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。     

非线性模拟电路故障诊断的小波领袖多重分形分析方法

针对非线性模拟电路故障的复杂性和非线性,提出一种基于小波领袖多重分形分析和支持向量机的故障诊断方法.首先,采用小波领袖方法对从测试节点采集的信号进行多重分形分析,并将提取的多重分形谱特征构成特征集;然后将特征集输入支持向量机,利用支持向量机的分类功能对电路的模式状态作出决策;最后,视频放大器电路故障诊断实验验证了该方法的有效性.     

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。     

基于混合核函数PSO-SVM的模拟电路故障诊断

针对模拟电路故障诊断中应用传统支持向量机算法存在的问题,提出由粒子群算法优化混合核函数支持向量机模型对模拟电路进行故障诊断的新方法。首先,对待诊断电路进行瞬态分析,记录输出点的电压值,采用小波包技术对输出值进行特征提取;其次,由粒子群算法优化混合核函数支持向量机的核函数权重和结构参数,用训练好的模型进行故障诊断,该方法不仅降低参数选择时的随机性,而且故障诊断的精确度提升了5%左右。在对某高通滤波器模拟电路进行的故障诊断中,验证了该方法的有效性。     

基于斜率特征的模拟电路故障诊断新方法

针对低可测性模拟电路存在的模糊组问题,提出一种模拟电路故障诊断新方法。利用不同元件在电路可及节点间的斜率特征关系建立斜率测试矩阵,依据斜率测试矩阵准确找到电路中存在的模糊组和独立可测元件,从而确定可诊断集,然后利用支持向量机对故障进行诊断。斜率法优点在于不需要对电路拓扑结构进行分析,计算简便,支持向量机结构简单,泛化能力强。实验表明该方法具有良好的模拟电路故障诊断效果。     

基于差分进化杂草算法（DE-IWO）的容差模拟电路故障诊断

为提高容差模拟电路参变故障的诊断率,提出了一种新颖的差分进化入侵杂草算法优化多核支持向量机参数的故障诊断方法。通过小波包变换提取被测电路时域响应信号的特征参量,并生成样本数据,经差分进化入侵杂草算法优化多核支持向量机参数,建立故障诊断模型。故障诊断结果表明,所提出的方法能较好地实现模拟电路故障诊断,与现有方法相比,此方法所建立的SVM模型表现出了更好的性能,获得更高的故障诊断正确率。     

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．     

基于自适应支持向量机电路故障诊断系统设计与实现

电路故障诊断问题在生产安全运行中地位非常重要,而且模拟电路常常出现容差,各个节点的电流或电压对故障敏感程度都有不同,由于支持向量机在解决小样本、非线性和高维模式识别问题中具有结构简单、全局最优、泛化能力强等特点,这里针对传统的支持向量机多分类算法的不足,提出了一种基于自适应支持向量机分类方法并应用在模拟电路故障诊断中;通过仿真实验表明,提出的基于自适应支持向量机多类分类算法是可行的,可以有效地提高了故障诊断准确率和速度。     

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。     

基于支持向量机的信息融合模拟电路故障诊断方法研究

为提高模拟电路故障诊断效率,克服依据单一信息进行诊断的不足,提出了一种支持向量机信息融合的模拟电路故障诊断方法;首先构建了基于支持向量机的信息融合诊断模型,其次给出了基于小波包变换的能量特征提取和基于主元分析特征压缩方法,分析了支持向量机一对一多分类方法,最后通过模拟电路的仿真实验,与未进行信息融合,以及BP、RBF和PNN等神经网络对比,结果显示,基于支持向量机信息融合方法的诊断精度最高,约为97.3%。     

基于支持向量机的机械故障智能分类研究

故障样本不足是制约故障诊断技术向智能化方向发展的主要原因之一，支持向量机（SVM)是一种基于统计学习理论(SLT)的机器学习算法，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．本文介绍了支持向量机分类算法，以滚动轴承的故障分类为例，探讨了该算法在故障诊断领域中的应用，并与BP神经网络分类方法进行了对比研究，结果表明，SVM方法在少样本情况下的分类效果优于BP神经网络分类方法．     

多切面分类改进独立成份与支持向量机集成故障诊断方法

本文采用多切面分类方法改进独立成份(ICA)与支持向量机(SVM)集成诊断方法. 在高维独立成份特征空间中采用多切面分类方法在不同切面上分别建立SVM故障分类模型. 对不同切面的分类情况进行故障识别, 改善ICA--SVM集成故障诊断性能. 将ICA--MSVM集成故障诊断方法对动态执行器基准平台(DAMADICS)的19种阀门故障模式进行仿真验证, 结果表明改进的ICA--MSVM方法有效地提高了故障诊断精度.     

