基于支持向量机的模拟电路故障诊断方法研究

支持向量机是以有限样本下的统计学习理论为基础,它能较好地解决了高维数、非线性、局部极小点等问题,所以将它应用到模拟电路的故障诊断。首先介绍了支持向量机基本思想及分类算法,然后描述了支持向量机的模拟电路故障诊断方法,最后以一个带通滤波器电路作为诊断实例,诊断结果表明该方法可以准确有效地对模拟电路故障进行识别和诊断。     

基于小波变换和支持向量机的模拟电路故障诊断方法研究

提出一种利用小波变换提取模拟电路故障特征和基于支持向量机状态分类的模拟电路故障自动识别和诊断方法。首先讨论小波变换的基本原理和支持向量机原理及其多分类算法,同时着重研究支持向量机的一种改进型一对多故障分类算法,然后实现在小波变换上,采用分布式多SVM分类器识别单相桥式整流模拟电路的故障。实验证明,该方法能准确有效地对模拟电路故障进行识别和诊断。     

基于融合特权信息支持向量机的模拟电路故障诊断新方法

针对模拟电路故障诊断复杂多样难于辨识的问题,提出了基于融合特权信息支持向量机的模拟电路故障诊断新方法。首先对采集的信号进行主成分分析(PCA)——特征提取;然后将训练集输入融合特权信息支持向量机进行训练获得故障诊断模型;最后将测试集输入训练好的支持向量机分类模型,实现对不同故障类型的识别。Sallen-Key滤波电路故障诊断仿真实验结果表明,该方法有效提高了分类的性能,不仅能够正确分类单故障而且能够有效分类多故障,其中单硬故障情况下平均故障诊断率达到了99%以上,为模拟电路故障诊断提供了新的途径。     

基于聚类预处理和支持向量机的模拟电路故障诊断技术

支持向量机（SVM）最初源于两种分类问题,用于存在较多故障模式的模拟电路诊断问题,易造成识别重叠区域。为此提出了利用动态聚类算法作为SVM预分类器的故障诊断方法,首先采用模糊C-均值（FCM）算法对训练样本进行聚类,然后分别对两大类进行内部的子聚类,每一次的聚类都产生两种模式并对各个模式内的故障模式样本训练产生对应的SVM网络,最后采用二叉树形式把所有的模式分开。实验结果表明,采用该方法对测试样本的诊断正确率可以达到99%以上。     

基于支持向量机的电路故障诊断模型

提出了一种基于遗传编程和支持向量机的故障诊断模型。通过遗传编程对时域指标进行特征选择和提取，得到更能反映信号本质的特征信号，该特征信号可作为识别特征输入多类支持向量机，实现对模拟电路不同类型软故障的识别。实验结果表明，同传统时域指标相比，经过遗传选择和提取的特征对模拟电路的软故障具有更好的识别能力，进而提高了多类支持向量机的分类准确性。     

基于支持向量机的模拟电路故障诊断研究

针对模拟电路的故障诊断问题,详细介绍了支持向量机算法,由于它在非线性映射、小样本学习方面的独特优势,故将它引用到模拟电路的故障诊断过程中.并提出了一种基于支持向量机的诊断方法,该算法能够对被测电路的故障进行有效并且精确地分类.以折线逼近平方曲线的近似测量电路为例,设计了基于支持向量机的模拟电路故障诊断系统.以实际测试数据作为训练样本进行学习训练后,对其它实际测量数据进行诊断,其结果正确,验证了算法的有效性.     

基于信息融合和神经网络的模拟电路故障诊断方法研究

随着电子技术的飞速发展,各类装备设备的集成化程度越来越高,由于系统构成的复杂性和操作环境的多样性,装备设备电路故障的复杂性、模糊性给维修保障带来极大挑战,针对装备设备中的模拟电路故障诊断问题,提出了一种基于信息融合和神经网络的模拟电路故障诊断方法;分析证明该方法可提高模拟电路故障诊断效率,有效提高模拟电路智能化诊断水平。     

基于支持向量机的电路故障诊断模型

提出了一种基于遗传编程和支持向量机的故障诊断模型。通过遗传编程对时域指标进行特征选择和提取,得到更能反映信号本质的特征信号,该特征信号可作为识别特征输入多类支持向量机,实现对模拟电路不同类型软故障的识别。实验结果表明,同传统时域指标相比,经过遗传选择和提取的特征对模拟电路的软故障具有更好的识别能力,进而提高了多类支持向量机的分类准确性。     

支持向量机在模拟电路故障诊断中的应用

故障诊断发展的瓶颈之一是故障样本的缺乏,而不仅在于诊断方法本身。支持向量机是建立在结构风险最小原则基础上,专门针对小样本情况的,其目标是得到现在信息下的最优值而不仅仅是样本数趋于无穷大时的最优值。它能在训练样本很少的情况下达到很好的分类效果,从而为故障诊断技术向智能化发展提供了新的途径。介绍了支持向量机的二值分类算法,以支持向量机二值分类为基础,构建了基于支持向量机的多值分类器并应用于模拟电路故障诊断。以两管视频放大器的多种故障分类为例,进行了实际应用验证。结果表明,该诊断方法具有算法简单、可对故障在线分类,有很好的分类能力和较高的计算效率,不需要对原始数据进行预处理就可达到满意的效果。     

基于支持向量机的变压器故障诊断方法研究

变压器作为电网核心装备,对其故障类型做出准确的诊断是电网安全运行的基础.当前主要针对变压器油中溶解的气体进行故障诊断,本文利用支持向量机(SVM)在小样本数据条件下下仍能解决非线性和局部极小点等问题的优点,提出了基于SVM的变压器故障诊断模型.     

