模拟电路故障信号的小波预处理

针对模拟电路故障诊断的神经网络存在结构规模较大的问题,提出一种基于小波一神经网络的模拟电路故障诊断方法。该法采用冲激响应来获取模拟电路的故障信号,采用小波变换作为模拟电路故障信号的预处理器,利用Haar小波分层次分解提取故障信号特征,该信号特征经主元分析和数据标称化后,作为用于故障诊断的神经网络的输入。基于该法故障诊断的基本原理,对一实例电路进行故障划类、小波函数及故障特征选择,给出计算故障特征的仿真编程及故障类别的识别方法。该法大大减少用于故障诊断的神经网络的输入数目,简化它的结构和减少其训练处理的时间。仿真结果表明,该法可以提高模拟电路故障诊断的效率和辨识故障类别的能力。     

基于神经网络的模拟电路故障诊断

探讨了基于故障字典法和基于神经网络的故障诊断方法,利用自组织特征映射神经网络进行模拟电路故障诊断,根据神经网络的输出结果可以判断发生故障的类型.自组织特征映射神经网络聚类能力强、速度快,因此很适合复杂系统的故障诊断.     

高斯模糊核聚类的模拟电路在线故障诊断算法

为提高模拟电路故障在线诊断的运算速度与可靠性,采用高斯模糊核聚类算法对模拟电路故障进行非监督学习。该故障诊断算法的关键是利用已知故障数据类中心点确定故障类。利用模糊核聚类的高效识别树型结构减少训练样本规模、处理模糊类中的野值点,以提高分类器的训练速度和精确度。根据每一类故障数据得到的故障参数均值,设其为故障判断阈值,并赋予类标。在三种不同故障条件下,对Sallen-Key低通滤波器电路进行故障诊断的仿真实验。结果表明：与RBF监督学习方法相比,β-MKFCM方法能够高效地辩识已知故障与未知故障。该研究为电路在线故障诊断提供了参考依据。     

模拟电路故障诊断中故障重分类方法的研究

分析了模拟电路故障诊断中故障类重叠.针对在该情况下神经网络训练困难与故障诊断正确率低的问题,提出了一种适于模拟电路的、基于神经网络故障诊断的故障重分类方法,给出了该方法的数学模型.通过诊断示例表明,该方法在故障类存在重叠时,降低了神经网络的训练难度,故障诊断的正确率达到99%以上.     

基于最优二叉树的多故障分类器的设计

在分析常见多故障分类器的基础上,提出了基于故障优先级和核函数的聚合技术,利用这个方法生成一个基于最优二叉树的多故障分类器.该分类器是通过核函数具有将非线性问题线性化的特点生成聚类函数,然后通过各个故障的优先级生成最优二叉树.最后将此分类器应用在挖掘机故障诊断中.应用结果表明,此分类器不但能够保证故障诊断的正确率,而且可以让后果较严重的故障得到优先诊断.     

基于信息整合的模拟电路故障诊断方法的研究

基于信息整合技术的模拟电路故障诊断方法的提出,很好的解决了传统故障诊断方法中存在的多种问题,为模拟电路的故障诊断与处理提供了良好的选择与充足的依据。本文简要的分析了基于信息整合的模拟电路故障诊断方法的作用与分类,并以基于神经网络的信息整合为例,分析了信息整合的模拟电路故障的诊断方法。     

基于S变换的电力电子电路故障诊断技术

提出一种基于S变换和支持向量机(SVM)相结合的电力电子电路故障诊断方法,首先对故障信号进行S变换时频分析并提取故障特征,然后构造支持向量机分类器实现对故障类型的识别。三相桥式可控整流电路晶闸管故障诊断仿真结果表明,该方法能准确对电力电子电路故障进行类型的识别和故障元的定位,对噪声具有鲁棒性,训练样本数少等优点,在解决电力电子电路故障问题上有着很好的实用价值和应用前景。     

基于安全的多故障分类器设计

为解决常用多故障分类器未考虑到各个故障造成的后果严重性问题,提出了基于故障优先级和核函数的聚合技术,采用这个方法生成1个基于最优二叉树的多故障分类器.该分类器利用核函数具有将非线性问题线性化的特点,生成了聚类函数,再通过各个故障的安全优先级生成最优二叉树,最后将此分类器应用于挖掘机的故障诊断中.应用及实测结果表明,此分类器不但能够保证故障诊断的正确率,而且可以让可能产生较严重后果的故障得到优先诊断.     

