基于动态RBF神经网络的模拟电路故障诊断

提出一种基于动态RBF神经网络的模拟电路故障诊断方法.该方法利用小波变换对故障信号进行预处理,提取特征向量建立故障字典,采用最近邻聚类算法构建动态RBF神经网络,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.仿真结果表明该方法具有训练速度快,故障准确率高,容错能力强的特点.     

基于BP算法的模拟电路故障诊断

文中就BP神经网络的学习算法进行了分析,使用PSPICE软件对电路进行仿真,在此基础上建立了模拟电路的BP神经网络故障字典库。通过查阅字典库实现模拟电路的故障诊断。指出了BP神经网络在模拟电路故障诊断过程中存在的网络泛化性能差的问题,并提出了解决办法。经过仿真实验验证,这种方法用与模拟电路故障诊断相结合能够提高神经网络检测故障的智能性,提高故障诊断的准确性,结果较好,具有一定的应用价值。     

基于PCA和MPGA优化神经网络的整流器故障诊断

针对电力电子整流电路故障识别方法中的信号提取与模式识别两个核心问题,提出一种基于主元分析(PCA)和改进多种群遗传算法(MPGA)优化BP神经网络的三相整流装置电路故障识别方法。首先采用主元分析提取故障信号中对应的故障特征向量,然后利用移民算子与迁徙算子结合的MPGA优化BP神经网络分类器进行故障类型的识别。仿真结果表明,该方法对三相桥式整流装置进行故障诊断能准确识别与定位各故障类型,而且具有鲁棒性更好,诊断正确率更高的特点。     

基于双神经网络的模拟电路故障诊断

对模拟电路故障诊断提出了一种双神经网络的诊断方法,该方法通过将电路故障模式分类的预处理,再用双神经网络分别对不同的故障模式类进行诊断.仿真实验表明,该方法能够实现故障检测及定位,具有准确率高的特点.     

基于小波分形分析和脊波网络的模拟电路故障诊断方法

提出了一种新型的脊波网络方法来进行模拟电路的故障诊断,这种系统化的方法采用小波分形分析、主元分析和数据归一化作为数据预处理器来进行故障响应信号的预处理,采用脊波网络进行故障元件的分类,并采用主元分析方法选择脊波网络隐层脊波元的数目。仿真结果表明,提出的诊断系统能有效地实现模拟电路的故障诊断,不但能有效地诊断模拟电路的单故障情况,还能诊断多故障情况。     

基于小波神经网络的模拟电路故障诊断改进

在运用神经网络进行模拟电路故障诊断的过程中,代表着故障特征的网络输入至关重要,由于小波变换的时频局部化和多尺度分析等特性,将两者结合起来,通过小波变换对模拟电路的输出响应进行故障特征提取,同时解决PSPICE与MATLAB之间的数据通信问题,提出将蒙特卡罗分析产生的所有训练样本经过处理后输入到一个神经网络进行训练的方法,从而避免了训练多个神经网络。利用神经网络对各种故障模式进行分类,实现模拟电路的故障诊断,并进一步与传统的BP网络故障诊断法进行比较。仿真结果表明,该方法可以实现故障检测及定位,诊断的准确率显著提高,适用于模拟电路故障诊断。     

基于粒子群算法的模拟电路故障诊断方法

提出一种基于小波包分解、主元分析、归一化处理、粒子群算法与神经网络相结合的模拟电路故障诊断新方法。该方法使用小波包分解来对信号进行消噪和小波多尺度分解,再进行正交主元分析和归一化处理来提取故障特征信息,作为神经网络的输入样本。在充分考虑传统BP算法中采用梯度下降法所固有的极易陷入局部极小等缺陷的基础上,提出了采用粒子群算法来优化传统BP网络的方法。文中研究了故障特征信息的提取、样本选择及诊断系统,并通过电路诊断实例,阐述了该方法的具体实现,验证了所提方法的有效性。     

容差模拟电路软故障诊断的神经网络方法

为了提高诊断容差模拟电路软故障的速度与准确性,提出了一种随机算法、灵敏度分析、免疫遗传算法与神经网络相结合的软故障诊断方法.该法首先利用基于随机算法的灵敏度分析来解决电路发生软故障时测试节点与激励信号频率选择困难的问题,然后对待测电路施加所选的激励并在所选择的测试节点处提取节点电压,这些电压值再经主元分析与归一化处理作为故障特征,输入神经网络.为了解决传统BP算法本身固有的易陷入局部最优等缺点,引入免疫遗传算法来进行优化,形成基于免疫遗传算法的BP神经网络,进行故障分类.本文详述了其诊断原理及诊断步骤,并通过电路诊断实例,验证了所提方法的有效性.     

