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。     

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．     

一种多分类器融合的模拟电路故障诊断

本文针对模拟电路中故障类型较多时采用单一分类器诊断所出现的故障诊断率低、分类器训练困难的问题,基于故障特征空间的划分思想,提出了基于聚类的多分类器融合故障诊断的方法。通过对故障信号的小波分析获取电路的故障特征,并按照距离准则将故障类划分为多个子类并用相应的分类器来识别．以此提高电路中故障数量较多时诊断的正确率,同时改善单分类器进行诊断时计算复杂度高的局限。实验证明．该方法对于故障类型多而出现的故障重叠和故障误识有很大的改善,是一种实用的模拟电路故障诊断方法。     

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.     

遗传小波神经网络在模拟电路故障诊断中的应用

提出一种基于遗传算法(Genetic Algorithm, GA)、小波变换及神经网络(NN)的模拟电路故障诊断方法.该方法将小波基作为神经网络的传递函数,利用遗传算法优化神经网络的结构和权值,从而避免了BP神经网络结构设计的盲目性和局部最优等问题,大大减少了网络训练时间.利用该方法对模拟电路进行故障诊断有利于提高诊断的智能性及识别故障类别的能力,提高诊断的精度与速度.实例诊断结果表明文中所提方法是可行的.     

基于小波包分析与RBF神经网络的模拟电路故障诊断

针对常用的BP神经网络须已知结构,且学习算法训练速度慢的缺点,提出一种基于小波包分析与径向基神经网络(RBFNN)的模拟电路故障诊断方法。该方法首先利用小波包分解,归一化作为预处理提取模拟电路的故障特征向量,再将故障特征向量输入到RBF神经网络进行故障诊断。仿真结果表明本方法能够对模拟电路的故障进行有效诊断和定位。     

基于神经网络的三相全控桥整流电路故障诊断

电力电子电路的诊断具有相当的复杂性,主要原因之一是由于功率器件的损坏造成主电路结构的改变.而晶闸管是整流装置中最容易损坏的器件,因此,晶闸管的故障诊断成为电力电子电路故障诊断的首要重点.提出一种用前向神经网络来诊断三相全控桥整流电路晶闸管故障的方法.对电路发生故障时输出的波形进行分析,用故障波形的采样数据制作的样本对神经网络进行训练,将训练好的神经网络用于故障诊断.仿真和实验表明该方法是有效的.     

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。     

基于人工智能的电力电子电路故障诊断

采用基于波形直接分析的神经网络故障诊断方法实现电力电子电路在线故障诊断。以三相整流电路为例，对电路发生故障时输出的波形进行分析，用故障波形的采样数据制作的样本对神经网络进行训练，将训练好的神经网络用于故障诊断。仿真实验表明该方法是有效的。     

基于神经网络的模拟电路的故障诊断

根据 BP神经网络的特点和性能以及电路故障诊断的要求 ,采用了 BP网络的权值与故障模式相对应的方法来进行电路的故障诊断 .该方法利用改进的 BP算法 ,首先建立故障模式 ,然后将故障模式与 BP网络的权值相对应 ,最后将权值作为故障诊断知识 .对模拟电路的软故障进行了仿真 ,仿真结果良好     

基于粒子群蛙跳算法优化BP神经网络的滚动轴承故障诊断方法

针对滚动轴承故障诊断方法存在的局限性及缺陷,在利用小波分析提取滚动轴承故障信号特征向量基础上,提出基于粒子群 蛙跳算法优化的BP神经网络滚动轴承故障诊断方法。该方法采用粒子群 蛙跳算法优化BP神经网络结构参数,利用改进BP算法和样本数据训练BP神经网络,实现滚动轴承运行正常和4种不同故障状态的诊断。实验验证结果表明,基于粒子群 蛙跳算法的BP神经网络方法诊断误差最大值仅为005,为未优化的神经网络诊断误差的1/16;与其他算法相比,基于粒子群 蛙跳算法优化的BP神经网络方法的训练时间、训练误差和诊断精度各项指标均为最优,可实现滚动轴承故障的快速、准确、有效诊断。     

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     

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。     

化学化工实验室无线安全监测系统故障诊断方法研究

针对化学化工实验室的安全问题设计了一种无线安全监测系统,通过无线通信模块传输现场检测数据和经压缩后的图片,实现了实验室安全远程无线监测与监视的功能. 由于监测系统中的无线通信模块能耗较高,长期运行容易发生故障,其故障检测方式也较为复杂. 为了在线检测无线通信模块的故障和识别其类型,以确保无线安全监测系统的可靠性,研究了无线通信模块的电流特性,建立了基于模糊神经网络的故障诊断模型,可实现对无线通信模块在不同状态下的故障进行诊断. 实验结果表明,与BP神经网相比,采用模糊神经网络的无线通信模块故障诊断方法训练耗时短、收敛快、训练误差和验证误差小、诊断正确率高,能够在线检测无线通信模块的多种类型故障,明显提高了无线安全监测系统的可靠性,具有较好的实际应用价值.      

基于HAAR小波和BP神经网络的非线性电路故障诊断

提出了一种基于HAAR小波和BP神经的非线性电路故障诊断方法，该方法采用小波分解作为非线性电路故障信号的预处理器能大大减少神经网络的输入及训练和处理时间.介绍了一种改进的采用动量因子防止局部收敛的BPNN方法后，阐述基于HAAR小波分解提取故障信号中的故障特征的原理.     

基于改进灰狼算法-BP神经网络的智能巡检机器人电磁兼容故障诊断

智能巡检机器人巡检电力线路时可能受到电磁干扰而影响工作甚至发生故障,为有效地完成智能巡检机器人电磁兼容故障的诊断,本文提出一种基于改进灰狼算法优化BP神经网络(TGWO-BP)的故障诊断模型。由于智能巡检机器人电磁兼容故障征兆与故障原因之间具有复杂的非线性关系,采用一般BP神经网络诊断模型存在着收敛速度较慢,易陷入局部最优,诊断准确率偏低的缺陷。针对以上问题,文中利用改进灰狼算法优化BP神经网络的权值与阈值,将优化后的BP神经网络应用于智能巡检机器人电磁兼容故障诊断。仿真结果表明,相比于GWO-BP神经网络和一般BP神经网络,TGWO-BP神经网络诊断模型收敛速度加快,网络泛化能力增强,故障诊断准确率提高。     

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.      

基于SOFM神经网络的变压器故障诊断研究

SOFM神经网络具有强大的非线性映射能力和高度的自组织和自学习能力,将SOFM神经网络应用于变压器的故障诊断.利用改进的罗杰斯三比值法获取变压器故障诊断的特征向量,建立了SOFM网络故障诊断模型,并对模型进行训练.为了检验模型的实际诊断能力,以变压器的4种典型故障诊断为例进行仿真实验.仿真结果表明:SOFM神经网络能够根据获胜神经元在竞争层的位置对变压器故障进行判断,诊断准确率高,收敛速度快,泛化能力强,表明基于SOFM网络的变压器的故障诊断是一种行之有效的方法.