基于多小波變換和支持向量機的模擬電路故障診斷.pdf

1、自20世紀60年代開始研究以來，模擬電路故障診斷一直是電路系統(tǒng)領域的熱門課題，但由于模擬電路的元件參數(shù)具有的容差性，故障模式具有的復雜性及多樣性等特點，使得已有的診斷方法與實際應用存在一定的差距。本文將多小波分解作為故障特征處理工具，與智能優(yōu)化算法和支持向量機結合，為更好的解決模擬故障診斷中遇到問題提供了一種可能。
　　 本文在總結現(xiàn)有故障診斷理論與方法的基礎上，針對故障診斷中最優(yōu)樣本獲取問題，重點研究了多小波變換在故障診斷中的

2、應用。多小波作為故障特征提取工具，得到特征空間中最優(yōu)樣本，并對其進行歸一化處理，得到最優(yōu)向量，然后將其輸入己訓練好的支持向量機網絡中進行故障診斷。多小波變換能夠克服小波變換的維數(shù)災等問題，降低向量維數(shù)。通過仿真實例說明了該方法的實施步驟及診斷效果。
　　 針對目前模擬故障診斷模式識別中所遇到的困難，本文提出了一種粒子群算法優(yōu)化支持向量機的模擬電路診斷方法。該法首先用多小波變換提取電路的故障特征，通過粒子群算法優(yōu)化支持向量機的結構

3、參數(shù)，確定最優(yōu)網絡結構，然后將最優(yōu)特征集輸入優(yōu)化支持向量機網絡，得到最優(yōu)的分類結果。粒子群算法具有較強的尋優(yōu)能力，快速提高了網絡的泛化能力。此方法克服了網絡結構選擇的盲目性，加快了網絡的收斂速度。仿真實例表明，此方法能夠有效地對故障進行診斷。
　　 鑒于支持向量機網絡結構參數(shù)在選擇過程中具有隨機性，并可能影響故障診斷的效率，本文引入蟻群算法優(yōu)化支持向量機進行故障診斷。并將其診斷結果與粒子群優(yōu)化情況進行比較，發(fā)現(xiàn)粒子群優(yōu)化網絡比蟻