基于提升小波变换和SVM的模拟电路故障诊断

故障特征提取和分类器设计是模拟电路故障诊断的两个重要环节,为了提高模拟电路故障辨识的准确率,提出了提升小波变换与支持向量机相结合的故障诊断方法。根据提升小波变换的原理,提取被测电路单脉冲响应信号的小波系数构成故障特征,建立以支持向量机为分类器的故障诊断系统。该方法对两个滤波器电路的故障诊断取得了满意的效果,在故障模式较多的情况下故障分类的精度达到了99%以上,优于传统的小波方法。     

基于MODWPT与LFDA的模拟电路故障诊断

在模拟电路故障诊断过程中,存在故障特征信息提取不充分以及特征信息冗余的问题,对此,提出一种基于最大重叠离散小波包变换(MODWPT)与局部Fisher判别(LFDA)的模拟电路故障诊断方法。该方法中,首先利用MODWPT进行模拟电路原始信号处理与故障特征提取;随后,针对高维特征集中存在冗余信息,不利于模式识别与分类,利用LFDA方法进行降维,获取更有益于故障模式识别的低维特征集;最后,支持向量机(SVM)作为故障模式识别分类器,在此基础上构建模拟电路故障诊断模型。电路仿真实验结果表明,所提出方法的最大故障诊断准确率可达99.17%,从而验证了所提方法的有效性。     

核主成分分析和粒子群优化算法在牵引电机故障诊断中的应用研究

提出了一种采用核主成分分析和粒子群优化支持向量机的电力机车笼型异步牵引电机故障诊断方法。先利用核主成分分析对故障数据进行特征提取,以获得的故障特征子集作为支持向量机故障分类器的训练样本,然后设计和构建了支持向量机多故障诊断系统,其中,支持向量机的参数通过粒子群优化算法进行了优化,最后实现对笼型异步牵引电机的故障诊断。该方法既发挥了核主成分分析的特征提取能力,又充分利用了支持向量机良好的分类性能和泛化推广能力以及因其算法简单而满足的在线故障诊断的实时性要求。实验结果分析表明,该方法能够有效地应用于电力机车笼型异步牵引电机的故障诊断。     

基于非线性频谱特征及核主元分析的模拟电路故障诊断方法

针对模拟电路基于非线性输出频域响应函数(NOFRF)模型进行故障特征提取时,具有维数多、数据量大的特点,提出了采用核主元分析(KPCA)和多类别支持向量机(MSVM)进行故障模式判别的新方法(KPCA-MSVM)。该方法首先采用KPCA对特征向量进行维数压缩、消除变量之间的非线性;其次构造MSVM分类器,在PSpice环境下通过蒙特卡罗仿真生成模拟电路在各种故障状态下的数据,对MSVM分类器进行训练,将训练好的MSVM分类器用于模拟电路的故障状态识别。通过对Sallen-Key带通滤波器模拟电路的故障诊断结果表明,该故障诊断方法对模拟电路参数型故障有很好的识别、定位能力并具有速度快和准确率高的特点。     

模拟电路故障诊断的邻近支持向量机集成方法

提出了基于非对称AdaBoost算法与邻近支持向量机的模拟电路集成故障诊断方法。该方法采用非对称AdaBoost解决邻近支持向量机处理多分类问题出现的数据不平衡问题,提高邻近支持向量机的分类准确率;利用高斯变异策略自适应选择核函数及正则化因子,提高集成邻近支持向量机的个体间差异性;最后获得分类精度高和泛化性能好的分类器。通过对模拟电路的故障诊断实验,验证了该方法的鲁棒性和可行性。诊断结果表明本文方法具有故障定位准确和泛化性好的特点。     

核主成分分析和粒子群优化支持向量机在电力机车笼型异步牵引电机故障诊断中的应用研究

提出了一种采用核主成分分析和粒子群优化支持向量机的电力机车笼型异步牵引电机故障诊断方法。先利用核主成分分析对故障数据进行特征提取,以获得的故障特征子集作为支持向量机故障分类器的训练样本,然后设计和构建了支持向量机多故障诊断系统。其中,支持向量机的参数通过粒子群优化算法进行了优化,最后实现对笼型异步牵引电机的故障诊断。实验结果分析表明,该方法能够有效地应用于电力机车笼型异步牵引电机的故障诊断。     

