模拟电路故障诊断第一章-LB摘要.pptVIP

基于支持向量积的故障诊断方法 sallen一key带通滤波器电路 电子科大 基于支持向量积的故障诊断方法 sallen一key带通滤波器电路 电子科大 基于支持向量积的故障诊断方法 sallen一key带通滤波器电路 电子科大 基于支持向量积的故障诊断方法 sallen一key带通滤波器电路 电子科大 基于支持向量积的故障诊断方法 sallen一key带通滤波器电路 电子科大 基于支持向量积的故障诊断方法 sallen一key带通滤波器电路 电子科大 基于支持向量积的故障诊断方法 支持向量机作为一个新的机器学习算法，它克服了神经网络的不足，在解决小样本、非线性及高维模式识别问题中表现出结构简单、全局最优、泛化能力强等许多特有的优势，特别适合于智能诊断，随着支持向量机理论的研究和发展，有望成为故障智能诊断的主要方法之一。 电子科大 小结 上述众多的模拟电路故障诊断方法中，实用的方法可以分为故障字典法，元件参数辨识法、故障验证法和模式识别方法。 故障字典法简单，可适用于线性和非线性电路，其诊断准确率的提高受模拟电路中元件容差和噪声的影响，一般只用于单个硬故障的诊断。这个是应用最成功的方法，后面将详细介绍。 元件参数辨识法需要特定的数学模型，运算时间长，一般适用于离线诊断，难以应用于在线工程诊断。 电子科大 小结 故障验证法由于电路中故障种数较大，而每次验证都需要大量的计算，对规模大的电路实施较为困难，且对可测条件要求较高，当电路不满足可测条件时， 将出现不能诊断或误诊断的情况。 模式识别方法如神经网络与支持向量积方法无须数学模型，只需运用特定的运算规则，将测量空间映射到决策空间，避免了繁杂的数学运算，只需有限的故障信息，就能判定网络中的故障元件，实施又比较方便，具有较好的应用前景。 相对于神经网络，支持向量积在解决小样本、非线性及高维模式识别问题中表现出结构简单、全局最优、泛化能力强等许多特有的优势 电子科大 The experimental setup for evaluating the proposed framework is shown in this slide. As mentioned previously, the circuit is stimulated with a sweep signal (1 Vp-p) ranging from 1 kHz to 200 kHz within 100 msec, using a Function/Arbitrary Waveform Generator Agilent 33250A. Then, we extract the circuit response using a data acquisition board NI USB-6212 at the output node with a sampling rate of 200 kS/sec. The data was read using a LabView setup. An Agilent Digital Oscilloscope 54853A was used to monitor the signals consistency. There is a possibility of intermittent signal attenuation at the filter output, hence ten cycles of 1 kHz-200 kHz sweep signal was supplied to the CUT and the corresponding response was measured so as to extract the features for fault classification. * * 支持向量机是一种建立在统计学习理论和结构风险最小化原理基础上的新型学习机器，它根据有限的样本信息在模型的复杂性(即对特定训练样本的精度)与学习能力(即无错误地识别任意样本的能力)之间寻求最佳折衷，以期获得最好的推广能力。概括地说，支持向量机就是通过某种事先选择的非线性映射，将输入空间映射到一个高维特征空间，然后在特征空间中构造最优分类超平面的实现过程。 模拟故障字典技术 考虑之前的例子，建立模糊组，认为0.7v为不可分，可以看到，n1列的第一行，f1和f3之前电压差为0.3v小于0.7v标准，因此属于同一个模糊组，以此类推，可建立剩余模糊组，如下表： 电子科大 模拟故障字典技术 电子科大 模拟故障字典技术 然后对不同的模糊组进行编号，