题目：基于有向图和支持向量机的故障诊断技术研究

随着现代电子设备集成度的增加，设备内部的关联耦合关系也更复杂，故障多样性和不确定性给复杂电子设备的故障诊断提出了更高要求。在诸多的诊断方法中，基于有向图的诊断方法利用已有的设计和制造信息，包括设备层次结构、故障传播关系等，能快速建立诊断模型，在表示故障传播和解释等方面有独特优势；而根据统计学习理论中结构风险最小化原则提出的支持向量机，在有限数据集条件下得到的判别函数对独立的测试仍能得到较小误差，并具有良好推广能力，特别适合小样本条件下的诊断，也是当前故障诊断研究的热点。本文在分析有向图和支持向量机相关理论的基础上，研究基于有向图和支持向量机的故障诊断中模型建立、诊断算法以及软件实现等问题，主要创新点如下： 1、针对现代大规模电子设备结构复杂，信号反复交联的特点，对复杂设备的故障诊断按照系统到部件、板卡的顺序逐级诊断的原则，结合不同级别诊断的需求，分别采用有向图和支持向量机进行诊断的方法。2、由于设备所具有层次性和故障传播性，有向图能够有效利用上述特性描述系统故障行为，本文在基本故障传播模型的基础上提出基于关联概率的故障有向图模型，研究了建立模型的依据和方法，该模型考虑了相邻节点之间多种故障模式和不同故障模式间的关联概率，更符合实际故障情况。3、在分析基本有向图诊断算法的基础上，指出基本模型诊断未能体现故障源节点故障模式的不足，提出基于关联故障概率的传播有向图诊断的算法，并给出了算法的故障候选源筛选、排序的依据和步骤，实现基于有向图判别故障源模式概率的方法。4、特征提取困难和识别率低是基于支持向量机的故障诊断中存在的问题，本文在研究支持向量机的电路诊断理论基础上，提出基于非负矩阵分解的支持向量机特征提取和诊断方法，应用该方法不仅可以提高高维数据故障模式的分类准确性和分类速度，并避免非负矩阵分解结果的随机性。5、针对支持向量机对于不平衡样本的分类效果不佳，对样本中野值、噪声的问题敏感的问题，本文提出加权-模糊隶属度函数的支持向量机算法，其中模糊隶属的构造以样本到类中心的平均距离为基础，兼顾了样本间紧密度因素。既满足于远离聚类中心的野值和噪声情况，也适用于野值和噪声离聚类中心比较近的情况，并通过类别加权来平衡样本数量差异，获得了更好分类效果。6、在基本有向图模型数据存储和表示方法的基础上，研究了基于关联概率的故障有向图模型的表达和数据存储结构；针对支持向量机的电路诊断中故障类型的多样性和测试点不足影响诊断效果的问题，进行故障等效合并和合理增加测试点，并且研究基于两种诊断方法的系统软件结构，构建完整的故障诊断系统平台。作为图论和机器学习的重要分支，有向图和支持向量机理论应用于故障诊断中有各自的优势，目前的故障传播有向图模型和支持向量机研究已取得了一些初步进展，但由于现代设备的复杂性和理论同故障诊断实践结合的难度，这方面的工作尚有诸多值得后续研究的问题。