一种QPSO优化SVM的模拟电路故障诊断方法

为提高基于SVM的模拟电路故障诊断精度,提出了一种基于QPSO优化SVM的故障诊断方法。文中首先对QPSO算法进行了介绍,然后对支持向量机的性能影响因素进行了分析,并给出了基于QPSO优化SVM 参数的算法步骤;最后以某滤波电路为例进行了仿真实验,验证了该方法的有效性。     

基于信息融合的神经网络模拟电路故障诊断研究

针对目前神经网络模拟电路故障诊断中存在的难点,提出了基于信息融合思想的多神经网络故障诊断方法;该方法测试电路中节点电压信号、供电电流信号,利用小波变换对检测信号进行预处理,基于主成分分析对特征矢量进行降维,根据模拟电路的不同故障模式分别建立诊断神经网络,用概率统计数据融合方法从多个神经网络中选出最优网络用于诊断故障;通过电路实例验证了新故障诊断方法的有效性,实验结果表明新方法可有效提高故障诊断性能。     

信息融合在模拟电路故障诊断系统中的应用

设计一种基于信息融合和神经网络理论的模拟电路故障诊断系统。采用基于单片机的信号采集系统,对电路可及点电压和不同激励频率下的电路输出电压峰值进行采样,得出电压和电路放大倍数2类故障特征参数,利用其进行基于BP神经网络的初步诊断,运用模糊变换方法进行融合诊断及故障定位。实例诊断结果表明,与基于单一信息的诊断系统相比,该系统能定位不同类型的元件故障,诊断准确率较高。     

基于小波分析和支持向量机的模拟电路故障诊断

针对模拟电路故障诊断,采用基于小波分析和支持向量机的诊断测试方法,将方波信号作为输入信号激励电路,对电路的响应信号进行小波分析并提取信号的能量作为故障特征向量,并最终利用SVM的一对一多分类方法实现了故障分类。通过对ITC97中的Elliptical Filter电路仿真验证表明,方波信号能够比单频信号更好地激励电路故障,本文所采用的方法能够有效地应用于模拟电路的故障诊断测试中。     

基于多特征信息融合的模拟电路故障预测

为解决利用单一信息进行故障预测的不足以及提高模拟电路故障预测的准确度,提出了一种将信息融合应用到模拟电路故障预测中的方法.提取模拟电路多个测点的多种故障特征量,对其进行时间序列分析,采用ARMA模型研究其预测过程,将得到的预测结果转换为模拟电路故障发生的概率,最后将得到的多个数据进行加权融合,实现了基于多特征信息融合的...     

基于改进支持向量机的仿真电路故障诊断研究

研究电路的故障问题,应提高快速性和准确性。为提高仿真电路故障诊断效率,给出了一种基于改进支持向量机的仿真电路故障诊断方法。首先通过小波包变换实现了信号的能量特征提取,根据主元分析完成了特征压缩;其次针对支持向量机多分类一对一方法存在的不可分类区,将其与最近邻分类法相结合,实现了电路的故障诊断,并提出了一种混合遗传算法实现了小波函数和支持向量机参数的同步选择;最后通过一仿真电路的仿真实验,与BP,RBF和PNN等神经网络对比,结果显示基于支持向量机的方法诊断精度最高,达到98%,为设计提供参考依据。     

一种基于类电磁机制算法的模拟电路故障诊断方法

针对模拟电路的特征,该文提出一种基于类电磁机制算法的模拟电路故障诊断方法,该方法首先利用小波包技术提取故障特征,然后将特征向量输入到采用类电磁机制算法优化的BP神经网络中,避免参数过早陷于局部最优,提高了神经网络的分类能力.通过具体实例验证了该算法的有效性.     

基于模糊SVM和虚拟仪器的模拟电路故障诊断研究

基于模糊支持向量机理论构建模拟电路故障诊断网络,采用虚拟仪器技术开发故障诊断平台;通过对电路仿真软件与实际测量得到的数据进行分析,选取一种自适应小波变换特征提取方法对电路进行故障特征提取,提取电路输出响应的6个低频系数构成故障特征向量并作为FSVM诊断网络的学习样本,诊断网络采用C-SVM算法.规则化参数墩为200;在LabVIEW软件中调用以MAT-LAB-M文件编写的特征提取与故障诊断算法,将模拟电路的故障定位到元件级;最后,将网络的诊断结果与BP神经网络诊断方法做了对比,证明基于虚拟仪器的模糊SVM模拟电路诊断方法在故障诊断速度与准确性方面都具有明显优势,平均故障识别率达到90%以上.     

基于信息融合的模拟电路故障的特征提取与融合方法

在模拟电路故障诊断中,故障特征的提取是一个非常重要的环节,其提取结果的好坏将直接影响最终的诊断正确率;对现有文献研究发现,每种特征提取方法单独使用时都有一定的局限性,为了能够更加充分地提取模拟电路故障特征,提出了小波包分析与主元分析并行应用的方法,并将两种方法提取的特征向量依据不同规则进行了三种类型的融合,方便对比实验;为获取最优小波特征,提出了特征偏离度,并以此为标准选择最优小波基;最后,通过设计一种改进的神经网络分类器模型,将融合后的三种特征向量送入其中进行仿真验证,得出最终诊断结果;结果表明,该方法能够有效克服单一特征提取方法提取不充分的缺点,提高故障诊断的正确率,并且融合因子μ适中时诊断正确率最高。