（轮机工程专业论文）模拟电路故障诊断adaboost集成学习方法研究.pdf

盖1， f a u l td i a g n o s i sf o r a n a l o gc i r c u i t sb a s e d o na d a b o o s t a l g o r i t h m d i s s e r t a t i o ns u b m i t t e dt o d a l i a nm a r i t i m eu n i v e r s i t y i np a r t i a lf u l f i l l m e n to ft h er e q u i r e m e n t sf o rt h ed e g r e eo f d o c t o ro fe n g i n e e r i n g b y l i uc h o n g 一 ( m a r i n ee n g i n e e r i n g ) m a r c h2 0 1 1 舢2 1舢769 舢81舢y 1 大连海事大学学位论文原创性声明和使用授权说明 原创性声明 本人郑重声明：本论文是在导师的指导下，独立进行研究工作所取得的成果， 撰写成博硕士学位论文 竺槿越电路敛瞳途断地q q 塾篡盛堂丑友法硒究： 。 除论文中已经注明引用的内容外，对论文的研究做出重要贡献的个人和集体，均 已在文中以明确方式标明。本论文中不包含任何未加明确注明的其他个人或集体 已经公开发表或未公开发表的成果。本声明的法律责任由本人承担。 学位论文作者签名： 盘空陛 学位论文版权使用授权书 本学位论文作者及指导教师完全了解大连海事大学有关保留、使用研究生学 位论文的规定，即：大连海事大学有权保留并向国家有关部门或机构送交学位论 文的复印件和电子版，允许论文被查阅和借阅。本人授权大连海事大学可以将本 学位论文的全部或部分内容编入有关数据库进行检索，也可采用影印、缩印或扫 描等复制手段保存和汇编学位论文。同意将本学位论文收录到中国优秀博硕士 学位论文全文数据库( 中国学术期刊( 光盘版) 电子杂志社) 、中国学位论文全 文数据库( 中国科学技术信息研究所) 等数据库中，并以电子出版物形式出版发 行和提供信息服务。保密的论文在解密后遵守此规定。 本学位论文属于：保密口在年解密后适用本授权书。 不保密囱( 请在以上方框内打“ ) 一：衣t 晰名：知 日期：冽，年占月，石日 呼r pf- i y i 创新点摘要 创新点摘要 1 分析a d a b o o s t 集成学习算法和支持向量机之间的联系，证明能够用支持向 量机实现无穷维a d a b o o s t 集成学习算法。用厶范数理论，从样本分类超平面最大 边界这一角度，分析a d a b o o s t 集成学习算法和支持向量机的优化目标，得到 a d a b o o s t 集成学习算法和支持向量机的优化目标完全相同这一结论。通过设定条 件，使支持向量机的分类器满足a d a b o o s t 集成学习算法对其分类器的要求，并使 支持向量机的约束条件满足a d a b o o s t 集成学习算法对其约束条件的要求。 2 用支持向量机实现无穷维a d a b o o s t 集成学习算法，并用无穷维a d a b o o s t 集成学习算法进行模拟电路故障诊断。故障诊断结果表明：无穷维a d a b o o s t 集成 学习算法分类精度优于有限维a d a b o o s t 集成学习算法，使用无穷维a d a b o o s t 集 成学习算法提高了a d a b o o s t 集成学习算法的分类精度，与其他模拟电路故障诊断 方法相比，无穷维a d a b o o s t 集成学习方法简单，能够运行于速度慢的微处理器。 3 在实现无穷维a d a b o o s t 集成学习算法的过程中，将无穷多个a d a b o o s t 集 成学习算法的弱分类器集成到支持向量机核函数中，推出了支持向量机s t u m p 核匕 函数，i c ( x ，x ) = 一忙一x 1 i 。s t u m p 核函数比r b f 核函数少一个参数，支持向量机 使用s t u m p 核函数，只需定义其惩罚参数c ，s t u m p 核函数适合于需要快速寻找支 持向量机参数的场合。 4 研发船用柴油机油耗仪表，在不影响船用柴油机油耗仪表原有功能的基础 上，增加模拟电路故障自诊断的功能，使油耗仪表能够自诊断其运行是否正常、 测量结果是否准确。 k|。卜叶 1 m l y 0 气 套 、j | 一 中文摘要 摘要 课题来源于重庆市交通委员会所立项目“三峡库区运输船舶节能实用技术研 究 ，研发船用柴油机油耗仪表。 对于现代电子系统，模拟电路日益复杂，出现故障的可能性也随之增大，对 模拟电路的故障诊断也越加困难。