基于量子进化支持向量机的模拟电路故障诊断

基于量子进化算法的最小二乘小波支持向量机(LS-WSVM),设计了一种模拟电路故障诊断方法.将量子进化算法应用于多类LS-WSVM分类器来选取正规化参数和核参数,针对从测试点得到的各种故障状态下输出电压信号,采用小波提升变换对其进行分解获取多尺度的小波系数,对经处理的小波系数提取出故障特征量,以此作为样本训练多类LS-WSVM分类器来确定模拟电路故障诊断的模型.采用雷达扫描电路进行了仿真,结果表明,设计的模拟电路故障诊断方法效果良好.     

小波-神经网络在模拟电路故障诊断中的应用

小波变换具有时频局部化、多尺度分析等特性，而神经网络具有非线性映射、学习推理等优点，将二者结合起来，提出基于小波-神经网络的模拟电路故障诊断方法。采用正弦信号仿真模拟电路，应用小波变换对模拟电路响应的采样信号进行故障特征提取，建立故障字典，然后利用神经网络对各种状态下的特征向量进行分类决策，实现模拟电路的故障诊断。对标准电路仿真结果表明：该方法能够实现故障检测及定位，具有准确率高的特点。     

基于电流测试的混合信号电路故障检测和定位

针对集成电路测试中模拟和混合电路的测试问题,提出了一种基于小波分析的电流测试实现混合信号电路故障诊断的方法。该方法先测试电路在激励信号下的动态电流,再利用小波变换对采样动态电流信号进行小波分析来诊断电路是否存在故障,并进一步定位故障。对示例ADC电路仿真试验的结果表明该方法比积分法和傅立叶分析方法对故障有更高的灵敏度,不仅能够有效检测出电路中的各种故障,而且能对故障进行定位。     

一种新型多分类支持向量算法及其在故障诊断中的应用

层次支持向量机（H-SVM）比通常的多分类支持向量算法具有更快的训练速度和分类速度，便于实现在线分类。提出一种基于H-SVM的多类故障诊断方法，根据特征空间中各类故障样本中心之间的距离来逐层划分子类，距离较近的故障样本归为同一个子类进行训练，得到的H-SVM层次结构合理，各层的SVM分类间隔大、泛化性能强。另外，用V-SVM代替通常的C-SVM作为两类分类器，分类器参数意义明确、变化范围小，更容易确定。针对一个涡轮喷气发动机气路部件故障诊断的仿真实验表明，设计的故障分类器具有良好的分类准确性和泛化性能，可以对发动机气路部件的典型故障进行快速诊断。作为应用实例，对JT9D发动机的6种实际故障进行了有效诊断。     

WPA-IGA-BP神经网络的模拟电路故障诊断

针对模拟电路渐变性故障中的特征提取困难和故障信号无法进行有效分类的问题,提出利用免疫遗传算法(immune genetic algorithm,IGA)优化反向传播(back propagation,BP)神经网络中参数寻优过程,从而实现模拟电路故障诊断.首先,采用小波包分析(wavelet package analy...     

模拟VLSI电路参数型故障的测试方法

为了提高模拟集成电路参数型故障的测试精度,以小波滤波器组实现的子带滤波为理论工具,研究了基于多故障特征提取的模拟集成电路测试方法.研究和对比了奥克塔夫(Octave)和金字塔两种小波分解结构下对Haar和Daubenchies两种小波在时域和频域中的故障分辨特性和诊断能力.对国际标准电路的实验表明:采用Octave结构时,在时域可完成故障检测,以相干函数在频域区分故障困难;而采用金字塔型结构时,在时域和频域皆易完成故障诊断:采用Daubenchies小波的效果优于Haar小波.     

基于粒子群支持向量机的模拟电路故障诊断

针对传统神经网络技术在模拟电路故障应用中存在的问题,提出了一种基于粒子群算法(particle swarm optimization, PSO)和最小二乘支持向量机(least squares support vector machine, LSSVM)的模拟电路故障诊断的方法。该方法首先利用小波包技术对待诊断电路的可测点信息提取故障特征,然后使用粒子群算法优化支持向量机的结构参数,避免了参数选择的盲目性,提高了模型的诊断精度。在对某滤波电路进行的故障检测中,验证了该方法的可行性。     

基于聚类和SVM多分类的容差模拟电路故障诊断

针对模拟电路故障的容差特性,提出了基于聚类和二叉树SVM多分类相结合的诊断方法.在每个故障特征样本子空间中,建立所有样本与样本重心的空间方向相似度并对其进行升序排列,把排列后的空间方向相似度作为聚类对象,根据聚类分析结果选择故障特征样本,利用所选样本训练二叉树SVM多分类器,实现故障特征样本的分类决策.用故障测试样本进行检验,实验表明采用该诊断方法可以解决容差模拟电路故障模式的识别问题.     

