基于小波變換和支持向量機模擬電路故障診斷方法

為提高模擬電路故障診斷效率,克服依據(jù)單一信息進行診斷的不足,提出了一種支持向量機信息融合的模擬電路故障診斷方法;首先構(gòu)建了基于支持向量機的信息融合診斷模型,其次給出了基于小波包變換的能量特征提取和基于主元分析特征壓縮方法,分析了支持向量機一對一多分類方法,最后通過模擬電路的仿真實驗,與未進行信息融合,以及bp、rbf和pnn等神經(jīng)網(wǎng)絡(luò)對比,結(jié)果顯示,基于支持向量機信息融合方法的診斷精度最高,約為97.3%。

為提高模擬電路故障診斷率,提出一種基于iwo-pso優(yōu)化支持向量機的電路故障診斷方法。通過對典型電路進行monte-carlo分析,提取輸出端時域信號,經(jīng)小波包提取特征參量,生成樣本數(shù)據(jù),再經(jīng)iwo-pso改進入侵雜草算法,優(yōu)化多核svm參數(shù)后建立相應(yīng)故障診斷模型。實驗表明,該模型能較好實現(xiàn)地電路故障診斷模擬,與已有方法相比,可獲得較高的故障診斷正確率。

針對支持向量機(supportvectormachine)及小波分解用于模擬電路故障診斷時,一對一算法具有操作簡單、診斷精度高、所需確定參數(shù)少,小波分解能表現(xiàn)電路響應(yīng)特征但最優(yōu)小波基選取目前缺乏有效方法的特點,提出利用混合粒子群算法(hybridparticleswarmoptimization,hpso)對小波基及一對一支持向量機的參數(shù)進行聯(lián)合優(yōu)化。將該方法應(yīng)用于模擬濾波器的仿真電路實驗,結(jié)果表明:利用該方法很容易求出全局最優(yōu)解,能實現(xiàn)對最優(yōu)小波基選取及支持向量機參數(shù)進行聯(lián)合優(yōu)化,避免了參數(shù)選擇的盲目性,提高了模型的診斷精度。

研究電路的故障問題,應(yīng)提高快速性和準確性。為提高仿真電路故障診斷效率,給出了一種基于改進支持向量機的仿真電路故障診斷方法。首先通過小波包變換實現(xiàn)了信號的能量特征提取,根據(jù)主元分析完成了特征壓縮;其次針對支持向量機多分類一對一方法存在的不可分類區(qū),將其與最近鄰分類法相結(jié)合,實現(xiàn)了電路的故障診斷,并提出了一種混合遺傳算法實現(xiàn)了小波函數(shù)和支持向量機參數(shù)的同步選擇;最后通過一仿真電路的仿真實驗,與bp,rbf和pnn等神經(jīng)網(wǎng)絡(luò)對比,結(jié)果顯示基于支持向量機的方法診斷精度最高,達到98%,為設(shè)計提供參考依據(jù)。

為了解決因缺少大量故障數(shù)據(jù)樣本而制約數(shù)字電路故障智能診斷發(fā)展的問題,提出了一種基于支持向量機的故障診斷仿真模型。由fpga仿真產(chǎn)生數(shù)字電路,由pci-7200i/o卡進行采集。支持向量機建立在vc維理論和結(jié)構(gòu)風險最小原理基礎(chǔ)上,根據(jù)有限的樣本信息在模型的復(fù)雜性和學習能力之間尋求最佳折衷。在選取診斷模型輸入向量時,對故障信號進行篩選,簡化了故障特征向量的提取。仿真結(jié)果表明支持向量機可以有效地對數(shù)字電路故障進行診斷。

支持向量機（svm）是-種解決小樣本分類問題的最佳理論算法,它的核函數(shù)的參數(shù)選擇非常重要,直接影響著故障診斷的準確率.本文將粒子群算法（pso）用于支持向量機的參數(shù)優(yōu)化,提出基于粒子群支持向量機的故障診斷模型,并將其運用于軌道電路中.通過對比matlab仿真結(jié)果得出：經(jīng)過粒子群尋優(yōu)得到的參數(shù)比隨機選取的參數(shù)更優(yōu),所建立的pso-svm模型的故障診斷準確率高于普通的svm模型.

