Применение методов машинного обучения для диагностирования неисправностей электронных средств

Принципы выявления неисправностей в работе электронных средств. Анализ терминов "нейронная сеть" и "машинное обучение". Методы формирования тестов для цифровых и аналоговых устройств. Обзор программных комплексов для схемотехнического моделирования.

Рубрика Коммуникации, связь, цифровые приборы и радиоэлектроника
Вид курсовая работа
Язык русский
Дата добавления 29.04.2019
Размер файла 2,4 M

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Размещено на http://allbest.ru

Федеральное государственное автономное образовательное учреждение высшего образования

«Национальный исследовательский университет

«Высшая школа экономики»»

Московский институт электроники и математики им. А.Н.Тихонова

Междисциплинарная курсовая работа

Применение методов машинного обучения для диагностирования неисправностей электронных средств

Образовательная программа: «Инфокоммуникационные технологии и системы связи»

Выполнили:

Студент В.В. Бурдюг

Студент М.Д. Погорелова

Научный руководитель:

ассистент, П.С. Королев

Москва 2018 г.

Аннотация

Кратко описаны основные методы диагностирования неисправностей в аналоговых и цифровых цепях. Изучены принципы формирования эффективных тестовых воздействий для выявления неисправностей в работе электронных средств. Проведен анализ терминов «нейронная сеть» и «машинное обучение» применительно к объектам инженерной производственной деятельности.

Также исследована возможность применения методов машинного обучения в этой области. С помощью программы NI LabVIEW созданы виртуальные приборы, необходимые для подачи тестовых воздействий на аналоговые и цифровые схемы, смоделированные с помощью программного комплекса Multisim.

Получены таблица переходов и справочник неисправностей для цифровых и аналоговых схем соответственно. МКР выполнена на 44 листах, включая 2 таблицы, 15 рисунков и 10 источников литературы.

Abstract

The methods for diagnosing faults in analog and digital circuits are briefly described. The formation of effective test influences for finding malfunction in work of electronic devices are examined. The terms "neural network" and "machine learning" are analyzed in relation to objects of engineering production activity. The possibility of applying machine learning methods in this field has also been studied. With the help of NI LabVIEW program, virtual instruments for applying test influences (modeled with the Multisim software) are created. A transition table and a fault catalog for digital and analog circuits are obtained, respectively. Intercourse Work is 44 pages long, including 2 schedules, 15 pictures and 10 literature sources.

Содержание

Введение

1. Обзор и анализ методов диагностирования неисправностей для аналоговых и цифровых электронных средств (ЭС)

1.1 Общие методы

1.2 Для аналоговых ЭС

1.3 Для цифровых ЭС

1.3.1 «Летающие щупы»

1.3.2 JTAG

2. Исследование формирования эффективных тестовых воздействий для выявления неисправностей в цифровых электрических цепях

2.1 Обзор методы формирования тестов для цифровых устройств

2.2.Использование модели конечного автомата для построения тестов

3. Исследование методов машинного обучения в области технической диагностики

3.1 Основные этапы работы

3.2 Типы обучения

4. Обзор и анализ видов нейронных сетей

5. Обзор и анализ программных комплексов (ПК) для схемотехнического моделирования: Multisim/ Proteus

5.1 Multisim

5.2 Proteus

6. Выбор аналогового и цифрового ЭС как объекта исследования

7.Реализация одного из методов определения неисправностей для аналоговых и цифровых схем электрических принципиальных (СЭП) с помощь интеграции ПК Multisim и LabView

7.1 Аналоговые ЭС

7.2 Цифровые ЭС

8. Исследование возможности применения методов машинного обучения для диагностирования неисправностей СЭП ЭС с использованием ПК LabView

Заключение

Список литературы

Приложение

Введение

Невозможно представить современную технику в отрыве от электроники. Промышленность, транспорт, средства связи, управление спутниками -- и это далеко не полный список отраслей, немыслимых сегодня без электронных систем. Накопление знаний в области технической диагностики началось ещё в 50-е годы прошлого столетия, однако настоящий интерес исследователей и корпораций к этому вопросу проявился относительно недавно. Прежде всего, это связано с удорожанием стоимости исходных материалов и процесса изготовления элементов схем. Сейчас техническая диагностика охватывает довольно обширный пласт знаний: методы определения технического состояния объектов, правила построения эффективных тестовых воздействий и теоретические разработки, использующиеся в дальнейшем при проектировании и эксплуатации электронных средств. Так как основными задачами технического диагностирования считается сокращение затрат на обслуживание и уменьшение количества выводов оборудования в незапланированный ремонт, то целесообразно применить методы машинного обучения для своевременного выявления неполадок. Машинное обучение представляет собой подраздел искусственного интеллекта, который реализует алгоритмы, способные к обучению. Согласно последним исследованиям специалистов компании «Gartner», на графике «Hype Cycle» машинное обучение находится в «пике ожиданий», однако уже через 2 года прогнозируется достижение стадии «плато» -- зрелости технологии. Действительно, уже сегодня такие гиганты, как «Google», «Amazon», «Apple» успешно внедряют машинное обучение в свои продукты. Когнитивная система IBM Watson уже несколько лет успешно используется в медицине: она структурирует данные о пациентах и выявляет незаметные для человека закономерности. Важно понимать, что крупные корпорации применяют машинное обучение не потому, что это помогает их продуктам казаться более интеллектуальными и привлекательными для пользователей. Они инвестируют в машинное обучение прежде всего по причине того, что это приносит существенную прибыль. В связи с этим, именно оно стало предметом исследования в данной курсовой работе. Объектом же изучения является применение машинного обучения для диагностирования неисправностей в аналоговых и цифровых электронных средствах. Во время выполнения целью нашей работы стала проверка возможности внедрения нейронных сетей, являющихся частным случаем применения машинного обучения, в процесс обнаружения неисправностей в электрических цепях.

Объем выполнения работы каждого из команды. Владимир Бурдюг выполнил обзор и анализ методов диагностирования неисправностей для цифровых электронных средств (ЭС), исследование формирования эффективных тестовых воздействий для выявления неисправностей в цифровых электрических цепях, исследование методов машинного обучения в области технической диагностики, обзор и анализ программных комплексов для схемотехнического моделирования: Multisim/Proteus, выбор цифрового ЭС как объекта исследования, реализация одного из методов определения неисправностей для цифровых схем с помощь интеграции ПК Multisim и LabView.

Мария Погорелова выполнила обзор и анализ методов диагностирования неисправностей для аналоговых ЭС, обзор и анализ видов нейронных сетей, выбор аналогового ЭС как объекта исследования, реализация одного из методов определения неисправностей для аналоговых схем с помощь интеграции ПК Multisim и LabView, исследование возможности применения методов машинного обучения для диагностирования неисправностей СЭП ЭС с использованием ПК LabView, а также оформление курсовой работы.