基于PCA和SVM的模拟电路故障诊断

针对电路故障诊断中存在的样本要求高、推广能力弱、特征提取难等问题,提出了一种基于主成分分析(PCA)与支持向量机(SVM)相结合的模拟电路故障诊断方法.通过对电路输出响应的采样信号进行PCA处理,提取故障特征的主要成分,然后利用多类SVM对各种状态下的故障模式进行分类决策,实现被测电路的故障诊断.实验结果表明:该方法能够实现电路故障的快速检测与故障元件的准确定位,具有速度快、精度高、鲁棒性好的特点.     

一种模拟电路故障诊断方法的研究

基于模拟电路发生故障会导致电路信号小波包系数某种对应改变以及神经网络非线性逼近的特点,提出了一种基于小波包变换和神经网络的模拟电路故障诊断方法.先仿真得到正常和故障状态下的输出电压信号,然后对输出电压信号进行Haar小波包变换并提取小波包系数,并对各频段小波包系数变化值的能量进行归一化处理提取故障特征量,最后利用故障特征矢量训练神经网络确定模拟电路故障诊断的神经网络模型.仿真结果表明基于小波包变换和神经网络的模拟电路故障诊断方法取得了较好的效果.     

基于双空间的融合特权信息支持向量机模拟电路故障诊断

针对模拟电路故障诊断识别率较低的问题,提出了基于双空间特征提取的融合特权信息支持向量机的模拟电路故障诊断新方法。首先对采集的信号进行主成分分析(principal component analysis,PCA)——特征提取;并用融合特权信息支持向量机LUPI-SVM(SVM of learning using privileged information,LUPI-SVM)分类器和SVM-GA分类器进行预分类;对分类结果不同的样本进行独立成分分析(independent component analysis,ICA)—特征提取,并用LUPI_SVM进行分类识别,Sallen-Key滤波电路故障诊断仿真实验结果表明该方法有效提高了分类的性能,为模拟电路故障诊断提供了新的途径。     

基于LMD多尺度熵和极限学习机的模拟电路故障诊断

为了高速、高效的测试和诊断模拟电路,提出一种将局部均值分解(LMD)多尺度熵和极限学习机相结合的模拟电路故障诊断的新方法。该方法中,首先采用LMD将故障信号分解为若干个乘积函数(production function,PF);然后,求出各PF分量的多尺度熵并构造故障特征向量;最后,将特征向量输入到极限学习机中进行训练和测试。仿真实验结果显示采用该方法诊断时间只需0.028 74 s,诊断精度达到了98.89%。相较于其他3种方法有效减少诊断时间,提高故障诊断精度。     

基于MPE局部保持投影与ELM的螺旋锥齿轮故障诊断

针对工业工程各领域广泛应用的螺旋锥齿轮振动信号受环境噪声干扰大,出现故障时信号呈现非线性、非平稳特性,故障特征信息微弱,故障特征提取难、诊断效率低的难题,提出一种基于多尺度排列熵(multi-scale permutation entropy,MPE)-局部保持投影(locality preserving projections,LPP)与极限学习机(extreme learning machine,ELM)的螺旋锥齿轮状态识别方法。首先,构造MPE作为原始高维特征矢量;然后使用LPP对原始高维特征矢量降维,获得最优低维敏感特征矢量,挖掘并保留高维特征矢量的非线性结构特点;最后将所得敏感特征量输入ELM进行识别诊断。该方法应用于3种转速下4种故障状态螺旋锥齿轮的诊断中,并与基于MPE-PCA-ELM与MPE-ELM进行对比识别,结果有效地证明了方法的准确性和优越性。     

非线性电路多软故障的智能优化递阶特征选择诊断方法*

针对非线性模拟电路的多软故障诊断中由于部分状态特征近似而影响诊断准确率的问题,在不提高电路信息采集工作量的情况下,采用分层诊断的思路,提出了基于Wiener核的智能优化递阶特征选择方法。该方法在获得电路各种状态的Wiener核后,采用智能优化算法对各状态的核特征进行特征选择,以代表各状态的特征构成的矢量的集总欧氏距离为评价函数,对集总欧氏距离的最大值进行寻优得到最优解;再对各个特征矢量间的距离进行判别,找到相互距离小于设定阈值的各个状态,构成次阶故障状态类,对该类故障状态采用前述的方法进行智能优化故障特征选择,得到次阶各状态的最优特征矢量;以此类推,直到得到满意的分辨率为止。实验表明,该方法有效地提高了多软故障诊断的准确率。     

