改进粒子群算法优化的SVM模拟电路故障诊断

合集下载

基于粒子群优化LS-WSVM的电机断条故障诊断

2.2 小波变换
选择db6小波分别对正常电机、转子断1条满载电机、转子断3条满载电机的10个周期的定子电流信号即1000个数据进行三层分解，求出每个节点信号的能量，得到的特征向量如下表所示：
2.2 小波变换
选择db6小波分别对正常电机、转子断1条满载电机、转子断3条满载电机的10个周期的定子电流信号即1000个数据进行三层分解，求出每个节点信号的能量，得到的特征向量如下表所示：
0.01
0.005
0.07 0.06
dB
0.05 0.04 0.03 0.02 0.01 0 25 30 35 40 45 50 频率 /Hz 55 60 65 70 75
0
(1+2s)f
30
35
40
45
50 频率 /Hz
55
60
65
70
2.2 小波变换
小波变换是在傅里叶变换的基础上发展起来的。傅里叶变换是用正弦函数来逼近信号，小波变换是用小波函数来逼近信号。小波变换可以对信号进行局部分析，其窗口函数的面积固定但是形状可以改变。在信号的低频部分，窗口函数在时域较宽，分辨率低，在频域较窄，分辨率高；在信号的高频部分，窗口函数在时域较窄，分辨率高，在频域较宽，分辨率低。这个优点正好符合我们对信号分析的要求，故小波变换被誉为“数学显微镜”。
n 2 i 1 i i i i
2.3 最小二乘小波支持向量机
最小二乘支持向量机基本原理最小二乘支持向量机（Least squares Support Vector Machines,LS-SVM）是将标准支持向量机的不等式约束用等式约束代替，即将式（3.10）中的 ≥用=代替。且将误差平方和损失函数作为训练集的经验损失，将优化问题简化成求方程组的问题，大大提高了求解的速度。

基于粒子群支持向量机的模拟电路故障诊断

基于粒子群支持向量机的模拟电路故障诊断左磊;侯立刚;张旺;旺金辉;吴武臣【摘要】针对传统神经网络技术在模拟电路故障应用中存在的问题,提出了一种基于粒子群算法(particle swarm optimization, PSO)和最小二乘支持向量机(least squares support vector machine, LSSVM)的模拟电路故障诊断的方法.该方法首先利用小波包技术对待诊断电路的可测点信息提取故障特征,然后使用粒子群算法优化支持向量机的结构参数,避免了参数选择的盲目性,提高了模型的诊断精度.在对某滤波电路进行的故障检测中,验证了该方法的可行性.【期刊名称】《系统工程与电子技术》【年(卷),期】2010(032)007【总页数】4页(P1553-1556)【关键词】模拟电路;故障诊断;最小二乘支持向量机;粒子群算法【作者】左磊;侯立刚;张旺;旺金辉;吴武臣【作者单位】北京工业大学集成电路与系统集成实验室,北京,100022;北京工业大学集成电路与系统集成实验室,北京,100022;北京工业大学集成电路与系统集成实验室,北京,100022;北京工业大学集成电路与系统集成实验室,北京,100022;北京工业大学集成电路与系统集成实验室,北京,100022【正文语种】中文【中图分类】TN40 引言故障诊断技术是保证复杂电子系统正常运转的关键技术也是当前研究的热点。

理论研究表明,复杂电子系统中的模拟部分最容易发生故障,但由于模拟电路本身是一个非线性系统,包含的元器件多具有非线性和离散性,已经很难计算出电路模型的准确方程,因此传统的故障诊断方法已很难适用[1]。

20世纪90年代以来,随着人工智能技术的发展,产生了以神经网络为代表的模拟电路故障诊断方法,该方法的实质是利用神经网络技术拟合实际的电路方程,从而达到诊断的目的,目前已经取得了较好的效果[2-4],但神经网络在训练中的收敛性和全局优化能力有待于进一步的提高。

基于粒子群支持向量机的轨道电路故障诊断

基于粒子群支持向量机的轨道电路故障诊断陈欣【摘要】支持向量机（S V M）是一种解决小样本分类问题的最佳理论算法，它的核函数的参数选择非常重要，直接影响着故障诊断的准确率。

本文将粒子群算法（P S O）用于支持向量机的参数优化，提出基于粒子群支持向量机的故障诊断模型，并将其运用于轨道电路中。

通过对比MATLAB仿真结果得出：经过粒子群寻优得到的参数比随机选取的参数更优，所建立的PSO-SVM模型的故障诊断准确率高于普通的SVM模型。

%Support vector machine (SVM) is one of the best theoretical algorithm to solve the problem of small sample classiifcation. Kernel parameter selection is very important, which directly affects the accuracy of fault diagnosis. In this paper, the particle swarm optimization (PSO) was used to optimize the parameters of SVM, the PSO-SVM model was proposed which was applied to fault diagnosis of track circuit. By comparing the MATLAB simulation results, it was concluded that the parameters obtained by PSO were better than the random parameters, and the fault diagnosis accuracy of the established PSO-SVM model was higher than that of the ordinary SVM model.【期刊名称】《铁路计算机应用》【年(卷),期】2016(025)008【总页数】4页(P56-58,63)【关键词】轨道电路;故障诊断;支持向量机;粒子群算法【作者】陈欣【作者单位】西南交通大学信息科学与技术学院，成都 611756【正文语种】中文【中图分类】U284.2;TP39无绝缘轨道ZPW-2000A在我国铁路系统中占据着非常重要的作用，主要用于站间闭塞区间和站内电码化。

