基于局域均值分解的永磁同步电机故障诊断仿真

永磁同步电机(PMSM)应用日益广泛, 对其故障诊断提出了较高的要求。对局域均值分解(LMD)用于提取永磁同步电机的故障特征进行了研究, 提出一种基于LMD和改进频带能量法的故障诊断方法。该方法通过逐步抽取故障信号的调频调幅成分使信号在频域上展开, 然后基于频带分布特点, 并对频带与故障的相关性进行研究, 构造出加权频带能量向量, 实现了特征提取, 最后对永磁同步电机速度控制系统进行了仿真。结果表明, 该方法可有效地提取故障特征, 并可降低故障特征向量的维数。     

差分杂草算法优化SVM的模拟电路故障诊断

针对非线性模拟电路软故障检测和定位难题,提出一种差分杂草算法(DEIWO)优化支持向量机(SVM)的故障诊断新策略。首先利用递推最小二乘算法对电路Volterra级数时域核进行辨识提取故障特征,然后用差分杂草算法(DEIWO)优化支持向量机参数建立故障诊断模型,后对故障进行分类识别,完成故障诊断。仿真结果表明,该方法具有较高的准确率。     

基于PSpice与LM算法的模拟电路故障诊断方法

采用小波神经网络与Levenberg-Marquardt算法相结合的方法,对模拟电路进行故障诊断;用小波对冲击响应信号进行多尺度分解,进行归一化后,提取故障特征信息作为神经网络的输入而进行分类。将PSpice与Matlab结合不但能有效的诊断模拟电路,且在收敛性和故障准确性上有了大幅提高。实验仿真表明,通过该方法构造的样本集训练出的网络稳定性高于传统方法,适用于神经网络。     

基于LMD和Fisher判别的风力发电机组齿轮箱滚动轴承故障诊断方法

风力发电机组齿轮箱等旋转机械故障振动信号具有调制特征,因此有针对性地提出了一种基于局部均值分解(Local Mean Decomposition,LMD)和Fisher判别的故障诊断方法。首先对振动信号进行LMD分解,可得若干个的乘积函数(Product Function,PF)分量,以相关系数为依据进行PF分量筛选和信号重构,并对重构信号进行故障特征提取,然后以多组典型故障样本的特征量来训练得到Fisher判别式,最后利用判别式对待判样本进行分类,由判别结果可知滚动轴承的工作状态、故障部位及故障程度。分析从试验台采集的各类故障样本集和从某实际风场监测的数据,证明了所提取故障特征量的准确性,同时也验证了所提出方法在旋转机械故障诊断方面的有效性。     

基于局部均值分解和K近邻算法的滚动轴承故障诊断方法

将局部均值分解(LMD)和K近邻(KNN)算法结合起来对滚动轴承进行了故障诊断。首先,将LMD应用在轴承振动信号的分解,故障信息被包含在不同的PF分量中,对每个PF分量从时域和频域两个方面进行特征值提取。针对获得的高维特征向量进行PCA降维,最后在低维空间里,基于KNN算法,实现样本状态分类。实验结果表明,不同故障类型的滚动轴承样本均能被正确诊断。     

基于网格搜索的改进SVM模拟电路故障诊断方法

针对模拟电路故障识别与诊断问题,提出了一种基于K最近邻的一对一SVM分类器(KNN-OSVM)的故障诊断方法。将K最近邻算法与用网格搜索法优化后的一对一SVM模型相结合,建立KNN-OSVM模型,有效解决了SVM因存在不可分域造成的误分问题,提高了故障诊断率。采用小波分析法提取输出端电压信号作为故障特征值,采用网格搜索对核函数、惩罚参数寻优。采用两个模拟电路进行仿真实验,并将改进的SVM与传统SVM进行对比。结果证明了该故障诊断方法的可行性。     

基于KPCA-LSSVM的单向阀故障诊断研究

针对高压隔膜泵单向阀的故障振动信号特征难以提取及诊断的问题,文中采用KPCA和LSSVM相结合的方法进行故障诊断研究。对单向阀各状态信号运用双稳SR方法和DEMD算法进行信号预处理,并利用K-L散度选择分解后的主分量进行时频域特征参数的提取以构建特征向量集。运用KPCA对向量集进行二次特征提取,并将提取的特征向量输入到LSSVM诊断系统中,以完成单向阀故障诊断及分类。经实验验证,该方法的故障诊断率可达到90%,能够较好的诊断出单向阀故障特征。     

