模拟电路故障诊断中最优特征提取方法的研究

传统的模拟电路故障诊断方法有很多种,传统方法诊断的成败主要取决于模拟电路故障诊断的优化模型,而且模型一旦确定就无法更改,缺乏诊断的灵活性。本文将主要对模拟电路故障诊断中的最优特征提取方法进行研究。     

基于FSSA-ELM的模拟电路故障诊断方法

在大规模电路中，模拟电路的故障率高达80%。针对模拟电路故障诊断方法准确率低、耗时长的问题，提出了一种分数阶麻雀搜索算法结合极限学习机(FSSA-ELM)的模拟电路故障诊断方法。利用核主成分分析与局部线性嵌入(KPCA-LLE)联合方式对电路故障数据进行特征提取，通过分数阶与麻雀搜索算法(SSA)相融合，对极限学习机(ELM)的权重和阈值进行寻优，将提取后的特征数据输入到FSSA-ELM模型中进行训练和测试。T型反馈网络反相比例运算电路诊断实例表明，FSSA-ELM的故障诊断用时相较于SSA-ELM缩短了8.91 s,单故障诊断准确率可达97.2%,比SSA-ELM和ELM分别提高了1.9%和2.8%;双故障诊断准确率可达95%,分别提高了0.4%和1.0%。该故障诊断方法准确率高、耗时短，具有较强的模拟电路故障检测能力。     

基于多特征融合的红外图像分类研究

针对传统红外图像目标分类方法准确率低的问题,提出了一种用结合多特征融合的粒子群优化(Particle Swarm Optimization, PSO)算法来优化支持向量机(Support Vector Machine, SVM)的方法。该方法采用方向梯度直方图(Histogram of Oriented Gradient, HOG)和局部二值模式(Local Binary Pattern, LBP)两类特征描述红外图像中目标的轮廓特征和局部纹理,从不同的方面展现红外图像的特点,在图像的特征表达上具有一定的互补性。在特征提取后对样本数据进行凸包算法计算,得到一些具有代表性的样本数据,从而提高分类计算效率;在分类模型训练时,采用PSO算法优化SVM,寻找SVM的最优惩罚因子和核参数,从而提高分类模型的准确率。实验结果表明,多特征融合的分类模型的准确率比单一特征的分类模型提高近10%,且经PSO优化的SVM最终模型的分类准确率高达99%。     

基于红外的SSA CNN GRU电路板芯片故障诊断

针对电路板温度数据诊断率不佳的问题,本文提出了基于红外的SSA CNN GRU电路板芯片故障诊断模型。首先,根据红外热像仪采集芯片温度数据,建立多维特征模型；然后,在故障诊断模型输入端和CNN GRU通道分别添加注意力机制,构建双注意力结构,自适应识别有效数据段和提取红外图像有效特征；接着,利用麻雀搜索算法优化注意力机制权值分配,获取全局最优超参数；最后搭建SSA CNN GRU故障诊断模型,实现芯片故障模式的高精度诊断。实验采用电源电路板进行可靠性分析,实验结果表明,本文算法在诊断精度可达9873,且稳定性、可靠性方面均优于对比算法。     

基于形态特征提取的急性下壁心肌梗死BiLSTM网络辅助诊断算法

急性下壁心肌梗死是一种病发急、进展快、致死率高的心脏疾病,该文提出一种新颖的基于形态特征提取的BiLSTM神经网络分类的急性下壁心肌梗死辅助诊断算法,可大幅度提高医生对急性下壁心肌梗死疾病的诊断效率并有助于及时确诊.算法包括:对胸痛中心数据库心拍信号进行降噪及心拍分割;根据临床心内科医学诊断指南提取了12导联波形距离特征和分导联波形幅值特征;依据提取的特征搭建LSTM与BiLSTM神经网络进行心拍的分类识别;使用PTB公开数据库和胸痛中心数据库多临床中心进行交叉验证.实验结果表明,加入胸痛中心真实临床数据后,基于形态特征提取BiLSTM神经网络的急性下壁心肌梗死辅助诊断算法准确率达到99.72％,精度达到99.53％,灵敏度达到100.00％,同时F1-Score达到99.76.该算法比其他现有算法准确率提高至少1％,该项研究具有非常重要的临床应用价值.     

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。     

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。     

基于CEEMD-ITSA-BiLSTM组合模型的短期负荷预测

准确预测电力系统短期负荷有助于灵活规划系统资源、合理安排机组工作调度以及提高系统运行效率。针对负荷预测精度问题,文中提出了一种基于CEEMD-ITSA-BiLSTM(Complete Ensemble Empirical Mode Decomposition-Improved Tunicate Swarm Algorithm-Bidirectional Long Short-Term Memory)的短期负荷预测模型。对时序性负荷数据进行CEEMD分解,得到若干个平稳的IMF(Intrinsic Mode Function),并对每个IMF进行BiLSTM建模预测。为了提高BiLSTM的精度,采用ITSA算法对BiLSTM的隐含层节点数、学习率和训练次数等超参数进行参数寻优,建立CEEMD-ITSA-BiLSTM负荷预测模型。文中以实际负荷数据进行仿真实验,对比了单一BiLSTM和不同算法优化的BiLSTM模型,结果表明CEEMD-ITSA-BiLSTM模型的RMSE(Root Mean Square Error)、MAE(Mean Absolute Error)和MAPE(Mean ...     

电力设备IR图像特征提取及故障诊断方法研究

针对电力设备红外图像批量诊断中故障特征参量提取及参数配置难题,采用粒子群算法(PSO)与Niblack算法相结合的方法,将设备热像从背景中分割出来并提取出设备的最低、最高及平均温度等参量,通过计算设备各温升特征,构建支持向量机(SVM)样本特征空间。采用优化的蝙蝠算法(BA)对SVM参数进行寻优,并利用最优参数配置下的SVM实现设备故障诊断。对220组图像样本测试结果表明：该红外图像故障诊断方法在电力设备热故障缺陷检测方面的效率及准确率较高,适用于电力大数据中非结构化红外图像的批量分析与处理。     

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。