若船用仪表的模拟电路出现故障，会影响船用 仪表测量的准确性和运行的稳定性，而导致仪表故障。为了增加船用柴油机油耗 仪表测量的准确性和运行的稳定性，在研发船用柴油机油耗仪表的同时，开展模 拟电路故障诊断方法的研究，在不影响油耗仪表原有功能的基础上，增加模拟电 路故障诊断功能，使油耗仪表具有故障自诊断的功能。 用无穷维a d a b o o s t 集成学习算法进行模拟电路故障诊断。进行模式识别时， 分类精度较高的强分类器不容易找到，分类精度比随机猜测略好的弱分类器很容 易找到，a d a b o o s t 集成学习算法集成多个弱分类器而成为一个强分类器，从而避 免了直接去寻找强分类器，为了进一步增加a d a b o o s t 集成学习算法的分类精度， 将a d a b o o s t 集成学习算法的弱分类器数量增加到无穷多个，用无穷维a d a b o o s t 集成学习算法进行模拟电路故障诊断。 本文采用支持向量机实现无穷维a d a b o o s t 集成学习算法，从如下几个方面分 析a d a b o o s t 集成学习算法和支持向量机之间的联系： ( 1 ) 用厶范数理论，从样本分类超平面最大边界这一角度，分析a d a b o o s t 集 成学习算法的优化目标，得出a d a b o o s t 集成学习算法和支持向量机的优化目标完 全相同的结论。 ( 2 ) 分析a d a b o o s t 集成学习算法和支持向量机分类器分类器的相同点，通过 设定条件，使支持向量机的分类器满足a d a b o o s t 集成学习算法对其强分类器的要 求。 ( 3 ) 分析支持向量机的映射缈( x ) 与a d a b o o s t 集成学习算法弱分类器办( x ) 之间 的相同点，通过设定条件，使支持向量机的映射分量缈( x ) 与a d a b o o s t 集成学习算 法弱分类器办( x ) 建立联系。 中文摘要 因为以上所设定a d a b o o s t 集成学习算法和支持向量机之间的联系，因此可以 用支持向量机实现无穷维a d a b o o s t 集成学习算法。实现无穷维a d a b o o s t 集成学 习算法的关键是建立一个新的支持向量机核函数，使此核函数集成无穷多个 a d a b o o s t 集成学习算法的弱分类器。 用m a t l a b6 5 编写无穷维a d a b o o s t 集成学习算法程序，用无穷维a d a b o o s t 学习方法进行模拟电路故障诊断。故障诊断结果表明：无穷维a d a b o o s t 集成学习 算法分类精度优于有限维a d a b o o s t 集成学习算法，使用无穷维a d a b o o s t 集成学 习算法提高了a d a b o o s t 集成学习算法的分类精度。 在研发船用柴油机油耗仪表的同时，开展模拟电路故障诊断方法研究，在撰 写本文的同时，完成了船用柴油机油耗仪表的研发工作，进行了流量的模拟实验 和实船测试。在设计船用柴油机油耗仪表的过程中，分析船用仪表的稳定性、可 靠性因素，并采用模拟电路诊断故障的方法，来增加船用柴油机油耗仪表的稳定 性、准确性，在不影响船用柴油机油耗仪表功能的基础上，增加故障自诊断的功 能。 关键词：模拟电路；故障诊断；a d a b o o s t 集成学习算法；支持向量机；船用柴油 。机油耗仪表 ，、 刁 一 1 卜 c i r c u i t s a n yf a u l to fa n a l o gc i r c u i t sm a ya f f e c tt h ea c c u r a c ya n ds t a b i l i t yo fm a r i n e i n s t r u m e n t sa n ds u b s e q u e n t l yc a u s ed a m a g e st om a r i n ei n s t r u m e n t s t oi n c r e a s et h e a c c u r a c ya n ds t a b i l i t yo ft h em a r i n ef u e lf l o w m e t e r , t h es t u d yo nt h ef a u l td i a g n o s i sf o r a n a l o gc i r c u i t ss h a l lb em a d ew h i l et h er e s e a r c ha n dd e s i g no ft h em a r i n ef u e lf l o w m e t e r i sc a r r i e do u t t h es e l f - d i a g n o s i sf u n c t i o