近年来,电子技术的高速发展对电子设备的可靠性提出了更高的要求。模拟电路的测试和诊断一直是电路测试领域内的研究热点之一,模拟电路故障测试诊断理论和方法的研究极具挑战性。传统故障测试诊断的理论和方法在实际应用中难以达到预期效果,主要原因在于模拟电路的故障没有简单通用的表达模型,模拟电路元器件容差的存在以及元件值连续性变化使得模拟电路的故障也是多样性的,同时还存在电路非线性等,这些都影响了模拟电路测试诊断方法的发展。研究高效、适应模拟电路发展需求的故障诊断理论和方法势在必行。因此,本文深入研究了模拟电路的故障表征、分类及诊断方法,主要工作和成果如下:(1)电路集成度的提高,使得有限节点提供的信息无法完整表征电路所有元件状态,被测电路中必然会出现模糊组,如何确定被测电路中的潜在故障元件可诊断集成为研究故障诊断的一个重要部分。本文首先介绍了电路拓扑结构法,该方法是利用测点的传函计算得到在当前测点下的测试矩阵,然后依据测试矩阵进行计算得到电路所有元件的模糊组分类,根据最终得到的规范模糊组来选择确定潜在故障元件。但是拓扑结构法的计算较为繁琐,随着电路元器件数量的增多,其计算复杂度大大增加。因此,本文提出了两种较为简便的可诊断集分析方法,一种是适合单输出测点的传函零极点灵敏度法,另一种是适合多测点的节点电压斜率法。零极点灵敏度法是根据测点传递函数的零极点灵敏度对电路元件的模糊组类别进行分析,计算速度较快,如果电路只有一个输出测点,且在单故障假设下,可作为一种较为简便的方法对被测电路的可诊断集进行有效分析。斜率法不需要对测点传递函数进行分析,而是利用线性非时变电路的叠加定理和替代定理求得测点与不同元件之间的斜率特征关系,依据斜率特征准确找到电路中独立可测元件和全局模糊组,从而确定可诊断集。(2)提出了面向模拟电路的马氏距离表征与分类方法。马氏距离由印度统计学家Mahalanobis提出,其优势在于不受量纲影响,独立于测量尺度,能够考虑到各种特性之间的联系,可以排除变量之间的相关性干扰。将马氏距离根据模拟电路的特性做出改进,然后应用于模拟电路潜在故障元件的分类。用被测电路的各种故障态与正常态间的可及测点特征值的马氏距离作为标准,将电路当前状态的可及测点特征值的马氏距离进行比对判断。马氏距离的引入不仅可以判断故障是否存在,而且在某些时候可以根据测试得到的马氏距离值的大小判断出部分潜在故障元件未发生故障,从而减少可能的故障类别,因此在故障诊断时用到的分类器数量相对减少,有效提高诊断速率。(3)提出了一种参数寻优的支持向量机模拟电路故障诊断方法。支持向量机是近年来发展较快且较为有效的一种机器学习方法,具有完善的理论基础,在解决小样本、非线性和高维数据的分类问题时具有结构简单、泛化能力强等特点。通过对支持向量机核函数类型、核参数与惩罚参数等进行细致分析后,发现这些参数对支持向量机故障诊断模型的性能有着较大影响。为了得到支持向量机对被测模型的最优匹配参数,分别对多参数网格法、遗传算法和粒子群算法等寻优方法进行分析,并提出了一种混沌粒子群寻优方法。由于混沌算法的引入,使得参数在寻优过程能够较容易跳出局部极值点,较好的解决了粒子群早熟收敛的问题。该方法易于实现,得到的参数使支持向量机在样本的分类准确率上优于其它寻优算法。(4)电力系统故障与模拟电路故障有许多相似之处,如故障建模复杂、故障样本难以完整获取、响应的连续性和非线性以及噪声影响等。传统的故障诊断方法无法满足电力系统日趋复杂的发展要求,因此可以考虑将参数寻优的支持向量机故障诊断方法应用于电力系统故障诊断中。基于支持向量机的母线保护系统和变压器系统相对于传统的故障诊断方法和神经网络保护法,更具有优势。经过训练以后的支持向量机分类器不仅能正确反应系统对象的正常运行方式也能正确反应其内部故障,并且满足保护精度的要求。在寻优得到最佳参数后,支持向量机具有更好的故障识别分类能力,在母线系统和变压器保护中都可以得到较为满意的效果。