1. Обзор и анализ методов диагностирования неисправностей для аналоговых и цифровых электронных средств (ЭС)

1.1 Общие методы

Сейчас существует множество разных систем диагностирования, различным по способам измерения и принципу работы.

Одним из самых простых методов диагностирования является ручное диагностирование. Инженеры используют традиционные средства измерения параметров объекта, такие как тестеры параметров, осциллографы и мультиметры.

Но также, существуют автоматизированные системы диагностирования, которые используют только внешние входы и выходы. Эти системы фактически проверяют функцию объекта диагностирования.

Некоторые системы позволяют провести диагностирование внутри схемы. Они измеряют параметры всех элементов, ища неисправности. Также, используют визуальный и рентгеновский контроль.

Некоторые системы диагностирования для поиска неисправности определяют тепловое поле и сравнивают с эталонными показателями. Более того, существуют специальные системы для контроля (прозвонки) кабелей.

Для контроля высокочастотных устройств могут применяться рефлектометрические методы тестирования. Дорожку в такой плате уже нельзя рассматривать только как проводник.

Наряду с обычным сопротивлением, в ней необходимо контролировать и волновое сопротивление (импеданс), которое связано с временными характеристиками распространения сигнала по проводнику.

Сложной задачей является диагностирование объектов, содержащих микропроцессоры и модули памяти, так результат нового воздействия может зависть от предыдущего. Для таких объектов созданы специальные методы диагностирования. Также применяются встроенные схемы самодиагностирования.

1.2 Для аналоговых ЭС

Выявление места возникновения неисправности в аналоговых цепях может оказаться довольно трудоёмким процессом, так как существуют известные препятствия при измерении токов без разрыва соединений и отсутствуют модели неисправностей аналоговых компонент по подобию моделей выявления неисправностей по «0» (stuck-at-zero) и по «1» (stuck-at-one), широко применяющиеся во время тестирования цифровых схем.

Рис. 1.1. Классификация по стадии процесса проверки, на которой производится моделирование проверяемой цепи

Существует четыре основных метода обнаружения неисправностей аналоговых электронных средств: метод справочников неисправностей, параметрическая идентификация, методы контроля неисправностей и приближенные методы.

Обычный подход к составлению справочника неисправностей состоит в автоматической проверке цифровых схем состоит в сравнении выходных сигналов неисправных плат с занесенными в память значениями выходных сигналов с помощью автоматического испытательного оборудования (Automatik Test Equipment- ATE).

Составление справочника состоит из следующих шагов:

1)формирование определений неисправностей, которые охватывают наиболее вероятные их типы (в последствии могут быть идентифицированы только эти типы неисправностей);

2)моделирование проверяемой цепи (ПЦ) для каждого из гипотетических случаев неисправности;

3)формирование справочных перечней входных воздействий и выходных реакций, на основе которых выявляются и локализовываются неисправности;

4)занесение характеристик выходных реакций (сигнатуры) в справочник с целью последующего использования для оперативной идентификации неисправностей.

Во время проверки на неисправную ПЦ подаётся такой же входной сигнал, что был использован при составлении справочника. Полученные значения сравниваются с значениями, записанными ранее в справочник.

Для формирования справочника необходимо сначала выбрать входные сигналы цепи и способ моделирования, которые необходимы для измерения выходных реакций. Будем классифицировать модели по способу моделирования:

1)метод моделей по постоянному току;

2)метод частных моделей (основан на использовании синусоидальных возбуждающих сигналов);

а) подход Сешу и Уоксмэна (справочник формируется с использованием только измерений входов/выходов и информации об амплитудных характеристиках);

b) метод билинейного преобразования (метод опирается на факт того, что передаточную функцию можно представить в виде билинейной функции);

c) метод распознавания с использованием разреженных матриц (основан на использовании частотного отклика для формирования разреженной матрицы);

3)методы анализа во временной области;

а) метод псевдослучайных сигналов (цепь возбуждается псевдослучайным сигналом, как на рис.2);

Рис. 1.2. Применение псевдослучайного сигнала для генерирования весовой функции проверяемой цепи. Отсчёты выходного сигнала образуют сигнатуры, определяющие состояние цепи

b) метод конструирования тестового сигнала (производится возбуждение цепи, затем осуществляется переход в нулевое состояние за конечный промежуток времени. Такой сигнал, реализующийся в виде кусочно-постоянной функции времени, называется дополнительным сигналом. Он образует сигнатуру неисправности, поскольку высоты его ступеней представляют собой функции положений полюсов цепи на комплексной плоскости).

Метод параметрической идентификации использует измерения для нахождения значений всех параметров схемы. В этом случае выявление неисправных элементов происходит посредством классификации элементов по признаку попадания полученных значений их параметров в пределы зоны допуска.

Приближенные методы предназначаются для решения задачи локализации неисправностей при ограниченном числе измерений. С их помощью обнаруживают элементы, обладающих наибольшей вероятностью неисправности. Для этих методов характерны довольно громоздкие оперативные вычисления.

1.3 Для цифровых ЭС

1.3.1 «Летающие щупы»

Одной из интересных разработок в области диагностирования неисправностей являются «летающие щупы». Эта технология пришла на замену адаптерного метода, который использовался на протяжении долгого времени для проведения требующихся тестирований, но он не универсален и у него есть недостатки - точность, разрешение и затратность как с экономической точки зрения, так и по времени. Метод «летающего щупа» занял своё место в мире электронных технологий и позволил снизить затраты, но при этом обеспечить более эффективную производительность.

Метод «летающего щупа» очень похож на известный метод «матрицы контактов». «Матрица контактов» широко применяется на сегодняшний день. Она обеспечивает полную синхронную проверку на отсутствие разрывов и замыканий. Этот метод популярен уже долгое время несмотря на свою стоимость. Главное отличие «матрицы контактов» от «летающего щупа» в том, что все узлы прозваниваются одновременно относительно друг друга. Это значительно ускоряет процесс проверки, но такая скорость не оправдывает затраты.

Метод «летающего щупа» имеет весьма широкие возможности.

Прямое тестирование. «Летающий щуп» выполняет полную проверку сопротивления между всеми узлами для определения целостности дорожек в заданном диапазоне. В этом моменте метод очень похож на «матрицу контактов», но, когда дело доходит до проверки изоляции, «летающий щуп», в отличие от «матрицы контактов», делает проверку использованием смежного тестирования.

