基于支持向量機(jī)與自適應(yīng)共振理論的模擬電路故障診斷方法研究及實現(xiàn).pdf

1、目前，模擬電路故障診斷理論和方法的研究仍然是電路測試領(lǐng)域中極具挑戰(zhàn)的前沿和熱點研究課題。隨著半導(dǎo)體技術(shù)和工藝的飛速發(fā)展，模擬電路不斷向大型化、集成化方向發(fā)展，電路的復(fù)雜性不斷提高，故障診斷的難度也隨之增大。因此，傳統(tǒng)的模擬電路故障診斷理論和方法在實際工程中難以達(dá)到預(yù)期的效果，尋求高效、適應(yīng)模擬電路發(fā)展需求的故障診斷理論和方法顯得尤為重要。近年來，支持向量機(jī)成為模擬電路故障診斷的一種新方法，是目前國內(nèi)外研究的熱點。
　　本文針對電路

2、故障診斷中特征參數(shù)提取、多類分類等重點問題進(jìn)行了研究，提出了基于支持向量機(jī)與自適應(yīng)共振理論相結(jié)合的多類分類方法。主要研究內(nèi)容如下:
　　1、電路故障信號采集及特征提取的研究。由于模擬電路具有容差和非線性性，利用PSpice特有的蒙特卡洛分析功能對不同故障狀態(tài)的信號進(jìn)行采集，用小波包變換對采集的故障信號進(jìn)行特征提取。研究了模擬電路輸出信號頻率成分能量的變化情況和不同故障信號的對應(yīng)關(guān)系，將能量向量作為故障特征向量。針對模擬電路不同故障

3、的特點，提出了最優(yōu)小波包變換(Optimal Wavelet Packet Transform，OWPT)和不完全小波包變換(Incomplete Wavelet Packet Transform，IWPT)的信號特征提取方法。實驗結(jié)果表明，最優(yōu)小波包變換適合于軟故障特征提取，不完全小波包變換適合于硬故障特征提取。
　　2、支持向量機(jī)與自適應(yīng)共振理論相結(jié)合的多類分類算法的研究。重點研究了支持向量機(jī)(Support Vector M

4、achine，SVM)和自適應(yīng)共振理論(Adaptive Resonance Theory,ART)的原理及實現(xiàn)算法，對支持向量機(jī)核函數(shù)的選擇及不同參數(shù)的優(yōu)化進(jìn)行了研究及仿真分析，討論了支持向量機(jī)一對多(1-versus-rest，1-V-r)、一對一(1-versus-1，1-V-1)和決策導(dǎo)向無環(huán)圖(Decision Directed Acyclic Graph，DDAG)多類分類算法，分析比較了以上三種算法的優(yōu)缺點。針對支持向量機(jī)

5、一對一分類算法當(dāng)分類器輸出結(jié)果接近于0或票數(shù)相同時，投票法就會出現(xiàn)決策錯誤或拒絕決策的問題，提出了一種實時在線故障診斷方法——基于支持向量機(jī)與自適應(yīng)共振理論相結(jié)合的多類分類算法，解決了上述缺點。同時，探討了神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計、訓(xùn)練算法，在進(jìn)行數(shù)據(jù)預(yù)處理時引入BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練閾值向量，從而提高了分類的精度。通過仿真，驗證了此算法的有效性，同時與多種故障診斷方法進(jìn)行了比較，結(jié)果表明基于SVM與ART相結(jié)合的故障診斷方法具有更高的精度。