nm a yb er e n d e r e dt ot h em a r i n ef u e lf l o w m e t e r w i t h o u ta f f e c t i n gt h ei n h e r e n tf u n c t i o n so ft h em a r i n ef u e lf l o w m e t e r i n f i n i t ea d a b o o s ta l g o r i t h mc a nb eu s e dt oc a r r yo u tt h ef a u l td i a g n o s i sf o ra n a l o g c i r c u i t s i nt h ec o u l o fp a a e mr e c o g n i t i o n , i ti sp r o v e nt h a ti ti sd i f f i c u l tt of m ds t r o n g c l a s s i f i e r sw i t hl l i 曲c l a s s i f i c a t i o na c c u r a c ya n de a s yt of r e dw e a kc l a s s i f i e r s 谢n l c l a s s i f i c a t i o na c c u r a c yj u s tb e t t e rt h a nr a n d o mg u e s s i n g b yc o m b i n i n gw e a kc l a s s i f i e r s ， a d a b o o s ta l g o r i t h mc a nc r e a t eas t r o n gc l a s s i f i e rs ot h a tt h es t r o n gc l a s s i f i e rf o rf a u l t d i a g n o s i sf o ra n a l o gc i r c u i t sn e e d n tb es e a r c h e dd i r e c t l y i no r d e rt o i n c r e a s et h e c l a s s i f i c a t i o na c c u r a c yo ft h ea d a b o o s ta l g o r i t h m ，i n f m i t eh y p o t h e s e sa r ec o m b i n e d i n t ot h ea d a b o o s ta l g o r i t h mf o rt h ei n f i n i t ea d a b o o s ta l g o r i t h m t h e n ，f a u l td i a g n o s i s f o ra n a l o gc i r c u i t sc a nb ec a r r i e do u tt h r o u g hi n f i n i t ea d a b o o s ta l g o r i t h m t h i st h e s i si n t r o d u c e si n f i n i t ea d a b o o s ta l g o r i t h mb a s e do nt h es u p p o r tv e c t o r m a c h i n e ，a n da n a l y s e sa s s o c i a t i o n sb e t w e e nt h ea d a b o o s ta l g o r i t h ma n dt h es u p p o r t v e c t o rm a c h i n e t h ea s s o c i a t i o n sa r ea sf o l l o w s ( 1 ) a c c o r d i n gt ot h e 厶- n o r mm a x i mm a r g i nt h e o r yw h i c hi su s e dt oa n a l y s i st h e o p t i m u mg o a lf o rw e i g h t so ft h e a d a b o o s ta l g o r i t h m ，t h eo p t i m u mg o a lo ft h e a d a b o o s ta l g o r i t h mi sp e r f e c t l ye q u i v a l e n tt ot h a to ft h es u p p o r tv e