25、支持向量机在模拟电路故障诊断与航空发动机排气温度预测中的应用

支持向量机在模拟电路故障诊断与航空发动机排气温度预测中的应用

1. 模拟电路故障融合诊断方法对比

在模拟电路故障诊断领域，支持向量机（SVM）故障诊断方法和神经网络（NN）故障诊断方法各有特点。下面从多个方面对这两种方法进行对比：
|对比项目|SVM故障诊断方法|NN故障诊断方法|
| ---- | ---- | ---- |
|结构|SVM网络隐藏层的节点数和权重值在训练过程中自动设置|NN隐藏层的节点数由经验决定，具有一定主观性|
|时间|训练时间更稳定、快速|无明确优势|
|泛化能力|能找到最优配置，解是全局最优值，对未知样本的泛化能力强|受经验风险最小化原则限制，泛化能力有限|
|参数影响|参数对结果影响大，缺乏选择更好参数的理论依据|理论相对更成熟|
|复杂度|多分类器对应多个NN，结构更复杂|结构相对简单|
|软件实现|需要自行编程或下载工具箱，代码复杂|可使用MATLAB提供的NN工具箱实现|

鉴于基于单一测试信息的模拟电路故障诊断存在不足，引入了信息融合技术。具体方法是：
1. 选择选定频率下的可测量节点电压和不同频率下的输出电压作为测试信息。
2. 对测试数据进行归一化处理，消除维度影响。
3. 构建多分类SVM分类器并进行训练。
4. 使用测试样本对SVM分类器进行测试。

通过模拟电路实验表明，该方法在诊断电路多故障分类方面更有效，在小样本情况下仍能获得较好的分类效果，算法简单、实时性好，可实现在线故障诊断。但SVM选择不同参数对分类效果影响较大，如何选择更好的参数还需进一步研究。

2. 航空发动机涡轮排气温度预测 </