一种基于综合智能计算的模拟电路故障诊断方法

文章针对目前模拟电路故障诊断中存在的容差和非线性特性所带来的诊断难点,提出了一种基于粗集-主成分分析的模拟电路故障诊断的方法。这种方法利用粗集理论属性约简、数据归一化、主成分分析对输入数据进行预处理,提取主要参数,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:该方法能够实现快速故障检测与定位,具有准确率高的特点。     

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。     

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。     

基于主成分分析和支持向量机分类模型的滚动轴承故障诊断

为了提高滚动轴承故障诊断的准确率,提出一种基于主成分分析(principal component analysis,PCA)和支持向量机(support Vector machine,SVM)模型的滚动轴承故障诊断方法.通过比较不同方法计算的标准差和拉依达准则对数据进行误差分析,利用MATLAB软件中的PCA函数对数据进行主成分分析,将8个原始变量降维成3个综合变量,分别从降维前和降维后的输入属性数据中随机选取70％的数据作为训练集来建立SVM分类模型和PCA-SVM分类模型,而把剩余的30％作为测试集来对模型的性能进行仿真测试.MATLAB仿真测试的结果表明,PCA-SVM模型的分类效果更好,其预测正确率对于绝大多数故障诊断来说是可以接受的,可以作为一种故障诊断的评价标准.     

基于黎曼流形的轴承故障诊断方法

为解决传统流形学习方法在轴承数据的非欧氏空间中特征提取时的不佳表现,提出引入黎曼流形学习方法.在黎曼流形的框架下,利用原始数据集构造出黎曼流形,并基于此流形提出了黎曼图嵌入特征提取方法,通过对局部结构编码实现初步降维.然后,在低维黎曼流形的基础上融合主成分分析算法(PCA:Principal Components Analysis)和线性判别分析算法(LDA:Linear Discriminant Analysis)设计分类器并对轴承数据进行了聚类.最后,通过在两个轴承数据集上的实验,分析了该方法提取特征的能力.实验结果表明,与现有的故障诊断方法相比,该方法具有较强的故障诊断能力.     

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。     

模拟电路故障诊断方法解析

阐述了模拟电路故障诊断的必要性和意义,分析了模拟电路故障诊断的研究现状.针对模拟电路故障诊断过程,对模拟电路故障诊断算法包括常规的方法和智能方法进行了简要阐述,指出各自的特点,并指出了该领域的研究热点和发展方向.     

基于粗集理论的数据挖掘的研究

提出一种新的基于粗集理论的数据挖掘算法。该算法利用粗集理论对数据进行分析,推出可能的规则。通过实例具体说明了该方法的实现步骤。     

广义邻域粗集下的集成特征选择及其选择性集成算法

针对实际模式识别系统中样本特征常具有的连续值属性、高维性、强相关性和冗余性等影响分类效果的问题,在广义邻域粗集模型下提出一种集成特征选择及其选择性集成算法.该算法先提取样本特征并利用所提出的马氏距离分布熵评估其重要度,再基于特征重要度构建广义邻域粗集模型,并在此模型上以特征重要度为启发式信息设计基于蚁群算法的属性约简算法,然后通过改变广义邻域粗集模型参数的方式获得更多具有更大差异性的基分类器,最后利用主成分分析法对产生的基分类器进行选择性集成.模拟电路故障诊断结果表明,该算法比AdaBoost等算法取得的分类精度至少提高了2.6%.     

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.     

基于粒子群优化的LSSVM在模拟电路故障诊断中的应用

提出一种基于粒子群优化的最小二乘支持向量机的模拟电路故障诊断新方法。对模拟电路故障信号采用小波包进行消噪和分解,作为最小二乘支持向量机的输入样本。为了避免参数优化时容易陷入局部最优的缺陷,使用粒子群算法对LSSVM参数进行优化选取。以Sallen-key带通滤波器电路为对象的仿真研究结果表明,提出的基于粒子群优化的最小二乘支持向量机可以对模拟电路有效地进行故障诊断,并且提高了诊断效率。     

模拟电路故障诊断的最小二乘支持向量机方法研究

介绍模拟电路故障诊断的现状及特点,提出一种基于最小二乘支持向量机的模拟电路故障诊断新方法.该方法可以对模拟电路有效地进行故障诊断,有较高的诊断效率.     

模拟电路单支路故障诊断的理论和方法

本文就一般情况研究了模拟电路单支路故障可诊断性的必要和几乎充分的拓扑条件，给出了相应的结论，并作出了严谨的证明。文中还研究了单支路故障的诊断方法。     

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。     

模拟电路的故障激励论

本文是对模拟电路故障诊断的一项理论研究，文中提出了故障激励诊，把模拟电路的故障等效为电路中的激励，可以有效地解决故障诊断问题，还提出了故障激励的基本形成及其数学表达式，以及若干故障诊断的定理，提示了模拟电路中故障诊断的基本规律。     

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.     

基于小波包分析和相关向量机的电路故障诊断

针对模拟电路故障变化的复杂性,提出一种小波包分析和相关向量机的电路故障诊断模型,首先采集模拟电路不同故障状态下的输出信号,将输出信号进行小波包分解,提取分解信号的归一化能量特征,然后将特征向量输入相关向量机中进行训练,建立模拟电路故障诊断模型,实现不同的故障状态分类识别;最后通过仿真实例对模型性能进行测试.测试结果表明,相对于其他模拟电路故障诊断模型,该模型不但提高了模拟电路故障诊断的正确率,而且减少了故障诊断时间.     

非线性电路故障诊断的理论和算法

本文研究非线性模拟电路的故障诊断理论和方法。在作者提出的故障诊断方程的基础上，基于一种新的雅可比矩阵计算方法和迭代算法，文中把一般性的故障诊断理论引伸到非线性模拟电路的领域。