基于粒子群优化算法的LS-SVM电动机断条故障诊断

摘要：支持向量机（ＳｕｐｐｏｔｒＶｅｃｔｏｒＭａｃｈｉｎｅ，ＳＶＭ）算法是基于统计学习理论的一种新的学习方法，应用于故障诊断技术中，具有训练所需样本少、诊断率高等优点。最小二乘支持向量机（Ｌｅａｓｔ
用。因此，采用粒子群优化（ＰａｒｔｉｃｌｅＳｗａｒｍＯｐｔｉｍｉｚａｔｉｏｎ，ＰＳＯ）算法对ＬＳ — ＳＶＭ算法寻找最优超参数，进一步提高ＬＳ．ＳＶＭ对电动机断条故障诊断的效率和准确率有着重要作用。实验结果表明，综合ＰＳＯ与ＬＳ．ＳＶＭ两种算法的优点，可有效减少故障诊断中误判、漏判的发生。关键词：粒子群优化算法；最小二乘支持向量机；电动机；故障诊断中图分类号：ＴＭ３４３．３；ＴＰ２０６．３文献标识码：Ｂ文章编号：１００１ — ０８７４（２０１６）０６— ００６２— ０５
ＦａｉｌｕｒｅＤｉａｇｎｏｓｉｓｏｆＭｏｔｏｒＢｒｏｋｅｎＢａｒＬＳ－ＳＶＭＢａｓｅｄｏｎＰａｒｔｉｃｌｅＳｗａｒｍＯｐｔｉｍｉｚａｔｉｏｎＡｌｇｏｒｉｔｈｍ
基于粒子群优化算法的ＬＳ — ＳＶＭ电动机断条故障诊断

svm 故障诊断综述

svm 故障诊断综述
支持向量机(SVM)是一种广泛使用的机器学习算法，但在实际使
用过程中可能会遇到故障，影响算法的性能和输出结果的准确性。

本
文将对SVM故障诊断进行综述。

SVM故障的主要原因可以分为三类：数据集问题、算法参数问题
和编程语言问题。

对于数据集问题，SVM需要依赖于输入数据，如果输入数据存在问题，就会直接影响SVM的性能。

常见的数据集问题包括
噪声、异常值、数据不平衡等。

解决这些问题的关键是数据清洗和特
征选择。

算法参数问题指的是在使用SVM的过程中，可能会使用不合适的
算法参数，从而导致模型过拟合或欠拟合。

这些参数包括核函数的类型、正则化参数和惩罚参数等。

通常需要通过交叉验证等技术来优化SVM的参数，以获得更好的性能。

编程语言问题是指在编写SVM程序的过程中，可能会出现语法错
误或编译错误。

这通常是由于程序员的疏忽或对编程语言的不熟悉所致。

为了避免这些问题，程序员应该熟悉所使用的编程语言，并遵循
良好的编程习惯。

总之，SVM作为一种常见的机器学习算法，在实际应用中可能会
遇到多种故障。

针对这些故障，需要程序员具备基础知识和分析能力，及时识别和解决问题，保证算法的性能和输出结果的准确性。

基于改进粒子群优化的SVM故障诊断方法

［Ａｂｓｔｒａｃｔ】ＩｎｏｒｄｅｒｔｏｒｅｓｏｌｖｅｔｈｅｄｉｉｃｆｕｌｔｙｔｈａｔｔｈｅｃｈｏｉｃｅｏｆｐａｒａｍｅｔｅｒｓｉｎｌｆｕｅｎｃｅｔｈｅａｃｃｕｒａｃｙｏｆＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ（ＳＶＭ）ｆａｕｌｔｄｉａｇｎｏｓｉｓｍｏｄｅｌ，ａｇｅｎｅｔｉｃ — ｉｍｍｕｎｅＰａｔｒｉｃｌｅＳｗａｒｍＯｐｔｉｍｉｚａｔｉｏｎ（ＰＳＯ）ａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｇｅｎｅｔｉｃｅｖｏｌｕｔｉｏｎａｌｇｏｒｉｔｈｍａｎｄ
ＳＶＭｏｐｔｉｍｉｚｅｄｂｙｇｅｎｅｔｉｃ — ｉｍｍｕｎｅＰＳＯａｌｇｏｒｉｔｈｍｃａｎａｃｈｉｅｖｅａｕｔｏｍａｔｉｃｏｐｔｉｍｉｚａｔｉｏｎｏｆｐａｒａｍｅｔｅｒｓ，ｉｎｃｒｅａｓｅｄｉａｇｎｏｓｉｓａｃｃｕｒａｃｙ
群算法前期收敛快、后期易陷入局部最优的缺陷。将该算法与优化支持向量机分类模型相结合，建立基于遗传免疫粒子群
和支持向量机的诊断模型，并用于轴承故障诊断中。结果表明，基于遗传免疫粒子群算法优化的ＳＶＭ可实现对ＳＶＭ分类模型参数的自动优化，并能提高ＳＶＭ分类模型的故障诊断精度，对分散程度较大、聚类性较差的故障样本分类有较强的适