Смежное тестирование. Эта методика является одним из главных преимуществом «летающего щупа». Адаптерный метод сканирует все базовые узлы относительно абсолютно всех на плате. В то время как «летающим щупом» проверяются узлы только в смежном диапазоне. С учетом сказанного, необходимо рассмотреть типы смежности. Существует горизонтальная смежность, в этом случае при проверке разрывов или замыканий плата сканируется в горизонтальной плоскости. Главным недостатком данного сканирования является невозможность обнаружения замыканий между разными слоями. Устранить этот недостаток призвана 3х-мерная смежность. Она используется в сочетании с горизонтальной. Проверка проводится с добавлением 3-й оси. Для этого метода необходима предварительная информация обо всех полостях и переходных отверстиях в плате.

Непрямое тестирование. Данный вид проверки также известен как емкостный тест, тест разрядки, полевой тест или фазовая проверка, в зависимости от типа используемого оборудования. Вместо того, чтобы делать полный параметрический тест на всех узлах печатной платы, в данном случае размещается эталонный зонд на поверхности платы и снимаются показания со всех взаимосвязанных узлов, для создания рэпперной схемы проверки. Когда первая плата протестирована, все показания сняты, проводится проверка смежных узлов и целостности проводников. Если протестированная плата - работоспособна, то записываются эталонные показатели. Последующие платы тестируются согласно рэпперной схеме проверки и сравниваются с эталонными показателями. В случае отклонения от эталона проводится дополнительная проверка изоляции.

В настоящее время метод «матрицы контактов» становится всё более доступным и такое преимущество «летающего щупа» как цена сокращается. Стоимость технологической оснастки, простота корректировки программы проверки и эффективность проверки печатных плат является сильной стороной метода «матрицы контактов».

На практике выходит, что затраты на изготовление шаблона для «матрицы контактов» являются единовременными и при повторном производстве печатных плат не взимаются, но для скромного объема производства они всё же будут превышать затраты на проверку «летающим щупом».

1.3.2 JTAG

JTAG - это специальный интерфейс, разработанный для тестирования соединений печатных плат и внутрисистемного программирования. Но он не ограничивается данным функционалом. Элементы платы, которые не имеют данного интерфейса, могут быть протестированы при помощи цепей, соединяющих элементы с поддержкой JTAG с элементами без таковой.

Все микросхемы, которые имею интерфейс JTAG, должны обязательно обладать BSDL файлом, который описывает реализацию JTAG в схеме.

В настоящее время в микросхемы добавляется специальный регистр для тестирования через JTAG под называнием Boundary Scan Register. Часто такое тестирования называется пограничным сканированием (boundary scan). Ячейки регистра пограничного сканирования имеют 2 режима работы: функциональный режим - ячейки не влияют на работу прибора; тестирующий режим - ячейки отсоединяют функциональное ядро микросхемы от контактов корпуса. Последний используется для управления параметрами микросхемы на контактах ее корпуса.

Различают 2 способа тестирования печатной платы при помощи пограничного сканирования.

Тест соединений - способ который применяется для микросхем с интерфейсом JTAG. В данном методе тестируются соединения и цепи, а в случае более нового интерфейса XJTAG, в добавок тестируются логические элементы. Тест соединений проверяет, соответствует ли изготовленная печатная плата исходному проекту, а также наличие на ней не предусмотренных проектом разрывов цепей или лишних замыканий. Если согласно проекту какие-то контакты микросхемы должны быть соединены где-то на плате, то можно проверить факт наличия соединения, подавая значения на один из контактов и считывая с других. Аналогично, если какие-то контакты должны быть не соединены, то можно проверить, нет ли между ними лишнего замыкания, подавая на один из них значения и проверяя, что на остальные это не влияет. Более того, тест соединений позволяет определить отсутствие нужных резисторов, и «залипания» сигналов. Это также делается путём выставления на контактах определённых значений и сравнения считанных значений с заданной таблицей истинности.

Второй способ тестирования применяется, для остальных микросхем, которые не имеют данного интерфейса. Обычно основные процессоры имеют поддержку JTAG, но также существует множество вспомогательных процессоров. Для таких процессоров можно провести тест на замыкание цепей между микросхемами с интерфейсом JTAG и без, но протестировать обрывы уже не получится. Для этого требуются специальные функциональные тесты. Если такой тест пройдён, значит обрыв отсутствует. Например простейший пример такого теста является включение светодиода.

2. Исследование формирования эффективных тестовых воздействий для выявления неисправностей в цифровых электрических цепях

2.1 Обзор методы формирования тестов для цифровых устройств

Главной задачей построения теста является поиск такой комбинации входных данных, при подаче которой на объект диагностирования (ОД), можно сделать вывод о его техническом состоянии.

Хороший тест позволит быстро и достаточно точно определить причину неисправности, но, в общем, тест это любая последовательность входных данных подаваемых на ОД.

Введем основные понятия.

Последовательность входных данных, которая обеспечивает максимальную возможную полноту контроля называется контролтрующем тестом.

Тест на котором обеспечивается максимальная возможная различимость неисправноестей называется диагностическим.

Контролирующий или диагностический тест называется тупиковым контролирующим (диагностическим) тестом, если при удалении из него любого входного наборв приводит к изменению полноты контроля.

Для наглядных отображений ОД используют таблицы функций неисправностей (ТФН) и таблицу неисправностей (ТН). Эти формы представляют ОД в исправном и неисправном виде.

Построение ТФН и ТН процесс, который занимает не мало ресурсов, но при этом структура этих таблиц довольно проста.

Методы диагностирования основаны на ТФН и ТН чаще всего используют, когда количество неисправностей может быть выделено. При этом затраты на подготовку окупаются за счет диагностирования большого числа однотипных объектов.

Кроме этого, ТФН и ТН очень наглядны и удобны.

ТФН содержит в себе сведения о поведении исправного ОД и ОД с допустимыми неисправностями.

Таблица состоит из подтаблиц, количество которых равно количеству неисправностей и еще одной подтаблицы для исправных ОД.

Строки в таблице соответствуют количеству проверок, а столбцы в матрице соответствуют количеству контролируемых параметров.

Для проверки ОД мы подаем тестовые воздействия и снимаем результаты с контролируемых параметров. Далее полученные результаты сравниваем с матрицами поочередно.

Может возникнуть такая ситуация, что значения некоторых матриц совпадают, в этом случае эти матрицы объединяются в одну группу.

Также, существует таблица неисправностей. Она позволяет более наглядно увидеть, какие КП отличаются от эталонных при разных неисправностях.

ТН не имеет матрицы со значениями исправного ОД, а в остальных матрицах вместо значений КП пишется результат сравнения значений эталонных КП со значениями из ТФН.

Существуют различные методы формирования тестовых воздействий. Рассмотрим некоторые из них:

1. Случайные и детерминированные методы формирования тестов.

В случайном методе формирования тестов используется подбор случайных алгоритмов для включения в создаваемый тест.

Эти алгоритмы анализируются с целью оценки диагностических возможностей. Если случайно выбранный набор проверяет какие-то дополнительные неисправности, его включают в тест.

