基于支持向量机的机载吊舱故障诊断优化算法

提升机载吊舱的后勤保障能力,适应吊舱测试中多型号、多故障类型和测试环境动态变化的测试要求,是打赢现代化战争的重要保障。支持向量机（SVM）算法适用于小样本、高维度、非线性分类问题,SVM相关参数是影响算法性能的重要因素。基于K-CV算法和粒子群算法两种改进的SVM模型可以实现SVM参数优化,K-CV算法可以交叉验证优化模型参数,粒子群算法可以对SVM参数进行动态寻优,建立多核SVM吊舱故障诊断模型。两种算法都可以提高吊舱故障诊断模型的准确率,提高模型的学习能力和泛化能力,有效对吊舱的故障进行定量和定位诊断。     

模拟测试交换格式的研究与实现

为提高自动测试系统对模拟电路故障诊断的效率和水平,研究定义一种模拟电路测试交换机制,为基于模拟仿真测试程序集(TPS)开发和数据的传递提供信息和数据格式;通过Spice对电路进行仿真,将仿真数据进行小波分析提取特征,并由BPN、SVM、AIS进行知识生成与评价,最终实现ATIF文件自动生成;实验将ATIF文件解析导入到后处理环境中由测试程序执行检测故障,验证了测试格式的有效性。     

基于Treelet变换的模拟电路故障诊断

针对模拟电路故障诊断中特征向量冗余的问题,提出一种基于Treelet变换的模拟电路故障诊断方法.Treelet变换是一种自适应的多尺度的数据分析方法,适用于对高维数据降维和特征选择。文中首先对被测电路的输出信号采样,将采集到的信号进行Treelet变换,提取故障特征向量,最后将得到的特征向量输入BP神经网络进行故障模式识别。仿真实验结果表明,该方法能够有效地提取电路故障特征。与其他故障特征提取方法相比较,基于Treelet变换的模拟电路故障诊断方法具有较高的故障诊断率和收敛速度。     

基于核方法的模拟电路故障诊断

核方法通过非线性映射将原始数据嵌入到高维特征空间,然后进行线性分析和处理,为基于知识的数据分析带来新的方法和模式;传统方法无法解决故障特征数据维数高、在故障样本交叠严重时多分类性能较差的问题,因此在电路故障特征数据预处理阶段,提出了分步骤分别在时域对电路输出电压波形进行小波包分析和在频域测量电路幅频特性的方法来提取电路故障特征;预处理后的故障特征向量只是8维向量,减少了SVM的训练时间;将该方法应用于国际标准电路中的CTSV滤波器电路的故障诊断,结果表明:该方法能突出不同故障的特性,故障诊断正确率达到98.57%(414/420)。     

多分类SVDD混叠域识别的模拟电路故障诊断

针对多分类支持向量域数据描述(SVDD)方法中混叠样本诊断精度差的问题,提出了一种带异类样本的多分类SVDD算法。该方法在普通SVDD超球模型基础上,对于存在混叠区域的类别,以该类所有样本为目标类,其他类与之混叠的样本为异类,利用带异类样本的SVDD算法重新训练,直至所有超球优化完毕。仿真实验验证了本文算法消除混叠和提高精度的能力,并将该算法应用于模拟电路故障诊断中。相较与SVDD多分类算法、一对一和一对多SVM算法,本文方法在模拟电路故障诊断中具有更高的诊断精度。     

基于CBM电子设备故障预测技术研究

为解决电子设备结构复杂,故障信息不足,故障预测困难,并且现有方法不能直接对电子设备进行状态预测等问题,本文提出了基于状态维修（CBM）的最小二乘支持向量机(LSSVM)和隐马尔科夫模型(HMM)组合故障预测方法。首先采取灵敏度分析法确定电路中要可能发生变化的元件,通过改变元件参数来设置电路的不同退化状态;其次建立组合故障预测模型;最后对该电路进行状态预测。结果表明,本文提出的方法能够直接预测电路的不同状态,进而实现直接预测电子设备的故障状态,预测精度可以达到93.3%。     

