随着时代科技和经济的发展,电子设备在生活中的使用越来越普遍,起着越来越不可替代的作用,大到航空航天,小到手机通讯。在目前的军用雷达与电子对抗、航空与空间、军事装备及医疗电子领域等相关行业中,大功率发射设备的军用需求增加,供电电源、半导体放大器、行波管功率放大器以及发射机等大功率模拟电路作为其中的关键模块得到了广泛的应用,细化到大功率器件如MOSFET(金属-氧化层半导体场效应晶体管),Ga N HEMT(高电子迁移率晶晶体管)以及IGBT(绝缘栅双极型晶体管)等半导体功率器件是这些模拟电路的核心部件。由于这些功率器件经常工作于高功率、高温及复杂工作环境下,其内阻特别大,较易产生高导通损耗,同时也难以长期承受高冲击力,因此生产环境很严格的情况或者长时间的使用会导致其逐渐老化,失效率较高,这些器件的故障和失效常常对整个电路,甚至是整个系统的功能产生影响。轻则造成电器产品损害,设备运行停止,重则使得整个电力系统瘫痪,威胁军事通信和军用设备的安全,造成严重的经济损失,甚至对军事应用及国家安全产生重大的不利影响。故障预测与健康管理(PHM)技术是一门快速发展的综合性学科,其中包括数据采集与分析、状态监测与管理、健康评估与模拟、故障诊断与预测等,目前已经得到世界各国的高度重视,并在国防、航空航天及民用设备等诸多领域得到了广泛的应用。故障预测与健康管理技术发展至今,传统的故障测试诊断的理论和方法在实际应用中已经难以达到预期效果,且伴随着机器学习和数据挖掘技术的不断深入研究,传统的故障预测的方法远远不能与电路的发展速度所匹配,导致模拟电路的预测维修成本不但无法降低,而且还持续增高。在功率模拟电路的故障诊断中,本课题针对模拟射频电路中故障特征数据的处理、故障预测的实现、预测方法的选择等问题,结合机器学习的方法提出了一系列解决改进方案。首先对具有代表性意义的低噪声放大电路的性能退化进行仿真研究,然后借鉴射频电路相关的研究方法和一些特征数据对电路的退化状态进行分析;在故障预测方面,对数据进行预处理后选择合适的方法进行故障预测。结合近几年来基于数据驱动的故障预测方法,经理论学习和阅读文献后发现隐马尔可夫模型(HMM)在动态时间序列问题上,由于元件参数的微弱变化一般属于连续的观测序列,隐马尔可夫模型对此也会产生较强的似然值反应,具有较强的识别能力。而支持向量机(SVM)以其突出的分类问题处理能力而被许多研究者们所运用,可以根据有限的样本数据信息尽可能快速地完成多分类问题,具有良好的鲁棒性,且计算简单,有着基于统计学习理论的框架作为基础。这两种模型优势互补,在射频模拟电路故障预测的研究中首次被使用。本文在数据的处理和故障状态的识别上采用SVM和HSMM相结合的方法,首先将测得的特征数据经过K-Means分析聚类,得到有状态标签的数据,随后将其分为训练集和测试集对SVM分类器进行训练,再将有标签类别的数训练数据放入HSMM模型训练得到每个状态的CHSMM(连续隐半马尔可夫模型),同时运用Viterbi算法计算每个状态的最大似然概率,运用同样的方法将测试集的最大似然概率值和标签类别放入之前训练好的SVM分类器,得到测试集的预测类别结果。两个算法模型结合比单一算法对低噪放电路的故障预测结果高出了3～4个百分点。在寿命预测上正确率达到了94.11%。经过实验仿真证明了此方法的优越性和创新性。