电路故障诊断属于模式分类的一个研究领域,支持向量机因具有良好的泛化能力而广泛的应用于信息的分类中,但分类的准确性很大程度取决于支持向量机的核参数与惩罚参数。针对支持向量机中的核参数与惩罚参数组合最优问题,本文提出一种全新混合粒子群模拟退火优化算法去优化支持向量机的结构参数,从而获得更好的故障诊断正确率。本文的主要研究内容如下:(1)对选取的不同电路进行蒙特卡洛分析,获取故障原始信息,利用小波包分解来提取不同频段波形的能量信息,构造故障特征向量。(2)鉴于支持向量机的核参数与惩罚参数很大程度上影响着支持向量机的泛化能力,本文通过智能优化算法优化支持向量机的结构参数,而传统的粒子群算法容易陷入局部最优中,本文提出一种新的混合粒子群模拟退火算法,该算法以基本粒子群算法为框架,结合模拟退火算法与粒子自适应变异从而改善了算法的全局寻优能力与收敛的能力,因此将模拟退火机制与自适应粒子变异引入到基本粒子群算法中。混合粒子群模拟退火算法选用带压缩因子的PSO优化算法来保证算法的收敛性,采用轮盘赌输策略与粒子自适应变异来避免局部最优,且通过典型的测试函数来验证混合粒子群模拟退火算法的收敛性,并与改进前的粒子群算法以及其他典型算法寻优性能比较分析,验证本文所提出的算法的优越性与有效性。(3)将本文提出的混合粒子群模拟退火算法优化支持向量机的核参数与惩罚参数应用于不同种类的电路故障诊断中,选取典型的模拟电路、非线性模拟电路、电力电子电路,对选取的电路进行蒙特卡洛分析,采集原始故障信息,选用小波分析提取不同频段的能量,构成故障特征向量,并分成训练集与测试集,训练集用于训练支持向量机,测试集用于验证故障分类的好坏,并与其它诊断算法作对比,以验证本文所提的算法在模拟电路故障诊断、非线性模拟电路故障诊断、电力电子电路故障诊断中均有较好的诊断正确率。仿真与实验结果表明,本文所提方法提高了故障诊断的正确率。