基于深度学习的模拟电路故障诊断方法

针对模拟电路的故障诊断问题，提出了一种基于深度学习的故障诊断方法。首先测量模拟电路各个故障类别的脉冲响应数据，随后应用深度学习中深度信念网络方法进行特征提取，最后将提取的特征用于建立基于极端学习机的故障诊断模型。从而对模拟电路的各个故障类别进行区分，通过四运放双二阶高通滤波器电路的故障诊断实验对提出的故障诊断方 法进行了验证，通过对比实验表明，提出的基于深度信念网络的故障特征提取方法明显优于传统的基于小波分析的故障特征提取方法，有助于提高模拟电路故障诊断正确率。     

利用多传感器信息融合技术实现电子装备的故障诊断

在现代电子装备故障诊断中,依靠单一传感器只能完成简单的故障诊断,难以完成复杂情况下的故障的诊断和定位.多传感器信息融合的方法,可以充分利用多传感器之间的互补信息,并且结合故障的先验知识,采用模糊判决的方法,实现故障的快速准确定位.多传感器信息融合的故障诊断方法为电子装备的故障诊断提供了一种有益的尝试.     

基于时序网络结合深度学习的变电站继电保护故障诊断方法

针对传统变电站继电保护故障诊断仅考虑警报信息的问题,提出了综合考虑警报信息时序特征和拓扑结构、继电保护装置和动作信息的故障诊断方法。首先,根据采集到的具有全网统一对时标签的故障警报时序信息,建立故障诊断的数据时序分析模型;在此基础上,基于变电站拓扑结构、继电保护位置和动作信息建立故障诊断时序模型;第三,采用深度学习方法对该故障诊断时序模型进行学习训练,从而能够获得故障分类识别;最后,以实际电网为例,说明了所提出的故障诊断方法的有效性。     

基于小波神经网络和相位差的模拟电路故障诊断

根据模拟电路中存在噪声的问题,提出利用相位差来进行故障诊断。通过正常模式和故障模式下相位差和幅值差的特征提取,建立故障字典。然后利用小波神经网络对故障电路建模,基于该网络学习收敛快,对网络输入不太敏感的特点,实现故障诊断。通过实例证明,该方法不但诊断准确,而且很切合实际模拟电路。     

结合WGAN GP与CNN SVM的滚动轴承故障红外诊断

针对实际工程应用中由于滚动轴承故障状态出现的时间很短而导致数据集不平衡难以采用深度学习算法进行故障诊断的问题,提出了一种基于Wasserstein距离的梯度惩罚生成对抗网络(WGAN GP)和基于支持向量机分类的卷积神经网络(CNN SVM)相结合的滚动轴承故障红外诊断方法。从红外热像图中构建不平衡数据集,通过采用WGAN GP对不平衡数据扩充以达到数据集均衡,之后将CNN SVM模型应用于数据集,提取样本深度特征完成故障分类。实验表明,WGAN GP与CNN SVM相结合的模型在不平衡数据集下表现良好,相较于其他模型有更好的故障诊断能力,并且在故障分类阶段的用时可减少1689以上。     

基于深度学习的故障诊断方法综述

海量高维度的过程测量信息给传统的故障诊断算法带来极大的计算复杂度和建模复杂度，且传统诊断算法存在难以利用高阶量进行在线估计的不足。鉴于深度学习技术强大的数据表示学习和分析能力，基于深度学习的故障诊断引起了工业界和学术界的广泛关注，并促使智能过程控制更加自动化和有效。该文从方法上将基于深度学习的故障诊断技术分为:基于栈式自编码的故障诊断方法、基于深度置信网络的故障诊断方法、基于卷积神经网络的故障诊断方法及基于循环神经网络的故障诊断方法4类，分别进行了回顾和总结，最后从数据预处理、深度网络设计和决策3个层面对这一领域进行展望，提出了“集成创新”、“数据+知识”和“多技术融合”等故障诊断思想，阐明基于深度学习技术进行复杂系统的故障诊断仍具有巨大潜力。     

