基于支持向量機(jī)與自適應(yīng)共振理論的模擬電路故障診斷方法研究及實(shí)現(xiàn).pdf

1、目前，模擬電路故障診斷理論和方法的研究仍然是電路測(cè)試領(lǐng)域中極具挑戰(zhàn)的前沿和熱點(diǎn)研究課題。隨著半導(dǎo)體技術(shù)和工藝的飛速發(fā)展，模擬電路不斷向大型化、集成化方向發(fā)展，電路的復(fù)雜性不斷提高，故障診斷的難度也隨之增大。因此，傳統(tǒng)的模擬電路故障診斷理論和方法在實(shí)際工程中難以達(dá)到預(yù)期的效果，尋求高效、適應(yīng)模擬電路發(fā)展需求的故障診斷理論和方法顯得尤為重要。近年來(lái)，支持向量機(jī)成為模擬電路故障診斷的一種新方法，是目前國(guó)內(nèi)外研究的熱點(diǎn)。
　　本文針對(duì)電路

2、故障診斷中特征參數(shù)提取、多類(lèi)分類(lèi)等重點(diǎn)問(wèn)題進(jìn)行了研究，提出了基于支持向量機(jī)與自適應(yīng)共振理論相結(jié)合的多類(lèi)分類(lèi)方法。主要研究?jī)?nèi)容如下:
　　1、電路故障信號(hào)采集及特征提取的研究。由于模擬電路具有容差和非線(xiàn)性性，利用PSpice特有的蒙特卡洛分析功能對(duì)不同故障狀態(tài)的信號(hào)進(jìn)行采集，用小波包變換對(duì)采集的故障信號(hào)進(jìn)行特征提取。研究了模擬電路輸出信號(hào)頻率成分能量的變化情況和不同故障信號(hào)的對(duì)應(yīng)關(guān)系，將能量向量作為故障特征向量。針對(duì)模擬電路不同故障

3、的特點(diǎn)，提出了最優(yōu)小波包變換(Optimal Wavelet Packet Transform，OWPT)和不完全小波包變換(Incomplete Wavelet Packet Transform，IWPT)的信號(hào)特征提取方法。實(shí)驗(yàn)結(jié)果表明，最優(yōu)小波包變換適合于軟故障特征提取，不完全小波包變換適合于硬故障特征提取。
　　2、支持向量機(jī)與自適應(yīng)共振理論相結(jié)合的多類(lèi)分類(lèi)算法的研究。重點(diǎn)研究了支持向量機(jī)(Support Vector M

4、achine，SVM)和自適應(yīng)共振理論(Adaptive Resonance Theory,ART)的原理及實(shí)現(xiàn)算法，對(duì)支持向量機(jī)核函數(shù)的選擇及不同參數(shù)的優(yōu)化進(jìn)行了研究及仿真分析，討論了支持向量機(jī)一對(duì)多(1-versus-rest，1-V-r)、一對(duì)一(1-versus-1，1-V-1)和決策導(dǎo)向無(wú)環(huán)圖(Decision Directed Acyclic Graph，DDAG)多類(lèi)分類(lèi)算法，分析比較了以上三種算法的優(yōu)缺點(diǎn)。針對(duì)支持向量機(jī)

5、一對(duì)一分類(lèi)算法當(dāng)分類(lèi)器輸出結(jié)果接近于0或票數(shù)相同時(shí)，投票法就會(huì)出現(xiàn)決策錯(cuò)誤或拒絕決策的問(wèn)題，提出了一種實(shí)時(shí)在線(xiàn)故障診斷方法——基于支持向量機(jī)與自適應(yīng)共振理論相結(jié)合的多類(lèi)分類(lèi)算法，解決了上述缺點(diǎn)。同時(shí)，探討了神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)、訓(xùn)練算法，在進(jìn)行數(shù)據(jù)預(yù)處理時(shí)引入BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練閾值向量，從而提高了分類(lèi)的精度。通過(guò)仿真，驗(yàn)證了此算法的有效性，同時(shí)與多種故障診斷方法進(jìn)行了比較，結(jié)果表明基于SVM與ART相結(jié)合的故障診斷方法具有更高的精度。