采用模糊支持向量机的模拟电路故障诊断新方法

为了解决模拟电路故障诊断复杂多样难于辨识的问题,有效提高分类的准确度,提出了一种模拟电路故障诊断的新方法。首先对采集的信号进行时-频域联合特征提取并采用新的模糊隶属度函数确定训练样本的隶属度,消除噪声和野点对故障诊断的影响;然后将训练集输入模糊支持向量机分类方法训练获得故障诊断模型;最后将测试集输入训练好的模糊支持向量机分类模型,实现对不同故障类型的识别。将该方法应用于CTSV滤波电路进行故障诊断仿真实验,结果显示该方法不仅能正确分类单故障而且能有效分类多故障,平均故障诊断率达到98.2%,为模拟电路故障诊断开辟新的途径。     

基于PCA和SVM的模拟电路故障诊断

针对电路故障诊断中存在的样本要求高、推广能力弱、特征提取难等问题,提出了一种基于主成分分析(PCA)与支持向量机(SVM)相结合的模拟电路故障诊断方法.通过对电路输出响应的采样信号进行PCA处理,提取故障特征的主要成分,然后利用多类SVM对各种状态下的故障模式进行分类决策,实现被测电路的故障诊断.实验结果表明:该方法能够实现电路故障的快速检测与故障元件的准确定位,具有速度快、精度高、鲁棒性好的特点.     

基于特征提取与INGO-SVM的变压器故障诊断方法

针对使用支持向量机(support vector machine,SVM)对变压器进行故障诊断时有效特征提取困难、模型参数难以选择的问题,提出一种基于特征提取与INGO-SVM的变压器故障诊断方法。首先,使用核主成分分析(kernel principal component analysis,KPCA)方法对构建的21维待选特征进行特征融合和低维敏感特征提取。其次,使用佳点集、随机反向学习和维度交叉学习等策略对北方苍鹰优化算法(northern goshawk optimization,NGO)进行改进。通过2个典型测试对改进北方苍鹰优化算法(improved northern goshawk optimization,INGO)进行性能测试,验证了INGO算法的优越性。然后,基于KPCA提取的低维敏感特征,使用INGO对SVM的参数进行组合寻优,建立基于KPCA特征提取与INGO-SVM的变压器故障诊断模型。最后,对不同变压器故障诊断模型进行实例仿真对比实验。结果表明：所提方法故障诊断精度高、稳定性好,更适用于变压器的故障诊断。     

结合LMD云模型和ABC-LSSVM的 模拟电路故障诊断

针对模拟电路存在的非线性和非平稳性,以及电路元件存在容差而带来诊断时的模糊性与随机性等问题,提出了一种结合了局域均值分解(LMD)云模型特征提取和人工蜂群-最小二乘法支持向量机(ABC-LSSVM)分类器的模拟电路故障诊断法。首先,利用LMD算法对初始故障信号进行分解,再将分解的信号通过云逆向发生器计算得出分解信号的云数字特征,并将得到的云数字特征构造为故障特征向量。然后,将部分故障特征向量作为测试样本输入到ABC算法优化的LSSVM中,对各电路故障进行分类识别,得到各故障的分类精度。以两个国际基准电路CTSV和Sallen_Key电路为验证对象,结果表明,该方法提取的故障特征能很好的反映电路各故障状态信息,所提方法的故障诊断精度均达到99%。     

基于波形相似度的容差模拟电路软故障诊断

针对容差模拟电路输出波形参数的随机性,构造了描述特定电路状态的特征区间向量,据此提出了一种基于多频响应波形相似度的软故障诊断方法。对每一种软故障,分别施加K种不同频率的激励信号,获取K个由输出响应构成的标准特征区间向量作为该故障状态的信号特征。对待测电路施加相同的K种频率的激励信号,获取K个待测样本,分别与每种故障模式的K个相应的标准特征区间向量进行相似度计算,获取K个波形相似度,在波形相似度融合中考虑了均方差权重系数和可信度权重系数,得到待测样本与该故障模式的总体相似度。最后依据一定的模糊规则进行故障定位。仿真实验证明,本方法在保证较高诊断准确率的情况下,对测点要求低,易于在自动测试系统中实现诊断的自动化。     

