电压增量的线性相关性及在电路测试中的应用

为了诊断模拟电路中的软故障和多故障,提出了一种新的基于模拟电路节点电压增量关系方程的分析方法,并证明了各节点电压在随元件参数变化时,电压增量之间关系满足线性相关性。利用线性相关系数作为故障特征,提出新的模拟电路故障字典法。与传统方法字典法相比,新的字典法不仅能够诊断电路的单故障、多故障、硬故障和参数故障,而且能够同时适用于直流诊断和交流诊断。在交流诊断中,节点电压的取值范围从实数域扩展至复数域。     

电压增量的线性相关性及在电路测试中的应用

为了诊断模拟电路中的软故障和多故障,提出一种新的基于模拟电路节点电压增量关系方程的分析方法,并证明了各节点电压在随元件参数变化时,电压增量之间关系满足线性相关性。利用线性相关系数作为故障特征,提出新的模拟电路故障字典法。与传统方法字典法相比,新的字典法不仅能够诊断电路的单故障、多故障、硬故障和参数故障,而且能够同时适用于直流诊断和交流诊断。在交流诊断中,节点电压的取值范围从实数域扩展至复数域。     

一种模拟电路故障字典的改进方法

鉴于传统的故障字典法诊断准确度低、诊断速度慢等缺点,本文将概率论及数理统计原理引入传统的故障字典法中对其进行改进。提取电路各待测节点电压作为电路特征,基于概率论选取测试节点,应用极大极小准则使模糊域划分更为合理。以稳压电源电路为实例,对改进后方法与传统方法进行实验对比,结果表明,本文所述方法故障诊断准确度更高、测试节点数目更少,更为合理有效。     

可诊断非线性电路直流故障的神经网络方法

测后诊断速度和诊断精度是模拟电路故障诊断性能的主要衡量指标。文中将神经网络的自学习和分类技术应用于非线性电路直流故障诊断，把反向传播（ＢＰ）网络训练成一部能诊断软、硬单故障的故障字典。考虑元件参数容差对诊断的影响，提出了优选训练样本的具体方法。此外，重新定义了ＢＰ网络的输出误差函数，使网络在训练时有较大的自由度。ＢＰ网络高度并行的信息处理能力决定了这种新型故障字典的诊断速度非常快。仿真实验结果表明，神经网络方法的综合性能要优于传统的故障字典法。     

基于故障字典法的雷达故障诊断技术研究

针对雷达故障诊断中被测电路单元的复杂性和多样性进行了分析研究，提出采用故障模式分类的方法。根据电路结构及特点建立故障字典，确定测前故障集，并采用基于故障事例推理的诊断方法，进行故障诊断，并给出了应用实例。该方法大大减少了测试时间和测后分析计算量，加快实时诊断能力。     

基于故障物理注入的模拟电路测试性分析方法研究

针对仿真建立的故障字典与实体电路存在较大差异以及一部分电路无法进行软件仿真等问题,本文提出了基于故障物理注入建立故障字典并进行故障检测和隔离的方法。首先研究了基于故障物理注入技术的实现方法;然后根据实测数据构建整数编码字典,以此为基础讨论了故障检测率、隔离率和虚警率等指标的预计方法;最后结合电路实例对算法进行了验证。实验结果表明,采用整数编码字典方法进行测试性分析与传统的D矩阵模型算法相比具有更高的故障分辨能力。     

基于故障物理注入的模拟电路测试性分析方法

针对仿真建立的故障字典与实体电路存在较大差异以及一部分电路无法进行软件仿真等问题,提出了基于故障物理注入建立故障字典,并进行故障检测和隔离的方法。首先研究了基于故障物理注入技术的实现方法;然后根据实测数据构建整数编码字典,以此为基础讨论了故障检测率、隔离率和虚警率等指标的预计方法;最后结合电路实例对算法进行了验证。实验结果表明,采用整数编码字典方法进行测试性分析与传统的D矩阵模型算法相比具有更高的故障分辨能力。     

采用BP网络建立模拟电路故障诊断交流字典方法

介绍了两种采用BP网络实现模拟电路交流故障字典的方法，主要目的是提供一种简单的机制，能够对模拟电路进行智能诊断。合理大小的ANN能够实现对受容差影响的模拟电路故障的智能诊断。用白噪音法介绍了优选样本的具体方法和如何产生白噪音。此外，还简略介绍了多频测试法。     