采用模糊支持向量机的模拟电路故障诊断新方法

为了解决模拟电路故障诊断复杂多样难于辨识的问题,有效提高分类的准确度,提出了一种模拟电路故障诊断的新方法。首先对采集的信号进行时-频域联合特征提取并采用新的模糊隶属度函数确定训练样本的隶属度,消除噪声和野点对故障诊断的影响;然后将训练集输入模糊支持向量机分类方法训练获得故障诊断模型;最后将测试集输入训练好的模糊支持向量机分类模型,实现对不同故障类型的识别。将该方法应用于CTSV滤波电路进行故障诊断仿真实验,结果显示该方法不仅能正确分类单故障而且能有效分类多故障,平均故障诊断率达到98.2%,为模拟电路故障诊断开辟新的途径。     

基于MODWPT与LFDA的模拟电路故障诊断

在模拟电路故障诊断过程中,存在故障特征信息提取不充分以及特征信息冗余的问题,对此,提出一种基于最大重叠离散小波包变换(MODWPT)与局部Fisher判别(LFDA)的模拟电路故障诊断方法。该方法中,首先利用MODWPT进行模拟电路原始信号处理与故障特征提取;随后,针对高维特征集中存在冗余信息,不利于模式识别与分类,利用LFDA方法进行降维,获取更有益于故障模式识别的低维特征集;最后,支持向量机(SVM)作为故障模式识别分类器,在此基础上构建模拟电路故障诊断模型。电路仿真实验结果表明,所提出方法的最大故障诊断准确率可达99.17%,从而验证了所提方法的有效性。     

电力电子电路拓扑向量的寻求

电力电子电路的拓扑向量可用来实现电路的拓扑辨识和故障诊断。为了减少监测变量的多样性,该文分别从单独监测电流变量或电压变量的角度来求取电力电子电路的拓扑向量。在电路中同流拓扑子集为空集的前提下,可以利用回路电流法来估计电路的电流特征矩阵,从而实现电流拓扑向量的求取;在电路中同压拓扑子集为空集的前提下,可以利用节点电压法来估计电路的电压特征矩阵,从而实现电压拓扑向量的求取。这些方法为电力电子电路拓扑辨识和故障诊断提供了理论基础。     

变工况轴承的联合分布适应迁移故障诊断

针对传统的机器学习算法在变工况条件下的轴承故障分类中诊断率低的问题,提出了基于联合分布适应(JDA)算法与K-最近邻(KNN)分类算法相结合的轴承故障诊断方法。首先该方法通过提取不同工况下的轴承故障信号的时域特征分别作为源域样本和目标域样本,并通过Fisher线性判别分析(FLDA)方法计算各个特征所占权重。然后将权重较大的特征组成的特征向量通过JDA方法进行联合分布适配,即通过核函数将源域样本和目标域样本映射到低维潜在空间,以最大均值差异(MMD)距离为度量标准,同时减小源域和目标域样本的边缘分布和条件分布差异。最后将适配完的源域和目标域样本分别作为训练集和测试集,通过KNN分类器进行模式识别,最终实现在变工况条件下的轴承故障诊断分类。通过仿真分析和实验验证,所用方法相较于主成分分析(PCA)、核主成分分析(KPCA)传统机器学习方法以及TCA迁移学习方法,显著提高了变工况条件下的轴承故障诊断精度。     

结合LMD云模型和ABC-LSSVM的 模拟电路故障诊断

针对模拟电路存在的非线性和非平稳性,以及电路元件存在容差而带来诊断时的模糊性与随机性等问题,提出了一种结合了局域均值分解(LMD)云模型特征提取和人工蜂群-最小二乘法支持向量机(ABC-LSSVM)分类器的模拟电路故障诊断法。首先,利用LMD算法对初始故障信号进行分解,再将分解的信号通过云逆向发生器计算得出分解信号的云数字特征,并将得到的云数字特征构造为故障特征向量。然后,将部分故障特征向量作为测试样本输入到ABC算法优化的LSSVM中,对各电路故障进行分类识别,得到各故障的分类精度。以两个国际基准电路CTSV和Sallen_Key电路为验证对象,结果表明,该方法提取的故障特征能很好的反映电路各故障状态信息,所提方法的故障诊断精度均达到99%。