基于LMD多尺度熵和极限学习机的模拟电路故障诊断

为了高速、高效的测试和诊断模拟电路,提出一种将局部均值分解(LMD)多尺度熵和极限学习机相结合的模拟电路故障诊断的新方法。该方法中,首先采用LMD将故障信号分解为若干个乘积函数(production function,PF);然后,求出各PF分量的多尺度熵并构造故障特征向量;最后,将特征向量输入到极限学习机中进行训练和测试。仿真实验结果显示采用该方法诊断时间只需0.028 74 s,诊断精度达到了98.89%。相较于其他3种方法有效减少诊断时间,提高故障诊断精度。     

基于EMD和SPS的容差模拟电路故障诊断

针对具有容差的模拟电路故障诊断难题,提出了结合经验模态分解(EMD)和子带多态谱(SPS)的提取模拟电路故障特征新方法。首先计算出待测试电路的二阶Volterra核序列,然后用EMD对Volterra序列进行分解,获得本征模态函数(IMFs),最后通过计算IMFs的倒谱(CS)和Hiltert谱(HS),对时频域的多态数字故障特征进行提取,从而将容差模拟电路中的软故障和非线性故障进行分离,完成模拟电路故障诊断。实验结果表明,该方法能够有效地解决故障混叠难题,提升故障元件定位和分离的能力。     

基于Volterra核的MIMO非线性电路建模及智能特征提取

为了解决模拟乘法器等多输入测量电路的智能故障诊断准确率低的问题,文中研究了多输入多输出(MIMO)电路的基于Volterra级数的建模方法,为电路的故障诊断提供模型,提出了整体退火遗传特征提取方法,利用整体退火遗传算法的全局寻优能力优化故障诊断特征参数的提取,以选出各种故障状态之间特征差异最大的特征,以提高故障诊断的准确率,以模拟乘法器电路为例进行了建模及故障特征智能优化提取实验.实验表明,文中方法可以有效建模并提高智能故障诊断的准确率.     

基于连续小波奇异熵的模拟电路故障诊断新方法

针对模拟电路的故障诊断和定位问题,为进一步提高故障诊断准确率,提出了一种基于连续小波Tsallis奇异熵和超限学习机的故障诊断方法。首先应用连续小波变换计算被测电路时域响应信号的时频系数矩阵,然后将其分割为8个相同大小的子矩阵,分别计算每个子矩阵的Tsallis奇异熵,组成特征向量,最后将特征应用于超限学习机多类分类器进行区分。仿真结果表明,故障诊断方法能较好地获取故障响应信号的本质特征,并具有较其他现存方法更高的故障诊断正确率。     

基于特征提取的有源电力滤波器故障诊断方法

针对有源电力滤波器APF(Active Power Filter)的IGBT功率管易发生故障的问题,提出了基于故障特征提取的有源电力滤波器故障诊断方法。构建了APF故障仿真模型和基于小波包分析的故障特征提取方法,仿真分析了APF网侧电流波形,并运用小波包分析对IGBT故障时的网侧电流波形进行处理,提取了IGBT故障特征向量,最后运用神经网络对特征向量的分类来实现对APF的故障诊断。在APF故障诊断系统上进行测试,验证了该诊断方法的有效性和可行性。     

基于时间卷积网络的模拟电路故障诊断方法

对模拟电路故障诊断中的故障特征提取进行了研究,引入了卷积神经网络模型,提出了一种基于时间卷积神经网络的模拟电路故障诊断方法,在四阶Butterworth低通滤波器电路上分别对不同深度的时间卷积网络进行分类对比实验,实验结果证实了深度时间卷积网络在故障特征提取中的有效性。同时设计实验对比了时间卷积神经网络、SAE-SOFTMAX、深度信念网络和长短期记忆网络的特征提取能力,结果表明,时间卷积神经网络模型在模拟电路故障诊断中能够提取出更能反映数据本质的特征,取得更好的诊断准确率。