论文部分内容阅读
自20世纪60年代开始研究以来,模拟电路故障诊断一直是电路系统领域的热门课题,但由于模拟电路的元件参数具有的容差性,故障模式具有的复杂性及多样性等特点,使得已有的诊断方法与实际应用存在一定的差距。本文将多小波分解作为故障特征处理工具,与智能优化算法和支持向量机结合,为更好的解决模拟故障诊断中遇到问题提供了一种可能。本文在总结现有故障诊断理论与方法的基础上,针对故障诊断中最优样本获取问题,重点研究了多小波变换在故障诊断中的应用。多小波作为故障特征提取工具,得到特征空间中最优样本,并对其进行归一化处理,得到最优向量,然后将其输入已训练好的支持向量机网络中进行故障诊断。多小波变换能够克服小波变换的维数灾等问题,降低向量维数。通过仿真实例说明了该方法的实施步骤及诊断效果。针对目前模拟故障诊断模式识别中所遇到的困难,本文提出了一种粒子群算法优化支持向量机的模拟电路诊断方法。该法首先用多小波变换提取电路的故障特征,通过粒子群算法优化支持向量机的结构参数,确定最优网络结构,然后将最优特征集输入优化支持向量机网络,得到最优的分类结果。粒子群算法具有较强的寻优能力,快速提高了网络的泛化能力。此方法克服了网络结构选择的盲目性,加快了网络的收敛速度。仿真实例表明,此方法能够有效地对故障进行诊断。鉴于支持向量机网络结构参数在选择过程中具有随机性,并可能影响故障诊断的效率,本文引入蚁群算法优化支持向量机进行故障诊断。并将其诊断结果与粒子群优化情况进行比较,发现粒子群优化网络比蚁群优化网络具有更好的诊断准确率和测试准确率。