基于Ｖｏｌｔｅｒｒａ频域核辨识的非线性模拟电路故障诊断

基于Ｖｏｌｔｅｒｒａ级数时域频域混合模型,提出了辨识非线性模拟电路频域核的故障诊断方法．利用混合模型辨识算法和范德蒙特法估计各种故障状态下电路响应的前３阶频域核,提取故障特征并与相应的故障模式一起构成特征样本集,借助于支持向量机多分类器进行分类识别,实现非线性模拟电路的故障诊断．阐述了诊断原理及诊断步骤,并给出了诊断实例．仿真结果表明,该方法的故障识别率较高,便于计算机计算．

     

基于非线性电路频域核估计和神经网络的故障诊断

提出一种基于非线性电路频域核分析和神经网络的故障诊断方法．主要研究非线性系统频谱的获取,非线性系统频谱特征的提取及基于非线性系统频谱特征的故障诊断．利用Volterra频域核估计辨识非线性系统，通过系统广义频率响应函数的估算提取电路特征，将其预处理后作为递归神经网络的输入样本，利用神经网络的分类功能对电路的工作模式作出故障决策、最后。给出故障诊断实例验证了该方法的有效性．     

基于相关分析的非线性模拟电路参数型故障诊断方法

针对非线性模拟电路故障诊断中参数型故障元件定位的难题,基于Volterra频域核的频谱比较,提出了利用小波滤波器组结合相关分析定位故障元件的方法．首先选择特定的激励信号测定Volterra频域核的非参数频谱;然后用小波滤波器组对得到的正常电路和故障电路的频谱序列进行子带分解;通过计算子带响应序列的相干函数,对正常电路和故障电路进行相关分析,实现参数型故障元件的特征提取．对比实验结果表明,该方法能有效提取故障特征,提高了故障诊断效果．     

基于神经网络自学习的模拟电路故障诊断方法

由于传统方法在模拟电路故障诊断中应用效果不佳,不仅错误诊断数量较多,而且故障诊断用时较长,无法达到预期的故障诊断效果,提出基于神经网络自学习的模拟电路故障诊断方法。将模拟电路等效为一个双端口网络,利用便携式模拟仪器采集双端口网络运行数据,通过小波变换信号提取模拟电路信号时域特征和频域特征,利用神经网络自学习模型卷积运算信号特征,诊断并识别电路故障。经实验证明,设计方法错误诊断数量占总样本数量的比例较小,诊断用时较短,在模拟电路故障诊断方面具有良好的应用前景。     

基于Volterra级数的模拟电路故障诊断

Volterra级数是一种泛函级数,时域和频域核有明确的物理意义,不依赖于系统的输入,因而完全反映了系统的本质特性。因此可以用Volterra级数作为非线性模拟电路的分析工具,通过直接分析非线性模拟电路的频率响应以提取故障特征,从而实现非线性模拟电路的故障诊断。     

基于沃尔泰拉级数的模拟电路组合故障诊断法

针对模拟电路的固有复杂性及其传统故障检测方法延时大和正确识别率低的问题,借鉴基于隐马尔科夫模型改进最小二乘支持向量机以及Volterra级数原理,将二者组合进行故障诊断。该方法首先采用Volterra级数频域核对电路故障特征进行提取,再利用经隐马尔科夫模型改进的最小二乘支持向量机进行模态分类,最终完成故障诊断。仿真结果表明,与目前使用的BP神经网络诊断方法和LSSVM诊断方法相比,该方法不仅提高了系统故障辨识能力,还提高了系统故障诊断的速度。     

SS诊断策略在非线性电路中的应用研究

研究模拟电路故障诊断问题,非线性一直是制约模拟电路故障诊断技术发展的关键问题之一.传统故障诊断中,灵敏度序列(Sensitivity Sequence,SS)诊断策略集中在线性电路的故障诊断,但是对于非线性电路的故障诊断,仍缺乏相关研究.为此对非线性电路中应用SS诊断策略进行了研究,从分析非线性元件参数特性出发,引入分段线性迭代的方法构建元件的线性模型,采用戴维宁和诺顿定理进行模型的等效替换;分段进行测前仿真,构造故障字典.理论推导以及试验结果证明,采用分段线性迭代方法构建非线性元件的分析模型,避免了在诊断过程中求解繁复的非线性代数方程或非线性微分方程,为在非线性电路应用SS诊断策略提供了有效的分析模型;借助工作域以及对带有容差的一般情况的分析和研究,进一步完善了非线性电路中SS诊断策略的应用;所提的方法,能够快速准确地提取非线性电路故障的灵敏度特征,提高故障识别和隔离的效率.     

