電路故障診斷屬于模式分類的一個研究領(lǐng)域,支持向量機因具有良好的泛化能力而廣泛的應(yīng)用于信息的分類中,但分類的準(zhǔn)確性很大程度取決于支持向量機的核參數(shù)與懲罰參數(shù)。針對支持向量機中的核參數(shù)與懲罰參數(shù)組合最優(yōu)問題,本文提出一種全新混合粒子群模擬退火優(yōu)化算法去優(yōu)化支持向量機的結(jié)構(gòu)參數(shù),從而獲得更好的故障診斷正確率。本文的主要研究內(nèi)容如下:（1）對選取的不同電路進行蒙特卡洛分析,獲取故障原始信息,利用小波包分解來提取不同頻段波形的能量信息,構(gòu)造故障特征向量。（2）鑒于支持向量機的核參數(shù)與懲罰參數(shù)很大程度上影響著支持向量機的泛化能力,本文通過智能優(yōu)化算法優(yōu)化支持向量機的結(jié)構(gòu)參數(shù),而傳統(tǒng)的粒子群算法容易陷入局部最優(yōu)中,本文提出一種新的混合粒子群模擬退火算法,該算法以基本粒子群算法為框架,結(jié)合模擬退火算法與粒子自適應(yīng)變異從而改善了算法的全局尋優(yōu)能力與收斂的能力,因此將模擬退火機制與自適應(yīng)粒子變異引入到基本粒子群算法中�；旌狭Ｗ尤耗M退火算法選用帶壓縮因子的PSO優(yōu)化算法來保證算法的收斂性,采用輪盤賭輸策略與粒子自適應(yīng)變異來避免局部最優(yōu),且通過典型的測試函數(shù)來驗證混合粒子群模擬退火算法的收斂性,并與改進前的... 

【文章來源】：湖南大學(xué)湖南省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：70 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２．２?電壓信號波形圖??２．２．２

sI}能且譜

?故障類別??圖２．４故障特征向量對比圖??從圖２．４與表２．２中可以看出將電路波形進行小波包分解后提取出來的能量??譜為八維的數(shù)據(jù)，己大大降低了原始故障特征數(shù)據(jù)的維度，且從表２．２中對比看??出，不同類型的能量譜的八維數(shù)據(jù)有較大區(qū)分度，可以作為電路故障診斷的特征??向量。??２．３本章小結(jié)??本章從小波分析的背景入手，詳細(xì)介紹了小波基函數(shù)，多分辨率分析，小??波包的分解與重構(gòu)以及小波能量譜的提取，并對小波分析進行了相關(guān)的理論算法??推導(dǎo)，本章內(nèi)容在小波分析如何重構(gòu)提取能量譜并作為故障診斷的特征向量進行??了理論研究并在電路故障特征提取上進行了實驗仿真，并提取出不同頻段的能量??系數(shù)的八維數(shù)據(jù)，達(dá)到了區(qū)分不同故

【參考文獻(xiàn)】：
期刊論文
[1]因子分析和ELM在模擬電路故障診斷的應(yīng)用[J]. 鄧勇,于晨松.  電子測量與儀器學(xué)報. 2016(10)
[2]基于GMKL-SVM的模擬電路故障診斷方法[J]. 張朝龍,何怡剛,袁莉芬,李志剛,項勝.  儀器儀表學(xué)報. 2016(09)
[3]共空間模式和超限學(xué)習(xí)機的模擬電路故障診斷[J]. 高坤,何怡剛,薄祥雷,譚陽紅,童耀南.  儀器儀表學(xué)報. 2015(01)
[4]基于小波包和PSO-SVM的柴油機故障診斷[J]. 金劍,潘宏俠,劉述文.  組合機床與自動化加工技術(shù). 2014(08)
[5]基于優(yōu)選小波包和ELM的模擬電路故障診斷[J]. 何星,王宏力,陸敬輝,姜偉.  儀器儀表學(xué)報. 2013(11)
[6]基于小波包能量譜和NPE的模擬電路故障診斷[J]. 孫健,王成華,杜慶波.  儀器儀表學(xué)報. 2013(09)
[7]基于改進PSO算法優(yōu)化LSSVM的模擬電路軟故障診斷方法[J]. 丁國君,王立德,申萍,劉彪.  中南大學(xué)學(xué)報(自然科學(xué)版). 2013(S1)
[8]基于偏置經(jīng)驗特征映射的電路故障診斷方法[J]. 楊智明,俞洋,喬立巖,王鋼.  儀器儀表學(xué)報. 2013(07)
[9]基于雙樹復(fù)小波包變換的滾動軸承故障診斷[J]. 胥永剛,孟志鵬,陸明.  農(nóng)業(yè)工程學(xué)報. 2013(10)
[10]基于GAPSO-SVM的航空發(fā)動機典型故障診斷[J]. 張俊紅,劉昱,馬文朋,馬梁,李林潔.  天津大學(xué)學(xué)報. 2012(12)

博士論文
[1]基于時頻分析和復(fù)數(shù)域的模擬電路故障診斷研究[D]. 熊建.電子科技大學(xué) 2017
[2]基于分形理論的非線性模擬電路軟故障診斷方法研究[D]. 呂鑫淼.哈爾濱理工大學(xué) 2017
[3]模擬電路故障診斷神經(jīng)智能果蠅算法研究[D]. 于文新.湖南大學(xué) 2015
[4]基于多核共空間模式的超限學(xué)習(xí)機聚類診斷方法研究[D]. 高坤.湖南大學(xué) 2015
[5]模擬電路測試診斷理論與關(guān)鍵技術(shù)研究[D]. 羅慧.南京航空航天大學(xué) 2012
[6]模擬電路故障診斷研究[D]. 黃亮.北京交通大學(xué) 2012
[7]基于脊波神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷研究[D]. 肖迎群.湖南大學(xué) 2011
[8]模擬電路故障診斷的特征提取及支持向量機集成方法研究[D]. 唐靜遠(yuǎn).電子科技大學(xué) 2010
[9]模擬電路軟故障的智能優(yōu)化診斷方法研究[D]. 周龍甫.電子科技大學(xué) 2010

碩士論文
[1]基于改進決策樹的軌道電路故障診斷方法研究[D]. 朱文博.西南交通大學(xué) 2017
[2]基于深度特征學(xué)習(xí)的電子電路故障診斷[D]. 羅帥.合肥工業(yè)大學(xué) 2017
[3]基于改進PSO-SVM的無絕緣軌道電路故障診斷研究[D]. 陳欣.西南交通大學(xué) 2016
[4]電力電子電路故障診斷與預(yù)測技術(shù)研究[D]. 盛艷燕.南京航空航天大學(xué) 2014



本文編號：3073909