基于粒子群优化的LSSVM在模拟电路故障诊断中的应用

基于粒子群优化的LSSVM在模拟电路故障诊断中的应用李璇;彭继刚;王凯歌【期刊名称】《贵州师范大学学报（自然科学版）》【年(卷),期】2012(030)005【摘要】Based on the LSSVM optimized by particle swarm colony, a new analog circuit diagnosis method is proposed . Using the wavelet packet , this method eliminates the noise and makes the decomposition of fault signals of the analog circuit , then the feature data is organized as input of LSSVM. To avoid the local optimum in parameter optimization , particle swarm optimization method is used in optimizing the selection of parameter of LSSVM. The simulation results of fault diagnosis in Sallen-key band-pass filter shows , the LSSVM fault diagnosis method optimized by particle swarm could diagnose the fault of analog circuit effectively , and it increases the efficiency sharply.%提出一种基于粒子群优化的最小二乘支持向量机的模拟电路故障诊断新方法。

对模拟电路故障信号采用小波包进行消噪和分解，作为最小二乘支持向量机的输入样本。

基于改进粒子群优化聚类算法的故障诊断方法

, x n } , 其中每个数
量 X i = ( x i1 , x i 2 ,
, x iD ) , i = 1, 2 ,
据样本 x i 包含 k 个属性. 模糊 C 均值聚类算法就是将数据集 X 划分到 c( 2 ! c ! n) 个组中, 并求出每个组的聚类中心 v j ( j = 1, 2, v 2, , c) , 组成 V = { v 1 , , v c } 共 c 个聚类中心. 在该算法中包含一个隶
Fault Diagnosis Method Based on Improved Particle Swarm Optimization Clustering
L I Fei, XIA Shi x iong, NIU Qiang
( School of Computer Science & T echnolo gy, China U niversity of M ining & T echnology, Xuzhou 221116, China) Abstract: In o rder to overcome the Fuzzy C means Algorithm s defects of sensitivity to t he initial cluster centers, using t he efficient global optimization char acteristics of the PSO algorit hm, this paper proposes a new PSO based fuzzy alg orithm ( PSO C FCM ) . It first finds the optimal extreme using the PSO algorithm, and then initializes the cluster centers of F CM algo rithm with the optimal ex treme, which makes the alg orithm mor e efficient and accur ately . T his new alg orithm is applied to the motor fault diagnosis, and ex periments show that t he algor ithm makes up the defects of Fuzzy C means A lgorit hm, improves the efficiency and accuracy of fuzzy clustering, and improves the fault diag nosis. Key words: P SO ; FCM ; cluster ing ; fault diagnosis

改进的SVM算法及其在故障诊断中的应用研究

文章编号:1671-637 (2006)06 0097 04改进的SVM算法及其在故障诊断中的应用研究张金泽, 单甘霖(军械工程学院光学与电子工程系,石家庄 050003)摘要: 介绍了支持向量机用于解决模式分类问题的基本原理,在对传统的多分类方法OVO(one-versus-one)深入分析的基础上,针对其存在的不可分类区问题,提出了一种改进的模式分类方法KSVM(KNN-SVM),将k-近邻方法嵌入到SVM算法中解决不可分类区问题,进一步提高了分类准确率。

应用KSVM分类方法进行模拟电路的故障诊断,实验结果验证了该方法的有效性和实用性。

关键词: 支持向量机(SVM); 多类分类方法; k-近邻法; 故障诊断中图分类号: V271.4; TP181 文献标识码: AImproved SVM algorithm and itsapplication in fault diagnosisZHANG Jin-ze, SHAN Gan-lin(Department o f Optics an d Electronics En gineering,Ordnance Engineering Colle ge,Shijiazhuang050003,china)Abstract: The ba sic principle of Support Vector Machines used in Pattern Classifica tion is simply introduced.The traditional one-versus-one(OVO)method for multi-class classification is analyzed.T o overcome the un classifiable re gion proble m existed inherently in one-versus-one me thod,an improve d me thod of KSVM(KNN-SVM)is presented for multi-class SVMs,in which K-Nearest Neighbor(KNN)is embedded in SVM algorithm for solving the unclassifiable region problem,the classification accurac y is improved further.The application of KSVM in analog circuit fault diagnosis proved the validity a nd practica bility of the ne w me thod.Key Words: support vector machines(SVM); multi-class classification; k-Nearest Neighbor;fault diagnosis0 引言支持向量机最初是针对两类分类问题提出的,怎样将其有效地推广到多分类问题中去成为当前广泛研究的焦点之一。

