着电子电路集成化发展,模拟电路以及数模混合电路在民航、交通、通信等领域被广泛应用。模拟电路作为现代电子设备的重要组成部分,其故障率和维修检测成本远高于数字电路,且我国模拟电路故障诊断技术发展较国外相对缓慢,因此需对模拟... 详细信息

随着电子电路集成化发展,模拟电路以及数模混合电路在民航、交通、通信等领域被广泛应用。模拟电路作为现代电子设备的重要组成部分,其故障率和维修检测成本远高于数字电路,且我国模拟电路故障诊断技术发展较国外相对缓慢,因此需对模拟电路故障诊断技术重难点问题展开研究和突破。由于模拟电路输入和输出信号存在着非线性映射、电路故障特征连续以及维数较高等问题,使模拟电路故障特征提取困难、进而导致故障诊断率不高。针对以上问题,提出两种基于机器学习的模拟电路故障诊断方法,本文主要工作如下:针对模拟电路故障特征连续以及特征维数较高的问题,提出灰度共生矩阵(Gray Level Co-occurrence Matrix,GLCM)和S变换结合算法进行故障特征提取,将模拟电路高维原始数据降为8维故障特征;选取支持向量机(Support Vector Machine,SVM)分类器模型进行故障诊断,解决了模拟电路输入和输出信号间存在非线性映射关系导致的诊断困难问题;提出粒子群(Particle Swarm Optimization,PSO)和粒子滤波(Particle Filter,PF)组合优化算法对SVM参数组合()C,g展开寻优;选取两个国际基准电路进行实验验证,提取出模拟电路输出端工况正常和异常状态下的原始数据,将S-GLCM提取出的故障特征带入优化后的SVM模型中完成训练和测试,验证所提方法的可行性和有效性,实验结果表明,基于PSO-PF-SVM的模拟电路故障诊断方法加快了模型收敛速度,诊断准确率得到较大提升。传统时频分析方法易丢失部分信息,处理数据时具有局限性,为提高故障特征提取能力,选取堆叠降噪自动编码器(Stacked Denoising Auto Encoder,SDAE)完成故障特征提取和数据降维,形成每组15维故障特征;提出改进量子遗传算法(Modified Quantum Genetic Algorithm,MQGA)应用到SVM参数寻优中,解决了SVM模型参数选配困难问题,选取上述相同电路进行实验验证,实验结果表明,SDAE算法特征提取能力较强,基于MQGA-SVM的模拟电路故障诊断方法诊断率较高,较未优化算法有所提升。

关键词：模拟电路机器学习特征提取故障诊断参数优化

基于优化堆叠式极限学习机的模拟电路故障诊断方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于优化堆叠式极限学习机的模拟电路故障诊断方法研究

作者：李莹桂林电子科技大学

学位级别：硕士

随着电子工业技术的快速发展,对于电路系统检测及诊断的相关课题研究得到了高度重视。模拟电路集成度很高,如果出现问题就会致使电路系统无法正常工作。再加上其具有十分明显的非线性及容差性等特征,如果利用常规的诊断手段与原理是无... 详细信息

随着电子工业技术的快速发展,对于电路系统检测及诊断的相关课题研究得到了高度重视。模拟电路集成度很高,如果出现问题就会致使电路系统无法正常工作。再加上其具有十分明显的非线性及容差性等特征,如果利用常规的诊断手段与原理是无法满足故障诊断的需求的,故而对更加合理的模拟电路故障诊断技术展开探索具有十分重大的现实意义。本文主要基于极限学习机（Extreme Learning Machine,ELM）、自动编码器（Auto Encoder,AE）、堆叠式极限学习机（Stacked Extreme Learning Machine,SELM）、堆叠核极限学习机（Stacked Kernel Extreme Learning Machine,SKELM）等网络结构以及旗鱼优化算法（Sailfish Optimizer,SFO）来开展的研究,将Sallen-Key带通滤波器电路、两级四运放双二阶低通滤波器电路、Leap-frog滤波电路、对数放大器电路作为被测电路,仿真实验在Candence16.5和Matlab2014a上进行,并设置电路的电阻以及电容的容差,经过灵敏度分析之后构建故障集,然后进行蒙特卡洛分析,采集输出端波形并保存作为电路输出数据,划分为训练集样本和测试集样本作为诊断模型的输入而展开训练,进而提出了基于优化堆叠式极限学习机的模拟电路故障诊断的方法,其中涉及的具体工作和创新方法如下:1.具体工作:本文提出一种SFO优化SELM的模拟电路故障诊断算法,利用SFO优化极限学习机自动编码器（Extreme Learning Machine-Auto Encoder,ELM-AE）的初始权值和偏置,来构建最优SELM模型,利用该模型对故障进行分类。最后将Sallen-Key带通滤波器电路、两级四运放双二阶低通滤波器电路作为仿真实验电路,同时与遗传算法（Genetic Algorithm,GA）、粒子群优化算法（Particle Swarm Optimization,PSO）优化后的SELM进行了比较,实验结果表明SFO具有较强的寻优能力,并可以准确地对故障进行诊断,证明了该算法的可行性。对于SELM来说,多层网络参数的优化大大增加了模型训练的时间,而且不能保证整个模型的泛化能力,因此本文提出了一种基于SFO优化SKELM的模拟电路故障诊断算法。通过引入核函数来构建多层的核极限学习机（Kernel Extreme Learning Machine,KELM）,SKELM的每层的权值都是通过基于核极限学习机的自动编码器（Kernel Extreme Learning Machine-Auto Encoder,KELM-AE）训练得到,由于KELM-AE不需要设置初始参数,所以提升了训练的速度,然而KELM-AE的核参数和正则化系数是人为设置,所以采用SFO寻优这两个参数,然后逐层训练搭建最优的SKELM模型。最后将Leap-frog滤波电路、对数放大器电路作为仿真实验电路,并且进一步与SELM、SKELM、SFO优化后的SELM进行了比较,结果表明KELM-AE具有强大的泛化能力,不需要单独地对故障进行特征提取就可以通过非线性映射将故障特征映射到高维特征空间,从而提高分类的精度。2.创新点:为了提高模拟电路故障诊断精度以及解决网络隐层参数难以选择的问题,提出了一种新型群智能优化算法,基于SFO优化SELM的模拟电路故障诊断方法。SFO具有收敛速度快、寻优精度高的特点,所以采用SFO寻优ELM-AE的初始权值和偏置,通过训练ELM-AE形成SELM网络,从而构建最优的SELM模型,提高模拟电路故障诊断精度。为了提高前向神经网络的泛化能力以及学习速度,提出了一种基于SFO优化SKELM的模拟电路故障诊断算法。通过引入核函数构建KELM-AE,然后通过SFO寻优KELM-AE的核参数和正则化系数,最后逐层训练搭建SKELM结构,实现对故障的分类。