支持向量機(svm)算法以統(tǒng)計學習理論為基礎(chǔ),依據(jù)結(jié)構(gòu)風險最小化的原則,且在有效的特征信息有效的情況下,能夠?qū)?shù)據(jù)中隱藏的有效信息進行挖掘。故本文用支持向量機對zpw-2000軌道電路進行故障診斷研究,且用遺傳算法和粒子群算法對其中的參數(shù)進行優(yōu)化,進而實現(xiàn)故障類別的判斷。對提高鐵路信號維護的智能化水平有重大意義。

核數(shù)據(jù)的獲取和處理包括探測器將核粒子能量通過模擬放大器轉(zhuǎn)換成與之對應(yīng)的脈沖幅度;再由模擬-數(shù)字轉(zhuǎn)換器(adc)或時間-數(shù)字變換器(tdc)將探測器給出的脈沖幅度(或時間間隔)變換成離散的核信息數(shù)據(jù)。本文根據(jù)其離散數(shù)據(jù)提取特征值并進行模式識別,嘗試基于支持向量機的模擬電路故障定位,并通過軟件仿真對此方法進行檢驗。通過具體成形放大模擬電路仿真實驗,驗證了支持向量機對模擬電路故障定位的有效性。

電力云計算將虛擬化與分布式技術(shù)代替?zhèn)鹘y(tǒng)的服務(wù)器+san/nas信息計算模式,虛擬池對數(shù)據(jù)的整合與管理在提高資源利用率和降低建設(shè)成本的同時,由于電力云穩(wěn)定和可靠工作的前提很大程度上依賴于良好的網(wǎng)絡(luò)狀態(tài),由此也帶來故障診斷更加復(fù)雜的新挑戰(zhàn).為了實現(xiàn)電力云網(wǎng)絡(luò)故障的診斷,針對網(wǎng)絡(luò)故障本身具有的小樣本和非線性特征,采用支持向量機svm算法,在二分類無法解決多分類的基礎(chǔ)上進行改進,選擇了一對一svm,借助實驗數(shù)據(jù)和matlab仿真結(jié)果驗證了其可行性.

電力云計算將虛擬化與分布式技術(shù)代替?zhèn)鹘y(tǒng)的服務(wù)器＋san/nas信息計算模式,虛擬池對數(shù)據(jù)的整合與管理在提高資源利用率和降低建設(shè)成本的同時,由于電力云穩(wěn)定和可靠工作的前提很大程度上依賴于良好的網(wǎng)絡(luò)狀態(tài),由此也帶來故障診斷更加復(fù)雜的新挑戰(zhàn).為了實現(xiàn)電力云網(wǎng)絡(luò)故障的診斷,針對網(wǎng)絡(luò)故障本身具有的小樣本和非線性特征,采用支持向量機svm算法,在二分類無法解決多分類的基礎(chǔ)上進行改進,選擇了一對一svm,借助實驗數(shù)據(jù)和matlab仿真結(jié)果驗證了其可行性.

企業(yè)在實際發(fā)展的過程中,機械設(shè)備作為原生的發(fā)展動力,對于自身的長期健康發(fā)展具有非常重要的影響。而落實到機械故障診斷方法研究中來,可以充分利用故障數(shù)據(jù)樣本來對其診斷發(fā)展過程中出現(xiàn)的一些問題進行有效的把握,充分分析支持向量機的機械故障診斷方法的實質(zhì)性內(nèi)容,更好的加強分類故障的有效排除,并且提升診斷方法應(yīng)用的有效性水平。因此,本文在研究的過程中,主要從支持向量機的相關(guān)原理出發(fā),在對基本內(nèi)容進行系統(tǒng)分析的同時,積極探索多故障分類器的相關(guān)建立與測試,從而更好的把握后續(xù)內(nèi)容,推動我國社會經(jīng)濟的不斷繁榮與進步。

