【技术实现步骤摘要】
本专利技术涉及模拟电路的故障诊断方法，具体涉及一种。
技术介绍
针对模拟电路的故障诊断一直是电子工程领域研究热点。模拟电路的可靠性对诸多复杂工业系统运行的稳定性产生着重要·影响。经过二十多年发展，模拟电路在系统级、电路板级、芯片级层面上，针对单故障的研究已提出许多智能故障诊断方法，并实现了商业化的实际应用。这些智能方法能自动地帮助操作人员执行故障诊断，并针对当前故障情形给予正确的维修建议，例如Y. Huang, Abductive reasoning network baseddiagnosis system for fault section estimation in power systems, IEEE Trans,on Power Delivery, Vol. 17，No. 2，369-374，2002.和 Y. Tan, Y. He，C. Cuij G.Qiuj A novel method for analog fault diagnosis based on neural networks andgenetic algorithms, IEEE ...
【技术保护点】
采用量子Hopfield神经网络的模拟电路多故障智能诊断方法，其特征在于，包括如下步骤：1）数据采集：模拟电路的理想单故障响应和实测多故障响应分别通过SPICE仿真和数据采集板得到；2）能量特征提取：故障响应经小波包分解后，其小波系数在新的能量函数约束下实现能量计算，以构建故障响应的能量特征子空间；3）能量特征的量子化：能量特征子空间中的元素，按照新定义的转换公式，完成能量特征的量子化；这些量子化后的能量特征经过标准正交化后，被提交给量子Hopfield神经网络，其中，理想单故障响应和实测多故障响应的能量特征被分别当作量子Hopfield神经网络的量子记忆原型和量子关键输入...
【技术特征摘要】
1.采用量子Hopfield神经网络的模拟电路多故障智能诊断方法，其特征在于，包括如下步骤 1)数据采集模拟电路的理想单故障响应和实测多故障响应分别通过SPICE仿真和数据采集板得到； 2)能量特征提取故障响应经小波包分解后，其小波系数在新的能量函数约束下实现能量计算，以构建故障响应的能量特征子空间； 3)能量特征的量子化能量特征子空间中的元素，按照新定义的转换公式，完成能量特征的量子化；这些量子化后的能量特征经过标准正交化后，被提交给量子Hopfield神经网络，其中，理想单故障响应和实测多故障响应的能量特征被分别当作量子Hopfield神经网络的量子记忆原型和量子关键输入模式； 4)量子Hopfield神经网络模型的构建分析在量子Hopfield神经网络模型中，神经兀状态及连接权值矩阵均米用量子态表不；当前时刻的量子态由前面若干个时刻的量子态叠加得到；处于不同时刻的量测矩阵蕴含着量子态在相应时刻被观测到的概率信息；通过计算量测矩阵中相关权值元素出现的概率值，得到量子关键输入模式在特定时刻，以特定量子记忆原型出现的概率，从而得到多故障相对于特定单故障发生的概率以判断出故障发生的种类。2.根据权利要求1所述采用量子Hopfield神经网络的模拟电路多故障智能诊断方法，其特征在于，所述步骤I)数据采集通过连接在实际电路终端的数据采集器获得模拟电路的实测输出响应；其中...
【专利技术属性】
技术研发人员：李鹏华，李银国，柴毅，岑明，李永福，邱翊峰，周思，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。