基于模拟电路IDDT的小波神经网络故障诊断方法

动态电源电流(IDDT)对模拟电路故障诊断非常有效。通过分析被测电路的动态电源IDDT及其输出响应来识别电路的故障元件;用小波对被测信号进行多尺度分解,提取小波系数能量,经归一化后,作为特征向量输入到神经网络而实现故障诊断.实验仿真结果表明:该方法能正确实现故障定位且准确率高.     

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。     

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。     

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。     

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。     

模拟电路故障诊断神经网络方法

提出了一种新的模拟电路故障诊断近似估计方法以及求解此问题的神经网络。其显著特点是只需一次优化过程即能估计出最可能故障元件，计算量小。计算机模拟和实例表明该方法是可行的。     

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．     

基于小波包神经网络分析的滚动轴承故障诊断

针对轴承故障识别率低、故障信号不平稳的问题,提出了改进小波包能量特征提取和神经网络的故障诊断方法.首先利用改进小波包算法将轴承内圈、外圈、滚动体三个部位的采集信号进行三层分解与重构;然后通过小波包能量谱提取不同节点能量,形成故障特征集;最后依次建立BP和Elman神经网络故障分类模型,将所得的小波包节点能量作为特征向量输入到故障模型,进行轴承不同故障状态的分类识别.实验结果表明,本文算法可准确分类并预测轴承运行状况,提高了诊断准确率.     

模拟电路故障诊断的BP神经网络实现

本文介绍BP神经网络在模拟电路故障诊断中的应用并对选定的待测电路在元件存在容差的条件下，仿真实现了模拟电路软故障诊断。     

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.     

PFM神经网络VLSI电路的故障诊断应用

为了改变传统的基于软件的故障诊断模式,发挥神经网络超大规模集成电路(VLSI)的优势,提出了一种用于故障诊断的改进脉冲频率调制(PFM)模拟神经网络脉冲流VLSI电路.利用单层感知器网络、场效应管电路实现了一种新的数字模拟混合突触乘法/加法器电路.以此电路为基础,设计了进行主轴承磨损故障诊断的神经网络故障识别系统.用含有故障信息的噪声信号代替振动信号进行特征值提取,经过前置信号处理分析、故障特征值提取和神经网络运算,最后得出代表待诊断测试信号与标准故障模板之间"欧氏距离"的VLSI电路输出端电容的电压值.根据各个电压值,可以判断出故障类别.该电路具有较高的识别精度,可以实现实时在线的故障诊断.     

基于模糊神经网络的非线性系统故障诊断及应用

通过对系统的整体功能的分析,得到一组该系统输入输出的期望值。首先由这一期望值入手,经过聚类分析得到系统正常状态下的各节点数据,然后制定模糊规则,并用模糊控制的方法分析系统可能出现的故障,最后以其作为神经网络的神经元对整个系统进行故障预测,仿真结果表明该方法是有效的。     

基于多级神经网络的指挥仪电路故障诊断

针对某指挥仪电路故障诊断专家系统的不足之处，用层次结构的多级人工神经网络进行电路的故障诊断，用专家知识对学习样本进行筛选，通过对该电路中差分电路模块的诊断实验表明，可以克服专家系统对某些故障无法诊断的不足，而且还可以实现多故障的诊断。     

基于残差神经网络的滚动轴承故障诊断方法

针对轴承故障诊断方法在变工况条件下诊断效果不佳的问题,提出了一种基于残差神经网络的滚动轴承故障诊断方法.该方法首先以滚动轴承时域信号数据作为输入,针对信号的时变性改进了数据池化层,改进的数据池化层利用三个连续的卷积层串联构建而成,目的在于能够有效地提取振动信号中的故障特征信息,并减少残差神经网络中参数的计算量;然后设计了一种空洞卷积和残差块相结合的空洞残差块,用于特征信息的学习;最后通过在全连接层后加入Dropout层丢弃一定比例的神经元,能有效避免过拟合的负面影响.使用凯斯西储大学轴承数据集进行仿真实验,与SVM+EMD+Hilbert包络谱、BPNN+EMD+Hilbert包络谱和Resnet三种方法作对比分析,结果表明该方法在变工况下的滚动轴承故障诊断中具有更高的诊断准确率、更强的抗噪性和泛化能力.     

