基于提升小波和支持向量機的模擬電路故障診斷.pdf

1、模擬電路故障診斷對電路設(shè)計、設(shè)備生產(chǎn)和儀器維護是至關(guān)重要的，故障診斷技術(shù)是目前專家學者們和測試工程師在電路與系統(tǒng)領(lǐng)域中具有挑戰(zhàn)的重要課題。但是由于模擬電路元件參數(shù)的容差性、電路響應(yīng)的連續(xù)性和非連續(xù)性以及環(huán)境因素造成電路故障的多樣性和復(fù)雜性，使得傳統(tǒng)的診斷方法無法更好地運用在實際模擬電路故障診斷中。
　　本文基于現(xiàn)代診斷技術(shù)，構(gòu)建以提升小波和支持向量機相結(jié)合的模擬電路故障診斷框架，深入研究了故障特征提取和分類器構(gòu)建這兩個模擬電路故障

2、診斷中的重要環(huán)節(jié)。本文取得成果如下：
　　(1)在總結(jié)已有的模擬電路故障特征提取方法基礎(chǔ)之上，本文提出了將提升 db5小波運用到電路故障特征提取當中。這是因為db5小波函數(shù)與故障輸出信號具有較高的相似度，有利于提取信號的重要特征，而且分解速度快。與非提升方法相比能夠更加準確地反映原始信號的特征。通過仿真實例得到的數(shù)據(jù)驗證了該方法的優(yōu)越性。
　　(2)針對目前模擬電路故障識別中遇到的難題，本文構(gòu)建了基于馬氏距離的最小二乘支持向

3、量機分類器。該方法通過運用最小二乘把復(fù)雜的求解問題簡單化了，通過引入馬氏距離，改善了最小二乘支持向量機的稀疏性，從而節(jié)省了分類器的訓(xùn)練時間。仿真實例表明，此方法可以有效地運用在模擬電路故障診斷之中。
　　(3)為了提高支持向量機的泛化學習能力，本文通過粒子群算法優(yōu)化最小二乘支持向量機的結(jié)構(gòu)參數(shù)，但是由于粒子群容易陷入局部最優(yōu)和早熟收斂問題，所以對標準PSO算法進行改進，提出了吸引-排斥控制粒子群優(yōu)化方法，通過控制粒子的吸引運動和排