论文主要研究了一种新的模拟电路故障诊断方法。模拟电路故障诊断属于电路测试领域不可缺少的一部分,随着电路规模的不断增加,处理速度的不断提升,对模拟电路故障诊断提出了更高的要求。以往的故障诊断技术由于发展缓慢,难以满足实际的需求,已经成为阻碍电路测试领域发展的瓶颈。本论文首先从解决电路可测节点的选择问题入手,提出了两种节点选择算法。第一种方法是基于可测故障模式排除方法,首先针对所有可及节点建立故障模糊集,以故障模糊集的均值和方差作为选择节点判据的依据,均值小的优先选择,在均值相同的情况下,选择方差较小的。每进行一次选择之后排除已经可以分离的故障模式,从而使得待分的故障模式逐次减少,达到避免大量模糊集求交运算的目的。实例研究表明这种方法可以利用更少的计算量,选出更优的测试节点集。此外,论文另外还提出了一种基于测试节点故障模糊集的编码选择方法,选择具有较多模糊集的节点作为优先测试节点,故障所处的模糊集号即为对应故障模式编号,从而选出最少数目的节点实现所有故障模式的编码。该方法从理论上不需要模糊集求交运算,只需对节点按模糊集数目从大到小进行排序即可,运算效率高,且适合于编程实现,具有实现自动化、实时性选择的特征。为了解决模拟电路中故障模式的不可数问题,对于单元件故障情况,本文提出了两种解决思路。如果是线性模拟电路,由于电路中电压灵敏度序列与元件参数值的变化无关,可以采集电压灵敏度序列作为测试变量,建立故障字典,从而使故障模式从不可数变为可数。通常情况下可以采用第二种方法,即把故障特征的轨迹作为判决的依据,进行测前分析,将可能发生故障的元件参数值从零到无穷大之间变化,进行参数扫描,从而获取特征轨迹的变化趋势,这样由同一个元件所产生的软故障与硬故障都可以归属为一种故障模式,从而使得硬故障在实际操作的过程中,就转化成了软故障的某个特例。故障特征提取是模拟电路故障诊断中的关键步骤,本文提出了基于独立成分分析技术的故障特征提取新方法。首先找到了利用独立成分分析技术解决模拟电路故障诊断问题的切入点。独立成分分析技术的应用依据是要寻找的各个成分之间满足独立性的假设,观测信号为这些独立成分的线性混合或非线性函数映射关系,模拟电路中各电子元件的参数变化也是相互独立的,在一定的电路拓扑结构下,电路中的变量可以表示为电子元件的线性或非线性函数关系,从而为将独立成分分析技术用于模拟电路故障诊断奠定了基础。该特征提取方法抛开了以往特征提取时高斯性、相关性的假设,而以非高斯性、独立性作为特征提取的根据,利用信息熵和峭度作为非高斯的两种度量方式,给出了具体的故障特征提取算法。为了成功的实现高维特征的降维,本文结合投影寻踪技术对特征进行降维。投影寻踪其实就是寻找“最有趣”分布的过程,也就是信号最值得关注的部分。通常高斯性分布是最随机,最不值得关注的量,而非高斯性分布却是最有序、最能体现结构特征的分布。本文以最大化信息熵和峭度作为目标函数,实现信号非高斯性特征,使具有多模式的变量远离高斯分布,实现成功的聚类。为了使得系统具有解决非线性问题的能力,论文选择神经网络进行故障模式分类器的设计,具体的网络结构为三层BP网络,输入为特征向量,隐含层采用非线性符号函数,输出采用二值故障模式编码,对神经网络实现有监督的学习训练之后,使得网络具有智能化的功能。实验研究表明,本论文提出的方法对于实例中的单可及节点电路与多可及节点电路、线性电路与非线性电路都取得了很好的实验结果。