浅谈模拟电路故障诊断的小波方法

从20世纪开始,模拟电路故障诊断的方法已经有许多种。尽管对这些理论及方法都有不少的成就,但是因为模拟电路的输出与输入响应都以连续量出现,元器件因此也存在离散性。模拟电路故障诊断自身所出现的问题加上模拟电路中出现的非线性原因等,都为故障诊断带来了阻碍,使其进展缓慢。微电子技术的不断发展,迫切加快模拟电路故障诊断方法的研究。在传统方法上,将小波与神经网络相结合,利用小波神经网络法对信号消噪以后,在进行小波变换,取出故障特征向量。本文首先提出模拟电路故障诊断的小波方法,然后采用小波的新方法对故障进行诊断,最后通过实验证明此方法的可行性。     

小波神经网络在模拟电路故障诊断中的应用研究

对模拟电路提出了一种基于小波与神经网络辅助式结合的故障诊断方法．该方法用小波变换作为模拟电路故障信号的预处理器，大大减少神经网络的输入数目，简化神经网络结构和减少它的训练时间，提高辨识故障能力．在介绍该故障诊断方法的基本原理后。给出了小波函数及故障特征选择的方法．     

基于时空特征组合模型的转辙机故障诊断

为解决转辙机故障诊断领域中存在的单一特征信息提取不足、单一诊断方法难以避免因方法局限性造成的分类误差,同时其存在一定程度的过拟合,以及泛化能力、鲁棒性不足的问题,提出了一种基于时空特征组合模型的故障诊断方法。首先,在ZYJ7电液转辙机的8种故障模式和正常模式所对应的油压曲线上提取时频域小波系数作为原始数据集,采用核主成分分析（KPCA）和长短期记忆网络（LSTM）提取其空间、时间特征,之后基于add思想构建时空特征集。其次,对卷积神经网络（CNN）、LSTM两分类器关键参数寻优后分别进行故障诊断,得到各个故障类型的概率值和误差系数。最后,利用误差倒数法对两分类器各个故障类型的概率值赋予权重,得到最终输出结果。仿真结果表明：CNN-LSTM组合模型诊断准确率达98.14%,较单一多层感知机（MLP）、CNN、LSTM模型准确率分别提升7.40%、5.55%、1.85%。可见此方法有效提高了转辙机诊断准确率,为集成学习模型在转辙机故障诊断领域的应用提供了一种思路。     

基于GFRFs的模拟电路故障诊断方法

探讨了基于非线性系统的广义频率响应方程GFRFs模拟电路的故障诊断方法。利用三阶GFRFs简化辨识算法分别对中放检波电路中的各级子电路进行GFRFs模型辨识。分析其各阶Volterra核所具有的特点。提出了基于GFRFs的故障特征GF。分析了故障状态与正常状态下其特征的异同。将基于GFRFs的系统辨识方法应用于非线性模拟电路的故障诊断,验证了它在模拟电路故障诊断中的可行性。     

基于支持向量机的机械故障诊断方法研究

针对因缺少大量故障数据样本而制约机械故障智能诊断发展的问题，提出了一种基于支持向量机的机械故障诊断新方法，介绍了该方法的原理和算法，并利用模拟故障数据建立了多故障分类器。这种诊断方法只需要少量的时域故障数据样本来训练故障分类器，不必进行信号预处理以提取特征量，便可实现多故障的识别和诊断。测试结果表明，当数据样本中含有26％的噪声时，故障分类器仍然能正确分类多种故障。这种诊断方法具有算法简单、可对故障在张分类和故障分类能力强的优点。     