基于粒子群优化LSSVM的模拟电路故障诊断方法

基于粒子群优化LSSVM的模拟电路故障诊断方法焦鹏;王新政;谢鹏远【期刊名称】《现代电子技术》【年(卷),期】2013(000)008【摘要】Aiming at insufficient diagnosis information and parameter tolerance of the traditional fault diagnosis methods, an analog circuit fault diagnosis method based on least square support vector machine(LSSVM)is proposed in this paper. The parameters of LSSVM are optimized with particle swarm optimization(PSO)algorithm to improve the accuracy of fault diagnosis. The experimental results demonstrated the feasibility and effectiveness of the proposed method.% 针对模拟电路故障诊断中存在的诊断信息不充分、参数容差及元器件的非线性等问题，利用最小二乘支持向量机(LSSVM)在小样本情况下良好的学习能力和泛化能力建立基于LSSVM的模拟电路故障分类模型。

同时为提高故障诊断精度，采用粒子群优化(PSO)算法对LSSVM 的参数进行优化，避免了参数选择的盲目性。

最后以典型滤波器电路的故障诊断为例进行了仿真验证。

实验结果证明基于PSO的LSSVM模型可有效改善遍历搜索引起的效率问题，其故障分类准确性及模型诊断效率都得到提高。

【总页数】4页(P35-38)【作者】焦鹏;王新政;谢鹏远【作者单位】海军航空工程学院研究生管理大队，山东烟台 264001;海军航空工程学院科研部，山东烟台 264001;中国人民解放军91055部队，浙江台州318050【正文语种】中文【中图分类】TN710-34;V241.4【相关文献】1.基于改进PSO-LSSVM的模拟电路诊断方法 [J], 胡天骐;单剑锋;宋晓涛2.基于粒子群优化的LSSVM在模拟电路故障诊断中的应用 [J], 李璇;彭继刚;王凯歌3.基于迁移学习LSSVM的模拟电路故障诊断 [J], 庄城城;易辉;张杰;刘帅4.基于改进PSO算法优化LSSVM的模拟电路软故障诊断方法 [J], 丁国君;王立德;申萍;刘彪5.基于小波变换和CFA-LSSVM模拟电路故障诊断 [J], 谈恩民;王存存;张欣然因版权原因，仅展示原文概要，查看原文内容请购买。

改进粒子群算法优化svm的故障诊断方法研究

火 PSO 等.
本文从参数的选择(
惯性因子的动态更新、自适应学
习因子的更新方法)和粒子速度与位置的更新(交叉算
子)
两方面提出改进措施,并利用煤层气单井系统出现的
故障类型及正常工作时的特征参数作为故障诊断对象,
通过 MATLAB 仿真实验验证该改进算法的可行性.
１粒子群算法
设有一个由 m 个粒子组成的种群 X＝ {
后的粒子群算法故障诊断精度明显高于普通粒子群优化算法和遗传算法.
关键词:粒子群算法;自适应学习因子粒子群算法;SVM;故障诊断
中图分类号:TP２７７文献标识码:AFra bibliotek０引言
故障诊断 [１]对及时判断和解决工业生产中的故障
具有重要意义,常用的故障诊断方法有:专家系统故障
诊断方法 [２]、支持向量机 [３]、神经网络 [４]等.随着研究
的位置和速度.
计算交叉后粒子的适应值,用适应值较高的子代
粒子取代父代粒子,然后更新粒子 pbest和粒子群 gbest,
否则不进行替代.
２．
４改进粒子群算法流程
本文提出的改进粒子群算法流程如下:
２０１７０１D２２１１３２); 山西省先进制造重点实验室开放研究基金资助项目
国家自然基金资助项目 (
(
XJZZ２０１７０１);晋中学院 “
１３１１工程” 重点创新团队 (
zxycx
t
d２０１８００５)
j
收稿日期:２０１９
Ｇ０８
Ｇ１５;修订日期:２０１９
数对惯性权重系数进行处理. 算法初期注重全局探
索,因此搜索步长设定较大值,

改进粒子群算法选择特征和神经网络参数的模拟电路故障诊断

改进粒子群算法选择特征和神经网络参数的模拟电路故障诊断韦忠善;明鑫【摘要】为了获得理想的模拟电路故障诊断效果，提出一种改进粒子群算法选择特征和神经网络参数的模拟电路故障诊断模型。

