基于IDDT和SVM的混合电路故障诊断探究

混合电路待测数据受限,存在故障诊断速度较慢、效率有限等问题,提出了一种基于动态电流测试结合支持向量机的混合电路故障诊断方法,其基本思想是运用小波分解提取混合电路动态电流的有效信息,再融合SVM进行故障诊断。采用标准样本Iris数据集研究、确定了多类支持向量机的算法,采用高斯径向基核函数,运用改进的网络搜索方法进行了粗搜索和细搜索,以确定出SVM的最佳参数对。PSPICE及MATLAB软件对混合电路实例的仿真表明,该方法模式识别能力较强,可改善BP神经网络的收敛速度慢和容易陷入局部极小值等不足,适用于混合电路故障的快速准确诊断。     

基于LMD和SVM算法的模拟电路故障诊断

对模拟故障电路进行特征提取与分类是模拟电路诊断的两个重要环节。现有方法多对时域响应信号进行小波变换以提取故障特征,并用神经网络或支持向量机方法实现对故障进行分类。为提高模拟电路故障诊断率,提出一种局域均值分解(LMD)与SVM相结合的新算法。该算法运用局域均值算法(LMD),将其自适应地分解为一系列单分量调幅-调频信号(PF),通过提取电路正常和故障状态的特征,运用SVM对其分类,获得诊断效率。仿真实验结果表明,该方法对模拟电路的故障诊断精度达到98%以上,适用于模拟电路的故障诊断。     

差分杂草算法优化SVM的模拟电路故障诊断

针对非线性模拟电路软故障检测和定位难题,提出一种差分杂草算法(DEIWO)优化支持向量机(SVM)的故障诊断新策略。首先利用递推最小二乘算法对电路Volterra级数时域核进行辨识提取故障特征,然后用差分杂草算法(DEIWO)优化支持向量机参数建立故障诊断模型,后对故障进行分类识别,完成故障诊断。仿真结果表明,该方法具有较高的准确率。     

基于RS-PSO-SVM集成的模拟电路软故障诊断

针对模拟电路软故障诊断准确度不高的问题,提出一种基于粗糙集(RS)-粒子群算法(PSO)-支持向量机(SVM)集成的模拟电路软故障诊断方法。首先利用粗糙集理论对采集的模拟电路软故障特征信息进行维数约简,然后利用粒子群算法对支持向量机的参数进行优化,以提高支持向量机分类器的诊断性能,最后进行故障诊断。对四运放双二次高通滤波器进行仿真,实验结果表明,基于RS-PSO-SVM集成的模拟电路软故障诊断方法是有效的。与其他常用方法相比,该诊断方法具有更好的故障诊断性能。     

基于输出频谱和支持向量机的模拟电路故障诊断方法

针对模拟电路的特点和其故障诊断中存在的问题,提出了一种基于输出频谱和支持向量机的新型模拟电路故障诊断方法(FMSVM)。该方法采用多音信号作为模拟电路的激励信号,并用其输出频谱中的有限个频率点的幅值作为故障特征,采用多分类支持向量机(MSVM)进行故障模式判别,实现了模拟电路的故障诊断。实验结果表明,该故障诊断方法具有速度快、准确率高的特点,具有重要的实用价值。     

基于参数优化支持向量机的矿用变压器故障诊断

支持向量机（Support Vector Machines,SVM）理论在变压器故障诊断中得到了越来越多的应用,由于变压器故障数据有限,在参数的优化选择方面还存在理论支持问题。为及时监测矿用变压器潜伏性故障和提高故障诊断效率,根据支持向量机原理,采用变压器故障时产生的氢气、甲烷、乙烷、乙烯、乙炔的浓度数据,本文提出了支持向量机的参数和参数的交叉验证算法,寻找最佳的参数和参数,利用优化后的参数对训练集进行训练,最终得到最佳的支持向量机模型,并对测试集进行分类,从而诊断出矿用变压器的故障类型。实例研究结果表明,该方法可行,具有较高的故障诊断准确率。     

基于小波与LS-SVM集成的模拟电路故障检测

由于模拟电路的多样性、非线性和离散性等特点,模拟电路的故障诊断呈现复杂、难以辨识等问题。针对已有方法的数据不平衡,提出了一种支持向量机集成的故障诊断方法。使用小波变换方法提取特征向量,在多类别支持向量机的基础上,设计了模拟电路的最小二乘支持向量机预测模型,实现了对模拟电路的状态的故障预测。将该方法应用于Sallen-Key带通电路进行故障预测试验,结果表明,该方法比单一支持向量机、径向基神经网络、BP神经网络和APSVM有更好的分类和泛化性能,故障诊断准确率更高。     

基于网格搜索的改进SVM模拟电路故障诊断方法

针对模拟电路故障识别与诊断问题,提出了一种基于K最近邻的一对一SVM分类器(KNN-OSVM)的故障诊断方法。将K最近邻算法与用网格搜索法优化后的一对一SVM模型相结合,建立KNN-OSVM模型,有效解决了SVM因存在不可分域造成的误分问题,提高了故障诊断率。采用小波分析法提取输出端电压信号作为故障特征值,采用网格搜索对核函数、惩罚参数寻优。采用两个模拟电路进行仿真实验,并将改进的SVM与传统SVM进行对比。结果证明了该故障诊断方法的可行性。     

