本文针对模拟电路故障诊断识别率低,有效性不足等问题,提出了新故障诊断模型。利用算法对电路进行故障特征提取,进而结合支持向量数据描述(Support Vector Data Describe,SVDD)分类器进行诊断。本文具体作了以下研究:(1)针对模拟电路故障信号的容差性、非线性、非平稳性等检测困难问题,提出适合此类信号的希尔伯特黄变换(Hilbert Huang Transform,HHT)算法。本文提出了端点延拓法、相关系数法和集合经验模式分解法(Ensemble Empirical Mode Decomposition,EEMD)改进HHT算法,分别从三个方面解决了特征提取中产生边界效应、虚假分量和模态混叠等问题。用改进后的HHT算法提取希尔伯特谱能量和边际谱能量等故障特征。(2)研究不同核函数、核参数和惩罚系数对SVDD性能的影响,并寻找优化内核参数、核函数和组合核函数等优化SVDD分类器。融合改进HHT算法和优化后的SVDD分类器,用提取出的故障特征向量训练SVDD分类器,最后将故障特征向量输入SVDD中检测。通过实例仿真验证,比普通方法有更高的诊断正确率。(3)提出正交经验模态分解(Orthogonal Empirical Mode Decomposition,OEMD)和核模糊C均值聚类(Kernelized Fuzzy Possibilistic C-Means,KFPCM)优化SVDD分类器相结合的方案。它通过OEMD获得具有严格正交性的固有模态函数(IMF),处理并提取故障特征。采用KFPCM对数据预先聚类,遍历数据获得相似度较好的样本,减少噪声影响,最后将特征向量输入到优化SVDD分类器中进行训练和诊断。