c t o rm a c h i n e ( 2 ) a c c o r d i n gt ot h es i m i l a r i t ya n a l y s i sb e t w e e nt h ec l a s s i f i e ro ft h ea d a b o o s t r e p 英文摘要 a l g o r i t h ma n dt h ec l a s s i f i e ro ft h es u p p o r tv e c t o rm a c h i n e ，t h ec l a s s i f i e ro ft h e a d a b o o s ta l g o r i t h mi sp e r f e c t l ye q u i v a l e n tt ot h a to ft h es u p p o r tv e c t o rm a c h i n eb y p r e d e t e r m i n i n gc o n d i t i o n s ( 3 ) a c c o r d i n g t ot h es i m i l a r i t ya n a l y s i sb e t w e e nt h em a p p i n gc o m p o n e n t 伊( x ) o f t h es u p p o r tv e c t o rm a c h i n ea n dt h ew e a kc l a s s i f i e r h ( x ) o f t h ea d a b o o s ta l g o r i t h m ， t h em a p p i n gc o m p o n e n t9 ( x ) o ft h es u p p o r tv e c t o rm a c h i n ei sp e r f e c t l ye q u i v a l e n t t ot h ew e a kc l a s s i f i e rh ( x ) o ft h ea d a b o o s ta l g o r i t h m d u et ot h ep r e d e t e r m i n e da s s o c i a t i o n sb e t w e e nt h ea d a b o o s ta l g o r i t h ma n dt h e s u p p o r tv e c t o rm a c h i n e ，t h ei n f i n i t ea d a b o o s ta l g o r i t h mc a n b er e a l i z e db yt h es u p p o r t v e c t o rm a c h i n e t h ek e yo ft h ef r a m e w o r ki st oe m b e da ni n f i n i t en u m b e ro fh y p o t h e s e s i n t oas u p p o r tv e c t o rm a c h i n ek e r n e l t h ei n f i n i t ea d a b o o s ta l g o r i t h mw a sp r o g r a m m e db yu s i n gm a t l a b6 5a n dt h e f a u l t so fa n a l o gc i r c u i t sw e r ed i a g n o s e db ym e a n so ft h ei n f i n i t ea d a b o o s ta l g o r i t h m t h er e s u l to ft h ef a u l td i a g n o s i sf o ra n a l o gc i r c u i t si n d i c a t e st h a tt h ec l a s s i f i c a t i o n a c c u r a c yo ft h ei n f i n i t ea d a b o o s ta l g o r i t h mi sb e t t e rt h a nt h a to ft h ef i n i t ea d a b o o s t a l g o r i t h ma n dt h ec l a s s i f i c a t i o na c c u r a c yo ft h ea d a b o o s ta l g o r i t h mi si m p r o v e db y u s i n gt h ei n f i n i t ea