基于优选小波基和模糊SOM网络的模拟电路故障诊断

为了解决模拟电路故障诊断中的特征提取困难并实现对模拟电路故障模式准确的分类,提出一种优选小波基、模糊理论和自组织特征映射网络(SOM,self-organizing feature map)相结合的模拟电路故障诊断方法.该方法首先对模拟电路故障响应信号进行小波分解、提取能量值、均值和方差组成输入特征向量,同时采用余弦分离度评价小波变换在不同小波基函数下获取故障特征的有效性,据此选择余弦分离度最小的小波基分解的特征向量输入到自组织特征映射网络进行故障分类.仿真实验表明,利用余弦分离度选择的最优小波基能有效提高模拟电路故障特征提取,模糊神经网络能对故障模式进行精确分类.     

基于狼群算法的RBF神经网络模拟电路故障诊断

提出了一种新的方法来进行模拟电路故障诊断。该方法包括Haar的小波分解,对数据的归一化处理,以及用狼群算法优化RBF神经网络。用Haar小波对所得的电路原始故障数据集进行变换,然后对变换后的数据进行归一化处理,最终得出RBF神经网络训练所需的输入数据。针对RBF神经网络中隐层节点中心、基函数宽度及权值选取困难问题,使用狼群算法来优化训练RBF神经网络,以提高网络训练稳定性与诊断成功率。通过两个电路的诊断实例,来论述这些方法的具体实现过程,验证用该方法进行模拟电路故障诊断的可行性。     

基于小波分析的最优故障特征提取研究

针对因模拟电路的故障模型复杂、有容差、非线性等导致的模拟电路故障特征提取难度大、严重依赖于专家的经验的现状,对基于小波分析的模拟电路最优故障特征提取技术进行了研究;以四运放电路为实验基础,采用Morlet和Haar两种小波基分别从不同的维度上做数据预处理,能量化、归一化后组成故障特征,而后通过克隆选择算法的诊断结果分析对比特征提取的效果;实验结果为通过两种小波基提取的故障特征在不同的情况下达到最高故障诊断率均接近89%,表明基于两种小波基的故障特征提取技术都是优秀可用的,以及单点采样数据的有效性;同时实验结果还反映了模拟电路故障特征的详细程度与诊断正确率成正比例关系;这对实际复杂模拟电路的故障特征提取具有指导性的意义。     

基于小波变换多分辨率特征提取的模拟电路故障诊断方法研究

提出一种基于小波变换多分辨率特征提取的模拟电路故障诊断的方法。该方法先对采样后的故障信号进行小波分解,提取各频段系数作为特征向量输入到神经网络进行训练。通过带通滤波器电路诊断的实例,阐述该方法的具体实现,验证该方法可以有效地简化神经网络结构和减少它的训练时间,快速高效地进行模拟电路故障的诊断和定位。     

基于因子分析的模拟电路故障特征提取技术研究

针对LS-SVM算法中小波提取特征存在小波基函数选择和小波分解层次、系数选取的问题,提出了一种基于因子分析技术的故障特征识别方法;该方法通过构建采样数据的相关矩阵求出因子载荷和因子得分,按照累计贡献率自动提取出1~3个因子组成特征向量,从而降低了输入维度,提高了算法训练诊断效率,降低了收敛难度;四运放典型电路的仿真实验结果表明:文中算法的诊断正确率超过了同类方法,同时提高了训练时间和诊断效率。     

基于K均值与WPA-RBF神经网络模拟电路故障诊断

针对模拟电路故障诊断进行了研究,提出了一种新的方法。该方法包括haar的小波分解,对数据的归一化处理,以及用K均值优化RBF的中心向量和宽度,用狼群算法优化RBF的权值。首先用haar小波对所得的电路原始故障数据集进行变换,然后对变换后的数据进行归一化处理,最终得出RBF神经网络训练所需的输入数据。针对RBF神经网络中隐层节点中心、基函数宽度及权值选取困难问题,这里用K均值优化RBF的中心向量和宽度,用狼群算法优化RBF的权值,以提高网络训练稳定性与诊断成功率。最终通过两个电路的诊断实例,来论述该方法的具体实现过程,验证用该方法进行模拟电路故障诊断的可行性。     

模拟电路故障诊断新方法

提出了一种新颖的基于多小波神经网络的模拟电路故障诊断方法。介绍了多小波的原理,分析了多小波神经网络的结构、逼近性质及多小波神经网络的算法,提出了用多小波来处理故障信号,提取故障特征向量输入给神经网络,从而进行模拟电路故障诊断。由于多小波函数具有连续、对称性及支撑集短等一系列优点,所以用多小波神经网络来进行模拟电路故障诊断比一般的小波神经网络具有诊断精度高、诊断速度快的优点。给出了仿真诊断实例,验证了该方法的有效性。     

一种基于小波分析和神经网络的模拟电路故障诊断的方法研究

提出了一种基于小波分析和神经网络的电路故障诊断方法.首先用PSPICE(Simulation Program with Integrated CircuitEmphasis,即集成电路编程仿真技术)电路仿真软件对电路进行仿真;然后对电路的输出节点电压信号进行小波分解,提取各频段的能量作为故障样本;最后利用神经网络的并行处理结构和非线性映射能力,实现故障诊断.仿真实验结果表明该方法对容差模拟电路故障定位具有较高的准确率,为模拟电路故障诊断技术开辟了一条道路,为模拟电路故障诊断技术开辟了一条道路.     

