基于LMD近似熵和SVM的模拟电路故障诊断研究

摘要

随着模拟电路系统的集成度越来越高，对于电路故障的诊断技术也提出了更高的要求。智能信息技术的发展使得研究出性能更优的模拟电路故障诊断技术成为可能。结合智能信息技术，本文提出了基于局域均值分解近似熵和支持向量机的模拟电路故障诊断方法。 （1）针对模拟电路元件存在容差、故障种类多样以及故障信号的非平稳、非线性等特点，提出了基于局域均值分解加近似熵的组合方法对模拟电路故障的特征进行提取。局域均值分解能自适应地对非平稳、非线性的故障信号进行分解，并且得到的分量信号频率由高到低，近似熵可以表征时间序列的复杂性，通过计算各故障分量信号的近似熵得到的故障特征类间差异大，类内差异小，且层次分明。 （2）针对支持向量机泛化能力不足的问题，提出了组合核最小二乘支持向量机和混沌粒子群算法相结合的诊断模型。首先，为了避免求解复杂的二次规划问题，使用最小二乘支持向量机代替支持向量机。其次，使用高斯径向基核函数和多项式核函数的组合代替单一的核函数，平衡分类器的泛化能力和分类精度。最后为了寻找最优的分类面，使用混沌粒子群算法优化参数，在粒子群算法中加入混沌理论，利用混沌优化的遍历性、随机性和对初值的敏感性等特点，避免粒子陷入局部最优，增加种群的多样性和粒子搜索的遍历性，提高分类精度，加快全局收敛。最后的实例分析表明该方法在提高故障识别率和减少诊断时间上具有一定的效果。 （3）针对待分类类别过多时，传统的分类结构训练和分类时间长、诊断效率低下的问题，提出了二叉树支持向量机的分类结构。二叉树结构相对于传统的一对一、一对多结构减少了分类器的个数和重复训练的样本，提高了诊断效率。由于在二叉树节点上随机放置故障类会出现诊断精度偏低的问题，因此，计算了各类的类间相似方向，并进行排序，根据类间相似方向的大小在二叉树节点上放置故障类别，让越难分离的类离根节点越远，并使用遗传算法寻找各分类器的最优分类面。最后的仿真实验表明该方法在保证诊断精度的前提下，极大地改善了诊断效率。

目录

第一个书签之前