基于極限學(xué)習(xí)機的模擬電路故障診斷.pdf

1、隨著半導(dǎo)體技術(shù)和工藝的飛速發(fā)展，電子設(shè)備得到了廣泛應(yīng)用，且組成和結(jié)構(gòu)越來越復(fù)雜。而電子系統(tǒng)中容易出問題的部分往往在模擬電路，為了提高系統(tǒng)的安全性和可靠性，對模擬電路故障診斷和測試提出了更高、更新的要求。另外隨著電路大規(guī)模發(fā)展趨勢，電路可及節(jié)點也日益減少。這些因素使得模擬電路測試問題成了困擾集成電路工業(yè)生產(chǎn)和發(fā)展的技術(shù)瓶頸，因此開展模擬電路故障診斷和測試的研究，具有很大的理論價值和實際意義。
　　 極限學(xué)習(xí)機(extreme le

2、arning machine，ELM)在訓(xùn)練前只需要設(shè)置網(wǎng)絡(luò)隱層節(jié)點個數(shù)，算法執(zhí)行過程中不需要調(diào)整網(wǎng)絡(luò)的輸入權(quán)值以及隱層單元的偏置，并且產(chǎn)生唯一的最優(yōu)解，參數(shù)選擇容易、學(xué)習(xí)速度快且泛化性能好。因此本文將極限學(xué)習(xí)機與模擬電路故障理論診斷相結(jié)合，開展了基于ELM的模擬電路故障診斷方法的研究和實現(xiàn)。
　　 本文提出了基于主成分分析和極限學(xué)習(xí)機的模擬電路故障識別方法。首先對電路進(jìn)行故障特征提取，將輸出信號的采樣點的電壓幅值作為故障特征樣

3、本，利用主成分分析的方法提取信號的故障特征。其次，通過ELM分類器對故障進(jìn)行分類，得到滿意的結(jié)果。
　　 在此基礎(chǔ)上，為進(jìn)一步提高ELM的泛化能力和診斷精度，提出了基于ELM-RBF的故障分類。將極限學(xué)習(xí)機算法應(yīng)用到徑向基神經(jīng)網(wǎng)絡(luò)中，它結(jié)合了兩者的優(yōu)點，隱含層數(shù)目減少，優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，具有很高的診斷精度。
　　 考慮到影響ELM性能主要因素是網(wǎng)絡(luò)連接權(quán)值和閾值，研究了結(jié)合群智能算法的模擬電路故障診斷方法。利用群智能算法的的

4、全局尋優(yōu)能力，以差分進(jìn)化算法和群搜索算法為例，優(yōu)化ELM的連接權(quán)值和閾值，獲得了最優(yōu)網(wǎng)絡(luò)，應(yīng)用于故障分類中，達(dá)到了很好的效果。
　　 由于集成學(xué)習(xí)可顯著提高學(xué)習(xí)系統(tǒng)的泛化能力，提出了基于k-means聚類的極限學(xué)習(xí)機集成優(yōu)選的電路故障診斷方法，將bagging思想和k-means聚類有效結(jié)合，對極限學(xué)習(xí)機進(jìn)行選擇性的集成，提高了分類精度。
　　 將上述的基于ELM的故障診斷方法分別應(yīng)用于一些具體電路的仿真實驗研究，實驗結(jié)