模拟电路单—故障的模糊神经网络诊断方法

本文提出了利用模糊神经网络进行模拟电路故障诊断的方法。该方法根据模式识别原理,利用建立在神经网络中的模糊特征库,推断出故障特征对各元件故障的隶属程度,并指示元件参数的变化趋势。这一方法为解决模拟电路及一些含有非线性元件的电路的故障诊断问题提供了一种新方法。     

模拟电路软故障诊断测试节点优选的仿真研究

基于斜率故障模型和线性相关系数故障模型,提出了一种模拟电路软故障诊断字典法中的测试节点优选算法.针对模拟电路中的单故障和双故障,分别利用节点电压增量计算出的斜率和线性相关系数作为统一故障特征,建立故障字典;给出了在字典建立过程中,利用PSPICE仿真工具对电路进行故障仿真,采用特征函数描述故障统一特征的差别,根据故障隔离度优选测试节点的算法和步骤;并用仿真实例验证了该测试节点优选方法的有效性.     

一种基于EMD的模拟电路故障特征提取方法

为克服小波分析中混频现象对模拟电路故障特征提取造成的不准确,提出了一种基于经验模式分解的模拟电路故障特征提取方法。该方法通过对模拟电路输出信号进行EMD得到若干个内禀模态函数,以各IMF的能量作为故障判别的特征。并针对EMD中的端点效应问题,提出了基于遗传优化的最小二乘支持向量机预测方法。仿真实验结果证明了该方法的有效性。     

基于多特征云关联度的容差电路诊断算法

针对容差模拟电路故障诊断中存在的模糊性和随机性问题,提出了一种基于多特征云关联度的诊断算法。首先,结合模拟电路自身特性,提出与之相适合的组合云模型。之后,通过构建云关联矩阵,对不同电路特征的云隶属度进行综合评价。考虑到不同特征对总体云关联度的贡献不同,根据特征类内和类间散度对云关联度矩阵进行加权。最后,通过求取待识别特征向量与各故障模式的云关联序列,实现对电路故障的识别诊断。实例分析表明,所提方法在容差条件下对电路软故障有较高的诊断效率。     

基于小波包和Elman神经网络的螺杆泵井故障诊断

在螺杆泵井故障诊断技术中,有功功率信号最能全面反映螺杆泵井的泵况。提出一种基于小波包分析结合Elman神经网络的故障诊断方法,该方法采用小波包对螺杆泵有功功率信号进行消噪滤波,将不同频段的故障信号进行3层db4小波包分解,根据各频段功率谱的变化提取故障特征,应用Elman神经网络进行识别。利用Matlab仿真,结果表明,该方法能有效提高螺杆泵井的故障诊断准确性。     

基于电压增量的非线性模拟电路软故障诊断

基于节点电压增量关系方程理论,根据高阶故障对低阶故障的覆盖性,并结合替代原理,提出了一种可以诊断非线性模拟电路软故障的字典法,将仅应用于线性模拟电路软故障诊断的方法推广到了含有少量非线性元件的模拟电路。将非线性元件作为一个整体,利用节点电压增量关系方程的线性相关系数作为统一故障特征,实现了电路中非线性元件和线性元件集的硬故障、软故障、单故障和多故障的诊断。给出了含有单个或多个非线性元件的电路诊断方法,并用最小距离法对容差做了相应的处理,最后通过仿真实例证明了该诊断方法的有效性。     

基于四阶累积量与核Fisher判别分析的MPSK信号分类方法

提出了一种基于高阶累积量和核Fisher判别分析的MPSK信号自动调制识别方法。该算法选取信号的四阶累积量作为分类特征,利用核函数的思想把特征向量映射到一个高维空间,并在高维空间中采用线性Fisher判别分析实现了数字信号的分类。选用了径向基核函数,使用一对一或一对余多类构造法,并利用交叉验证网格搜索法优化核函数参数,构建了快速稳健的多类核Fisher判别分析分类器。计算仿真结果表明,基于核Fisher判别分析的分类器具有良好的性能,它与支持向量机的分类精度相当,且训练时间较短。     

基于EEMD样本熵和SRC的自确认气体传感器故障诊断方法

针对非线性、非平稳情况下自确认气体传感器的故障诊断问题,提出了对传感器不同故障模式信号进行特征提取和智能识别的在线故障诊断方法。首先,该方法根据传感器信号的变化进行集合经验模态分解(ensemble empirical mode decomposition,EEMD),自适应地获得一组固有模态函数(intrinsic mode functions,IMFs),对每个IMF及残余分量进行样本熵分析,提取传感器输出信号的完备特征;然后,利用稀疏表示分类(sparse representation-based classification, SRC)将各故障模式下训练样本的特征向量构成超完备字典。为了提高故障诊断方法的自适应能力,对SRC分类器进行在线更新。通过求解最小1范数约束问题,获得测试样本的稀疏表示系数,再由不同故障类型的重构误差确定测试样本归属,进行传感器故障类型识别。实验结果表明,与目前其他传感器故障诊断方法比较,本文提出的方法能够更显著地提取传感器故障信号特征,故障识别率提高4%以上,达到97.14%。