基于粒子群-支持向量机的模拟电路故障诊断

针对传统神经网络技术在模拟电路故障应用中存在的问题,提出了一种基于粒子群算法(particle swarm optimization,PSO)和最小二乘支持向量机(least squares support vector machine,LSSVM)的模拟电路故障诊断的方法。该方法首先利用小波包技术对待诊断电路的可测点信息提取故障特征,然后使用粒子群算法优化支持向量机的结构参数,避免了参数选择的盲目性,提高了模型的诊断精度。在对某滤波电路进行的故障检测中,验证了该方法的可行性。

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。

HMM-SVM混合模型在模拟电路故障诊断中的应用

针对单一的隐马尔科夫模型(HMM)或支持向量机(SVM)在模拟电路早期的软故障中识别率不高的特点,将HMM-SVM混合模型应用到模拟电路早期的软故障识别中。首先通过主成分分析(PCA)将原始数据样本降维实现初步划分;接着利用HMM计算测试样本与各故障状态的匹配程度形成特征向量;最后由SVM做故障状态判别。实验结果表明,HMM-SVM混合模型的早期故障识别率优于单一的HMM或SVM模型,将平均故障识别率提高到95%以上。

基于HMM-LSSVM组合模型的模拟电路故障诊断

为了提高模拟电路故障诊断正确率,针对单一模型难以获得高正确率检测结果的难题,基于组合优化理论,提出一种隐马尔科夫和最小二乘支持向量机的模拟电路故障诊断模型。提取电路故障特征,然后利用隐马尔科夫模型和最小二乘支持向量机建立模拟电路故障组合诊断模型,最后采用仿真实验对组合模型的性能进行分析。结果表明,相对于其他模拟电路故障诊断模型,该模型不仅提高了模拟电路故障检测正确率,而且具有更快的故障诊断速度。

基于改进PSO-LSSVM的模拟电路诊断方法

文中提出了一种基于预处理,小波包分析,归一化处理,改进粒子群算法与最小二乘支持向量机(Improved Particle Swarm Optimization-Least Squares Support Vector Machine,IPSO-LSSVM)结合的模拟电路故障诊断方法。针对待诊断的模拟电路,首先对信号进行预处理,其次进行小波包分解,通过归一化等方法进一步处理故障特征信息,作为PSO-LSSVM的输入样本。在充分考虑传统粒子群优化算法中容易陷入局部极小等缺陷的基础上,提出了利用新的模拟退火算法改进PSO-LSSVM的方法。文中优化了模拟电路故障的特征提取方法与分类效果,有效地提高了故障诊断的精度和效率。

基于PSO-LSSVM的模拟电路故障诊断

针对传统神经网络技术在模拟电路故障诊断应用中存在的问题,提出了一种基于粒子群(Particle Swarm Optimization,PSO)和最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)的模拟电路故障诊断方法。该方法先从一个滤波器系统的频率响应数据中提取由小波系数的均值、标准差和熵构成的频率小波特征向量来训练最小二乘支持向量机,之后再采用粒子群算法来优化支持向量机的结构参数,避免了参数选择的盲目性,进而提高了模型的诊断精度。在对Elliptical Filter电路进行的故障检测中,验证了该方法的可行性。

基于隐马尔科夫模型和支持向量机的模拟电路早期故障诊断

针对模拟电路在故障预测与健康管理(PHM)系统中早期故障识别率不高的问题,提出了一种基于隐马尔科夫模型(HMM)和支持向量机(SVM)相结合的模拟电路故障诊断方法,利用HMM对动态连续信号的较强识别能力和SVM良好的模式分类能力解决模拟电路早期故障诊断问题;采用主成分分析(PCA)和K-means聚类算法对故障数据进行数据降维和特征提取,建立HMM与SVM相结合的诊断模型进行故障诊断;仿真实验表明,HMM-SVM能很好地识别模拟电路早期故障,并对模拟电路中元件小范围参数变化的状态识别,相较单一HMM模型具有更高的准确率。

一种模拟电路故障诊断方法研究

将LSSVM算法应用于模拟电路故障诊断模型,使用PSO算法对LSSVM算法的参数进行寻优。以带通滤波器电路和双二次高通滤波器电路的故障诊断实例对该文研究的模拟电路故障诊断方法进行验证。使用三层小波包分解输出电压信号,得到8个频带能量特征向量,通过Monte Carlo仿真得到数据样本,用于故障诊断模型的训练和测试。结果表明,该文使用的改进LSSVM算法构建的故障诊断模型针对8种故障的诊断准确率均高于95%,具有较好的故障诊断性能。