基于HHT和SVDD的模擬電路故障診斷研究.pdf

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

2、關(guān)系數(shù)法和集合經(jīng)驗?zāi)Ｊ椒纸夥ǎ‥nsemble Empirical Mode Decomposition，EEMD）改進HHT算法，分別從三個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)混疊等問題。用改進后的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分類器。融合改進HHT算法和優(yōu)化后的SVDD分類器，

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