对模拟电路故障诊断问题进行分析，提取模拟电路故障诊断特征，采用改进粒子群算法对故障特征和 RBF 神经网络的学习速率、动量因子进行优化和选择，建立模拟电路故障诊断分类器。

通过应用实例对模型性能进行了对比分析，结果表明，相对于经典的模拟电路故障诊断模型，改进模型的模拟电路故障诊断率大幅度提高，故障诊断效率也得到相应的改善。

%In order to obtain ideal fault diagnosis results,this paper presents a fault diagnosis model based on improved particle swarm algorithm to select features and parameters of neural network.Fault diagnosis situation of analog circuit is analysis and extract feature of analog circuit,and secondly,improved particle swarm optimization algorithm selects the features and parameters of RBF neural network to estab-lish fault diagnosis classifier of analog circuits.The application experiment test the performance and the results show that compared with the classical fault diagnosis models,fault correct rate of the proposed model is greatly improved,and analog circuit fault efficiency has been improved.【期刊名称】《内蒙古师范大学学报（自然科学汉文版）》【年(卷),期】2016(045)001【总页数】5页(P55-59)【关键词】模拟电路;故障诊断;RBF 神经网络;混沌理论;粒子群优化算法【作者】韦忠善;明鑫【作者单位】广西职业技术学院计算机与电子信息工程系，广西南宁 530226;广西职业技术学院计算机与电子信息工程系，广西南宁 530226【正文语种】中文【中图分类】TN710.4随着电网规模的扩大,电路故障出现的概率也在相应增大.目前电路分为数字电路和模拟电路两种,由于模拟电路器件本身的特点,其故障出现的概率相对更高,诊断难度也更大,因此模拟电路故障诊断一直是电网自动化控制研究中的重要课题[1].传统模拟电路故障诊断模型主要有故障字典法、解析法等[2-3],这些模型易受元件容差和噪声的影响,不能大规模模拟电路故障诊断的应用要求[4].模拟电路故障诊断主要采用机器分类算法实现,其中RBF神经网络可以描述模拟电路故障的变化特点,是当前的主要研究方向之一[5].模拟电路故障诊断首先需要提取特征,原始电路存在两种特征: ① 与模拟电路故障结果有关的特征; ② 与模拟电路故障无关或关系不大的特征,即冗余和无用特征.若将原始特征全部输入故障分类器进行建模,则特征维数过高会使计算复杂度增大,另外冗余和无用特征也会对模拟电路故障诊断结果产生负面影响[6].因此,RBF神经网络的模拟电路故障诊断过程中,通常对模拟电路故障特征子集进行优化和选择,以便降低输入维数,减少计算复杂度,当前主要有灰色关联法、层次分析和粒子群算法等[7].除特征外,RBF神经网络参数也与模拟电路故障的结果有关,RBF神经网络参数主要优化方法有梯度下降算法、粒子群算法等[8].目前,RBF 神经网络参数选择和模拟电路故障特征选择是分开实现的,但是先选择模拟电路故障特征还是先选择RBF神经网络参数,都是随机确定的,因此不能建立整体性能最优的模拟电路故障诊断模型,导致模拟电路故障诊断结果既不稳定也不可靠[9].为了克服模拟电路故障特征和RBF神经网络参数分开选择存在的不足,本文提出一种改进粒子群(Improved Particle Swarm Optimization,IPSO)算法选择特征和神经网络的模拟电路故障诊断模型(IPSO-RBFNN).首先以模拟电路故障率作为目标函数,建立特征和SVMRBF神经网络参数选择的数学模型,然后用IPSO算法得到数学模型的最优解,建立整体性能最优的模拟电路故障诊断模型,最后通过应用实例对模型性能进行对比分析.小波包分解是一种比小波分析更优的信号处理方法,对于模拟电路信号进行多层分解后,得到低频和高频部分,(2t-k)..,设模拟电路的原始信号特征向量集为F={f1,f2,…,fn} (n为特征维数),选择的最优特征子集为S={s1,s2,…,sn} (si∈{0,1}),“1”和“0”表示特征是否被选中,特征选择的目标是获得更高的模拟电路诊断率(G).