基于GA特征选择和BP神经网络的模拟电路故障检测

针对模拟电路故障检测中存在测试节点数较多的问题,提出遗传算法与BP神经网络相结合的方法;利用遗传算法的全局、并行寻优能力对模拟电路的系统特征进行优化选择,从而减少BP神经网络输入层节点数;用MATLAB软件对仿真实例数据进行编程实验,直接使用BP神经网络,检测率为66.7%,采用遗传算法与BP神经网络结合的方法,检测率可为100%;结果表明,相对于传统的BP神经网络方法,该方法提高了模拟电路故障检测的平均正确率。     

近红外光谱的海水微塑料快速识别

光谱技术与机器学习算法结合快速识别微塑料, 为微塑料的现场检测提供了极大的技术支持,是一个得到极大关注的新领域。近红外光谱检测技术具有检测速度快、灵敏度高、不损坏样品,且可以在不对样品进行预处理的情况下直接检测等特点,在化学分析、质量检测等领域广泛应用。本文基于近红外光谱检测技术,研究比较了结合Support Vector Machine（SVM）和Extreme Gradient Boosting（XGBoost）两种机器学习分类算法,构建微塑料的高速有效识别分类模型。采用微型近红外光谱仪采集了20种常见的微塑料标准样品的光谱数据,为了防止过拟合,对每种样品多次采样,共收集了1 260个微塑料样本,每个样本包含512个数据点。利用XGBoost算法进行特征重要性排序,共提取了对识别准确率影响较大的65个数据点。分别采用SVM算法和XGBoost算法对数据降维后提取的65个数据点建立微塑料快速识别模型,并运用网格搜索（GridSearchCV）对XGBoost算法影响较大的超参数进行选取,确定n_estimators,learning_rate,min_child_weigh,max_depth,gamma的最佳超参数分别为700,0.07,1,1,0.0。为了提高模型的稳定性,识别速率和泛化能力,对模型采用10折交叉验证和混淆矩阵评估;研究结果表明,XGBoost模型对微塑料的识别准确率为97%,而SVM模型对微塑料的识别准确率为95%;XGBoost模型对微塑料识别的正确率优于SVM模型。综上所述,XGBoost模型微塑料识别整体性能优于SVM模型,为实际微塑料快速识别提供技术支撑。     

基于节点导纳矩阵的模拟电路故障诊断

针对模拟电路故障诊断中的容差问题,提出了基于节点导纳矩阵(NAM)的模拟电路故障诊断方法。该方法以NAM为基础,提取被测电路(CUT)的故障特征向量。测试前,用仿真的方法生成被测电路中某一故障对应的故障样本子集,所有类别的故障样本子集构成故障样本集。测试时,测量被测电路的故障特征向量,并根据其与故障样本集中样本的相似性来判断电路发生的故障类型。由于电路的NAM对元件容差不敏感,所以可以很好地克服模拟电路故障诊断中的容差问题。实验结果证明了该方法的有效性。     

基于小波分析的最优故障特征提取研究

针对因模拟电路的故障模型复杂、有容差、非线性等导致的模拟电路故障特征提取难度大、严重依赖于专家的经验的现状,对基于小波分析的模拟电路最优故障特征提取技术进行了研究。以四运放电路为实验基础,采用Morlet和Haar两种小波基分别从不同的维度上做数据预处理,能量化、归一化后组成故障特征,而后通过克隆选择算法的诊断结果分析对比特征提取的效果。实验结果为通过两种小波基提取的故障特征在不同的情况下达到最高故障诊断率均接近89%,表明基于两种小波基的故障特征提取技术都是优秀可用的,以及单点采样数据的有效性;同时实验结果还反映了模拟电路故障特征的详细程度与诊断正确率成正比例关系。这对实际复杂模拟电路的故障特征提取具有指导性的意义。