d a b o o s ta l g o r i t h m t h es t u d yo nt h ef a u l td i a g n o s i sf o ra n a l o gc i r c u i t sw a sm a d ew h i l et h er e s e a r c h a n dd e s i g no ft h em a r i n ef u e lf l o w m e t e rw a sc a r d e do u t t h er e s e a r c ha n dd e s i g no ft h e m a r i n ef u e lf l o w m e t e rw a sc o m p l e t e da n do n b o a r de x p e r i m e n t sf o rt h ef l o wr a t ew e r e c o m p l e t e dw h i l ew r i t i n gt h i st h e s i s d u r i n gt h ep r o c e s so fd e s i g n i n gt h em a r i n ef u e l f l o w m e t e r , t h es t a b i l i t ya n dr e l i a b i l i t yo ft h em a r i n ef l o w m e t e rw a sa n a l y z e da n dw a s i m p r o v e db ym e a n so ft h ef a u l td i a g n o s i sf o ra n a l o gc i r c u i t s s e l f - d i a g n o s i sf u n c t i o nw a s r e n d e r e dt ot h em a r i n ef u e lf l o w m e t e rw i t h o u ta f f e c t i n gi t si n h e r e n tf u n c t i o n s k e yw o r d s ：a n a l o gc i r c u i t ；f a u rd i a g n o s i s ；a d a b o o s ta l g o r i t h m ；s u p p o r t v e c t o r m a c h i n e ；m a r i n ef u e lf i o w m e t e r ， 0 j一 r ， r 目录 目录 第1 章绪论：l l 。1 课题背景l 1 1 1 课题来源1 1 。1 2 课题意义2 1 2 模拟电路故障诊断研究现状3 1 3 本文使用方法8 l 。4 本文章节安排9 第2 章模拟电路特征向量提取方法11 2 1 傅里叶变换方法l l 2 。1 1 傅里叶变换1 1 2 。1 2 提取特征向量实例13 2 2 小波包变换方法 2 2 2 。2 1 小波包变换方法2 2 2 2 2 提取特征向量实例2 3 2 3 节点电压法：2 6 2 4 本章小结2 8 第3 章a d a b o o s t 集成学习算法与支持向量机的联系2 9 3 1a d a b o o s t 集成学习算法- 2 9 3 1 1 算法原理2 9 3 。l 。2 算法步骤：3 0 3 2 支持向量机3 3 3 2 1 线性支持向量机3 3 3 。2 2 非线性支持向量机3 5 3 2 3 支持向量机核函数3 8 3 3 范数边界理论4 0 3 3 1 范数意义：4 0 3 3 2 厶范数边界4 l 3 3 3 支持向量机边界理论4 2 3 3 4a d a b o o s t 集成学习算法边界理论4 3 3 。3 5 优化目标4 9 目录 3 4a d a b o o s t 集成学习算法与支持向量机分类器5 0 3 5a d a b o o s t 集成学习算法与支持向量机的联系5 l 3 6 本章小结：5 2 第4 章无穷维a d a b o o s t 集成学习算法5 6 4 1a d a b o o s t 集成学习算法与支持向量机分类器5 7 4 1 1a d a b o o s t 集成学习算法分类器5 7 4 1 2 支持向量机分类器5 8 4 2 无穷维a d a b o o s t 集成学习算法5 9 4 2 1 实现方法5 9 4 2 2 定义核函数6 2 4 2 3 算法步骤6 6 4 2 4s t u m p 核函数6 7 4 3 模拟电路故障诊断。6 9 4 3 1 构建样本集6 9 4 3 2 故障诊断结果。7 l 4 3 3 诊断实际电路7 3 4 3 4 无穷维a d a b o o s t 学习方法与其他算法对比7 5 4 4 本章小结。