特征选择的数学模型为模拟电路特征选择实质是一个寻优问题,因此可以采用IPSO算法进行求解,但是特征选择求解过程必须有相应的最优RBF神经网络参数.RBF神经网络的输入层与隐含层之间是一种非线性变化关系,隐含层与输出层是一种线性变化关系.设模拟电路故障诊断特征向量X=[x1,x2,…,xn]T为输入向量,径向基向量为H=[h1,h2,…,hn]T,则有hj=exp ,cj i(k)=cj i(k-1)+η Δcj i+α(cj i(k-1)-cj i(k-2)),bj(k)=bj(k-1)+η Δbj+α(bj(k-1)-bj(k-2)),ym(k)=w1h1+w2h2+…+wnhn.在RBF神经网络的模拟电路故障诊断过程中,其性能与学习速率(η)、动量因子(α)直接相关[11],如果选择不当会导致网络收敛速度慢,只能得到局部最优解.为此,本文采用改进粒子群算法优化RBF神经网络的参数η和α.RBF神经网络参数选择的数学模型可以表示为RBF神经网络参数选择也是一个组合寻优问题,同样可以采用IPSO算法进行求解,但是在RBF神经网络参数选择求解过程中,必须有相应的最优模拟电路特征子集. 传统的模拟电路故障诊断忽略了电路特征和RBF神经网络参数之间的联系,不能使它们同时达到最优,导致模拟电路故障诊断结果不够理想.本文采用IPSO算法对电路特征和RBF神经网络参数同时进行优化和选择,使它们保持同步,深度挖掘二者的联系.电路特征和RBF神经网络参数同时选择的数学模型为标准PSO算法的一个粒子代表一只鸟,且具有位置Xi(t)和速度Vi(t),在解的搜索过程中,跟踪自身最优解(Pbest)和群体最优解(Gbest).PSO算法与其他寻优算法相似,当某个粒子搜索到一个局部最优解时,整个粒子群就会向它快速聚集,陷入局部最优解的概率大.本文对标准PSO算法进行改进,对每次迭代中的Gbest进行混沌扰动,防止粒子位置出现趋同现象,降低出现局部最优解的概率.Logistic是一种经典的混沌映射式,可以表示为Zn+1=4Zn(1-Zn),其中Zn为混沌初始变量.对变量进行混沌扰动操作,可以得到新的混沌变量,即=(1-β)Z*+βZk,其中k为混沌扰动次数,β为混沌扰动的强度.(1) 采用小波包提取模拟电路工作状态信息的能量特征.(2) 初始化IPSO算法参数.(3) 产生一组粒子群,粒子位置为模拟电路状态的特征子集和RBF神经网络参数,采用二进制进行编码.但是RBF神经网络参数是十进制数,需要将二进制数转为十进制数.(4) 估计粒子的适应度值.选择模拟电路故障诊断率作为目标函数,同时使有效特征数尽可能少.适应度值函数的定义为-1,其中ωa表示诊断率权重,ACC为诊断率. (5) 根据适应度值确定粒子自身的最优解(Pbest)和群体的最优解(Gbest),并更新粒子的速度和位置.(6) 对群体的最优解(Gbest)进行混沌扰动操作,产生新的粒子群.(7) 如果达到预先设定的最大迭次数,特征和RBF神经网络参数寻优终止,不再返回步骤(4)继续搜索.(8) 对群体的最优解(Gbest)进行反编码,得到最优特征子集和RBF神经网络参数,建立模拟电路故障诊断模型.为了分析IPSO-RBFNN在模拟电路故障诊断中的有效性,采用的模拟电路如图1所示,编程软件为Matlab 2012,仿真软件为PSPICE.选择原始特征+传统RBF神经网络(RBFNN1)、IPSO算法选择特征+传统RBF神经网络(RBFNN2)、原始特征+IPSO算法选择RBF神经网络参数(RBFNN3)、标准PSO算法同步选择特征和参数(PSO-RBFNN)、IPSO算法先选择特征,然后选择RBF神经网络参数(RBFNN4)的故障诊断模型进行对照实验.4.2.2 诊断结果对比IPSO-RBFNN与其他模型的模拟电路故障诊断率和误诊率如图3和图4所示,对它们进行分析可知:(1) RBFNN1的故障诊断率最低,误诊率最高.这主要是由于原始电路特征的特征之间有一定的冗余,存在一些无用或者对诊断结果产生不利的特征,再加上随机确定RBF神经网络参数,难以建立理想的模拟电路故障诊断模型.(2) 相对于RBFNN2和RBFNN3,RBFNN4的故障诊断率有所提高,但是效果不明显.这主要是由于RBFNN4 虽然对电路特征和RBF神经网络参数进行优化,但是没有考虑二者的联系,都是优化一个时随机确定另一个,导致电路特征和RBF神经网络参数之间不匹配.(3) IPSO-RBFNN的故障诊断率高于其他模型,误诊率也得到了不同程度的降低.这说明对电路特征和RBF神经网络参数进行同步优化和选择的思路是正确的,同时针对标准IPSO算法引入混沌扰动操作,提高了IPSO算法的寻优能力,避免了得到局部最优解的缺陷,获得十分理想的模拟电路故障诊断结果.对表1的时间开销进行对比分析可以发现,相对于其他模拟电路诊断模型,IPSO-RBFNN的平均训练时间大幅度减少,这主要是由于采用IPSO算法对电路特征和RBF神经网络参数进行同步选择,充分考虑了两者之间的联系,挖掘它们之间的变化特点,减少了分类器的输入维数,同时加快了RBF神经网络的收敛速度,从而获得了较低的模拟电路故障时间.。