关键词：模拟电路故障诊断旗鱼算法自编码器堆叠式极限学习机

多尺度信息卷积神经网络的模拟电路故障诊断方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

多尺度信息卷积神经网络的模拟电路故障诊断方法研究

作者：叶晓静桂林电子科技大学

学位级别：硕士

模拟电路的工作状态对电子电路系统及装备的可靠性和稳定性有重要影响。模拟电路中元器件存在的容差效应、非线性程度高、可测点有限等特点为其故障诊断方法的研究带来很多限制。模拟电路的早期故障状态与正常工作状态之间的信号特征差... 详细信息

模拟电路的工作状态对电子电路系统及装备的可靠性和稳定性有重要影响。模拟电路中元器件存在的容差效应、非线性程度高、可测点有限等特点为其故障诊断方法的研究带来很多限制。模拟电路的早期故障状态与正常工作状态之间的信号特征差异较小,甚至存在信号混叠的情况,使得模拟电路故障诊断时间长、诊断成本高。为了克服模拟电路元器件自身特点所造成的一系列研究难点,进一步提升故障诊断的准确度,采用智能诊断方法将深度学习领域的卷积神经网络算法引入模拟电路故障诊断技术中,从故障信号的多尺度特征信息和多尺度网络结构的角度,对模拟电路的软故障诊断方法进行研究。主要研究内容如下:(1)提出了基于MS-CNN(Multi-scale Convolutional Neural Network,MS-CNN)的模拟电路故障诊断方法。针对模拟电路故障诊断方法流程复杂,有效故障特征提取不全面的问题,利用短时傅里叶变换对电路原始的一维时序信号进行时频转换,获取二维电路频谱图,将获取到的一维时序信号和二维电路频谱图像分别输送到MS-CNN中获取多尺度故障特征信息,结合Softmax层完成故障分类。该模型有两个信号输入端口,兼顾了不同尺度卷积神经网络对一维信号和二维图像不同的特征提取能力,有效地提取了故障数据在时域尺度和频域尺度上的特征信息,保证了提取故障特征的有效性,有利于进一步完成模拟电路故障诊断。仿真结果表明,MS-CNN对Sallen-Key带通滤波电路和四运放二阶高通滤波电路具有良好的特征提取和故障诊断能力,得到100.00%和99.62.%的诊断准确率,证明MS-CNN能够获取到电路更丰富有效的特征信息,从而实现电路故障的精准诊断。(2)提出了基于Res Net12(Residual Network12,Res Net12)的模拟电路故障诊断方法。针对更复杂模拟电路中存在多种易重叠故障信号的问题,要提取故障信号更深层的多尺度特征信息,同时避免由于网络结构层次加深带来的梯度消失等问题。通过不同数量残差块和卷积块特征提取效果的对比分析,对数据池化层进行不断地修改以优化模型结构,选择最优的Res Net12模型,利用残差网络思想,以“跳接”的方式获取不同网络层的故障信号特征图并进行拼接,在保证信号特征多尺度的同时还解决了深层网络易出现的梯度消失问题。实验结果表明,基于Res Net12的模拟电路故障诊断方法对较复杂电路的故障信号具有良好的特征提取和故障识别能力,对二级四运放二阶低通滤波器电路、Leap-frog滤波电路均表现出99%以上的故障诊断准确率。

关键词：模拟电路故障诊断短时傅里叶变换 MS-CNN ResNet12