模糊核聚类相关向量机模拟电路故障诊断

针对模拟电路故障与特征间存在的模糊组及交叠,首先建立基于Fisher准则函数的最佳聚类数自适应估计方法,采用模糊核聚类选择最优可诊断故障集,然后提出一种基于稀疏贝叶斯相关向量机(RVM)理论的模拟电路故障诊断模型,提高了RVM模拟电路故障分类的效率和准确度;模型可以在贝叶斯框架下对分类函数的权重进行推断,而且得到各分类的验后概率,从而能判断分类结果的置信度,辅助进行诊断决策;仿真结果表明提出的模拟电路诊断模型在精度提高的情况下,比支持向量机需要的向量更少,更具稀疏性和泛化性,是一种有效的模拟电路故障诊断方法。     

模拟电路的一种纠错码SVM诊断方法

为了解决支持向量机在模拟电路中诊断时间长的问题,同时提高故障的诊断精度,提出一种基于纠错码支持向量机的模拟电路故障诊断方法.首先采用模糊C-均值算法对训练样本两两聚类,根据聚类二叉树得到纠错码矩阵;然后按码矩阵的编码设计基于支持向量机的多类故障分类器,对样本进行分组训练和测试;最后对测试向量进行解码得到诊断结果.实验结...     

基于改进模糊聚类和支持向量机的模拟电路故障诊断

为解决神经网络训练需要大量的样本,且容易陷入局部最优,收敛速度慢等缺点,采用改进模糊聚类(IFC)和支持向量机(SVM)相结合的模拟电路故障诊断方法.利用小波分解技术提取待诊断电路的测试信息作为故障特征,在模糊聚类算法中为消除孤立点和噪声的影响,对不同样本点引入权值以提高聚类效果,结合改进的模糊聚类算法进一步降低故障特征的维数,将其作为支持向量机的输入量,进行模型训练并预测模拟电路的故障.仿真结果表明,此方法应用于电路故障诊断有效削减计算复杂度并提高了诊断精度.     

一种基于核密度估计的模拟电路故障诊断方法

为解决模拟电路中含有噪声等异常信息给支持向量机的最优分类面建立带来的困难,提出了一种基于核密度估计方法的模拟电路故障诊断新方法。首先提取电路的时域信号统计参数作为故障特征,然后运用核密度估计方法构造模糊隶属度函数,将该隶属度函数应用到模糊支持向量机上进行故障诊断。通过训练模糊支持向量机获得故障诊断模型,实现对电路单故障和多故障的诊断分类,能有效消除特征中噪声和野点的影响。将该方法应用于CSTV滤波电路进行仿真实验,结果表明该方法能突出不同故障的特性并正确有效地诊断出多故障类型,综合诊断正确率达到95%,为模拟电路故障诊断提供了新的技术途径。     

模糊聚类与SVM诊断模拟电路单软故障的方法

针对低可测性模拟电路中存在的模糊组问题,提出一种模拟电路单个软故障诊断的方法．该方法对被测电路的故障进行模糊聚类,根据聚类的有效性指标自适应确定聚类数,并利用聚类的信息来确定可测元件集,引入支持向量机对故障进行分类识别．支持向量机结构简单、泛化能力强．最后,以模拟和混合信号测试标准电路证实了文中方法的有效性．     

基于多核多分类相关向量机的模拟电路故障诊断方法

针对模拟电路实际存在的多类故障问题,本文提出一种基于多核多分类相关向量机（Multi-kernel learning multiclass relevance vector machine,MKL-mRVM）的模拟电路故障诊断方法.所提方法能够在故障数据所在的原始特征空间上建立多个非线性核,在构建分类器的同时实现故障特征的约简;同时,基于贝叶斯框架的分类模型还能够给出诊断结果的后验概率.通过两个电路的诊断实验证明了所提方法的优越性和实用性.     

PSO优化多核RVM的模拟电路故障预测

针对模拟电路健康管理的特点，提出了一种基于PSO优化多核RVM的模拟电路故障预测方法。利用参数分析得到电路的输出频域响应作为特征，计算其与电路无故障标准响应的欧氏距离来表征电路元件健康值，将多个核函数线性组合，并用PSO优化多核RVM参数后的模型实现对各个时间点元件的健康值变化轨迹进行预测。仿真结果表明，该方法在小样本情况下，预测效果优于单一核函数的RVM模型，适用于健康管理中实时预测，具有较好的实用性。     

基于核主成分分析和RVM的传感器故障诊断算法设计

传统的传感器故障诊断模型受限于所采用的机器学习方法需要人为设定参数,诊断精度依赖于参数设置的好坏,且无法实现传感器在线诊断,为此,提出了一种基于核主成分分析和稀疏贝叶斯RVM(relevancevector machine,RVM)的传感器在线故障诊断模型;首先,采用核主成分分析法将故障征兆数据映射到高维空间对数据进行降维,降低数据的复杂度;然后采用稀疏贝叶斯RVM对传感器进行故障诊断,在贝叶斯框架下对诊断函数权重进行推断,从而获得各故障类别的后验概率,量后,根据后验概率和投票致判断最终的故障类别;在NS2仿真环境下对实验进行仿真,结果表明,文中方法具有较高的故障诊断精度,较其它方法具有诊断时效高、泛化能力强和稀疏性好的优点,具有很强的可行性,     