基于随机森林算法的模拟电路故障诊断

为提高模拟电路参变故障的诊断率,提出基于多特征向量提取和随机森林(RF)算法的模拟电路故障诊断新方法。采用时域和频域特征向量组合的多维特征向量以反映不同故障特征,经RF算法进行决策,并对决策树棵数及候选特征向量个数进行优化。故障诊断实验结果表明,所提方法能较好地实现容差模拟电路故障诊断,与支持向量机(SVM)方法相比,表现出更好的分类性能;与小波(包)特征提取方法相比,简化了多维数据特征提取步骤,易于实现在线故障诊断。     

模拟电路故障诊断的PSpice与Matlab仿真分析研究

根据模拟电路故障诊断中的测前模拟诊断SBT法,本文采用PSpice对待测电路CUT故障进行模拟仿真,通过小波包分析和信息熵方法提取故障电路输出信号的特征向量,利用Matlab设计的神经网络算法构建故障分类器并对电路故障进行识别与诊断。仿真实验结果表明将PSpice与Matlab相结合的诊断方法能够有效地诊断模拟电路故障,为模拟电路故障诊断的教学和科研提供参考。     

模拟数字电路故障诊断新方法

利用小波变换与神经网络相结合的方法,采用能量分布特征提取方法和改进BP算法,给出了一种基于小波变换和BP神经网络相结合的模拟电路故障诊断方法.用正弦信号仿真模拟电路,应用小波变换对模拟电路的采样信号进行多尺度分解,再进行能量分布特征提取,然后利用神经网络对各种状态下的特征向量进行分类识别,实现模拟电路故障诊断.在用神经网络诊断模拟电路的基础上,进行了将神经网络用于数字电路单故障诊断的研究.对两者的实例电路仿真结果表明,神经网络可以有效、方便地实现电路的故障检测和定位,准确率高,为故障诊断的研究提供了一种新思路.     

基于小波高频系数统计特征的电路故障诊断

对故障电路进行特征提取与分类是模拟电路诊断的两个重要环节。现有方法多对时域响应信号进行小波变换以提取故障特征,并用神经网络或支持向量机方法实现对故障进行分类。为提高模拟电路故障诊断率,提出一种新的特征选取方法:在模拟电路的时域响应中对其进行小波变换,并对变换得到的高频细节系数统计平均值、标准偏差、峭度、熵和偏斜度等统计特征,并建立以支持向量机为分类器的故障诊断系统。以两种常见电路为例,实验结果表明,提出方法对常见电路进行故障诊断,准确率得到提升,精度达到99%以上,优于传统单纯小波系数分析方法,适用于模拟电路的故障诊断。     

A new swarm-SVM-based fault diagnosis approach for switched current circuit by using kurtosis and entropy as a preprocessor

This paper presents a new fault diagnosis method for switched current (SI) circuits. The kurtoses and entropies of the signals are calculated by extracting the original signals from the output terminals of the circuit. Support vector machine (SVM) is introduced for fault diagnosis using the entropies and kurtoses as inputs. In this technique, a particle swarm optimization is proposed to optimize the SVM to diagnose switched current circuits. The proposed method can identify faulty components in switched current circuit. A low-pass SI filter circuit has been used as test beached to verify the effectiveness of the proposed method. The accuracy of fault recognition achieved is about 97 % although there are some overlapping data when tolerance is considered. A comparison of our work with Long et al. (Analog Integr Circuit Signal Process 66:93–102, 2011), which only used entropy as a preprocessor, reveals that our method performs well in the part of fault diagnostic accuracy.     

基于小波包变换和支持向量机的制冷机动静碰摩故障部位识别研究

制冷机在红外遥感领域发挥着极其重要的作用,如果出现故障直接影响探测器的正常工作以及性能,因此,制冷机智能故障诊断具有重要的意义.针对制冷机出现的碰摩故障,提出了一种基于小波包变换、遗传算法、支持向量机的智能故障诊断方法.首先对振动信号做小波变换及时域特征提取组成特征集.利用距离评价技术从特征集中选择敏感特征.利用遗传算法优化支持向量机参数.将特征值输入到优化好的支持向量机中,自动识别机器运行状态.开展制冷机故障模拟实验,结果表明,该方法最终识别准确率达95%,能有效识别制冷机碰摩故障部位.     