遗传算法优化的svm模拟电路故障诊断方法

遗传算法优化的svm模拟电路故障诊断方法近年来随着半导体技术的不断深入发展，模拟电路应用面拓宽，但却因其复杂高效率低等特点带来了维护难度增加、检测技术不足等困难。

因此，模拟电路故障诊断技术受到了越来越多的关注。

SVM(支持向量机）是被广泛应用于复杂问题中的一种机器学习方法，可以快速构建有效的模型，在模拟电路故障诊断中也具有广泛的应用前景。

基于SVM的模拟电路故障诊断的关键问题是调整超参数以获得最佳的故障诊断性能。

不同的模拟电路存在不同的复杂程度和结构特性，故障特性也有所不同，相比传统的参数设置和网格搜索法，遗传算法优化方法具有更高的效率和更好的精度。

因此，基于遗传算法优化的SVM模拟电路故障诊断方法可以更好地发挥其在模拟电路故障诊断中的优势，可以更准确有效地诊断出模拟电路中的故障类型，有助于模拟电路的可靠性提高。

首先，针对不同的模拟电路使用有限元分析技术获取模拟电路的结构特性与故障特性，提取出有效的特征向量；然后，采用SVM将向量映射到一维特征空间，计算其最佳划分面；最后，利用遗传算法优化SVM超参数，以降低诊断误差。

遗传算法搜索方法首先根据初始种群随机生成大量参数组合；然后，依据禁忌分布函数和交叉算子计算不同种群的适应分数；最后，通过轮盘赌、变异算子以及一定的重复步骤，淘汰不具备适应性的参数组合，以搜索最优解。

在实现遗传算法优化的过程中，可以根据不同应用场景设计不同的适应函数、编码方法、遗传算子分布，针对不同的模拟电路实现更优的故障诊断性能。

遗传算法的灵活性和计算精度让其在模拟电路故障诊断领域得以发挥作用，但其受硬件限制、执行效率低、收敛速度慢等弱点也需要充分考虑，保证遗传算法的优势以及降低因算法而出现的误差。

粒子群优化的KFCM及SVM诊断模型在断路器故障诊断中的应用_梅飞

0 引言
作为电力系统中重要的保护与控制电器，断路器在保障电网安全稳定运行方面起着十分关键的作用，其运行维护也是电力部门日常工作的重要内容。随着智能电网建设的加快，传统的定期巡检模式已不能适应，检修体制正逐步向预知性的状态检修体制过渡。因此，各电气厂商与科研院所都加大了对断路器在线监测与故障诊断方面的研究力度，能够为状态检修提供必要的指导意见的故障诊断技术的研究工作尤为突出。断路器故障诊断技术是通过采集断路器动作数据，经信号处理手段提取特征参数，最后由智能算法建立诊断或预测模型，对断路器工作状态进行评估。在故障数据选择上，主要有振动信号[1-8]、分合闸电流[9-10]以及动触头位移或主轴转角[11-13]等。在信号处理手段上，主要有小波包分解或小波包– 特征熵
[ห้องสมุดไป่ตู้-3]
、经验模态分解 (empirical mode
decomposition ，EMD)[4-5]、希尔伯特黄变换[6]、小波变换[7]以及零相位时频熵[8]等。在人工智能算法的选择上，采用人工神经网络[1,6,11-13]、支持向量机 (support vector machine ，SVM)[3-5,8]、核主元分析 (kernel principal component analysis ， KPCA) 及
将式(3)代入式(1)，并在约束条件(2)下用拉格朗日乘子法寻优，得到隶属度及目标函数：
1
[ uik
c
1 ]m1 K ( xk , xk ) K ( νi , νi ) 2 K ( xk , νi )
1
1 [ K ( x , x ) K (ν , ν ) 2 K ( x , ν ) ]m1 j 1 k k j j k j

模拟电路单软故障的改进粒子群算法诊断

提出一种改进粒予群算法，并应用于模拟电路的单软故障诊断。在以往文献的基础上，受生物学界理论研究成果的启发，引入领导机制，出改进算法。通过灵敏度分析建立电路测试节点电压增量方程，而建立起模拟电提从路故障诊断的约束线性规划方程组；引入罚函数将所建立的方程组转换为粒子搜索过程中的适应度函数，而从将改进算法应用于模拟电路单软故障诊断。实验结果证明，与基本粒子群算法相比较，进后的粒子群算法搜改索到的结果更接近于实际情况，索迭代次数少，障诊断率高。搜故关键词：模拟电路；故障诊断；粒子群；领导机制；灵敏度；线性规划中图分类号：Ｔ３６３Ｐ０．文献标志码：Ａ文章编号：１０ — ６５２１）１４７ — ４０１３９（００１ — １１０
ｉｎｅｓｆｃｉｎｉｈｅｓａｃｒｃｓｆｐｒｉｌｓｎｔｅｅｄ，ｕｅｈｅＬＰｆｔｓｕｎｔｏｎｔｅｒｈｐｏｅｓｏａｔｃｅ．ＩｈｎｓｄｔＳＯｎｓｎｌｏｔｆｕｔｄｉｇｏｉｆａｌｇｃｒｕｔｉｉｇｅｓｆａｌａｎｓｓｏｎａｏｉｃｉ．
周龙甫，奕兵赵师，光唐，红
（．１解放军第４２医院信息科，成都６０６；．５１０１２电子科技大学自动化学院，成都６１３）１７１
摘