7 7 第5 章船用柴油机油耗仪表及其模拟电路故障诊断7 9 5 1 船用柴油机油耗仪表8 l 5 1 1 仪表方案。8 l 5 1 2 仪表功能8 2 5 1 3 系统开发环境8 5 5 1 4 流量测量原理8 7 5 1 5 温度测量原理8 9 5 1 6 系统实物8 9 5 2 模拟电路故障诊断9 5 5 3 模拟测试9 8 5 4 本章小结1 0 1 第6 章结论与展望1 0 3 参考文献1 0 6 附录a 符号说明l l5 附录bi 三峡库区运输船舶节能实用技术研究”验收结果1 1 8 k 、 攻读学位期间公开发表论文 致谢 r 、 i 二 模拟电路故障诊断a d a b o o s t 集成学习方法研究 1 1 课题背景 第1 章绪论 1 1 1 课题来源 本课题来源于“三峡库区运输船舶节能实用技术研究，由大连海事大学和 重庆港航管理局共同承担，课题设立两个研究专题【l 】： ( 1 ) 船用柴油机油耗仪表； ( 2 ) 三峡库区航行船舶优化操纵软件。 船用柴油机油耗仪表测量柴油机燃油的瞬时流量和累积流量，三峡库区船舶 优化操纵软件根据三峡库区船舶的航行状况和航道特点来优化船舶的操纵，以达 到船舶节能减排的目的。船用柴油机油耗仪表测量燃油流量，测量柴油机重油、 轻油的瞬时流量、累积流量，船舶管理人员方便的掌握船舶燃油的使用情况，驾 驶人员能够根据船舶的瞬时油耗、航速、载重等情况，调节船舶柴油机的负荷， 寻找经济航速，达到船舶节能减排的目的。 船舶经济航速的计算源于两方面信息：船舶航速、船舶柴油机瞬时油耗，柴 油机瞬时油耗是计算船舶经济航速的一个参数，需要船用柴油机油耗仪表给出准 确的瞬时油耗信息，如果柴油机瞬时油耗测量错误，会给操纵软件的经济航速计 算带来灾难性的结果，要求船用柴油机油耗仪表运行稳定、测量结果准确，且具 有较强的抗干扰能力。 船用仪表使用环境恶劣，环境温度变化大、湿度大、电磁干扰大，恶劣的环 境对船用柴油机油耗仪表的稳定性、测量结果准确性带来挑战。船用仪表中的模 拟电路是船用仪表中容易发生故障的环节，若模拟电路发生故障，将影响船用仪 表的稳定性和准确性，若船用仪表出现故障，会给船舶的安全带来隐患，轻者导 致检测系统误报警，重者会威胁到船舶的安全。因此，在研制船用柴油机油耗仪 表的同时，开展模拟电路故障诊断方法的研究。在不影响船用仪表原有功能的基 础上，增加模拟电路故障诊断的功能，用以增加船用仪表运行稳定性、测量结果 的准确性。 第l 章绪论 1 1 2 课题意义 现代船舶的自动化程度高，越来越多的船用仪表应用于船舶中。例如：测量 冷却水温度的温控仪表、测量燃油流量的油耗仪表、测量压力的压力仪表、测量 燃油黏度的黏度仪表、测量主机转速的转速仪表。船用仪表是关乎船舶安全营运 的关键设备，要求船用仪表有很高的稳定性和准确性。 船用仪表的使用环境有其特殊性，船用仪表中的模拟电路的电阻、电容、三 极管、二极管等电子元器件参数会受很多因素影响，包括温度、湿度、电磁干扰 等因素。 为了保证船用柴油机油耗仪表可靠、稳定的工作，同时保证其测量结果准确， 在研发船用柴油机油耗仪表的基础上，进行了模拟电路故障诊断方法的研究。通 过开展此方面的研究，使船用仪表具有故障自诊断功能，这样船员能够实时知道 船用仪表现在运行是否正常，测量的结果是否准确。船用仪表稳定、无故障的运 行对于船舶安全航行有重要的意义，因此有必要开展模拟电路故障诊断的研究。 船用仪表的模拟电路发生故障时，船用仪表可能出现2 种故障现象，第一种 故障是船用仪表的模拟电路功能失效，仪表不能正常工作，这种故障现象容易发 现；第二种故障是船用仪表的模拟电路能够工作，仪表逻辑功能、显示功能正常， 但测量结果不准确，这种故障现象不易被发现。 本文以船用柴油机油耗仪表为载体，开展模拟电路故障诊断研究，希望得到 如下结果： 。 ( 1 ) 研究实用的模拟电路故障诊断方法； ( 2 ) 使船用柴油机油耗仪表能够实时自诊断运行是否正常，判断船用柴油机油 耗仪表的测量结果是否准确。 f 1 ( 1 ) 故障诊断： ( 2 ) 故障定位： ( 3 ) 故障识别： i ： 模拟电路发生故障时，是由于印刷电路板本身出现短路和断路的可能性很小， 大部分是模拟电路的元器件发生参数性故障，模拟电路故障诊断已有多种方法， 相关的研究也是一个研究热点。 国内的上海交通大学、电子科技大学、西安电子科技大学、湖南大学等高校 开展模拟电路故障诊断方法的研究，本文采用a d a b o o s t 集成学习算法进行模拟电 路故障诊断，a d a b o o s t 集成学习算法是智能算法的一种，在这里介绍采用智能算 法进行模拟电路故障诊断，用智能算法进行模拟电路故障诊断总结起来有如下几 种算法： ( 1 ) 支持向量机 支持向量机( s u p p o r tv e c t o rm a c h i n e ) 是v a p n i k 提出的基于统计理论的模式识 别方法。