改进神经网络在模拟电路故障诊断中的应用

研究模拟电路故障诊断准确性问题.电路故障与引起故障因素之间呈高度非线性,传统故障识别方法无法识别其非线性特点,导致传统故障方法的诊断精度低.为了提高电路故障诊断的精度,提出一种遗传算法优化BP神经算法的模拟电路故障诊断方法.首先对故障电路样本进行特征提取和归-化处理,然后采用遗传算法对BP神经网络参数进行优化,最后利用最优参数BP神经网络对电路故障样本进行训练和建模,获得电路故障诊断结果.在MATLAB平台上对模拟电路故障进行仿真测试,仿真结果表明,与传统模拟电路故障诊断方法相比,提高了模拟电路故障诊断精度,缩短了故障诊断时间,在模拟电路故障中有着广泛的应用前景.     

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.     

小波神经网络在模拟电路故障诊断中的应用

研究模拟电路优化问题,电路系统存在非线性和漂移会引起系统故障.针对BP神经网络在模拟电路故障诊断上存在的收敛速度慢、易陷入局部最小等不足,为解决上述问题,提出基于小波神经网络的模拟电路故障诊断方法.采用正弦信号仿真模拟电路,应用小波变换对模拟电路响应的采样信号进行故障特征提取,建立故障字典,利用神经网络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诊断.故障诊断仿真表明,保证较高故障诊断正确率RBF网络的训练次数得到了极大地缩小,极大地提高了模拟电路故障诊断的效率,为设计提供了依据.     

基于深度极限学习机的模拟电路故障诊断

针对模拟电路故障诊断中特征提取以及模型训练时间较长的难题,采用了一种基于深度极限学习机的模拟电路故障诊断算法。该算法将深度学习中自编码器的思想引入到极限学习机中,构建深度网络,将底层的故障特征转换更加抽象的高级特征,能自主地学习数据特征,避免了繁琐的特征提取和选择。最终通过Sallen-Key和四运放双二次高通滤波2个模拟电路进行仿真研究,实验结果验证了算法在模拟电路故障诊断上的可行性,也表明模型学习速度快、泛化能力好,具有较强的诊断能力,故障诊断分类准确率可以达到100%,诊断时间在0.3 s左右。     

模拟电路的故障度量化算法

提出了一种可以评价模拟电路工作状态的故障度量化算法.因为模拟电路里存在一些模糊量,本文将模拟电路视为模糊系统.提出了基于模糊隶属函数的故障度量化函数,并与决策函数相结合构成了模拟电路故障度量化算法.对模拟电路的故障程度进行精确量化,有助于模拟电路故障诊断和故障修复.故障度量化算法可以计算模拟电路的全局故障度,从而准确地、客观地评价模拟电路的故障水平.     

大规模直流模拟电路软故障区间诊断方法

为了解决大规模模拟电路软故障诊断困难的问题,提出一种网络撕裂法、区间故障状态描述和模糊神经网络相结合的直流模拟电路软故障诊断方法.首先仿真出可能的故障元件单独在其全局取值范围内变化时对应的子网络中所有可测节点的电压区间值,再根据元件参数容差将电压区间值拆分成多个子区间,从而实现了元件故障状态的完整描述;考虑到神经网络难以处理区间数据的问题,先利用模糊算法对输入信号进行预处理,再采用神经网络来实现故障元件定位.最后通过电路诊断实例,验证了该方法的有效性.     

