ICS优化SVM在模拟电路故障诊断中的应用

针对容差模拟电路软故障,为了提高诊断的准确率,提出了一种基于改进布谷鸟算法优化支持向量机的故障诊断模型。首先,利用Hear小波分析对模拟电路进行故障特征提取;然后将提取的故障特征输入支持向量机进行故障诊断,同时为了使模型更稳定,利用改进布谷鸟算法选择最优惩罚参数和核函数参数以优化SVM。最后,以Sallen-key带通滤波器电路为例进行仿真实验,通过与神经网络、传统SVM分类模型进行对比,结果表明了该方法的优越性和可行性。     

模拟电路故障诊断

本文针对模拟电路的故障诊断和检测技术方面的问题进行研究,提出了一种应用极限学习机原理的电路故障检测方法,阐述了支持向量机原理、ELM极限学习机原理、ELM故障诊断方法。将极限学习机应用到模拟电路故障诊断中,计算算法更加简单有效、具有更快的学习速度,以及其他诸多优良特性。本设计提出的模拟电路故障诊断方法,研究了系统的诊断方法。将故障诊断方法进行电路仿真实验分析,实验结果表明这些方法的有效性,能较好地分析和检测模拟电路故障,弥补了传统检测方法的不足,为实际工程问题的解决提供了一种新思路。     

基于SVM的径向基网络滚动轴承故障诊断方法研究

为了解决传统径向基网络结构确定难和故障样本不足的问题,本文结合支持向量机（Support Vector Machine,SVM）在解决小样本数据集及非线性问题上的独特优势,提出了一种基于支持向量机的径向基网络故障诊断方法：并将该方法应用在滚动轴承的故障诊断上,实验结果表明该方法不仅可以提高径向基网络的训练速度,而且还可以获得更准确的诊断结果。     

基于支持向量机和油液检测的船舶柴油机故障诊断研究

船舶柴油机对于船舶的正常运行有重要影响,由于船舶柴油机的作业环境恶劣,导致船舶柴油机经常发生故障,尤其是磨损故障发生的频率最高。本文围绕基于支持向量机的船舶柴油机光谱及直读铁谱故障诊断研究、基于支持向量机的船舶柴油机铁谱磨粒故障诊断研究两方面展开讨论,从而降低船舶柴油机故障发生频率。     

基于SVM的粗糙神经网络的执行器故障诊断方法

由于化工过程对象很难全面获取各种故障数据和故障特征,因此按照化工机理建立过程模拟模型并对实际的故障进行模拟和诊断方法的研究是必要的。本文研究了支持向量机(SVM)的集成诊断方法,并进一步采用改进的粗糙神经网络的故障分类模型,通过分析故障在不同切面的分布诊断故障类型,改进故障诊断性能。针对动态执行器基准平台(DAMADICS)的19种阀门故障模式,与之前较成熟的独立元分析方法进行对比仿真验证,结果表明本文提出的故障诊断方法有效提高了故障诊断效率。     

基于改进云遗传算法的多跳自组网故障诊断

通过收集多跳自组织网络下无线传感器故障历史数据,然后利用支持向量机对故障类型与特征之间关系进行建模,支持向量机参数通过遗传算法优化,同时利用云计算对遗传算法性能进行改善,防止神经网络训练时出现收敛速度慢和陷入局部极小等缺陷。仿真实验表明,相对于其它多跳自组织网络下无线传感器故障诊断模型,CGA-SVM提高了多跳自组织网络下无线传感器故障诊断正确率,能够满足多跳自组织网络下无线传感器故障诊断的要求。     

基于支持向量机在设备智能故障诊断中的应用研究

通过对机械设备轴承故障诊断,对采集的信号进行了振动分析,并分析了各特征值的故障敏感程度,最后运用支持向量机二分类算法,对信号进行了正常和故障分类。     

现代模拟电路软故障诊断简要分析

介绍了基于神经网络的故障针诊断方法和结合模糊理论应用的故障诊断。分析了小波变换的现代模拟电路软故障诊断的研究现状。     

一种基于SOFM网络的模拟电路模糊故障定位方法

针对传统的模拟电路故障诊断方法的局限性,本文研究了一种基于自组织特征映射(SOFM)神经网络的模糊故障诊断方法。该方法能够将SOFM神经网络竞争的特点与模糊推理系统的自组织和自学习优点相结合。将模拟电路分成易于诊断的子网络,将模拟电路的模糊故障诊断系统与SOFM神经网络和模糊推理系统相结合,利用故障诊断系统快速定位故障节点。研究表明,该方法能实现快速定位模拟电路故障,拥有较高的实用价值。     

基于粗糙集和支持向量机的离心泵气蚀故障诊断

离心泵广泛应用于现代工业生产之中,其能否稳定运行对工业实际生产带来极大影响,气蚀是离心泵运行过程中的一种常见故障。提出了一种基于粗糙集和支持向量机的离心泵气蚀故障诊断新方法。该方法对离心泵入口压力脉动信号提取经验模态分解能量比特征与小波分解能量特征,运用粗糙集理论降低特征维数,并以此特征向量构成气蚀故障样本对支持向量机进行训练,实现了气蚀故障的多特征融合。实验结果表明：降维后的特征很好地反映了不同气蚀故障间的差异,训练成功的支持向量机能快速准确地识别离心泵不同气蚀故障类型,整体识别率达到98.5%,每种气蚀信号的判别时间约为0.5s,适合气蚀的在线识别。     