1 9 6 3 年，v a p n i k 在解决模式识别问题时，提出了支持向量的方法，从训 练集中选择一组特征子集，这组特征子集为支持向量( s u p p o r tv e c t o r ) ，对特征子集 的划分等价于对数据集的划分。1 9 7 1 年，k i m e l d o r f 提出使用线性不等约束重新构 造s u p p o r tv e c t o r 的核空间，解决了一部分线性不可分问题。1 9 9 0 年，b o s e r ，g u y o n ， 和v a p n i k 等人开始对s v m 进行研究，发表了相关文献【2 】。1 9 9 5 年，c r o t e s 、v a p n i k 正式提出统计学习理论1 3 。同年s c h o l k o p f b ，b u r g e sc ，v a p n i kv 提出采用支持向量 来代替样本集【4 1 ，1 9 9 8 年，v a p n i k 等人提出了用广义分类面【5 1 ，并用松弛因子的方 法来解决样本线性不可分的问题 6 1 。采用支持向量机的方法进行模拟电路故障诊 第1 章绪论 断，首先从模拟电路中提取模拟电路的特征向量，然后用支持向量机作为分类器， 对模拟电路的特征向量分类，先用已知故障的样本去训练支持向量机，然后训练 好的支持向量机做为分类器，去分类待识别的模拟电路，从而得到故障诊断的结 果。 陈世杰等采用遗传学习方法去优化支持向量机；提出了一种利用遗传学习方 法优化的支持向量机多分类决策树，用小波分解提取电路冲激响应的能量分布作 为故障特征，并将其应用于模拟电路故障诊断【7 1 。孙永奎等采用多重分形分析和小 波变换的方法来提取模拟电路的故障特征值，用支持向量机的方法进行故障诊断 【8 】。唐静远等针对故障诊断中的无关和冗余的特征对故障诊断的影响，提出了交叉 熵的方法进行特征选择，去除了与故障信息不相关的变量信息，降低了模拟电路 的特征向量维数，提高支持向量机的实时性能，改善了支持向量机的分类性能【9 1 。 ( 2 ) 支持向量机结合其他算法 为了提高支持向量机的性能，支持向量机与其他学习方法相结合来优化支持 向量机算法，将优化后的支持向量机用于模拟电路故障诊断，用于提高模拟电路 故障诊断的正确率。例如：支持向量机与遗传学习方法相结合，采用遗传学习方 法去优化支持向量机；模糊聚类与支持向量机相结合。 崔江等用支持向量机和最进临近分类器相结合对模拟电路故障诊断，用最近 邻分类器解决故障样本间的重叠问题，用支持向量机进行分类【lo 】。宋国名等提出 模糊聚类与支持向量机集成的学习方法对模拟电路进行故障诊断，通过对各种故 障模拟两种小波特征的逐次聚类二分获得二叉树【l 。唐静远等采用支持向量机集 成的方法进行模拟电路故障诊断，以支持向量机作为a d a b o o s t 集成学习算法的弱 分类器，采用a d a b o o s t 集成学习算法提升支持向量机的分类精度【1 2 】。文献 1 3 】采 用超球支持向量机作为a d a b o o s t 集成学习算法的若分类器，进行超球支持向量机 集成，将算法用于模拟电路故障诊断中。文献【1 4 】采用小波和支持向量机相结合， 用小波支持向量机进行模拟电路故障诊断。 ( 3 ) 人工神经网络 神经网络有良好的鲁棒性、泛化能力和容错能力，具有并行处理数据的能力， 4 t l 一 二 ， 丫 蠢 、 i 模拟电路故障诊断a d a b o o s t 集成学习方法研究 图1 1b p 神经网络拓扑结构 f i g 1 1t h et o p o l o g ys t r u c t f u r eo f t h eb p n e u r a ln e t w o r k 陈晓娟等采用小波变换和快速傅里叶变换的方法提取模拟电路的特征向量， 将神经网络集成，用集成的神经网络进行模拟电路的故障诊断【1 9 】。刘红等采用 a d a b o o s t 集成神经网络的方法对模拟电路进行故障诊$ i 1 2 0 1 。何怡刚等采用b p 神经 网络的方法进行模拟电路故障诊断【2 1 1 。h um e i 在文献 2 2 采用b p 神经网络的方法 进行模拟电路软故障诊断。 。 ( 4 ) 人工神经网络结合其他算法 人工神经网络结合其他算法算法，用其他算法优化神经网络的性能，把优化 第1 章绪论 后的神经网络用于模拟电路故障诊断。例如：神经网络与粒子群学习方法结合， 采用粒子群学习方法去优化神经网络；遗传学习方法与神经网络相结合，用遗传 学习方法优化b p 神经网络的结构和初始权值分布；免疫一蚂蚁学习方法与r b f 网 络相结合，用免疫一蚂蚁学习方法优化r b f 网络中心参量：采用a d a b o o s t 集成学 习算法集成人工神经网络等。 ， 金瑜等采用b p 神经网络的方法对模拟电路进行故障诊断，采用遗传学习方法 对b p 神经网络进行优化，将遗传学习方法的全局寻优的优势和b p 神经网络的局 部寻优的优势相结合得到一种有效的学习途径，提出了用遗传学习方法优化的b p 神经网络来诊断模拟电路故障的方法【2 3 】。左磊等用粒子群优化学习方法计算小波 神经网络中输出层权值、伸缩因子和平移因子这三个参数，用优化好的学习方法 进行模拟电路故障诊断【2 4 】。何怡刚等采用粒子群学习方法去优化传统b p 网络，采 用小波包分解、主元分析、归一化处理得到用于模拟电路故障诊断的特征向量， 用小波包分解来对信号进行消噪，采用主元分析消除信号中的冗余分量，同时减 少模拟电路故障诊断特征向量的维数【2 5 1 。祝文姬等采用遗传学习方法来优化b p 网 络的结构和初始权值分布，使优化后的神经网络具有较好的收敛性能，将遗传b p 网络应有于模拟电路故障诊断【2 6 1 。李晴等采用免疫一蚂蚁学习方法优化r b f 网络中 心参量，并且将优化后的模型应用于模拟电路故障诊断口7 1 。刘美容等提出一种基 于遗传学习方法、小波神经网络的模拟电路故障诊断方法，采用遗传学习方法优 化神经网络的结构和权值，避免了神经网络结构设计的盲目性和局部最优问题【2 引。 谢宏等采用小波神经网络方法进行模拟电路故障诊吲2 9 1 。y s u n 在文献 3 0 中将测 试节点的采样信号用小波包进行分解，除去信号中的噪声干扰。在经过主元分解、 数据标准化等操作后，将得到的特征向量作为神经网络的输入信号进行模拟电路 故障诊断。y a n g h o n gt a n 在文献 3 1 中提出一种小波变换、遗传算法与神经网络 相结合的模拟电路故障诊断方法，使用节点电压信号经小波变换、主元分析和归一 化处理实现故障特征的提取，采用遗传算法优化b p 网络的结构和初始权值分布， 并且建立了一套测试系统，进行了实际工程应用。y i ns h i r o n g 在文献 3 2 中采用 小波神经网络的方法进行非线性模拟电路故障诊断。m a e 1 一g a m a l 在文献 3 3 中 6 t i j i t 模拟电路故障诊断a d a b o o s t 集成学习方法研究 研究了神经网络集成方法在模拟电路故障诊断中的应用并取得较好的诊断结果。 w e id o n g 在文献 3 4 中用小波神经网络的方法进行模拟电路故障诊断。v i e r a s t o p j a k o v 在文献 3 5 中采用小波和神经网络结合的方法进行模拟电路故障诊断。 ( 5 ) 小波方法提取模拟电路特征向量 快速而有效的提取特征向量是进行模式识别的关键的第一步【3 6 1 ，谢宏等用小 波变换作为模拟电路故障信号的预处理器，给出了基于小波函数的模拟电路故障 诊断方法【3 7 1 。侯青剑等提出一种基于经验模式分解的模拟电路故障特征提取方法， 通过对模拟电路输出信号进行e m d 得到其内禀模态函数，以i m f 的能量作为故障 判别的特征【3 8 1 。张维强等采用小波包变换的模拟电路故障提取方法，采用“能量一 故障 的方法提取模拟电路故障，并且将模糊数学的理论引入到模拟电路故障诊 断，使故障诊断的结果更加切合实耐3 9 】。刘本德等采用聚类的方法在每个故障特 征样本子空间中，尽力所有样本与样本重心的空间方向相似度，对其升序排列， 把排列后的空间方向相似度作为聚类对象，然后根据聚类结果选择故障特征样本， 用这种方法，简化输入样本的特征向量维数m l 。宋国明等采用提升小波变换的方 法提取被测电路单脉冲响应的小波系数，构成故障特征【4 l 】。孙永奎计算被测电路 网络传递函数零极点的灵敏度，利用零极点的灵敏度提供的信息来对被测电路进 行模糊组的划分，来组成故障诊断的元件集【4 2 1 进行模拟电路故障诊断。p k a l p a n a 在 文献 4 3 中采用任用小波分解方法提取模拟电路特征向量，进行模拟电路故障诊 断。s w a r u pb h u n i a 在文献 4 4 中采用小波的方法提取模拟电路特征向量，进行模 拟电路故障诊断。 ( 6 ) 其他算法 ： p i o t rb i l s k 在文献 4 5 中介绍了一种基于模糊逻辑的决策树结构来进行噪声 环境下多故障定位的方法；s h a l g a s 在文献 4 6 中采用故障字典的方法诊断模拟 电路软故障诊断；p e n gw a n g 在文献 4 7 中用m 个测试点的电压灵敏度建立故障字 典，采用模糊数学的方法进行故障诊断：w a n gp e n g 在文献 4 8 中采用一种新的 s b t 方法进行模拟电路的软故障诊断；hg ds t r a t i g o