故障樣本的缺乏嚴重制約智能故障診斷的發(fā)展,本文提出支持向量機應(yīng)用到發(fā)動機故障診斷中,該方法專門針對小樣本集合設(shè)計,能夠在小樣本情況下獲得較大的推廣,而且模型簡單,具體是將汽車在典型故障下尾氣中各氣體的體積分數(shù)作為訓(xùn)練樣本。用處理過的樣本和最優(yōu)參數(shù)建立基于支持向量機的多元分類器模型,進行故障類別診斷。經(jīng)過libsvm工具箱進行仿真,結(jié)果表明經(jīng)優(yōu)化后的支持向量機對于小樣本故障診斷有很高的準確率。

支持向量機作為基于統(tǒng)計學理論的機器學習方法，在人工智能識別方面的研究起到了重要的作用。本文將支持向量機智能識別方法引入到機械設(shè)備的故障診斷當中，并對支持向量機模型起到關(guān)鍵作用的懲罰因子c和核參數(shù)g采用了交叉驗證的方法進行最優(yōu)化計算。建立了基于優(yōu)化的支持向量機的機械設(shè)備故障診斷模型，并且進行了相關(guān)實驗，實驗表明，采用本文介紹的基于支持向量機的故障診斷方法可有效識別出機械設(shè)備的故障類型，對機械設(shè)備的故障診斷提供了有效的診斷方法。

針對電梯的幾種常見故障,論文采用了最小二乘支持向量機(ls-svm)診斷的方法。采集電梯幾種故障狀態(tài)下的振動信號,用最優(yōu)小波包的理論分析計算故障振動信號的能量分布,將其能量分布與時域指標相結(jié)合,以構(gòu)造故障特征向量,作為ls-svm的輸入來識別電梯的故障原因,并采用遺傳算法優(yōu)化ls-svm的相關(guān)參數(shù)。通過對電梯六種常見故障的診斷結(jié)果表明,基于遺傳算法優(yōu)化的最小二乘支持向量機用于電梯故障診斷是一種有效的方法。

采用最小二乘支持向量機預(yù)測算法對電力電子電路進行故障預(yù)測.以基本降壓斬波電路為例,選擇電路輸出電壓作為監(jiān)測信號,提取輸出電壓平均值及紋波值作為電路特征性能參數(shù),并利用ls-svm回歸預(yù)測算法實現(xiàn)故障預(yù)測.仿真結(jié)果表明,利用ls-svm對基本降壓斬波電路輸出平均電壓與輸出紋波電壓的預(yù)測相對誤差均低于2%,能夠跟蹤故障特征性能參數(shù)的變化趨勢,有效實現(xiàn)電力電子電路故障預(yù)測.

針對水電機組故障信息缺乏、故障識別困難等問題,提出基于支持向量機的水電機組故障診斷模型.并針對實測水電機組故障數(shù)據(jù),分析支持向量機水電機組故障診斷模型和常用的神經(jīng)網(wǎng)絡(luò)故障診斷模型等理論在水電機組故障診斷中的優(yōu)劣.研究表明,支持向量機理論在小樣本情況下比神經(jīng)網(wǎng)絡(luò)具有更強的診斷能力.