Алгоритм детерминированного метода направлен на целенаправленный подбор входных данных. Они выбираются, опираясь на структуру ОД.

Алгоритм последовательно выбирает одну из неисправностей и специально для нее подбирает, входной набор.

Процесс построения тестов в этом методе заключается в следующем:

a) Определение всех допустимых неисправностей.

b) Поиск тестовой последовательности для проверки неисправности

c) Построение схемы по тестовому набору для определения подмножества проверяемых на данном наборе неисправностей

d) Исключение проверяемых неисправностей из начального списка и включение выбранного набора в тест.

e) Определение полноты проверки схемы на смоделированном тесте

f) При удовлетворили полноты завершается алгоритм, иначе повтор с п. 2.

2. Получение тупиковых тестов с использованием таблиц неисправностей

В качестве ОД в этом способе используется двоичная ТН, в которой одинаковые столбцы объединяются в один.

Тогда получается, что контролирующим тестом является совокупность строк ТН, в которых в каждом столбце стоит хотя бы одна единица, диагностическим тестом является совокупность строк, в которых любая пара столбцов имеет разные значения хотя бы в одной из строк

3. Метод активизации одномерного пути

Основной принцип метода активизации заключается в том, что он строится от места неисправности.

Например, через последовательность некоторых элементов D2, ..., DN от неисправного до одного из внешних контролируемых выходов объекта.

Входные сигналы элементов D2, ..., DN, блокирующие прохождение сигнала от Di, выбираются так, чтобы по сигналу на выбранном внешнем контролируемом выходе можно было сделать выводы о состоянии элемента Di.

При этом на входы неисправного элемента Di подаются сигналы, при которых неисправность проявляется на его выходе.

4. d-алгоритм

Для рассмотрения данного алгоритма водится понятие логического куба. Под логическим кубом понимается вектор размерностью n координаты которого имеют одно из пяти значений (0, 1, x, d, d*).

0 и 1 представляют обычные булевы значения, x - неопределенное значение. Символ d может иметь значение логических 0 и 1, определенное значение устанавливается во время работы алгоритма, d* - обратное значение d.

Над парой логических кубов A = (a1, …, an) и B = (a1, …, an) проводятся операции пересечения, которые выполняются поразрядно по следующим правилам на рис. 2.1.

Рис. 2.1.

В данном алгоритме описание каждого элемента схемы содержит 3 вида кубов, которые потом используют при построении тестов: вырожденные (сингулярные) кубы, d-кубы элементов и d-кубы неисправностей элементов.

Также существуют такие методы формирования тестов как: построение теста по методу булевой производной, построение теста по методу эквивалентной нормальной формы, построение тестов для микропроцессорных систем.

2.2 Использование модели конечного автомата для построения тестов

Было принято решение использовать этот метод построения тестов для цифровых ЭС, так как этот метод один из самых удобных для реализации с помощью электронно-вычислительных машин.

Суть этого метода заключается в том, что тесты строятся по автоматной модели, то есть объект диагностирования представлен в виде таблицы и графа переходов. Однако построение графов и таблиц переходов становится затруднительным для схем с большим количеством элементов памяти. Помимо этого, в этой модели отсутствует информация о конкретной схемной реализации объекта диагностирования, это затрудняет оценку полноты контроля тестов, которые мы получаем для практического решения задач поиска неисправностей.

Далее, рассмотрим один из таких методов применительно к автомату. В этом методе строится тест, который обладает таким свойством, что при воздействии этого теста автомат должен побывать в каждом состоянии и совершить все возможные переходы

Таблица 1 Таблица переходов автомата

Входные сигналы

Состояния

1

2

3

4

X0

3/y0

3/y0

3/y1

1/y1

X1

2/y0

4/y0

4/y1

2/y1

Рассмотрим граф переходов (рис. 2.2). Видно, что автомат имеет четыре возможных состояния. Над переходами через символ «/» изображены входные воздействия и выходной сигнал. В таблице 1 через символ «/» отображается следующее состояние и выходной сигнал.

Рис. 2.2. Граф переходов автомата

Построение данного теста представляется из следующих операций:

1. Сначала определяется последовательность, которая позволяет перевести автомат в какое-то начальное состояние Z0 из любого состояния автомата. Такая последовательность называется синхронизирующей. Эту последовательность не трудно определить, в данном случае состояние 3 (рис. 2.2.) рассматривается как Z0. Из таблицы 1 видно, что в состоянии 1, 2 и 3 после подачи набора X0, автомат переходит в состояние 3. Если применить X0 в состоянии 4, то автомат окажется в состоянии 1, из которого с помощью того же воздействия он перейдет в 3. Таким образом получилась синхронизирующая последовательность X0 X0.

2. После, начинается построение теста. Для этого выбирается начальное состояние Z0, и далее выбираем воздействие, которое переведет автомат в какое-то другое. Например, чтобы перейти из состояния 3 в состояние 2, то надо подать Х1. При этом на выходе автомата появится сигнал y0.

3. Выбираем переход, переводящий автомат в новые состояния, и так до тех пор, пока автомат не пройдет через все переходы и состояния. В таблицу записываются значения входных/выходных сигналов, соответствующих каждому из этих переходов.

4. Возможно, найдется состояние, в которое нельзя попасть из состояния Z0. Тогда требуется перевести автомат в любое другое состояние, из которого возможен ранее недоступный переход. Затем выбирается последовательность входных наборов, которая позволяет пройти через все состояния и сделать все переходы. Эта последовательность и будет являться тестом для автомата.

3. Исследование методов машинного обучения в области технической диагностики

Техническая диагностика объекта часто сводится к оценке его работоспособности и осуществляется с целью увеличения уровня отказоустойчивости системы.

Основная задача - распознать состояние объекта. Под этим мы подразумеваем отнесение объекта к определённому классу неисправности. Распознавание осуществляется на основе результатов измерений ряда косвенных параметров в условиях ограниченной информации. Крайне важной задачей является подбор параметров, характеризующих состояние системы. Оценка состояния системы осуществляется во время продолжающейся работы, поэтому получение информации обычно затруднено. Решение проблем технической диагностики связано также с прогнозированием состояния технического объекта.

3.1 Основные этапы работы

В настоящее время в современном отечественном и зарубежном промышленном производстве структура работы с данными происходит в три этапа:

1.Сбор данных от всех возможных датчиков;

2.Хранение полученных данных на серверах, формирование базы данных;

3.Управление производственными процессами с использованием автоматизированных систем управления.

В приведенной выше ситуации можно анализировать и обрабатывать только собранную информацию, а также выявлять определенные тенденции в частоте событий и принимать организационные и стратегические решения, например, в области техническое обслуживание и ремонт оборудования.

