Diagnoza uszkodzeń układu elektronicznego z wykorzystaniem Wielojądrowej Maszyny Wektorów Nośnych (SVM) zoptymalizowanej przy pomocy poprawionego algorytmu CPSO

Bezpieczeństwo pracy układów elektronicznych stało się kluczowym zagadnieniem w odniesieniu do złożonych układów o wysokiej niezawodności. Obecnie coraz większy nacisk kładzie się na trafność diagnozy uszkodzeń układów elektronicznych. Na podstawie charakterystyki diagnozy uszkodzeń układów elektronicznych, opracowaliśmy model wielokryterialnej klasyfikacji SVM pozwalający osiągnąć lepszą trafność diagnozy uszkodzeń. Model wykorzystuje funkcję wielojądrową składającą się z kilku bazowych funkcji jądrowych pozwalającą na zwiększenie interpretowalności modelu klasyfikacyjnego. Aby zoptymalizować działanie modelu wielokryterialnej klasyfikacji SVM wykorzystującego funkcję wielojądrową, udoskonaliliśmy algorytm Optymalizacji Metodą Chaosu-Roju Cząstek (CPSO), co pozwoliło osiągnąć optymalne parametry SVM i funkcji wielojądrowej. W poprawionym algorytmie CPSO wzmocniono różnorodność wyszukiwania poprzez wykorzystanie chaotycznej sekwencji generowanej przez zmodyfikowaną mapę tent, a także włączono do standardowego algorytmu PSO efektywną metodę pozwalającą uniknąć przedwczesnej stagnacji oraz uzyskać globalne wartości optymalizacji. Wyniki symulacji diagnozy uszkodzeń systemu elektronicznego pokazują, że proponowany system optymalizacji może być wykorzystywany jako skuteczna metoda umożliwiająca znaczne zwiększenie trafności diagnozy uszkodzeń z wykorzystaniem wielojądrowej SVM.Electronic systems’ safety operation has become a key issue to complex and high reliability systems. Now more emphasis has been laid on the accuracy of electronic system fault diagnosis. Based on the characteristics of the electronic system fault diagnosis, we design a multi-classification SVMs model to attain better fault diagnosis accuracy, which utilizes multi-kernel function consisting of several basis kernel functions to enhance the interpretability of the classification model. In order to optimize the performance of multi-classification SVMs with multi-kernel, we improve the Chaos Particles swarm Optimization (CPSO) algorithm to achieve the optimum parameters of SVMs and the multi-kernel function. For the improved CPSO algorithm, a modified Tent Map chaotic sequence is used to strengthen the search diversity, and an effective method is embedded to the stander PSO algorithm which can ensure to avoid premature stagnation and obtain the global optimization values. The fault diagnosis simulation results of an electronic system show the proposed optimization scheme is a feasible and effective method and it can significantly improve the fault diagnosis accuracy of the multi-kernel SVM