非线性电路的神经网络故障诊断方法

针对非线性动态电子电路,提出一种基于神经网络的故障诊断方法。通过故障字典的建立,对电路故障响应进行预处理后得到的故障特征作为神经网络的输入,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,对故障类别进行辨识,并对电路进行了可测性分析,从而实现非线性电路的故障诊断。详细的仿真过程及结果表明, 该方法有效地解决了非线性电路辨识难的问题,能较好地对故障模式进行分类,取得了满意的诊断效果。     

改进神经网络在模拟电路故障诊断中的应用

研究模拟电路故障诊断准确性问题.电路故障与引起故障因素之间呈高度非线性,传统故障识别方法无法识别其非线性特点,导致传统故障方法的诊断精度低.为了提高电路故障诊断的精度,提出一种遗传算法优化BP神经算法的模拟电路故障诊断方法.首先对故障电路样本进行特征提取和归-化处理,然后采用遗传算法对BP神经网络参数进行优化,最后利用最优参数BP神经网络对电路故障样本进行训练和建模,获得电路故障诊断结果.在MATLAB平台上对模拟电路故障进行仿真测试,仿真结果表明,与传统模拟电路故障诊断方法相比,提高了模拟电路故障诊断精度,缩短了故障诊断时间,在模拟电路故障中有着广泛的应用前景.     

Volterra核的测量及在非线性模拟电路测试中的应用

研究了Volterra频域核的测量方法。提出一种利用优化正弦谐波信号作为系统的激励信号测量Volterra频域核的方法．将其用于测量2阶Volterra核时，没有1，3，5等奇数阶和4阶Volterra核的干扰，测量精度高．利用2阶Volterra频域核作为故障特征对非线性模拟电路进行故障诊断，仿真结果表明，故障识别率高，时问开销小，通用性强．     

大型装备传动系统非线性频谱特征提取与故障诊断

基于Volterra级数的非线性频谱分析方法,建立了大型数控装备传动系统伺服电机的非线性频谱模型,对传动系统两类参数型故障的频谱特征进行了分析.在此基础上,提出一种实用的在线频谱特征提取与故障识别方法,采用自适应辨识算法求解时域Volterra核,用快速多维傅立叶变换获得非线性频谱特征.实验结果表明,该方法实时性好,故障识别率高.     

结合非线性频谱与核主元分析的复杂系统故障诊断方法

传统非线性频谱分析方法对复杂系统进行故障诊断时,求解出的非线性频谱数据量庞大,不便于直接用于故障检测与分类识别.本文提出了一种非线性频谱特征与核主元分析(KPCA)结合的故障诊断方法,首先通过最小二乘算法估计出前3阶Volterra时域核,由多维傅立叶变换求取出广义频率响应函数,然后利用KPCA方法对谱数据进行压缩与提取谱特征,最后利用多分类最小二乘支持向量机进行多故障检测与识别.考虑到频谱数据具有非线性的特点,KPCA中的核函数选用由多项式函数与径向基函数构成的混合核函数,兼顾了局部特性与全局特性.论文基于非线性频谱数据,给出了核主元模型建立与在线故障诊断的具体算法.对非线性模拟电路和数控机床伺服传动系统进行了仿真实验,结果表明本文方法能够大幅度降低频谱数据维数,故障识别率高,是一种实用的故障诊断方法.     

