基于动态软聚类的航空电子部件LMKELM诊断模型

为提高小样本条件下航空电子设备模块级故障诊断精度, 基于动态软聚类的自适应特点与局部多核学习(local multiple kernel learning, LMKL)的局部特征表达能力, 提出一种新的局部多核超限学习机(local multiple kernel extreme learning machine, LMKELM)诊断模型。通过引入局部密度的概念进行自适应确定聚类数目, 并结合模糊C均值聚类对样本进行划分, 在充分体现类内多样性的同时, 约减了计算复杂度, 实现对样本的动态软聚类。通过构造选通函数解决局部权重二次非凸问题, 融合近似得到的局部权重与隶属度信息, 实现对测试样本的故障诊断。将该模型应用于某型机旋转变压器激励发生电路, 实验结果表明, 相比于4种前沿的多核学习方法, 该算法在漏警率、虚警率方面表现优异, 选用的M₁与M₂选通函数分别将诊断精度平均值提升2.78%和4.37%。     

基于故障物理注入的模拟电路测试性分析方法研究

针对仿真建立的故障字典与实体电路存在较大差异以及一部分电路无法进行软件仿真等问题,本文提出了基于故障物理注入建立故障字典并进行故障检测和隔离的方法。首先研究了基于故障物理注入技术的实现方法;然后根据实测数据构建整数编码字典,以此为基础讨论了故障检测率、隔离率和虚警率等指标的预计方法;最后结合电路实例对算法进行了验证。实验结果表明,采用整数编码字典方法进行测试性分析与传统的D矩阵模型算法相比具有更高的故障分辨能力。