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。     

基于红外的TPA和IAOA BiLSTM电路芯片故障诊断

为了提高电路芯片故障诊断准确率,超参数设置的效率以及特征提取效率,提出一种基于时间模式注意力机制(TPA)的改进算数优化算法(IAOA)优化双向长短期记忆网络(BiLSTM)的电路故障诊断方法。首先,利用IAOA搜寻BiLSTM的最优超参数组合,提高模型诊断精度;然后使用TPA提取重要特征并分配权重,改善模型特征提取能力;最后,将红外摄像仪采集的红外温度数据输入到最优诊断模型中,实现电路芯片故障诊断。实验采用0～30 V可调稳压电源电路进行验证。结果表明,该模型对电路芯片故障诊断准确率高达9827,可实现对电路芯片的高准确率故障诊断。     

电路板故障诊断中神经网络信息融合技术的应用

将信息融合技术应用到导弹电子设备的电路板故障诊断之中．提出了一种基于红外热成像实验的温度故障隶属度函数构造形式以及改进的BP神经网络算法。进行了BP神经网络信息融合故障诊断的实验研究．从结果看信息融合能较好地解决电路板元件故障诊断的不确定性问题。     

基于SSA优化BP神经网络的冲击地压数据预测研究

为解决目前冲击地压实验数据误差较大,冗余信息较多的问题,结合神经网络和麻雀搜索算法各自的特点,提出基于麻雀搜索算法(SSA)优化BP神经网络的数据预测模型。结合三轴声发射试验的试验数据,运用MATLAB等软件进行综合仿真模拟实验,并将SSA-BP算法的预测结果与BP神经网络的模拟预测结果进行仿真比较。仿真结果表明,引用SSA算法优化BP神经网络避免了BP权值平衡的缺点,不仅提高了学习的速度,而且具有更高的计算精度。     

基于改进麻雀搜索算法优化BN的变压器故障诊断研究

针对变压器故障诊断准确率低和稳定性差的问题,文中提出了一种改进麻雀搜索算法优化贝叶斯网络的变压器故障诊断方法。首先,通过计算互信息建立最大支撑树并进行定向处理得到贝叶斯网络初始结构即初始种群。然后,在算法中引入一种新的合作机制和正弦余弦算法,提高算法收敛速度和全局搜索能力,并利用油中溶解气体分析,创建基于改进麻雀搜索算法优化贝叶斯网络的变压器故障诊断模型。最后,为了证明所提方法的优越性,将所提的方法与现有变压器故障诊断方法进行对比。结果表明,文中所提出的方法故障诊断率最高,可以更精准地对变压器进行故障诊断。     

基于改进脉冲耦合神经网络的电路板红外图像分割

电路板红外图像发热芯片区域准确分割是电路板故障诊断的关键步骤,但灰度不均匀、目标区域多、辐射噪声大使电路板红外图像的准确分割变得较为困难。针对这一问题,本文提出一种改进的脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)红外图像分割模型。首先,调整传统PCNN的模型结构,将图像梯度信息作为输入信号增加到模型输入域;其次,基于最大似然估计原理,推导出链接系数β的动态调整方法;最后,在脉冲发生域引入边缘约束算法,防止邻域神经元误捕获,增强目标区域的可分割性。实验结果表明,改进模型能够有效降低背景及辐射噪声影响,准确分割出不同类型电路板红外图像目标芯片区域,在视觉效果、区域一致性和对比度方面均优于已知的Ostu、K-means和传统PCNN模型,分割性能得到明显增强。     

基于卷积融合字典的电路板红外图像去噪研究

由于红外图像存在噪声,电路板芯片定位困难,因此基于红外图像的机载电路板故障诊断方法在实际应用中诊断效果并不理想。针对此问题,本文在卷积稀疏编码和字典学习的基础上,提出了一种基于卷积融合字典学习的航电系统电路板红外图像去噪算法。首先,并行融合改进卷积稀疏编码结构和离散余弦变换字典形成复合初始化字典,以有效提取电路板红外图像特征;接着,建立稀疏特征矩阵,更新红外图像特征原子;最后,将稀疏特征系数带入算法对模型进行训练和测试,完成电路板红外图像的去噪重构。实验采用航电系统电源电路板进行可靠性分析,实验结果表明,与K SVD和卷积网络去噪方法相比,本文算法在图像视觉效果,输出PSNR和SSIM方面更具优势,具有更好的去噪效果。     