基于小波分析和支持向量机的模拟电路故障诊断

针对模拟电路故障诊断,采用基于小波分析和支持向量机的诊断测试方法,将方波信号作为输入信号激励电路,对电路的响应信号进行小波分析并提取信号的能量作为故障特征向量,并最终利用SVM的一对一多分类方法实现了故障分类。通过对ITC97中的Elliptical Filter电路仿真验证表明,方波信号能够比单频信号更好地激励电路故障,本文所采用的方法能够有效地应用于模拟电路的故障诊断测试中。     

一种基于马氏距离的模拟电路软故障检测算法

提出了一种基于小波分解和马氏距离判定准则的模拟电路软故障检测算法;在pspice环境,完成了一个低通滤波电路在常态和各软故障模式下的Monte-Carlo仿真,分别采样常态及各故障状态下输出节点电压并进行小波分解,利用近似系数分别求出无故障态和各故障模式下的马氏距离,并以此作为故障判定依据。仿真及计算结果显示,这种故障检测算法对模拟电路的软故障具有良好的识别能力,且具有算法简单、计算量小的优点。     

实现模拟电路高诊断率的方法

针对神经网络诊断模拟电路故障中可能存在误诊这一不足,从多分辨分析理论出发,将一维小波的尺度函数和小波函数进行张量积,把得到的张量积小波的尺度函数和小波函数共同作为网络的激励函数,构造了一种小波神经网络,并用该小波神经网络诊断实例模拟电路.仿真结果表明,该小波神经网络不仅能够诊断出已训练的故障类型,而且还能对新故障进行正确的分类,避免了误诊情况的出现.     

基于BP小波神经网络的模拟电路故障诊断

针对现有BP网络在模拟电路故障诊断中存在的问题,提出了一种基于BP小波神经网络的故障诊断方法.该法将小波函数与BP网络结合构成BP小波网络,这种网络具有小波变换的时频局域化性质和BP网络的自学习能力.分别用BP小波网络和传统BP网络对实例电路进行故障诊断,结果表明本方法是有效的,而且比传统BP网络方法的学习收敛速度快得多.     

基于小波包神经网络的模拟电路故障诊断

提出了基于小波多分辨分析和小波包预处理的模拟电路故障诊断方法。该方法用小波作为信号预处理工具,经小波多分辨分析得到N层分解后的低频和高频信号,再利用小波包分析对多分辨分析没有细分的高频信号进一步分解,以达到提高频率分解率的目的。经PCA分析和归一化后的能量作为训练样本送入BP神经网络进行训练。仿真实验表明此方法能够快速有效的对模拟电路的故障进行诊断和定位。     

模拟电路故障诊断技术研究

研究了模拟电路故障诊断方法。主要讨论了测前模拟法、测后模拟法、近似技术、专家系统的模拟电路故障诊断方法和神经网络、模糊理论、小波变换的模拟电路故障诊断新方法及原理。     

一种模拟电路的支持向量机故障诊断方法

系统地提出了模拟电路的最小二乘小波支持向量机故障诊断方法。从测试点得到各种故障状态下的输出电压信号，对输出电压信号进行小波去噪，对信号进行小波分解获取多尺度的低频系数和高频系数，并对小波系数进行处理从而提取出故障特征量，以此作为学习样本来训练最小二乘小波支持向量机，确定其模拟电路故障诊断的模型。雷达系统电路仿真结果表明了模拟电路的小波变换和最小二乘小波支持向量机故障诊断方法取得了较好的效果。     

基于小波包Tsallis熵和RVM的模拟电路故障诊断

针对模拟电路故障难以识别等问题,提出一种基于小波包Tallis熵和多分类相关向量机(Rele-vance Vector Machine,RVM)的模拟电路故障诊断方法.该方法采用脉冲信号仿真模拟电路,应用小波包变换对采集到的故障响应信号进行分解,通过提取不同频带内的Tsallis熵作为故障特征值,利用相关向量机对各种状态下的特征向量进行分类决策,实现模拟电路的故障定位.实验结果表明,提出的故障诊断方法相较于现有的故障诊断方法能较好地提取故障特征,极大地提高模拟电路故障诊断的效率.     

基于DCQGA-SMKL-SVM的模拟电路故障诊断方法

提出了双链量子遗传算法(DCQGA)优化简单多核支持向量机(SMKL SVM)的模拟电路故障诊断方法。首先,提取测试电路时域响应信号,用Harr小波对响应信号进行变换并归一化处理,得到特征参数;其次,用双链量子遗传算法优化SMKL SVM的参数,以此建立起DCQGA SMKL SVM故障诊断模型,用于模拟电路故障诊断。双二次滤波器电路与四运放二阶高通滤波器电路作为仿真测试电路,仿真测试结果表明,提出的故障诊断方法实现了模拟电路故障诊断,相比于DCQGA SVM模拟电路故障诊断方法,诊断正确率更高。     

基于WPT和FOAGRNN的模拟电路故障诊断

为提高对模拟电路故障模式的准确分类和减少网络模型的训练时间,提出基于小波包变换(WPT)和果蝇算法(FOA)优化广义回归神经网络(GRNN)的模拟电路故障诊断方法。首先采用小波包变换提取电路优质故障特征,以减少网络训练时间,然后建立GRNN网络模型,选择FOA算法优化GRNN网络参数,构建最优模型对电路故障特征进行训练测试,最后采用仿真测试其性能。实验结果表明,FOA算法有效提高诊断模型训练效率,相比于其它电路故障诊断模型,FOAGRNN模型具有更高的诊断率和优越性。