支持向量机在机械故障诊断中的应用研究

在机械故障诊断中,通常不具备有大量的故障样本,因此,制约了故障诊断技术向智能化方向发展。而基于统计学习理论(SLT)的支持向量机(SVM)方法正好克服了这方面的不足。统计学习理论是专门研究少样本情况下的统计规律及学习方法的理论。SLT理论和SVM方法为故障诊断技术向智能化发展提供了新的途径。该文讨论了支持向量机在故障诊断领域中应用的分类算法。并以滚动轴承的振动信号为例进行了试验论证。试验表明:SVM方法对具有少样本的故障诊断领域具有很强的适应性。     

基于SVDD和D-S理论的模拟电路故障诊断

为解决模拟电路故障诊断复杂多样难于辨识的问题和有效提高诊断准确度及速度,提出了一种融合支持向量数据描述(SVDD)算法和D-S证据理论的故障诊断方法。首先,对采集信号进行基于局部判别基的Haar小波包变换,依据判别测度选取判别能力强的前5个节点的标准能量构成特征集。然后利用SVDD算法求出特征集对于不同类别的基本信任分配函数,最后利用证据理论对不同基本信任分配函数进行组合得到最终故障诊断决策。将该方法应用于两级四运放双二次低通滤波器电路进行故障诊断,实验结果表明该方法能够准确迅速诊断出模拟电路中的故障;与基于SVDD多分类算法、一对一(o-v-o)SVM和一对多(o-v-a)SVM分类算法的故障诊断方法进行比较,本方法能够提高模拟电路故障诊断的精度;比采用o-v-o SVM和o-v-a SVM分类算法的故障诊断方法有更快的诊断速度。     

独立成分分析和支持向量机混合方法在过程监控中的应用

为克服传统过程监控方法需假设过程特征信号服从多元正态分布的缺陷,本文提出了一种将独立成分分析(ICA)与支持向量机结合的故障诊断方法。通过建立独立成分模型确定相应的统计量界限,筛选出需进一步检测的故障数据,再由支持向量机进行故障识别。将该方法用于化工聚合反应的过程监控与故障诊断中,仿真结果表明,这种混合故障诊断方法通过适当地调节统计量控制界限,不仅能够正确识别故障,而且能够纠正由误检数据引起的误报,提高故障诊断的准确率。     

结合DCT和SVM的故障诊断方法研究

针对故障诊断研究中,样本数据维数过高导致故障模式分类时SVM学习强度太大的问题,利用DCT方法在降噪处理时体现出“能量集中”和“高频抑制”的特性,提出一种基于DCT的SVM故障诊断方法。先对故障样本进行DCT降维,再利用SVM方法对主要维离散余弦系数进行模式训练来代替对故障样本的直接训练,从而大大抑制了噪声对故障分类的影响,同时也减少了诊断运算量,最后通过实验仿真验证了算法的有效性。     

基于结点优化的决策导向无环图支持向量机及其在故障诊断中的应用

支持向量机(Support vector machine, SVM)是利用离在线数据自动建立故障诊断模型的智能方法,它在多故障诊断时, 必须先进行多分类扩展. 决策导向无环图(Decision directed acyclic graph, DDAG)法是一种性能优秀的多分类扩展策略, 但该方法的决策结果与结点的排部密切相关, 而其结点的排部却是主观的, 影响了诊断的正确率. 本文提出一种根据故障数据的空间分布来优化结点排部的方法, 它能够提高支持向量机诊断的正确率. 采用该方法扩展的多分类支持向量机在变压器故障诊断中获得良好效果.     

基于WP-ICA及SVM的齿轮故障诊断研究

针对旋转机械设备齿轮故障诊断问题,为全面提取反映齿轮运行状态的特征信息,提出了基于WP(小波包)与ICA(独立成分分析)相融合的特征提取及SVM(支持向量机)相适配的故障诊断方法。用小波包对信号进行分析并提取其能量特征,采用独立成分分析方法对提取的能量特征进一步优化,进而得到反映齿轮运行状态的特征向量。最后采用支持向量机对齿轮运行状态的四种类型(正常、轻微故障、中等故障、断齿故障)进行诊断评估。通过纵向比较和横向比较研究表明,所提特征提取方法较单一的小波包特征提取方法更能全面反映齿轮状态信息。采用SVM方法进行齿轮故障模式诊断,较其它方法具有更高的分类准确率,达到了很好的诊断效果。     

基于聚类支持向量机的船用污水处理装置故障诊断

针对船用污水处理装置状态监测与故障诊断问题,提出了一种聚类支持向量机的故障诊断算法模型。该算法模型首先采用神经网络聚类算法将设备监测状态样本空间聚类分析出正常与异常子空间,再对异常子空间构造多分类支持向量机对故障进行诊断识别。该算法模型避免了盲目故障分类,提高了分类性能。通过对某船用污水处理装置实测样本的训练和检验表明,该算法具有较好的泛化性和推广能力。