改进的模糊聚类在控制系统故障诊断中的应用

为了提高控制系统中传感器与执行器故障诊断的准确性,结合小波分析特征提取的优势和密度函数加权模糊C-均值聚类具有较好分类效果的特点,提出了一种新的控制系统故障诊断方法。该方法首先利用小波分析对故障信号进行特征提取,降低噪声的影响;然后对特征提取后的数据通过加权模糊C-均值聚类算法,对故障进行识别分类。实验表明,基于小波分析和加权模糊C-均值聚类相结合的方法,不仅可以识别不同部件的故障,而且可以对同一部件的不同类型的故障进行诊断。     

基于小波包Tsallis熵和RVM的模拟电路故障诊断

针对模拟电路故障难以识别等问题,提出一种基于小波包Tallis熵和多分类相关向量机(Rele-vance Vector Machine,RVM)的模拟电路故障诊断方法.该方法采用脉冲信号仿真模拟电路,应用小波包变换对采集到的故障响应信号进行分解,通过提取不同频带内的Tsallis熵作为故障特征值,利用相关向量机对各种状态下的特征向量进行分类决策,实现模拟电路的故障定位.实验结果表明,提出的故障诊断方法相较于现有的故障诊断方法能较好地提取故障特征,极大地提高模拟电路故障诊断的效率.     

稀疏贝叶斯相关向量机的模拟电路故障诊断

模拟电路故障诊断受制于传统的机器学习方法需要人为设定参数,分类效果依赖于参数设定是否成功,无法进行在线诊断。为此,提出一种基于稀疏贝叶斯相关向量机理论的模拟电路故障诊断模型,改进权值更新算法,设定阈值提前剔除非相关权值,减少算法运行时间,加快权值更新速度。在贝叶斯框架下对分类函数的权重进行推断,并得到各分类的后验概率,从而判断分类结果的置信度,辅助诊断决策。仿真结果表明,与支持向量机相比,该模型在精度相当的情况下,需要的相关向量更少,更具稀疏性和泛化性,分类时效性更高,适合模拟电路的在线检测。     

基于共轭先验分布的贝叶斯网络分类模型

针对贝叶斯网络后验概率需计算样本边际分布,计算代价大的问题,将共轭先验分布思想引入贝叶斯分类,提出了基于共轭先验分布的贝叶斯网络分类模型.针对非区间离散样本,提出一种自适应的样本离散方法,将小波包提取模拟电路故障特征离散化作为分类模型属性.仿真验证表明,模型分类效果较好,算法运行速度得以提高,也可应用于连续样本和多分类的情况,扩展了贝叶斯网络分类的应用范围.     

基于优选小波基和模糊SOM网络的模拟电路故障诊断

为了解决模拟电路故障诊断中的特征提取困难并实现对模拟电路故障模式准确的分类,提出一种优选小波基、模糊理论和自组织特征映射网络(SOM,self-organizing feature map)相结合的模拟电路故障诊断方法.该方法首先对模拟电路故障响应信号进行小波分解、提取能量值、均值和方差组成输入特征向量,同时采用余弦分离度评价小波变换在不同小波基函数下获取故障特征的有效性,据此选择余弦分离度最小的小波基分解的特征向量输入到自组织特征映射网络进行故障分类.仿真实验表明,利用余弦分离度选择的最优小波基能有效提高模拟电路故障特征提取,模糊神经网络能对故障模式进行精确分类.     

基于DCCA-IWO-MKSVM的模拟电路故障诊断方法

为了提高模拟电路故障的诊断效果,提出基于DCCA-IWO-MKSVM的模拟电路故障诊断方法。采用DCCA算法对模拟电路的故障特征进行提取,构造新的融合特征。对支持向量机的核函数进行线性组合构造新的多核函数,并用IWO算法对其参数进行优化,以构建最优故障诊断模型,用于融合特征的学习分类。故障诊断实验结果表明:对于融合特征的故障诊断效率,该算法要优于单核函数的IWO-SVM算法,且整个故障诊断系统的诊断效果具有较高的准确率。     

基于神经网络与模糊融合的外围故障诊断方法

针对用传统检测方法诊断模拟电路系统设备外围故障困难的问题,提出了一种利用BP神经网络与模糊融合相结合的故障诊断新方法,将神经网络与模糊融合结合起来,实现两者优势互补;首先利用神经网络的泛化能力对系统内部各可测点电压各用一个独立的BP神经网络对系统进行初级诊断,然后根据初级诊断结果,运用模糊融合诊断方法进行故障诊断,诊断结果更趋于合理,对模拟电路系统的外围故障实现正确定位;该方法能充分利用系统内部故障信息,有效避免采集外围设备信息的困难。     

RVM在航空发动机故障诊断中的应用研究

针对支持向量机算法存在的不足,研究了一种基于稀疏贝叶斯框架的机器学习方法——相关向量机在航空发动机故障检测中的应用。排气温度是进行发动机监控与故障诊断的重要依据,应用相关向量机对其进行预测。通过仿真实验,证明了相关向量机方法在样本数据较少的情况下只产生了很少的相关向量,并且能够及时准确地预测出发动机排气温度;同时可以使用真实值与预测值的相对误差作为系统是否发生故障的判断依据。