Основным недостатком существующей системы работы с данными в промышленном производстве является отсутствие технологии машинного обучения и прогностической аналитики.

По мнению экспертов Harvard Business Review и McKinsey, компании, применяющие машинное обучения, на 5% более продуктивны и на 6% более выгодны, чем конкуренты.

Машинное обучение является одним из современных методов статистической обработки и анализа данных, и, в отличие от традиционно применяемого анализа, результатом которого является линейная зависимость, этот метод может быть использован для сложных, динамических и слабо изученных процессов с большим числом параметров.

3.2 Типы обучения

Существует два типа обучения:

1. Изучение посредством прецедента или индуктивного обучения основано на идентификации эмпирических шаблонов в данных.

2. Дедуктивное обучение предполагает формализацию знаний экспертов и передачу их на компьютер в виде базы знаний.

Дедуктивное обучение обычно относится к области экспертных систем, поэтому термины машинного обучения и обучения с использованием прецедентов можно считать синонимами.

4. Обзор и анализ видов нейронных сетей

Количество различных архитектур нейронных сетей (НС) растёт буквально на глазах. С каждым днём становится всё труднее ориентироваться в этом множестве подходов.

Однако благодаря Фёдору ван Вину (нид. Fjodor van Veen) из нидерландского Asimov institute разобраться в вопросе стало значительно проще: в своей статье исследователь глубинного обучения опубликовал полезную инфографику (см. прил.1).

1. Перцептрон

Самая простая и самая старая модель нейрона, какой мы ее знаем. Принимает информацию на входах, суммирует её, применяет функцию активации и передает на выходной уровень.

2. НС прямого распространения

Также довольно старая модель - подход впервые был описан в 50-е годы. Как правило, НС прямого распространения соответствуют следующим правилам:

a) все узлы полностью подключены;

b) активация осуществляется с входной ячейки на выходной, без обратных контуров;

c) есть один скрытый слой между входом и выходом.

3. НС радиально-базисных функций

Нейронные сети радиально-базисных функций на самом деле являются НС прямого распространения, которые используют радиальную функцию как функцию активации вместо логической функции.

Логическая функция отображает произвольное значение в диапазоне 0 ... 1, отвечая на вопрос «да или нет». Это хорошо для систем классификации и принятия решений, но плохо работает для непрерывных значений. Именно радиально-базисные функции и позволяют работать на непрерывных значениях.

4. НС глубокого прямого распространения

Именно эти нейронные сети дали толчок к развитию глубинного обучения в 90-х. Казалось бы, те же самые НС прямого распространения, но с несколькими скрытыми слоями.

Однако это отличие НС глубокого прямого распространения позволяет существенно сократить время обучения. Сейчас они образуют ядро современных систем машинного обучения, охватывающих те же цели, что и НС прямого обучения, но с гораздо лучшими результатами.

5. Рекуррентные НС

Рекуррентные нейронные сети начали использовать новый тип ячеек - рекуррентный. Первая сеть этого типа была так называемой сетью Jordan, когда каждая из скрытых ячеек получала собственный результат с фиксированной задержкой - одну или несколько итераций.

Этот тип нейросетей, в основном, используется, когда решения прошлых итераций или выборок могут влиять на текущие. Наиболее распространенными примерами таких задач являются обычные тексты - слово может анализироваться только в контексте предыдущих слов или предложений.

6. Кратковременная/долгосрочная память

Этот тип использует ещё один новый элемент - ячейку памяти, которая способна обрабатывать данные, когда имеют место быть временные интервалы (или задержки). Рекуррентные сети могут обрабатывать тексты, «имея в виду» десять предыдущих слов, а сети краковременной/долгосрочной памяти могут обрабатывать видеофрагмент «имея в виду» то, что было много кадров назад. Они также используются для записи и распознавания речи.

7. Управляемые рекуррентные нейроны

Эти нейросети отличаются конструктивно от предыдущих, что позволяет им быть менее ресурсоёмкими, но не менее эффективными. Применяются для звукового (музыкального) синтеза речи.

8. Автокодировщик

Автокодировщик используется для классификации, кластеризации и сжатия объектов.

НС прямого распространения необходимо «контролируемое обучение», в то время как автокодироващик может делать это без присмотра.

Их особенностью является количественное превосходство входных ячеек над скрытыми. К тому же, количество выходных ячеек равно количеству входных.

9. Вариационные автокодировки

Несмотря на то, что изменение по сравнению с обычным автокодировщиком незначительно, эти два подхода имеют разительные отличия.

Если автокодировщик отвечает на вопрос «как обобщить данные, то вариационный автокодировщик - «насколько сильна связь между двумя событиями и следует ли распространять ошибку между ними или они полностью независимы».

10. Шумоподавляющие автокодировки

Автокодировщики довольно точны в результатах, но иногда вместо того, чтобы находить наиболее надежные функции, автокодировщики просто адаптируются к входным данным.

Шумоподавляющие автокодировки добавляют немного шума на входные ячейки - изменяют данные случайным битом. Таким образом, восстанавливаются выходные данные из немного шумного ввода, что делает его более общим и заставляет нейронную сеть выбирать более общие функции.

11. Разреженный автокодировщик

Еще один тип автокодировщика, который в некоторых случаях может выявить скрытые паттерны группировки в данных. Структура такая же, как и в обычном автокодировщике, но количество скрытых ячеек больше, чем количество клеток ввода / вывода.

12. Цепи Маркова

Цепи Маркова - довольно давно известные графы, где каждое ребро имеет вероятность. В старые времена они использовались для построения текстов типа «после слов привет, у нас может быть слово «дорогая» с вероятностью 0,0053% и слово «ты» с вероятностью 0,03551%». T9, кстати, использует Цепи Маркова для прогнозирования пользовательского ввода.

Цепи Маркова не являются нейронными сетями в классическом понимании, но они могут использоваться для классификации, основанной на вероятностях (например, байесовских фильтрах), для кластеризации (в некотором роде) и применительно к конечному автомату.

13. Сети Хопфилда

Сети Хопфилда обучаются на ограниченном наборе примеров, поэтому они отвечают на входные данные соответственно изученному ранее образцу. Каждая ячейка служит входной ячейкой перед обучением, скрытой ячейкой во время обучения и выходной ячейкой при использовании нейросети.

Такие сети могут использоваться для шумоподавления и восстановления входов. Получив половину последовательности, они вернут полный образец.

14. Машина Больцмана

Машины Больцмана очень похожи на НС Хопфилда. Здесь входные ячейки становятся выходными, как только каждая скрытая ячейка обновляет свое состояние (во время обучения, Машины Больцмана и Сети Хопфилда обновляют ячейки одна за другой, а не параллельно).