基于分布式贝叶斯网络的多故障诊断方法研究

针对复杂系统存在的不确定性、多故障以及传统贝叶斯网络诊断实时性差等问题,提出一种基于分布式贝叶斯网络的故障诊断方法。该故障诊断方法将大型、复杂系统故障诊断模型抽象为贝叶斯网络模型,并将其分解为若干贝叶斯网络子系统,基于消息传播机制完成多个子系统局部推理以及子系统间重叠子域紧凑的消息传播,实现分布式贝叶斯网络的故障推理与诊断。实验结果表明,该故障诊断方法可在复杂、不确定性系统中完成单故障和多故障推理、诊断任务,与传统贝叶斯网络故障诊断方法相比,该方法在推理速度上的优势尤为突出,具有广泛的应用前景。     

基于神经网络的雷达故障诊断方法研究

雷达装备可更换单元上故障模块和元器件的检测,诊断难度较大,影响战斗力的发挥。为了准确快速定位可更换单元上的故障模块和元器件,提高雷达装备的保障能力,将神经网络用于故障诊断;分析了神经网络进行雷达可更换单元故障元器件诊断的原理;建立了故障诊断样本训练和测试平台;并以实例在该平台上对建立的网络进行训练和实际诊断。结果表明,该方法智能化程度高,较好地解决了雷达可更换电路的故障诊断问题。     

时变转速下基于改进图注意力网络的轴承半监督故障诊断

新近的基于图神经网络(GNN)的轴承半监督故障诊断研究仍存在标签信息挖掘不充分和诊断场景较理想等问题。工程实际中,轴承经常运行于启停等时变转速工况,且故障标签样本的获取成本越发昂贵。针对以上挑战,该文提出时变转速下基于改进图注意力网络(GAT)的轴承半监督故障诊断新方法。基于K最近邻(KNN)算法和平滑假设(SA)设计伪标签传播策略,将标签信息沿边传播给分布相似的邻域样本,从而充分利用有限样本的标签信息。将每个振动频谱样本视为一个节点,构建基于节点级图注意力网络的半监督学习模型,通过注意力机制进一步挖掘代表性的轴承故障特征。将所提方法用于分析两组时变转速下轴承故障实验数据,结果表明所提方法能够在不超过2%的低标签率情况下,准确诊断轴承的不同故障模式,性能优于其他常用的图神经网络半监督学习方法。     

AI识别技术在输配电网络故障诊断中的应用

常规方法分割图像中输配电网络像素点时，选择的分割点梯度不一致，使导线故障和器件故障定位范围较大，为此提出AI识别技术在输配电网络故障诊断中的应用方法。获取输配电网络机巡数据，转换红外图像像素点颜色，去除噪音像素点，根据灰度值选择种子像素点，将梯度幅值和方向一致的种子点作为分割点，分割输配电网络像素区域，输入AI识别网络，提取分割图像特征进行分类学习，输出故障诊断结果。实验结果表明，设计方法减小了导线故障点标记距离、器件元件故障区域标记面积，提高了故障位置定位精度。     

基于边界扫描的互连网络实用测试方法

该文首先建立了n维输入输出互连网络的测试过程数学描述模型,然后根据该模型提出了一种互连网络故障诊断的实用测试方法,并运用该方法,成功地完成了边界扫描机制试验电路板上的多种类型故障的检测。     

一种基于模糊聚类的故障诊断方法

电子设备的多个传感器实时反映了设备运行状态,对一种基于模糊聚类的电子设备故障诊断方法进行讨论,针对电子装备多个传感器状态信息采用模糊聚类的方法进行融合,进而提出了对于观测数据运用模糊聚类方法进行故障诊断,推理故障模式的方法。实例证明该模糊聚类方法成功地完成了某电子装备故障诊断的自动推理。该方法可以不依赖于被诊断系统的数学模型进行自适应诊断,实现故障诊断的智能化、自动化。     

极端气象条件下基于深度学习网络特征的变压器故障预测

根据极端气象条件下变压器产生故障时的环境参数,结合变压器故障预测中常用的油中溶解气体的含量,提出一种基于深度学习网络的故障预测方法。针对已有的变压器故障诊断方法泛化能力弱、时效性低、精度低等缺点,引入极端气象参数,并通过对多组数据序列进行时因分析,提取数据随着时间的变化关系;其次,设计一种新型的神经网络,将油气参数与极端气象参数的时间特征融合,并通过深度学习网络进行故障分类与预测。仿真实验结果表明,相比于其他传统故障预测方法,所提出的极端气象条件下基于深度学习网络的变压器故障预测方法准确率有显著提高。     