基于小波高频系数统计特征的电路故障诊断

对故障电路进行特征提取与分类是模拟电路诊断的两个重要环节。现有方法多对时域响应信号进行小波变换以提取故障特征,并用神经网络或支持向量机方法实现对故障进行分类。为提高模拟电路故障诊断率,提出一种新的特征选取方法:在模拟电路的时域响应中对其进行小波变换,并对变换得到的高频细节系数统计平均值、标准偏差、峭度、熵和偏斜度等统计特征,并建立以支持向量机为分类器的故障诊断系统。以两种常见电路为例,实验结果表明,提出方法对常见电路进行故障诊断,准确率得到提升,精度达到99%以上,优于传统单纯小波系数分析方法,适用于模拟电路的故障诊断。     

基于随机森林算法的模拟电路故障诊断

为提高模拟电路参变故障的诊断率,提出基于多特征向量提取和随机森林(RF)算法的模拟电路故障诊断新方法。采用时域和频域特征向量组合的多维特征向量以反映不同故障特征,经RF算法进行决策,并对决策树棵数及候选特征向量个数进行优化。故障诊断实验结果表明,所提方法能较好地实现容差模拟电路故障诊断,与支持向量机(SVM)方法相比,表现出更好的分类性能;与小波(包)特征提取方法相比,简化了多维数据特征提取步骤,易于实现在线故障诊断。     

基于LS—SVM的多步故障预测模型

针对控制箱等复杂系统故障难以判断的不足,将控制箱作为一黑箱,分析输入输出信号特点,利用OSU_svm3．0和LS-SVMlab 1．5工具箱,在Matlab 7．1环境下分别建立了控制箱的故障映射模型和俯仰通道预测模型。通过试验仿真,验证了该故障诊断和预测模型的有效性,并且通过比较BP神经网络与支持向量机的分类和预测效果,得出选择支持向量机作为故障诊断和预测工具的优越性。     

基于SVM和遗传算法的变频器故障诊断研究

提出一种基于遗传算法和支持向量机的故障诊断模型.该模型采用故障识别中的分类效果作为遗传算法中的适应度函数对故障信号进行特征提取和选择,得到更能反映故障类别的特征,作为识别特征输入多类支持向量机的输入,实现不同类别故障的识别.将该模型应用于变频器功率变换主电路的故障诊断.仿真结果表明,经过遗传算法提取的特征在保持分类精度的基础上,提高了变频器故障识别的效率.     

基于红外图像的ISSA-BP神经网络机载电路板芯片故障诊断

针对传统红外图像的机载电路板芯片故障诊断法诊断率低且无法诊断动态故障的问题,本文提出了一种基于红外温度数据的改进麻雀搜索算法优化BP神经网络（Improved sparrow search algorithm-Back propagation neural networks, ISSA-BPNN）机载电路板芯片故障诊断方法。首先,提取红外热像仪采集的电路板芯片温度数据,建立电路板芯片升温过程中静态、动态、统计特征的特征模型;然后,利用Sine混沌映射初始化麻雀种群分布,利用Levy飞行策略改进发现者种群位置更新公式,将改进后的麻雀搜索算法优化BP神经网络的权值参数;最后,将温度特征模型输入到ISSA-BP神经网络进行训练和测试,从而完成电路板芯片故障诊断。实验采用航电系统电源电路板进行可靠性分析,实验结果表明,该方法在电路板不同工况下综合故障诊断率达到97.84%。     

一种基于神经网络的模拟电路故障诊断方法

模拟电路故障诊断一直是一项富有挑战性的研究课题。文章在简要介绍BP神经网络基本原理的基础上,以差分放大电路为例,设计并实现了基于BP算法的模拟电路故障诊断方法,建立了模拟电路故障诊断BP神经网络模型。实验表明,该模型的辨识精度高,能实现对模拟电路故障的正确诊断。     

基于l2正则化回声状态网络的模拟电路故障诊断

为了提高模拟电路故障诊断的准确率,提出了一种基于l2正则化回声状态网络（l2-RESN）的模拟电路故障诊断方法。l2-RESN在ESN的约束优化函数中引入l2正则化因子,推导带正则化因子的ESN输出权重计算公式,避免传统的ESN算法因矩阵奇异而降低模型泛化能力。实验结果表明,相比于支持向量机（SVM）和标准ESN,l2-RESN的诊断准确率分别提高1.11%和18.34%。证明l2-RESN能够有效提高模拟电路诊断的准确性。     

Fault Diagnosis of Analog Circuit Based on High-Order Cumulants and Information Fusion

This paper proposes a method of analog circuit fault diagnosis by using high-order cumulants and information fusion. We extract the original voltage and current signals from output terminal of the circuit under test, and determine corresponding kurtosis and skewness as fault eigenvectors, which are then used to improve Error Back Propagation (BP) neural network for fault diagnosis. With respect to fault eigenvectors consider more about the information which are sometimes ignored by principal component analysis (PCA) using second order statistics. By employing information fusion to integrate voltage with current as fault eigenvectors, eigenvectors can be used to express fault information better. Diagnosis examples are used to illustrate that our fault eigenvectors own higher recognition rate and diagnosis accuracy.     

基于BP神经网络的大规模电路模块级故障快速诊断方法

根据大规模电路故障诊断网络撕裂法和交叉撕裂搜索方法,采用基于误差反向传播算法的多层前向神经网络(BP神经网络)记载多次撕裂信息,提出了一种新型基于BP神经网络的大规模电路模块级快速诊断方法。该方法能快速有效地并行处理定位故障模块,具有测前工作量小,实时诊断性强等优点。