Многошпиндельные Машины Больцмана могут использоваться для так называемой сети глубоких убеждений, которая используется для обнаружения и извлечения функций.

15. Ограниченная машина Больцмана

Ограниченная Машина Больцмана напоминают по структуре обычные Машины Больцмана, но из-за ограниченности могут обучаться с использованием метода обратного распространения ошибки точно так же, как НС прямого распространения.

16. Сеть «Dеер Belief»

DB сети, упомянутые выше, фактически представляют собой набор Машин Больцмана, окруженных вариационным автокодировщиком. Они могут быть соединены вместе: когда одна нейросеть обучает другую.

17. Свёрточные НС

В настоящее время являются самыми популярными среди нейронных сетей. Они содержат сверточные ячейки (или объединяющие слои) и ядра, каждое из которых служит отличной от предыдущей цели.

Ядра свертки фактически обрабатывают входные данные, а слои объединения упрощают их (в основном, используя нелинейные функции, такие как max), уменьшая ненужные функции.

Обычно используются для распознавания изображений: такие сети работают с небольшим подмножеством изображения (примерно 20х20 пикселей). Окно ввода сдвигается вдоль изображения, пиксель за пикселем. Данные передаются на уровни свертки, которые образуют воронку (сжимают обнаруженные объекты). С точки зрения распознавания изображений первый слой обнаруживает градиенты, второстепенные линии, третьи формы и т. Д. В масштабе конкретных объектов свёрточные нейронные сети обычно прикрепляются к конечному сверточному слою для дальнейшей обработки данных.

18. Развёртывающие НС

Развёртываюшие нейросети -- это перевёрнутые свёртывающие. Они принимают изображение апельсина и создают вектор, подобный {яблоко: 0, груша: 0, банан: 0, апельсин: 1}. Развёртывающие НС могут взять такой вектор и нарисовать кота.

19. Глубокие свёрточные обратные глубинные сети

Глубокие Свёрточные Обратные Глубинные Сети выглядят как свёрточная и развёрточная сети, склеенные вместе, но на самом деле, это автокодер.

Две описанные выше сети не действуют как отдельные, вместо этого они являются разделителями для ввода и вывода сети. В большинстве случаев Глубокие Свёрточные Обратные Глубинные Сети могут обрабатывать изображения, которые они не изучали ранее. Эти сети могут удалять определенные объекты из изображения, повторно рисовать их или, например, заменять лошадей зебрами, как это сделал знаменитый CycleGAN.

20. Генеративно-состязательная связь

Представляет собой огромное семейство двойных сетей, которые состоят из генератора и дискриминатора. Они постоянно пытаются обмануть друг друга - генератор пытается сгенерировать некоторые данные, а дискриминатор, получая образцы данных, пытается сгенерировать данные из образцов. Такая сеть может генерировать реальные изображения, если пользователь будет поддерживать баланс тренировки между ними.

21. Машина неустойчивых состояний

Редко использующаяся нейронная сеть, где функции активации заменяются пороговыми уровнями. Ячейка накапливает значения из последовательных выборок и пропускает информацию на выход только при достижении порогового значения, после чего снова устанавливает внутренний счетчик на ноль.

Такая идея взята из человеческого мозга, и сейчас эти сети широко используются в системах компьютерного зрения и распознавания речи, но, пока что,без серьезных прорывов.

22. Метод экстремального обучения

Попытка уменьшить сложность НС прямого распространения за счет создания разреженных скрытых слоев со случайными соединениями. Им нужно меньше вычислительных мощностей, но фактическая эффективность в значительной степени зависит от задачи и данных.

23. Эхо-сеть

Набор повторяющихся сетей со специальным подходом к обучению. Данные передаются на вход, а затем на вывод при условии, что они контролируются для нескольких итераций (позволяет возвращать текущие функции).

24. Глубокая остаточная сеть

Глубокая сеть, где часть входных данных передается следующим уровням. Эта функция позволяет им быть очень глубокими (до 300 уровней), но на самом деле они являются своего рода Рекуррентными НС без явной задержки.

25. Самоорганизующаяся карта Кохонена

Вводит функцию «расстояние до ячейки». Самоорганизующаяся карта пытается настроить свои ячейки для максимальной реакции на конкретный вход. Когда какая-то ячейка обновляется, ее также поддерживают самые близкие соседи.

26. Метод опорных векторов

Используется для задач двоичной классификации. Независимо от того, сколько измерений - или входов - сеть может обрабатывать, ответ всегда «да» или «нет».

27. Нейронные машины Тьюринга

Нейронные сети - своеобразные черные ящики - мы можем их обучать, получать результаты, улучшать их, но фактический путь решения в основном скрыт от нас. Нейронные Машины Тьюринга - попытка исправить это. Память адресуется ее содержимым, и сеть может считывать и записывать в память информацию в зависимости от текущего состояния, в котором находится вся нейронную сеть целиком.

5. Обзор и анализ программных комплексов (ПК) для схемотехнического моделирования: Multisim/ Proteus

5.1 Multisim

Ni Multisim является одной из самых популярных в мире программ для схемотехнического моделирования. Эта программа сочетает в себе простоту и профессиональные возможности, ей могут пользоваться, как для учебных целей, так и для промышленного производства сложных электронных устройств. Также Miltisim позволяет расширять функционал от одного компьютера до сетевой корпоративной системы. Multisim является достаточно актуальной программой, его последняя версия, NI Multisim, 14.1 вышла в 2017, а в его базе моделей (электромеханические модели, преобразователи мощности, импульсные источники питания для силовых схем) содержатся более 5000 компонентов известных мировых производителей.

В Multisim содержится много различных режимов анализа данных, как простых, так и самых сложных. Основными видами анализа являются:

1) DC - анализ цепи на постоянном токе.

Для резистивных схем проводится анализ цепей на постоянном токе. Катушки индуктивности заменяют коротким замыканием, конденсаторы - разрывом, а нелинейные компоненты, такие как диоды и транзисторы, заменяют их сопротивлением

2) АС - анализ цепи на переменном токе.

Суть этого анализа заключается в построении частотных характеристик.

3) Transient - анализ переходных процессов

Этот анализ позволяет определить форму выходного сигнала, то есть построить график сигнала от времени.

NI Multisim еще имеет много других встроенных видов анализа. Кроме этого есть возможность самостоятельно определить функцию с помощью команд SPICE.

5.2 Proteus

Система схемотехнического моделирования, которая позволяет виртуально моделировать работу большого количества аналоговых и цифровых устройств.

Программный комплекс Proteus позволяет моделировать схемы любые электронных устройств и симулировать их работу, при этом выявляя ошибки, которые могли быть допущенные на стадии проектирования и трассировки.

