基于多模型组合的模拟电路故障诊断方法

针对传统模拟电路故障诊断方法识别准确率低及耗时较长的问题,提出一种基于改进的二进制粒子群优化算法(IBPSO)与隐马尔科夫模型(HMM)的综合诊断方法。该方法利用IBPSO对故障特征进行提取优化,降低故障特征维度,进一步利用HMM对提取的故障特征进行预处理,排除不可能类故障特征,提高了LSSVM的分类准确率。经过仿真结果分析验证,该方法较现有的BP神经网络诊断方法,能够在确保正确率得到提升的基础上,进一步提高故障诊断速度,具有更强的战场环境适用性。

基于BAPSO-LSSVM的故障诊断算法

针对模拟电路故障诊断样本高维复杂性带来诊断正确率低及时延过大的问题,提出一种基于Volterra级数与优化最小二乘支持向量机相结合的诊断方法。将Volterra级数在电路故障特征提取方面的充分性,与经改进粒子群算法(BAPSO)优化后的最小二乘支持向量机故障分类可靠性相结合,达到提升模拟电路故障诊断准确性与时效性的目的。SallenKey带通滤波器电路仿真结果表明,该算法较现有BP神经网络、最小二乘支持向量机故障诊断算法在准确率方面得到了提升,在诊断时间方面的优势随样本数量增多而增大。

基于改进HMM的模拟电路故障预测模型

针对现有模拟电路系统PHM技术故障预测部分准确度不高和时效性不强的问题,提出了基于MCGCPSO优化改进的HMM状态退化识别模型。将小波包故障特征提取法与LDA特征降维法结合,确保了对特征信息非线性部分的充分提取,同时又避免了维度过高的问题;利用MCGCPSO优化改进后的HMM模型,提升了状态退化识别模型的分类准确度。最后将MCGCPSO-HMM与改进的灰色模型组合为一个新的电路故障预测模型,克服了单个预测方法性能不稳定的缺陷。通过仿真实验验证了MCGCPSO-HMM与改进的灰色模型组合具有更高的预测准确度。