基于红外温度序列的电路板故障诊断研究

电路板红外温度序列包含了丰富的故障类别信息,充分利用其局部与全局特征可以提高电路板故障诊断的准确率。为此,文中提出了一种由特征提取网络(Features Extraction Network,FEN)与关系学习网络(Relationship Learning Network,RLN)并行构成的可综合利用温度序列局部特征及特征间关系的电路板故障诊断模型。其中,FEN基于多尺度膨胀卷积(Multi-scale Dilated CNN,MDCNN)残差结构搭建,可在不增加训练参数的前提下构建多层次感受野,学习温度序列不同范围的空间特征;RLN基于嵌入长短期记忆网络的注意力机制(Long Short-Term Memory hybridized with Attention,LSTMwAtt)结构搭建,通过控制温度序列信息传递来学习特征重要性并分配权重,挖掘不同位置特征间的相关性。实验结果显示,所提模型在两个自建电路板温度序列测试数据集上的诊断性能优于同类型的FCN、MFCN、LSTM和LSTM-FCN,故障诊断准确率分别达到91.15%和96.27%,可实现对电路板故障的高准确率诊断。     

Fault Diagnosis of Nonlinear Analog Circuits Using Neural Networks with Wavelet and Fourier Transforms as Preprocessors

A neural-network based analog fault diagnostic system is developed for nonlinear circuits. This system uses wavelet and Fourier transforms, normalization and principal component analysis as preprocessors to extract an optimal number of features from the circuit node voltages. These features are then used to train a neural network to diagnose soft and hard faulty components in nonlinear circuits. Our neural network architecture has as many outputs as there are fault classes where these outputs estimate the probabilities that input features belong to different fault classes. Application of this system to two sample circuits using SPICE simulations shows its capability to correctly classify soft and hard faulty components in 95% of the test data. The accuracy of our proposed system on test data to diagnose a circuit as faulty or fault-free, without identifying the fault classes, is 99%. Because of poor diagnostic accuracy of backpropagation neural networks reported in the literature (Yu et al., Electron. Lett., Vol. 30, 1994), it has been suggested that such an architecture is not suitable for analog fault diagnosis (Yang et al., IEEE Trans. on CAD, Vol. 19, 2000). The results of the work presented here clearly do not support this claim and indicate this architecture can provide a robust fault diagnostic system.     

基于PCA和PNN的模拟电路故障诊断

为了解决模拟电路故障识别困难的问题,提出一种基于主成分分析和概率神经网络的模拟电路故障诊断方法。该方法对采集到的模拟电路故障信息进行特征提取,将提取的故障特征归一化处理后输入概率神经网络,进行训练和故障模式的分类识别。实验结果表明,该方法是有效的,具有较高的故障诊断率。     

基于SVM和遗传算法的变频器故障诊断研究

提出一种基于遗传算法和支持向量机的故障诊断模型.该模型采用故障识别中的分类效果作为遗传算法中的适应度函数对故障信号进行特征提取和选择,得到更能反映故障类别的特征,作为识别特征输入多类支持向量机的输入,实现不同类别故障的识别.将该模型应用于变频器功率变换主电路的故障诊断.仿真结果表明,经过遗传算法提取的特征在保持分类精度的基础上,提高了变频器故障识别的效率.     

Practical Analog Circuit Diagnosis Based on Fault Features with Minimum Ambiguities

As numerous faults exist in practical analog circuits, new challenges arise in the field of diagnosis with large-scale target faults as well as fault features. To address this issue, firstly, an ambiguity model is built to measure the distinguishability between two faults. Then, the optimal fault features are obtained by analyzing the response curves of the circuit under test (CUT) to minimize the ambiguities among the faults. Finally, comparisons are made among three classification methods, including the maximum likelihood classifier (MLC), artificial neural networks (ANNs) and support vector machine (SVM), to demonstrate their own diagnostic abilities for practical use. Two examples are illustrated, and taking advantage of an automated implementation framework, 92 faults in total are examined in the second example. The experimental results show that good diagnostic performances can be obtained with the proposed method. However, when a practical case is encountered, the ANNs method may fail due to its high time and space complexity, while the MLC and SVM methods are still applicable.