基于SVM的模拟电路故障特征识别方法

针对目前模拟电路测试性设计中,故障模式分析缺乏科学数据支持的问题,提出在特征提取的基础上,利用支持向量机(SVM)解决模式分类问题的基本原理,构造SVM分类器,对电路特征进行识别、分类的方法.经过仿真验证,该方法对模拟电路故障模式的识别、分类效果显著.     

基于提升小波包变换和集成支持矢量机的早期故障智能诊断

为了解决机电设备早期故障难以正确识别的问题,有效地提高分类的准确率,提出一种基于提升小波包变换和集成支持矢量机的早期故障智能诊断新方法。首先,该方法采用提升策略构造基于冲击故障信号特征的双正交小波,借助提升小波包变换提取信号的敏感频带特征,从而通过对敏感频带中的小波包系数进行包络解调分析检测出故障特征频率。其次,通过距离评估技术从原始信号和小波包系数的统计特征中选取最优特征集。最后,将最优特征输入到集成支持矢量机中,实现对不同故障类型的识别。将该方法应用于滚动轴承的早期故障诊断中,测试结果表明,该方法能够有效地提取故障特征,具有比单一支持矢量机更好的分类性能,故障诊断准确率更高。     

考虑异质信息不相容的模拟电路融合诊断

研究提出了一种基于异质信息融合的模拟电路故障诊断方法,以解决模拟电路诊断中故障特征信息缺乏和决策融合中异质信息不相容而导致误判等问题.该法首先采用基于可转移置信模型的核近邻法提取电路温度特征信息,并进行故障预识别,再结合基于可测点电压的神经网络故障预识别结果,在考虑信息不相容的情况下计算关联权重系数、先验权重系数,从而实现电路的综合诊断.电路仿真试验结果表明,所提诊断方法对容差模拟电路的多故障和单故障均适用,故障定位准确率高.     

基于自适应小波分解和SVM的模拟电路故障诊断

为了降低模拟电路参数故障的测试难度,提出了基于自适应小波分解和SVM的模拟电路故障诊断的新方法,该方法对电路故障响应进行小波分解提取最优故障特征,母小波的选择是根据被测电路的正常响应和故障响应小波系数之差的最大均方根原则,并引入支持向量机对故障进行分类识别.小波分解具有自适应性,支持向量机结构简单,泛化能力强.实验结果证明了所提的基于自适应小波分解和SVM的模拟电路故障诊断方法是有效的,其故障诊断率大于96.8%.     

基于小波和ELM的电路故障诊断方法研究

为提高模拟电路故障特征提取的有效性以及实现对故障模式的准确分类,提出一种小波包分解和超限学习机(ELM)结合的模拟电路故障诊断方法。文中首先对模拟电路的响应信号进行小波包分解,得到小波包能量值、均值和标准差构成的特征集,然后将特征输入超限学习机中,实现对不同故障类别的识别。模拟诊断实例表明,此方法能快速有效地实现模拟电路故障识别。     

模拟电路内建自测试故障特征提取与优化

针对电子装备中模拟电路内建自测试(built-in self test,BIST)的自动测试矢量生成需要引入数模和模数转换器,从而增加了硬件电路面积和测试测量误差,并增加了测试的复杂性、降低了系统的可靠性的缺点,提出一种模拟电路内建自测试故障特征提取与优化方法.该方法是利用电子装备中自带的微控制器产生的方波作为模拟电路的自动测试矢量,并针对此自动测试矢量产生的输出响应进行分析,提取多维故障特征并优化的算法.该方法能够使得自动测试矢量生成复杂性降低,优化故障特征并通过故障隔离度计算公式使得故障的可隔离程度提高,精简故障特征样本,从而减少测试的复杂性和代价.最后,通过实验验证了所提出方法的正确性和有效性.     

应用模糊最优小波包和LS-SVM的模拟电路诊断

为解决模拟电路故障诊断中的特征提取困难并对模拟电路故障信号进行有效的分类,提出了一种结合模糊理论、小波包分解和最小二乘支持向量机(LS-SVM)的模拟电路诊断方法。该法首先对模拟电路的响应信号进行小波包分解,并引入模糊准则对其优化,得到由分类能力强的最优小波包基能量值构成的特征集,然后将特征集输入LS-SVM网络,实现对不同故障类型的识别。小波包的优化分解减小了LS-SVM网络的规模,从而降低了算法复杂度,加快了网络的训练时间和分类速度。模拟诊断实例表明,此方法能快速有效地实施模拟电路的故障定位。     

基于mRMR原则和优化SVM的模拟电路故障诊断

为了解决模拟电路故障诊断中有效特征提取困难和提高故障诊断的准确率,提出了一种基于最小冗余最大相关(minimum redundancy maximum relevance,mRMR)原则和优化支持向量机(support vector machine,SVM)的模拟电路故障诊断新方法.该方法利用mRMR原则对待诊断电路响应信号进行特征提取,将得到的最优故障特征输入SVM进行故障分类识别,并用遗传算法(genetic algorithm,GA)优化SVM的核参数,避免参数选择的盲目性,提高模型的诊断精度.实验结果表明该方法是有效的,提高了模拟电路故障诊断精度.     

基于最优分数阶傅里叶变换的模拟电路故障特征提取新方法

模拟电路故障诊断中故障特征提取是关键技术之一,为获得有效的故障特征信息,研究提出一种基于最优分数阶傅里叶变换(FRFT)的模拟电路故障特征提取方法.该方法把在原始数据空间中可分性差的特征数据映射到合适的分数阶空间,用类内类间距离作为判据,通过遗传算法确定分数阶p值,找出在分数阶Fourier域内类内类间距离最大的故障特征,然后用PCA降维和神经网络分类诊断.实验表明该方法能增强不同故障模式的可分性,提高了诊断结果的准确率.     

以输入电流谐波为特征量的SOM网络整流电路故障诊断方法

针对故障诊断系统中最重要的故障特征提取和故障识别环节,提出了基于输入电流谐波变化,利用人工神经网络对整流电路进行故障诊断的方法。以三相桥式全控整流器为模型电路,以各类故障状态下的三相交流侧输入电流谐波数据为故障特征,选取自组织特征映射神经网络(SOM)为故障识别算法,对得到的谐波数据进行编程分析识别,通过多次学习和训练,对各类元器件故障进行精确分类,从而建立起故障诊断数据库和查询途径,完成对各类故障的检测。该算法训练速度快、诊断精度高,通过仿真和相关实验验证了理论分析的可行性和有效性。