針對水電機組故障樣本少的問題,將支持向量機引入水電機組故障診斷研究,提出一種結(jié)合小波頻帶分解與最小二乘支持向量機的水電機組故障診斷模型。基于機械設(shè)備\"能量-故障\"映射關(guān)系,運用小波分解提取機組振動信號各頻帶能量特征值,然后將能量特征值輸入到多分類的支持向量機,實現(xiàn)對機組不同故障類型的識別。通過實驗信號分析,表明將小波能量提取與支持向量機結(jié)合進行水電機組故障診斷是可行有效的,并具有較高的故障分辨能力,為水電機組故障診斷提供了新的方法和思路。

電梯故障時,具有故障特征提取困難和故障類型識別率低的問題。因此,擬提取其振動信號并進行分析,找到故障特征。然而,鑒于其振動信號為非平穩(wěn)、非高斯且背景噪聲較大的信號,給有效辨識造成很大困難,所以,提出應(yīng)用最優(yōu)小波包分解和最小二乘支持向量機相結(jié)合進行電梯智能故障診斷的方法。借助最優(yōu)小波包理論,首先提取電梯故障振動信號的能量分布;然后將其能量分布與時域指標相結(jié)合,構(gòu)造故障特征向量;最后,將故障特征向量作為粒子群算法優(yōu)化最小二乘支持向量機的輸入對電梯故障類型進行識別。仿真結(jié)果表明,最優(yōu)小波包理論與最小二乘支持向量機相結(jié)合的故障診斷技術(shù)發(fā)揮了兩者的優(yōu)勢,證明了該方法的有效性和實用性。

電梯故障時,具有故障特征提取困難和故障類型識別率低的問題。因此,擬提取其振動信號并進行分析,找到故障特征。然而,鑒于其振動信號為非平穩(wěn)、非高斯且背景噪聲較大的信號,給有效辨識造成很大困難,所以,提出應(yīng)用最優(yōu)小波包分解和最小二乘支持向量機相結(jié)合進行電梯智能故障診斷的方法。借助最優(yōu)小波包理論,首先提取電梯故障振動信號的能量分布;然后將其能量分布與時域指標相結(jié)合,構(gòu)造故障特征向量;最后,將故障特征向量作為粒子群算法優(yōu)化最小二乘支持向量機的輸入對電梯故障類型進行識別。仿真結(jié)果表明,最優(yōu)小波包理論與最小二乘支持向量機相結(jié)合的故障診斷技術(shù)發(fā)揮了兩者的優(yōu)勢,證明了該方法的有效性和實用性。

在現(xiàn)代化生產(chǎn)中，隨著機電設(shè)備的不斷增多，在運行過程中難免會發(fā)生故障，這就要求需要及時對出現(xiàn)故障的設(shè)備進行診斷，以保證設(shè)備的正常運行。然而，隨著故障診斷技術(shù)的發(fā)展，支持向量機在設(shè)備故障診斷中得到了廣泛應(yīng)用，其是一種基于數(shù)據(jù)學習，以傳統(tǒng)統(tǒng)計學理論的方法，可以有效減少算法設(shè)計的隨意性。

水電機組的振動信號為典型的非平穩(wěn)、非線性信號。為了通過振動信號正確判斷水電機組的運行狀態(tài)，本文提出運用經(jīng)驗?zāi)B(tài)分解處理原始信號，并對獲得的基本模式分量計算其復(fù)雜度特征，最后運用最小二乘支持向量機進行故障診斷。選取徑向基函數(shù)作為核函數(shù)，并通過網(wǎng)格搜索和交叉驗證確定相關(guān)參數(shù)。結(jié)果表明，經(jīng)驗?zāi)B(tài)分解復(fù)雜度特征和支持向量機結(jié)合，能夠準確地實現(xiàn)故障診斷，確定故障類型，為機組運行維護人員提供參考依據(jù)。

本文主要針對旋轉(zhuǎn)機械的故障診斷問題,設(shè)計了基于labview的旋轉(zhuǎn)機械振動測試系統(tǒng),該系統(tǒng)通過軟件編程來實現(xiàn)振動信號的存儲、分析及特征提取,并且提出了基于支持向量機的智能故障診斷方法,該方法將特征向量直接輸入到支持向量機分類器中進行故障識別,結(jié)果表明支持向量機對于機械故障有較好的分類效果。