基于Hopfield网络的模糊神经网络优化方法

针对训练模糊神经网络时收敛时间慢,难以实时实现的缺点,将Ｈｏｐｆｉｅｌｄ网络引入模糊神经网络权值的优化问题中,从而融合了Ｈｏｐｆｉｅｌｄ网络可进行实时优化和模糊神经网络可引入专家知识化权值的优点。理论分析和模拟实验表明,这种网络可以在电路时间常数数量级内给出优化后的模糊神经网络权值,并且具有Ｌｙａｐｕｎｏｖ意义下的稳定性,为模糊神经网络权值的实时优化提供了一条新途径。     

递阶结构进化神经网络在故障诊断中的应用

主要研究进化神经网络在旋转机械故障诊断中的应用 ,提出了一种基于递阶结构的遗传算法与进化规划相结合的神经网络学习新算法 ,利用该算法可以同时对网络进行结构优化和权重求解。通过旋转机械故障分类应用实例 ,与传统的 BP训练算法作了比较 ,证明基于递阶结构的进化神经网络算法不仅在权重训练方面比传统 BP训练算法更加快速稳定 ,避免陷入局部极小点 ,而且同时对网络结构进行了优化 ,得到了结构更为简捷的旋转机械故障分类网络     

一种基于贝叶斯网络的故障预测方法

为了研究故障在复杂工程系统中的传播机制,根据关键节点的状态异常信息预测系统发生故障的概率,提出一种基于贝叶斯网络的故障预测方法.根据工程系统自身固有的网络拓扑结构,构建了多层贝叶斯网络模型,利用定性趋势分析法将时间信息融入网络节点中,使得网络具有处理时序信息的能力,便于进行故障传播机理分析和故障预测.提出了基于元器件健康度的根节点故障概率确定方法,针对完备数据集和非完备数据集,选择不同的参数学习方法确定贝叶斯网络的条件概率表,采用多树传播算法进行联合概率推理,由系统根节点运行状态推测其余节点的故障概率.算法在Quanser三自由度四旋翼直升机上进行了仿真应用,结果验证了该方法的可行性和有效性.     

基于LMBP算法的液压油缸内泄漏故障诊断方法

针对液压油缸内泄漏故障诊断中提取时域参数过多以及各参数间相互交叉等问题,提出一种基于主成分分析（Principal Component Analysis,PCA）和改进的Levenberg—Marguard（LM）神经网络的诊断方法．首先采用Lu分解法对LM算法中逆矩阵的求解进行优化,以加快网络的收敛速度,然后提取压力信号的8个时域参数作为原始特征,采用PCA法对其进行降维和去相关,提取前2个主成分作为最终特征,输入到改进的LM网络中进行故障模式识别,并将诊断结果与LM算法和GA—BP算法进行仿真对比研究．研究结果表明：基于LMBP算法的故障诊断方法在减少识别误差和提高诊断速度等方面取得显著改善,是一种行之有效的液压油缸内泄漏故障诊断方法．     

A fault diagnosis method of reciprocating compressor based on sensitive feature evaluation and artificial neural network

A method combining information entropy and radial basis function network is proposed for fault automatic diagnosis of reciprocating compressors.Aiming at the current situation that the accuracy rate of reciprocating compressor fault diagnosis which depends on manual work in engineering is very low,we apply information entropy evaluation to select the sensitive features and make clear the corresponding relationship of characteristic parameters and failures.This method could reduce the feature dimension.Then,a complete fault diagnosis architecture has been built combining with radial basis function network which has the fast and efficient characteristics.According to the test results using experimental and engineering data,it is observed that the proposed fault diagnosis method improves the accuracy of fault automatic diagnosis effectively and it could improve the practicability of the monitoring system.