基于改进麻雀搜索算法优化BP神经网络的气动光学成像偏移预测

气动光学效应导致的目标图像偏移对于飞行器的导航、定位以及寻的影响很大,对气 动光学成像偏移的实时补偿具有重要的实用价值。提出了一种基于改进型麻雀搜索算法 优化BP神经网络(improved sparrow search agorithm optimized BP neural network, ISSA-BP)的模型,对气动光学成像偏移进行预测。为提高预测算法的 搜索和跳出局部最优的能力,在标准麻雀搜索算法(sparrow search algorithm,SSA)中借助鸟群算法(bird swarm algorithm,BSA)飞行行 为的思想,使加入者以一定的概率向发现者靠近,缩短了算法的运行时间,保证了全局收敛 和种群的多样性。最后将 算法模型与BP神经网络模型和麻雀搜索算法优化BP神经网络(sparrow search algorithm BP,SSA-BP)模型进行对比 ,使用三种评价指标对三种算法模型进行评价, 结果表明的ISSA-BP模型能够及时准确的对气动光学成像偏移进行预测,ISSA-BP 模型的均方误差(MSE)、平均绝对误差(MAE)和决定系数(R²)分别为2.511、1.969和0.999。     

基于MIV和BRBP神经网络的电路板红外诊断方法

针对BP神经网络对于海量数据训练及多维数据训练收敛困难的问题,在使用增加动力项、自适应学习速率等方法的基础上,引入均值影响度算法(MIV)构造了贝叶斯正则化反向传播(BRBP)神经网络,以此提高电子线路板红外故障诊断算法的效率。利用红外测温方式,获取了不同室温及运行状态下电路板中21个元器件温度数据。将此21个参数作为故障诊断模型的初始输入变量,经过MIV算法简约为12个参数输入至BRBP神经网络,进行故障评估和诊断。结果表明:相对于传统的BRBP神经网络,本文设计的基于MIV和BRBP神经网络模型诊断方法极大简化了数据训练的数据量并解决了数据收敛的困难,因此效率更高,用时更省。     

基于红外热图的机载电路板故障模式诊断研究

作为一种新型的非接触式检测方法,基于红外热成像技术的机载电路板故障模式诊断方法受到越来越多的关注。本文针对传统基于红外热图的电路板故障检测算法中存在的缺陷,提出一种结合红外图像分割、热阻网络、支持向量机SVM(Support Vector Machine)与D-S证据理论的故障检测算法。首先,通过红外图像分割完成目标芯片区域温度提取,应用热阻网络模型对目标区域温度信息进行优化;其次,提取温度信息特征向量分别输入对应的初级SVM诊断模块,输出各故障模式的加权基本概率分配值BPA(Basic Probability Assignment);最后,应用D-S证据理论对各证据体加权BPA进行数据融合,输出融合后的故障诊断结果。实验结果表明,本文算法加强了有效证据体对诊断结果的正面影响,削弱了无效证据体的负面影响,大幅度提高了机载电路板故障模式诊断准确度。     

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IDDT和SVM的混合电路故障诊断探究

混合电路待测数据受限,存在故障诊断速度较慢、效率有限等问题,提出了一种基于动态电流测试结合支持向量机的混合电路故障诊断方法,其基本思想是运用小波分解提取混合电路动态电流的有效信息,再融合SVM进行故障诊断。采用标准样本Iris数据集研究、确定了多类支持向量机的算法,采用高斯径向基核函数,运用改进的网络搜索方法进行了粗搜索和细搜索,以确定出SVM的最佳参数对。PSPICE及MATLAB软件对混合电路实例的仿真表明,该方法模式识别能力较强,可改善BP神经网络的收敛速度慢和容易陷入局部极小值等不足,适用于混合电路故障的快速准确诊断。     

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。     

基于红外热图序列的板级芯片故障诊断研究

提出一种基于红外热图序列的板级芯片开/短路缺陷检测方法。首先记录芯片关键区域在上电程序响应过程的温度均值序列,运用Savitzky Golay卷积平滑法对其平滑滤波后提取时域特征参量,利用主成分分析法优选关键特征;然后构建支持向量机分类模型,利用粒子群算法优化支持向量机模型参数,使其能有效区分不同的电路板故障类型。为验证提出的方法在芯片开/短路缺陷检测中的有效性,在开发板上的主控芯片上进行了多种焊球开/短路模拟实验。结果表明,优化后的分类模型在测试集的交叉验证分类准确率为96.90%,证明了该方法诊断芯片开/短路缺陷的有效性。     

基于Elman神经网络的飞机电源系统欠压故障诊断研究

分析了飞机电源系统欠压故障的发生原因和判别,尝试了一种基于改进E lm an神经网络的飞机电源欠压故障仿真方法,在阐述E lm an网络理论的基础上,将改进E lm an网络应用于飞机电源欠压故障的诊断,分析了网络结构、学习算法、特征提取和故障判别方法;网络模型应用了故障样本及专家经验知识,并通过学习使模型不断完善。通过实验数据验证,该网络模型和故障诊断方法是可行和有效的。     

一种基于小波-神经网络的模拟电路故障诊断方法

小波分析具有数据压缩和特征提取的特性,神经网络具有非线性映射和学习推理的优点。结合两者的特点,提出了一种基于小波与神经网络的模拟电路故障诊断方法,该方法用小波变换对电路响应信号进行特征提取,从而简化神经网络的结构,降低计算的复杂度,加快了训练速度。对实例仿真表明,该法能有效地对模拟电路进行故障诊断。