基于故障字典法的电阻网络的故障诊断

该文根据电路开放实验的教学实践过程,研究了电阻网络故障诊断的故障字典法。针对一个简化的电力系统接地网电路模型,采用故障字典法建立了该电路模型中单一电阻发生任意故障时的故障字典。已知故障电压后,根据故障字典可以确定故障电阻的位置,利用KCL定律和欧姆定律可计算出故障电阻的阻值。最终借助MATLAB图形用户界面(GUI)设计了一个通用的故障诊断软件。实验通过"提出问题-讨论-独立解决问题"的指导方式极大地激发了学生对实验的兴趣,锻炼了学生综合运用电路知识解决实际问题的能力,提高了学生的自主学习能力及创新意识。     

无换向器电机调速系统的故障自诊断

针对无换向器电机调速系统的复杂性，尤其是针对其中的主电路和调节器这两个影响系统性能的关键部分，分别应用“状态字”方法和“电路工作特性故障字典法”方法对其进行了故障诊断。所提出的研究方法和具体研究线路，对于一般自控系统在线故障诊断的研究 定的借鉴和启发作用。     

一种基于油中溶解气体分析的变压器绝缘故障诊断新方法

将小波神经网络优良的分类诊断能力和最小二乘加权融合方法相结合,采用油气分析实现电力变压器的故障诊断.用非线性Morlet小波基作为神经网络激励函数,形成神经元,结合双方的优点,建立了紧致型小波神经网络.采用6个同一小波,其隐层单元数目、学习率等相关训练参数不同的单个子网络,对相同变压器故障信号样本进行训练,用最小二乘加权融合法对各个子网络的输出结果进行决策信息融合,通过对融合结果的分析,得到变压器故障的识别结果.测试结果表明,系统具有较好的分类诊断能力和可靠性.     

基于FTA与BAM神经网络融合的飞机故障诊断方法

飞机由大量彼此关联的组件组合而成,其大规模特性使得基于故障树(FTA)和基于神经网络的故障诊断方法在应用于其故障诊断时分别存在空间爆炸问题和训练样本整理困难问题.本文融合故障树和BAM神经网络,由故障树归纳出系统所有的故障模式,整理出BAM神经网络所需的具有规范性、独立性、正交性的训练样本,然后用BAM神经网络实现飞机故障的快速和准确诊断.实验评估结果表明,融合方法有良好的可扩展性,而且故障判别率提升了20%.     

组态式牵引电动机故障诊断模型

摘要： 针对电动机典型的故障诊断模型网络结构复杂、训练困难等问题,提出一种组态式牵引电动机故障诊断模型.该模型由多个多输入单输出的子径向基函数神经网络构成,每个子模型识别一种故障特征.根据系统需要将多个子模型任意组合,用来识别类型繁多的电动机故障.利用特征提取后的样本数据对该模型进行训练,并通过测试样本验证了故障诊断模型的有效性.结果表明,采用组态式牵引电动机故障诊断模型,一个子模型仅识别一种牵引电动机故障状态,结构简单,模型训练难度小,提高了模型的故障识别能力以及应用的灵活性,为牵引电动机故障诊断提供了一条新思路.     

基于CWT-CNN的滚动轴承故障诊断

针对滚动轴承传统故障诊断方法训练收敛速度慢、识别准确率不高、抗噪性能差等问题,提出 CWT-CNN 的轴承故障诊断模型。通过对滚动轴承振动数据经连续小波变换生成的时频图进行三次垂直方向随机裁剪的方法扩充数据集,之后将其导入到搭建的加入了批量归一化和随机失活的卷积神经网络中进行模型训练,再由训练好的模型实现轴承故障分类。为了测试模型性能,使用凯斯西储大学轴承数据集进行检测,经过实验结果表明:基于提出的方法构建的数据集相比于常规方法,在搭建的卷积神经网络训练中收敛速度更快,训练出的模型性能也更加稳定,最终最高测试准确率为 99.75%,常规方法构建的数据集准确率为99.67%,证明了构建数据集方法的可行性;在原始数据中加入信噪比为6dB高斯白噪声后,通过常规方法构建的数据集测试的最高准确率仍达到了98.67%,展现了基于CWT-CNN的轴承故障诊断模型较强的抗噪能力,证明了所提方法的有效性和可行性。     