基于小波旁瓣相消器的轴承故障特征提取

为解决强背景噪声下声信号提取的轴承故障特征不显著问题,提出一种基于小波旁瓣相消器的故障特征提取方法。该方法利用小波滤波器组将含噪故障轴承声信号变换到小波域,进行小波域阵列广义旁瓣相消自适应波束形成,再通过小波滤波器组重构增强后的故障轴承信号,最后对重构增强后的信号进行包络解调并提取故障特征频率进行故障诊断。实验结果表明,该方法能够在强背景噪声下有效提取滚动轴承故障特征,并且相较于传统的延时求和波束形成器具有更好的降噪和故障特征增强效果。     

Principal component analysis based signal-to-noise ratio improvement for inchoate faulty signals: Application to ball bearing fault detection

This paper addresses the development of an algorithm that can improve the signal-to-noise ratio (SNR) in inchoate faulty signals. The removal of noise and preservation of fault information components cannot be easily achieved. Many techniques for SNR improvement in healthy signals rely on frequency bands. Such techniques have been proven to be efficient in improving the SRN by filtering out frequency bands (FoFBs). However, these techniques cannot reduce noise and preserve fault information when dealing with inchoate faulty signals. Thus, a feature extraction technique based on statistical parameters, which are free from Gaussian noise, is proposed in this paper. The proposed signal subspace-based approach for SNR improvement in inchoate faulty signals is based on a modified principal component analysis (PCA), in which the optimal subspace is selected via a cumulative percent of variance (CPV) criterion and the test statistic condition of the true information loss, which has the tendency to alleviate the impact of Gaussian and non-Gaussian noise and provides useful time domain analysis for non-stationary signals such as vibration, in which spectral contents vary with respect to time. Furthermore, the modified PCA algorithm is combined with a low-pass filter (LPF) to achieve an optimum balance between noise reduction efficiency and the conservation of inchoate fault information. The proposed PCA-LPF algorithm is compared with different filters under different noise levels to find the most efficient approach in terms of optimizing the trade-off between noise reduction efficiency and precision of inchoate fault information conservation, with the final goal of improving the fault detection capability. Further, the performance of the proposed PCA-LPF algorithm was demonstrated with an experimental study on vibration-based ball bearing fault detection.     

基于GA改进DHMM和KPCA-RS的滚动轴承智能诊断方法研究

为实现滚动轴承故障智能诊断,提出了一种基于核主元分析法(KPCA)、粗糙集(RS)和遗传算法(GA)改进离散隐马尔科夫模型(DHMM)的智能诊断方法。通过使用混合核函数的KPCA和RS对时域、频域参数进行约简,构造敏感性高、稳定性强,并能准确表征轴承状态的特征参数矩阵。应用GA优化了DHMM,克服了DHMM训练算法容易陷入局部极小的缺点。最后应用GA优化的DHMM训练算法得到的滚动轴承各状态下的DHMM,并通过比较测试样本在各DHMM下的对数似然概率,实现了轴承故障类型的有效识别。实验结果表明,该方法可以有效地识别滚动轴承的状态,具有较强的适用性。     

基于信号特征提取和卷积神经网络的轴承故障诊断研究

轴承是机械设备主要零部件之一,也是机械设备主要故障零部件之一。轴承故障问题为机械设备的重点,机械设备的使用受到故障轴承的直接影响。针对传统的卷积神经网络算法轴承故障诊断效率低下问题,本文提出了一种基于信号特征提取和卷积神经网络的优化方法。首先对原始数据信号进行时域和频域的信号特征提取,获得有效的故障特征值。之后,使用卷积神经网络对提取的特征值进行故障诊断,完成故障分类。本文使用美国凯斯西储大学的滚动轴承振动加速度信号作为数据集,对提出的方法进行验证,得到的故障诊断平均准确率为74.37%,准确率的方差为0.0001;传统的卷积神经网络算法故障诊断平均准确率为65.6%;准确率的方差为0.0019。实验结果表明,相比传统的卷积神经网络,提出的方法对轴承故障诊断的准确率有显著的提高,并且该方法的稳定性更佳,计算时间更少,综合性能更佳。     

非线性模拟电路软故障诊断方法

针对非线性模拟电路故障诊断中软故障诊断的难题,提出了Volterra级数结合隐马尔科夫模型（HMM）进行故障诊断的方法。首先利用梯度搜索算法求解Volterra级数并提取出故障特征,然后利用提取出来的故障特征构造出观察变量对隐马尔科夫模型进行训练,最后用训练好的隐马尔科夫模型完成故障诊断。实验结果表明,该方法能有效提取故障特征,提高故障诊断效果。