Программа имеет 2 модуля. ISIS - редактор в котором проектируются и симулируются электронные схемы. ARES - редактор для печатных плат, оснащенный автотрассировщиком Electra, в него встроены редактор библиотек и автоматическоая система размещения компонентов на плате. Кроме этого, в ARES есть возможность создавать трехмерную модель печатной платы.

Proteus содержит большую базу компонентов со справочными данными, более 6000. Программа поддерживает виртуальные устройства с помощью модулей USBCONN и COMPIM, которые можно включать через интерфейсы компьютера. Это позволяет взаимодействовать виртуальной схеме с внешними приборами так, как если бы она существовала в реальности. Также Proteus поддерживает различные компиляторы и электронные из программы PSpice.

6. Выбор аналогового и цифрового ЭС как объекта исследования

Для исследования возможности применения методов в технической диагностике были выбраны схемы: для аналоговых ЭС - усилитель с общим эмиттером, а для цифровых - RS-триггер.

Различные усилители содержат транзисторы, а также такие элементы, как резисторы, конденсаторы и катушки индуктивности. Параметры используемых элементов (их номиналы и напряжения) зависят от требований, предъявляемых к усилителю, а также от типа применяемых транзисторов. Самая распространенная схема построения усилителя на биполярном транзисторе -- схема с общим эмиттером, которая также называется усилителем с заземленным эмиттером. Варианты схемы, которая используется в исследовании показана на рис. 6.1.

Рис. 6.1. Усилитель с общим эмиттером

Триггер - простое устройство, которое представляет из себя цифровой автомат. Он может находиться в двух состояниях устойчивости. Одно из этих состояний значение «1», а другое - «0». Состояние триггера и значение цифровой информации, которая в нем хранится, определяется выходными сигналами.

RS триггер получил название по названию своих входов. Первый вход позоляет устанавливать выход триггера в единичное состояние (записывать единицу). Второй вход позволяет сбрасывать выход триггера в нулевое состояние. В простейшем случае RS триггер состоит из 2-х элементов "И-НЕ" с двумя входами. Его схема приведена на рис. 6.2.

Рис. 6.2. RS-триггер

Эти схемы одни из самых распространенных в современных электронных средствах. Это обьясняется простотой их реализации и использования. Одной из главноых причин выбора данных схем стала легкость их моделирования в схемотехнических программах, а также простота их работы.

7. Реализация одного из методов определения неисправностей для аналоговых и цифровых схем электрических принципиальных (СЭП) с помощь интеграции ПК Multisim и LabView

7.1 Аналоговые ЭС

Для воплощения как аналоговой, так и цифровой схем нами были выбраны программные продукты NI LabVIEW и NI Multisim ввиду того, что у них предусмотрена взаимная интеграция.

Для изучения аналоговых цепей был разработан виртуальный прибор (ВП) в программе NI LabVIEW. С помощью дополнительного модуля Connectivity для NI LabVIEW внутри ВП стало возможно получать данные из аналоговой схемы, построенной в NI Multisim, а также управлять ей.

На лицевой панели ВП размещены (рис. 7.1):

1. Индикатор подключения к NI Multisim и версия программы.

2. Терминал ввода количества точек на графиках.

3. Терминал ввода, который задает количество точек в секунду.

4. Строка, которая выводит расположения файла схемы.

5. Строка, в которую вводится название элемента, значение которого необходимо изменить

6. Терминал для ввода нового значения элемента.

7. Кнопка «Применить значение»

8. График выходного сигнала исправной схемы, отображается сразу после запуска ВП.

9. График выходного сигнала схемы с измененными значениями элементов.

10. Окно для отображения отчета об ошибках.

11. Кнопка завершения работы ВП

Рис. 7.1 Лицевая панель ВП для аналоговых цепей

Далее рассмотри блок-схему ВП. В начале первой части блок-схемы (рис. 7.2) идет сброс всех значения к значениям «по умолчанию», также идет поиск файла Multisim с расширением .ms в папке, где находится ВП. Поэтому для исправной работы программы файл ВП и файл аналоговой схемы следует размещать в отдельной пустой папке. После этого программа подключается к Multisim, при этом отображается статус подключения и версия программы. А в конце открывается выбранный ранее файл и отображается в строке на лицевой панели.

Рис. 7.2 Первая часть блок-схемы ВП

(Подготовка ВП, Соединение, Открытие схемы)

Во второй части блок-схемы (рис. 7.3), в начале ВП обращается к Multisim и ищет датчик напряжения на схеме, который выполняет роль выходного сигнала. Далее структура программы помещена в цикл, чтобы код выполнялся несколько раз. Первая итерация проходит самостоятельно, указываются параметры выходного сигнала, запускается симуляция и ждет пока данные не поступят на датчик. После этого данные исправной схемы поступают на график, а симуляция завершается. Полную работу программы можно остановить с помощью кнопки «Стоп».

Рис. 7.3 Вторая часть блок-схемы ВП (Настройка и симуляция)

В конце работы ВП (рис. 7.4) выводятся ошибки (если они появились), а также LabVIEW отключатся от Multisim.

Рис. 7.4 Третья часть блок-схемы ВП (Проверка ошибок, Отсоединение)

Запустим программу с выбранным усилителем сигнала. В качестве входного сигнала использовалась синусоида с амплитудой 0.0128В и частота 5кГц. Количество отсчетов на графике на графике составляло 1000, а количество отсчетов на 1 секунду - 1000000. После запуска отобразился выходной сигнал исправной схемы (рис. 7.1).

Далее для резистора R4 было симулировано короткое замыкание, путем присваивания ему значения близкого к 0. После построился график схемы с коротким замыканием резистора R4. Также, было использовано значение 1E+20, чтобы симулировать разрыв цепи в области резистора R4 (рис. 7.5).

Рис. 7.5. Выходной сигнал при разрыве R4

Таким образом, если повторить проделанное для каждого элемента схемы с помощью разработанного ВП, можно составить справочник неисправностей для этой схемы. При этом можно использовать для анализа любую схему, которая содержит датчик на выходе.

7.2 Цифровые ЭС

При разработке ВП для цифровых устройств был выбран другой программный модуль Co-simulation для LabVIEW. Этот модуль позволяет подавать воздействия и снимать значения в схеме в Multisim с помощью специальных маркеров «in» и «out».

При этом, в отличие от Connectivity, Co-simulation позволяет подавать воздействия во время симуляции схемы в Multisim.

На лицевой панели ВП размещены (рис. 7.6):

1. Переключатели для подачи сигнала (1/0) на входы.

2. Кнопка для инвертирования сигнала. Она необходима для того, чтобы одновременно изменить входные сигналы.

3. Индикаторы выходных сигналов.

4. Индикатор неопределенности включается, если выходной сигнал не определен.