基于改进 PSO 算法的风电齿轮箱 SVM 故障诊断

诊断方法。对标准粒子群（ｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎ，ＰＳＯ）算法进行改进得到ＩＰＳＯ，提高其性能，利用ＩＰＳＯ算法对ＳＶＭ的参数进行选择；最后从故障信号中提取三种熵值作为输入建立ＳＶＭ，判断齿轮的故障类型。实验结果证明了该方法的有效性。关键词：互相关系数法；粒子群算法；支持向量机
摘要：针对风电齿轮箱故障信号现实生活中难以获得大量故障样本的实际情况。并且为了提高故障诊断的精度．提出了基于改进粒子群算法（ｉｍｐｒｏｖｅｄｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎ，ＩＰＳＯ）的支持向量机（ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ，ＳＶＭ）的故障
ｐｒｏｖｅｄＰＳＯｌａｇｏｒｉｔｈｍ；ＴｈｒｅｅｋｉｎｄｓｏｆｅｎｔｒｏｐｙｗａｓｅｘｔｒａｃｔｅｄｆｒｏｍｔｈｅｓｉｇｎｌａａｓｉｎｐｕｔｔｏｅｓｔａｂｌｉｓｈｔｈｅＳＶＭａｎｄｔｏｊｕｄｇｏｆｇｅａｒｆａｕｌｔ
第４３卷２０１５年４月
云
南
电
力
技
术
Ｖｏ１．４３Ｎｏ．２Ａｐｒ．２０１５

基于改进SVM的模拟电路故障诊断

基于改进SVM的模拟电路故障诊断周绍磊;廖剑;史贤俊;戴邵武【摘要】针对模拟电路的故障诊断和定位问题，提出了一种改进支持向量机（Support Vector Machine，SVM）故障诊断方法。

通过在标准SVM中加入了对数据流形局部分布的约束，设计了一种依赖于数据分布的新型SVM。

相对于标准SVM方法而言，新方法有效融合了数据分布的先验信息，提高了模型的诊断精度。

将其用于模拟电路的故障诊断，验证了所提方法的有效性。

%Focusing on the problem of analog circuit fault diagnosis and location, an improved support vector machine (SVM)was proposed for fault diagnosis. A new type of SVM lying on data distribution was designed by joining the con-straint of distribution of the data manifold. Compared to standard SVM, the proposed method effectively combined prior dis-tribution information of the data to increase the diagnosis accuracy of the model. The simulation results showed the effec-tiveness of the algorithm.【期刊名称】《海军航空工程学院学报》【年(卷),期】2014(000)002【总页数】5页(P117-121)【关键词】故障诊断;模拟电路;支持向量机;数据流形【作者】周绍磊;廖剑;史贤俊;戴邵武【作者单位】海军航空工程学院控制工程系，山东烟台264001;海军航空工程学院控制工程系，山东烟台264001;海军航空工程学院控制工程系，山东烟台264001;海军航空工程学院控制工程系，山东烟台264001【正文语种】中文【中图分类】TP181模拟电路由于自身存在故障模型欠佳、元件容差、故障参数连续和电路非线性等特点[1]，使得其故障诊断技术发展缓慢。

粒子群算法优化特征和神经网络的模拟电路故障诊断

粒子群算法优化特征和神经网络的模拟电路故障诊断陈美伊;张鲲【摘要】The analog circuit is influenced by its characteristics and external environment,and its fault is non⁃linear and time⁃varying. The available fault diagnosis models of analog circuit are difficult to solve the match problem of features and classi⁃fier parameters,an analog circuit fault diagnosis model based on particle swarm algorithm optimizing feature and neural network is presented. The current situations of analog circuit fault diagnosis are analyzed,and their shortcomings are pointed out. The features of analog circuit fault diagnosis are extracted. The neural network is used as the classifier of analog circuit fault diagno⁃sis. The analog circuit fault features and neural network parameters are optimized with particle swarm optimization,and simula⁃ted with Matlab 2012. The results show that the performance of the proposed model is superior to that of other reference models, and has wide application prospects.%模拟电路受到自身特性和外界环境的影响，故障变化具有非线性、时变性，针对当前模拟电路故障诊断模型的特征和分类器参数不匹配的难题，提出一种粒子群算法选择特征和神经网络的模拟电路故障诊断模型。