资源描述：
《基于同步优化的支持向量机模拟电路故障诊断方法研究》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。
1、第41卷第4期太原理工大学学报Vol.41No.42010年7月JOURNALOFTAIYUANUNIVERSITYOFTECHNOLOGYJuly2010*文章编号:10079432(2010)04042005基于同步优化的支持向量机模拟电路故障诊断方法研究aabbc申宇皓,孟晨,张磊,傅振华,石纯(军械工程学院a导弹工程系;b科研部;c政治部,河北石家庄050003)摘要:支持向量机模拟电路故障诊断涉及到特征提取、特征选择和支持向量机的参数优化等问题,它们都对诊断结果有直接的影响。针对这一问题,提出了一种基于改进的离散粒子群算法的同步优化方法。该算
2、法采用非线性惯性权重和遗传操作相结合的方法,提高了粒子群前期迭代的探索能力和后期迭代的开发能力,同时降低了粒子群陷入局部最优的风险。通过模拟电路的仿真实验,验证了同步优化方法和改进的离散粒子群算法的有效性。关键词:小波包变换;支持向量机;模拟电路故障诊断;离散粒子群中图分类号:TN707文献标识码:A由于模拟电路的元件参数容差大,且存在反馈由于它们之间相互紧密联系,将几个问题分开优化回路和非线性问题,故障的快速检测和准确定位历往往得不到满意的效果。文献[1-4]等仅对特征选来都是研究的热点和难点。传统的模拟电路故障诊择和参数选取的同步优化进行了一定的研究。现已断方法主要包括故障
3、字典法、元件参数辨识法和故公开发表的文献都未对这三个问题给出一致的分析障验证法等。这些诊断方法都具有一定的局限性,和解决方案。笔者在他们的基础上进一步将三者联在实际应用中的诊断效率不高。支持向量机是在统合起来考虑,通过基于改进的离散粒子群优化算法计学习理论的基础上发展起来的分类方法,其核心(ImprovedDiscreteParticleSwarmOptimization,思想是选择最小的结构风险,解决学习机的学习能IDPSO)实现了同步优化。IDPSO将非线性惯性权力和泛化能力之间的矛盾。支持向量机克服了神经重策略与遗传操作相结合,在一定程度上克服了DP网络的不足,在解决小样本、非线
4、性及高维模式识别SO(DiscreteParticleSwarmOptimization)在迭代前期问题中表现出结构简单、全局最优、泛化能力强等许全局搜索能力和后期局部搜索能力的不足,以及在迭多特有的优势。代后期一旦陷入局部最优不易摆脱的问题。当使用支持向量机解决模拟电路的故障诊断问1基于小波包变换的特征提取题时,首先需要考虑特征提取。小波包变换在时频域都具有表征信号局部特征的能力,并且对信号的小波分析是当前信号分析与处理中一个迅速发低频和高频部分都可以进行细致的分解,与小波变展的新领域,它在时频域都具有表征信号局部特征换相比具有更高的时频分辨率,成为特征提取的首的能力,是一种时间窗和
5、频率窗都可以改变的时频[5]选方法。但是,使用小波包变换的一个直接的问题局部化分析方法。小波变换只对信号的低频部分就是小波函数的选择问题,不同的小波函数会直接作进一步分解,对高频部分不再继续分解。而小波影响特征提取的效果,进而影响最终的诊断。其次,包变换可以对小波变换没有细分的高频部分作进一当把小波包变换提取的各频带能量作为故障特征步分解,从而提高了时频分辨率。信号S的三层小时,需要选择那些可以较好地反应电路故障状态,有波包分解树如图1所示。图中A表示低频,D表示利于故障准确定位,以提高诊断精度的特征。最后,高频,序号表示小波包分解的层数。支持向量机参数的选取问题也直接影响诊断精度,当模
6、拟电路发生故障时,主要表现为对不同频*收稿日期:20091126作者简介:申宇皓(1980-),男,太原市人,博士生,主要从事基于SVM的模拟电路故障诊断研究,(Tel)13831105816通讯联系人:孟晨,男,教授,博导,主要从事电子系统故障诊断研究,(Tel)0311-87993226第4期申宇皓等:基于同步优化的支持向量机模拟电路故障诊断方法研究4212改进的离散粒子群算法离散粒子群优化算法由Kennedy在1997年提出,他采用二进制编码,即粒子的位置向量的每一维取值为0或1。粒子更新公式为:vk+1kkkkk图1小波包分解树id=
7、vid+c1r1(pid-xid)+c2r2(pgd-xid),0982,vk+1带信号具有不同的增强或抑制效果,进而表现为相id>vmax;应频带能量的增大或减小。不同的故障会通过频带S(vki+d1)=1,-vmax∀vki+d1∀vmax;1+exp(-vk+1id)能量的不同改变表现出来。因此,可以将信号各频k+10018,vid<-vmax.带能量作为特征向量,以实现电路的故障定位。基(6)于小波包变换的特征提取步骤