5. Кнопка завершения работы ВП

Рис. 7.6. Лицевая панель ВП для цифровых цепей

Далее рассмотрим блок-схему ВП (рис. 7.7). Весь код программы помещен в специальный цикл симуляции модуля Co-simulation.

Переключатели подают двоичный сигнал на структуры «выбрать», в этих структурах выбирается напряжение 5В или 0В. 5В соответствует логической единице в используемой цифровой схеме. Эти напряжения поступают на главный элемент схемы, который осуществляет использование цифровой схемы Multisim.

Расположения файла схемы задается вручную в настройках этого элемента. Выходные напряжения отображаются на индикаторах. Если напряжение больше 4,5В считается, что это логическая «1», если меньше 0,5 - «0», а все что между этими значениями определяется, как значение неопределенности.

...

Подобные документы

  • Основные методы проектирования и разработки электронных устройств. Расчет их статических и динамических параметров. Практическое применение пакета схемотехнического моделирования MicroCap 8 для моделирования усилителя в частотной и временной областях.

    курсовая работа [2,8 M], добавлен 23.07.2013

  • Динамический режим работы усилителя. Расчет аналоговых электронных устройств. Импульсные и широкополосные усилители. Схемы на биполярных и полевых транзисторах. Правила построения моделей электронных схем. Настройка аналоговых радиотехнических устройств.

    презентация [1,6 M], добавлен 12.11.2014

  • Понятие моделей источников цифровых сигналов. Программы схемотехнического моделирования цифровых устройств. Настройка параметров моделирования. Определение максимального быстродействия. Модели цифровых компонентов, основные методы их разработки.

    курсовая работа [2,4 M], добавлен 12.11.2014

  • Сравнительный анализ программных средств схемотехнического моделирования цифровых устройств. Анализ функциональной памяти типа FIFO, LIFO в микропроцессорах, разработка укрупненной структуры и принципиальной схемы. Имитатор управляющих сигналов.

    дипломная работа [2,3 M], добавлен 25.09.2014

  • Необходимость создания и применения средств и систем диагностики сетей. Общая модель решения проблемы поиска неисправностей. Организация диагностики компьютерной сети. Некоторые частные примеры устранения неполадок сети. Методика упреждающей диагностики.

    курсовая работа [625,6 K], добавлен 19.01.2015

  • Понятие, задачи и проблемы автоматизации проектирования сложных электронных систем. Структура комплекса аппаратно-программных средств САПР. Описание микросхемного, регистрового, вентильного и кремниевого уровней представления мультипроцессорных систем.

    реферат [153,5 K], добавлен 11.11.2010

  • Способы поверки пригодности к применению эталона по критерию стабильности. Критерии установления МПИ. Порядок установки и корректировки МПИ эталонов. Требования к исходной информации. Поверка электронных аналоговых и цифровых вольтметров и амперметров.

    реферат [31,1 K], добавлен 09.02.2009

  • Основные положения алгебры логики. Составление временной диаграммы комбинационной логической цепи. Разработка цифровых устройств на основе триггеров, электронных счётчиков. Выбор электронной цепи аналого-цифрового преобразования электрических сигналов.

    курсовая работа [804,2 K], добавлен 11.05.2015

  • Состояние рынка технологий сервисного обслуживания, структура сервисов SoC-микросхем, модули синтеза тестов и анализа неисправностей. Алгоритмическое программное обеспечение тестирования пакета кристаллов. Алгоритмизация диагностирования неисправностей.

    дипломная работа [1,7 M], добавлен 10.06.2010

  • Программные средств для проектирования радиотехнических устройств. Основные технические возможности программы Microsoft Word. Сравнительные характеристики программ для математических расчётов. Программы моделирования процессов в радиоэлектронных схемах.

    контрольная работа [1,0 M], добавлен 27.01.2010

  • Проектирование современных электронных средств и характеристика существующих методов их конструирования. Государственные стандарты оформления конструкторской документации, их учет и хранение в бюро технической документации. Виды носителей информации.

    контрольная работа [60,0 K], добавлен 15.09.2010

  • Параметры и свойства устройств обработки сигналов, использующих операционного усилителя в качестве базового элемента. Изучение основных схем включения ОУ и сопоставление их характеристик. Схемотехника аналоговых и аналого-цифровых электронных устройств.

    реферат [201,0 K], добавлен 21.08.2015

  • Применение булевой алгебры при анализе и синтезе цифровых электронных устройств. Реализация логических функций в разных базисах. Параметры и характеристики цифровых интегральных микросхем. Структура локальной микропроцессорной системы управления.

    книга [3,6 M], добавлен 20.03.2011

  • Требования к серверу. Выбор сетевых программных средств. Оптимизация и поиск неисправностей в работающей сети. Структура Fast Ethernet. Ортогональное частотное разделение каналов с мультиплексированием. Классификация беспроводного сетевого оборудования.

    дипломная работа [5,9 M], добавлен 30.08.2010

  • Климатические особенности региона эксплуатации и методология испытаний электронных средств. Виды и режимы испытаний на влагоустойчивость. Воздействие на изделие солнечного излучения. Испытания на воздействия биологических факторов и оценка роста плесени.

    контрольная работа [22,4 K], добавлен 27.05.2012

  • Система схемотехнического моделирования электронных устройств. Математическое описание объектов управления; определение параметров технологических объектов. Оценка показателей качества САУ. Расчет линейных непрерывных систем, их структурная оптимизация.

    курс лекций [18,4 M], добавлен 06.05.2013

  • Особенности использования методов анализа и синтеза основных узлов аналоговых электронных устройств, методов оптимизации схемотехнических решений. Расчет параметров синтезатора радиочастот. Определение зависимости тока фазового детектора от времени.

    лабораторная работа [311,0 K], добавлен 19.02.2022

  • Общая характеристика электронных аналоговых устройств, их применение в областях науки и техники. Обзор схемотехнических решений построения усилителя звуковой частоты с бестрансформаторным оконечным каскадом. Расчет принципиальной схемы данного усилителя.

    курсовая работа [1,3 M], добавлен 18.01.2014

  • Изучение понятия, видов, целей (изъятие, предупреждение брака), этапов процесса (получение первичной информации о состоянии объекта, сравнение с установленными нормами, выявление расхождений данных) и средств контроля параметров электронных средств.

    контрольная работа [52,6 K], добавлен 06.03.2010

  • Характеристика этапов проектирования электронных систем. Применение высокоуровневых графических и текстовых редакторов в процессе проектирования. Параметры конфигурации для аппаратных средств. Последовательность проектных процедур архитектурного этапа.

    контрольная работа [17,6 K], добавлен 11.11.2010

Работы в архивах красиво оформлены согласно требованиям ВУЗов и содержат рисунки, диаграммы, формулы и т.д.
PPT, PPTX и PDF-файлы представлены только в архивах.
Рекомендуем скачать работу.