基于最小二乘支持向量机的轴承故障诊断研究

针对神经网络在轴承工作状态诊断中存在的问题,提出了将最小二乘支持向量机用于轴承的智能诊断。基于轴承故障信息,用最小二乘支持向量机方法建立多类故障分类器,以实现对故障的诊断。仿真证明:小样本情形下,最小二乘支持向量机比神经网络具有更好的识别和诊断准确率。     

支持向量机的二叉树多分类算法在变压器故障诊断中的应用

支持向量机最初只能用以解决二分类问题,对于多类故障,只能通过组合二分类器间接应用于多类分类问题。本文提出一种基于二叉树多分类算法对变压器中常见故障进行了模式识别,并与传统多分类算法作对比。根据svm理论结合二叉树方法建立变压器故障诊断模型,通过VS2008对其进行了验证,结果表明该方法能有效地、准确地识别故障模式,具有较高的推广性。     

模拟电路故障诊断方法探讨

文中介绍了模拟电路故障诊断的研究现状。主要对基于神经网络的模拟电路故障诊断方法进行了简要阐述,并预测了诊断方法的研究热点和发展趋势。     

优化VMD在轴承故障诊断中的应用

针对早期轴承故障的振动信号特征匹配度低的问题,本文给出一种优化VMD在轴承故障诊断中的应用。首先通过优化VMD突出信号有效信息;然后提取出最佳分量的特征向量;最后将支持向量机作为分类算法,识别轴承的故障类型。实验结果表明,该方法避免了VMD参数选取的盲目性,能够有效诊断出轴承的早期故障。     

支持向量机在分类问题中的应用研究

支持向量机是一种基于统计学习理论的机器学习方法,针对小样本情况表现出了优良的性能,目前被广泛应用于模式识别、函数回归、故障诊断等方面。这里主要研究支持向量机分类问题,着重讨论了以下几个方面的内容。首先介绍了支持向量机分类器算法,并将其应用于数据分类,取得了较高的准确率,所用数据来自于UCI数据集。仿真结果表明该算法具有较快的收敛速度和较高的计算精度。     

基于证据理论和支持向量机的多传感器融合在风机齿轮故障诊断中的应用

针对单一传感器只能采集风电机组齿轮箱的部分振动信息,故障诊断结果具有片面性,提出一种基于证据理论和支持向量机的多传感器融合在风机齿轮故障诊断方法。首先运用单个传感器采集齿轮箱各种状态下的振动信息,用小波分析提取齿轮箱状态特征;然后采用支持向量机对故障诊断特征进行训练,构建各类故障诊断子分类器;最后采用融合技术故障诊断子分类器的输出结果进行融合,将所融合结果作为最终故障诊断结果。采用仿真实验进行验证。结果显示,本文所提供的方法可以在很短时间内得到较高的风力机齿轮箱故障诊断正确率,提高故障诊断精度和效率。     

小波分析在电力电子电路故障诊断中的应用

以三相桥式整流电路为例,针对电力电子电路故障的特点,将小波多分辨率分析应用于电力电子电路的故障诊断中,提取各频带的能量值作为故障特征,进行故障分类和定位,仿真结果证明该方法是有效可行的。     

基于最小二乘支持向量机的油罐故障诊断方法

根据油罐故障分析,建立了油罐故障诊断模型。采用新型的支持向量机-最小二乘向量机(LS-SVM)的算法对此诊断模型进行预测,获得了满意的效果。该方法易于使用,很少受不确定性因素的影响,有很高的预测准确性。     

分析SVM在变压器保护方面的应用

可靠、快速地鉴别内部故障和励磁涌流条件,仍然是一个具有挑战性的问题。本文我们将讨论支持向量机(SVM)对变压器差动保护方面的应用。为了取得不同令人满意的分类强度我们将充分考虑各种输入向量和训练参数。最后,分析不同版本的SVM分类器,测试基于支持向量机电力变压器保护的装置的EMTP-ATP生成的信号。已经设计完成的支持向量机分类器和标准的差动保护用传统二次谐波稳定的方法在性能上进行了比较。而且,我们对提出的支持向量机在潜在的硬件实现上进行了分析。     

基于LMD-LSSVM的扬声器异音故障诊断方法研究

文章采用局部均值分解(Local mean decomposition,LMD)和最小二乘支持向量机(Least squares support vector machine,LSSVM)相结合的方法进行扬声器异音故障诊断的研究.首先,选取正常扬声器与漏气、铁粉杂质、小音三种故障类型的扬声器作为研究对象,在实验平台上对上述四种类型扬声器施加激励信号.然后,获得不同类型的响应信号并对其进行LMD分解,得到一系列乘积函数(Product function,PF),求出它们的能量熵,构成特征向量.最后,将提取的特征值作为LSSVM模拟分类器的输入量进行训练和识别,诊断出扬声器的故障类型.实验结果表明,该方法可以有效地对扬声器异音进行故障诊断分类,诊断准确率平均达93.42％.