雷达对抗干扰装备故障诊断专家系统的研究

随着微电子技术及其他高科技技术在雷达对抗干扰装备中的广泛应用,雷达对抗干扰装备的复杂程度日益提高,其故障发生率也越来越高。为了可靠、快速地完成雷达对抗干扰装备的故障诊断,文章介绍了运用人工智能专家系统和虚拟仪器技术实现雷达对抗干扰装备故障自动检测系统的设计思想。     

基于深度动态贝叶斯网络的服务功能链故障诊断算法

针对5G端到端网络切片场景下底层物理节点出现故障会导致运行在其上的多条服务功能链出现性能异常的问题,该文提出一种基于深度动态贝叶斯网络(DDBN)的服务功能链故障诊断算法。首先根据网络虚拟化环境下故障的多层传播关系,构建故障与症状的依赖图模型,并采用在物理节点监测其上多个虚拟网络功能相关性能数据的方式收集症状。其次,考虑到基于软件定义网络(SDN)和网络功能虚拟化(NFV)的架构下网络症状观测数据的多样性以及物理节点和虚拟网络功能的空间相关性,引入深度信念网络对观测数据特征进行提取,使用加入动量项的自适应学习率算法对模型进行微调以加快收敛速度。最后,利用故障传播的时间相关性,引入动态贝叶斯网络对故障根源进行实时诊断。仿真结果表明,该算法能够有效地诊断故障根源且具有良好的诊断准确度。     

基于故障树的AVR故障诊断分析

AVR作为装备配套电站的核心部件,对电站电压的稳定以及正常工作起着重要的作用。首先分析了AVR的缺陷以及故障树的特点和建立步骤,其次根据AVR的结构和以往故障排除的经验,对AVR电压调节故障进行研究,将故障梳理成比较完整的故障树,并完成故障诊断流程的设计,从而较好的设计和实现了AVR故障的诊断。     

基于迁移BN-CNN框架的小样本工业过程故障诊断

针对工业故障诊断过程中训练样本不足导致的诊断性能低下问题，文中以迁移学习和深度学习方法为基础，提出一种迁移BN-CNN(Batch Normalization-Convolutional Neural Network)框架。为了减少网络对初始化方法的依赖，在卷积神经网络中引入批归一化层，对网络的隐藏层进行归一化处理。针对目标域标签数据不充足问题，通过基于样本的迁移学习方法扩充目标域的标记数据量，引入基于模型的迁移学习方法，通过充足的源域数据预训练BN-CNN网络，并利用数据量扩充后的目标域微调该网络部分参数，降低了少量样本训练深度神经网络的难度，得到了更适合目标域的故障诊断模型。采用TE工业数据集对该方法进行对比验证，实验结果表明，文中所提方法对于小样本工业过程故障具有较好的诊断性能，其平均精度值为0.804。     

应用深度学习的信号解调

针对噪声干扰信道下的信号解调问题,提出了应用深度学习的信号识别方法,通过识别信号完成信号解调.深层置信网络使用受限波尔兹曼机为基本单元,设计针对通信信号识别的多层深层置信网络.通信信号首先变换为特定表征序列,并以此构建完备的训练集合对深度置信网络进行逐层的无监督学习和全局有监督的微调反馈学习,在深层置信网络的权重参数优化过程中实现对通信信号的特征提取与识别.仿真实验表明,与传统调制信号解调方法相比,应用深度学习的信号解调方法的检测性能有约0.4 dB的提升.     

模拟电路故障诊断方法设计及虚拟维修过程

复杂的电路装置对于装备性能及实用效果起着决定性作用,在整个系统中发挥出重要作用。本文章主要对设备电路系统进行故障诊断的方法进行设计以及对于故障进行虚拟维修的过程。采用支持向量机法进行故障诊断,应用基于Petri网的虚拟维修拆卸过程方法设计。从而最终达到电路故障诊断及虚拟维修的目的。     

层次故障树分析法在装备故障诊断中的应用

综合分层法和故障树法,提出一种新的故障诊断方法,该方法利用装备在结构和功能上具有一定层次的特点进行结构和功能上的分解,将故障缩小在一定的功能范围内,然后利用故障树进行故障诊断和故障定位.该方法比较适合于对装甲装备进行故障诊断与定位,具有简洁、高效的特点.