基于HHT和SVDD的模擬電路故障診斷研究.pdf

1、本文針對(duì)模擬電路故障診斷識(shí)別率低，有效性不足等問(wèn)題，提出了新故障診斷模型。利用算法對(duì)電路進(jìn)行故障特征提取，進(jìn)而結(jié)合支持向量數(shù)據(jù)描述(Support Vector Data Describe， SVDD)分類(lèi)器進(jìn)行診斷。本文具體作了以下研究：
　?。?）針對(duì)模擬電路故障信號(hào)的容差性、非線(xiàn)性、非平穩(wěn)性等檢測(cè)困難問(wèn)題，提出適合此類(lèi)信號(hào)的希爾伯特黃變換（Hilbert Huang Transform，HHT）算法。本文提出了端點(diǎn)延拓法、相

2、關(guān)系數(shù)法和集合經(jīng)驗(yàn)?zāi)Ｊ椒纸夥ǎ‥nsemble Empirical Mode Decomposition，EEMD）改進(jìn)HHT算法，分別從三個(gè)方面解決了特征提取中產(chǎn)生邊界效應(yīng)、虛假分量和模態(tài)混疊等問(wèn)題。用改進(jìn)后的HHT算法提取希爾伯特譜能量和邊際譜能量等故障特征。
　?。?）研究不同核函數(shù)、核參數(shù)和懲罰系數(shù)對(duì)SVDD性能的影響，并尋找優(yōu)化內(nèi)核參數(shù)、核函數(shù)和組合核函數(shù)等優(yōu)化SVDD分類(lèi)器。融合改進(jìn)HHT算法和優(yōu)化后的SVDD分類(lèi)器，

3、用提取出的故障特征向量訓(xùn)練SVDD分類(lèi)器，最后將故障特征向量輸入SVDD中檢測(cè)。通過(guò)實(shí)例仿真驗(yàn)證，比普通方法有更高的診斷正確率。
　　（3）提出正交經(jīng)驗(yàn)?zāi)B(tài)分解（Orthogonal Empirical Mode Decomposition，OEMD）和核模糊C均值聚類(lèi)(Kernelized Fuzzy Possibilistic C-Means，KFPCM)優(yōu)化SVDD分類(lèi)器相結(jié)合的方案。它通過(guò) OEMD獲得具有嚴(yán)格正交性的固有