电子电路故障诊断的神经网络数据融合算法

针对模拟电路故障元件诊断的不确定性问题,将BP网络引入数据融合之中,结合模糊集合论,构造－模糊神经网络故障分类器,并将其应用于电子电路故障诊断之中。通过测试电子电路中被诊断元件的工作温度和工作电压这2个物理量,求出两传感器对各待诊断元件的故障隶属度,利用模糊BP网络故障分类器进行数据融合,得到融合的各待诊断元件的故障隶属度,从而确定故障元件,并通过单传感器诊断结果与融合诊断结果比较,说明多传感器融合的优越性。     

基于PSO-PF-SVM的模拟电路故障诊断

针对模拟电路输出信号存在的非线性、高维数等特点所带来的诊断困难问题,提出一种支持向量机(SVM)分类器参数优化算法,进行模拟电路故障诊断.首先,运用S变换与灰度共生矩阵(GLCM)组合方法S-GLCM,对电路输出信号进行故障特征提取.其次,采用粒子群算法(PSO)与粒子滤波算法(PF)融合,通过重采样实时更新粒子的位置和速度,对SVM参数进行高效寻优,并将特征向量代入模型中进行训练和测试,完成对电路各故障模式的高精度故障诊断.最后,通过两个国际基准电路试验对该方法进行可靠性分析.试验结果表明：S-GLCM在处理非线性、非平稳信号时表现出很大优势,将电路输出信号每组1 500个采样点降为8维特征向量,减少冗余信息;该SVM分类器参数优化算法的诊断准确率较未优化算法提升约11.2%.     

简析小波神经网络应用于模拟电路故障诊断的进展

本文分析了模拟电路故障诊断的重要性和目前存在的困难,对基于小波分析理论和神经网络理论的模拟电路故障诊断方法进行了综述,指出了小波神经网络应用于模拟电路故障诊断存在的问题和未来的应用前景。     

小波神经网络应用于模拟电路故障诊断的进展

分析了模拟电路故障诊断的重要性和目前存在的困难,对基于小波分析理论和神经网络理论的模拟电路故障诊断方法进行了综述,指出了小波神经网络应用于模拟电路故障诊断存在的问题和未来的应用前景。     

模拟电路故障的支持向量机集成诊断新方法

为了解决支持向量机应用于多类别模拟故障诊断时泛化性能较低导致诊断精度难以提高的问题,提出了一种基于支持向量机集成的模拟电路故障诊断新方法.首先,通过将本次迭代中不可分区域的样本加入训练集来构造下一次迭代的训练集,以提高基分类器间的差异性;然后选择分类精度不低于平均分类精度的基分类器进行集成,以提高整体诊断精度.实验表明...     

基于小波与神经网络的模拟电路故障诊断融合方法

针对信息不足、噪声会导致模拟电路故障诊断效率降低问题,提出基于小波分解、主成分分析和神经网络的信息融合故障诊断方法。为了减少噪声影响和减低故障特征维数,采用该方法对电路测试信号进行小波多尺度分解、主成分分析和归一化预处理。根据不同测试激励源,分别构造独立神经网络完成故障初级定位,进而运用D-S证据融合初级诊断结果实现故障最后定位。研究结果表明:所提方法能充分利用不同信息源对容差下模拟电路故障进行诊断,且定位准确率高。     

基于故障区分度DAGSVM的模拟电路故障诊断

为了提高模拟电路故障诊断的精度,针对现有DAG-SVM用于解决多类分类问题固有的不稳定性结构以及"误差累积"的特点,提出了一种基于故障区分度构建DAG-SVM的新方法。根据从不同测试点获取的故障数据信息,定义故障区分度,并以此为依据优化DAG-SVM的拓扑结构,从而消除DAG-SVM结构固有的不稳定性,获得稳定而较高的诊断精度。实验结果表明,与现有的"1vs 1"SVM、DAG-SVM及其改进方法相比,该方法在诊断精度上有明显提高,对于模拟电路的故障诊断具有很好的借鉴意义。