考虑滚动轴承故障位置与损伤程度的双分支卷积神经网络故障诊断方法

针对现有深度学习方法对非平稳的滚动轴承故障诊断过程中,先验故障信息利用不充分和故障样本不完备,导致诊断精度不高甚至无法诊断的问题,充分发掘轴承故障位置和损伤程度与振动数据特征间的映射关系,提出一种考虑滚动轴承故障位置与损伤程度的双分支卷积神经网络故障诊断方法。该方法首先将原始振动信号矩阵化,构建二维灰度图像数据集,然后建立双分支的改进VGGNet深度卷积网络,将故障位置与损伤程度进行双标签二值化,每个分支独立提取深层特征,实现故障位置和损伤程度特征与标签的自适应。仿真实验结果表明,相较其他深度学习方法,所提方法能够在部分先验知识缺失条件下,实现滚动轴承潜在的不同故障位置及损伤程度的多状态分类,获得较高准确率的同时兼具良好的抗噪性能。     

基于神经网络的故障诊断推理方法

针对传统诊断技术的局限性,研究了基于ＢＰ模型神经网络的故障诊断推理方法,它只需选择足够的具有代表性的故障样本训练神经网络,将代表故障的信息输入给训练好的神经网络,根据神经网络的输出结果,就可以判断发生故障的类型．神经网络一旦训练好,由于其具有容错性,不仅能诊断出已经出现过的故障,还能在一定范围内诊断出从未出现过的故障,使故障诊断智能化和简单化．仿真结果表明,基于神经网络的故障诊断方法是行之有效的     

前馈神经网络的容错性研究

以前馈神经网络为研究对象,提出了一种容错型神经网络学习算法．将系统运行过程中可能发生的各类故障随机地引入网络训练过程,使系统获得更加稳健的内部表示．仿真结果表明,该学习算法能够有效地提高神经网络的容错能力和泛化能力．     

大型回转机械故障的组合网络识别方法

神经网络通过对故障样本的学习后，对未知的故障的样本具有较高的正确识别率，从神经网络对故障的识别检验结果中发现，神经网络对单一故障的分类与组合故障的分类相差较大，文中分析了产生这现象的原因，并利用组合网络来克服单一网络对组合故障分类精度不够高的缺陷。     

基于改进CNN-GRU网络的多源传感器故障诊断方法

提出一种复杂系统内多源传感器的故障诊断方法.利用多源传感器数据之间的相关性,使用卷积神经网络提取不同传感器之间的联系和特征.在卷积网络中,设计了传感器数据标定模块使得网络更关注学习与故障信号相关的传感器数据.利用循环网络对传感器自身的时序特征建模,引入跳跃连接和辅助损失函数降低网络的训练难度.最后综合时空特征,一次计算得到故障分类结果和故障参数估计.仿真结果表明,改进后的CNN-GRU网络能够实时准确地诊断传感器的固定偏差故障和漂移偏差故障,传感器数据标定模块和跳跃连接的引入有效地提高了诊断算法的准确率和精度.      

Soft Fault Diagnosis for Analog Circuits Based on Slope Fault Feature and BP Neural Networks

Fault diagnosis is very important for development and maintenance of safe and reliable electronic circuits and systems. This paper describes an approach of soft fault diagnosis for analog circuits based on slope fault feature and back propagation neural networks (BPNN). The reported approach uses the voltage relation function between two nodes as fault features; and for linear analog circuits, the voltage relation function is a linear function, thus the slope is invariant as fault feature. Therefore, a unified fault feature for both hard fault (open or short fault) and soft fault (parametric fault) is extracted. Unlike other NN-based diagnosis methods which utilize node voltages or frequency response as fault features, the reported BPNN is trained by the extracted feature vectors, the slope features are calculated by just simulating once for each component, and the trained BPNN can achieve all the soft faults diagnosis of the component. Experiments show that our approach is promising.