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。     

一种基于模糊神经网络的模拟电路故障诊断方法

提出了一种采用小波分析与遗传算法相结合的模糊神经网络对模拟电路进行故障诊断的新方法。该方法采用基于小波分析的主成分分析方法对网络的训练样本进行预处理,提取优化向量后利用遗传算法对模糊神经网络进行训练。对两个模拟电路的诊断实例表明该方法故障覆盖率高,并能有效诊断出同类方法误诊的故障类型。     

基于Treelet变换的模拟电路故障诊断

针对模拟电路故障诊断中特征向量冗余的问题,提出一种基于Treelet变换的模拟电路故障诊断方法.Treelet变换是一种自适应的多尺度的数据分析方法,适用于对高维数据降维和特征选择。文中首先对被测电路的输出信号采样,将采集到的信号进行Treelet变换,提取故障特征向量,最后将得到的特征向量输入BP神经网络进行故障模式识别。仿真实验结果表明,该方法能够有效地提取电路故障特征。与其他故障特征提取方法相比较,基于Treelet变换的模拟电路故障诊断方法具有较高的故障诊断率和收敛速度。     

基于模糊BP神经网络的模拟电路实时故障诊断

以进行模拟电路实时故障诊断为主要目的,对BP神经网络故障字典法进行了深入研究,针对传统BP算法收敛速度慢、易产生局部最优等不足,采用神经网络与模糊理论相结合的方法,根据模式识别原理实现模拟电路故障的实时诊断。实验结果表明:该算法在网络收敛速度和识别精度上较传统的BP算法均有明显的改善。     

模糊聚类与SVM诊断模拟电路单软故障的方法

针对低可测性模拟电路中存在的模糊组问题,提出一种模拟电路单个软故障诊断的方法．该方法对被测电路的故障进行模糊聚类,根据聚类的有效性指标自适应确定聚类数,并利用聚类的信息来确定可测元件集,引入支持向量机对故障进行分类识别．支持向量机结构简单、泛化能力强．最后,以模拟和混合信号测试标准电路证实了文中方法的有效性．     

Fault diagnosis of turbine based on fuzzy cross entropy of vague sets

The fuzzy cross entropy of vague sets, so-called vague cross entropy, is introduced by analogy with the cross entropy of probability distributions. And then a new method of the fault diagnosis is proposed on the basis of the vague cross entropy and is applied to the fault diagnosis of turbine. The vague cross entropy between a testing sample and the knowledge of system faults is evaluated in the fault diagnosis of the turbine vibration. If the cross-entropy value is small, the testing sample is near to a type of fault knowledge. Then, the type of vibration fault is determined according to the minimum cross-entropy value. The fault-diagnosis example of the turbine demonstrates that the proposed method cannot only diagnose the main fault types of the turbine, it can also detect useful information for future trends and multi-fault analysis.     

基于SVM的低压直流断路器故障诊断研究

低压直流断路器作为电力系统控制和保护的最重要的开关设备之一,它的可靠运行关系着电力系统的安全稳定性;因此实现低压直流断路故障诊断对于提高电力系统可靠性和稳定性方面具有重要意义;首先搭建了低压直流断路器信号监测与采集平台,然后提取断路器在分合闸过程中的机械振动信号和线圈电流信号的特征量作为训练和识别故障的特征,最后研究了SVM对电流、振动特征向量的故障诊断效果;结果表明:SVM能够实现低压直流断路器故障诊断,并且在融合振动信号和电流信号时的诊断效果更好。     

基于模糊熵的轨道电路分路不良故障自动预警系统设计

为使预警软件能够准确识别轨道电路分路的不良故障行为,设计基于模糊熵的轨道电路分路不良故障自动预警系统。设置电源电路,借助RS485转RS232接口模块,将电源回路与微处理器元件、显示及报警模块相连,完成轨道电路分路不良故障自动预警系统硬件设计。根据熵性质定义条件,求解模糊熵参数,以此为基础,分析故障信号的模糊特征,完成模糊熵算法的预警原理研究。完善编码器-解码器结构模型,根据预警指标取值结果,界定警限区域范围,实现轨道电路分路不良故障预警体系的建立,完成基于模糊熵的轨道电路分路不良故障自动预警系统软件设计。对比实验表明,应用基于模糊熵自动预警系统,可将非故障电压与故障电压之间的差值水平控制在0.05kV之内,在提升系统主机对于轨道电路分路不良故障行为的预警能力方面具有突出应用价值。     

基于融合特权信息支持向量机的模拟电路故障诊断新方法

针对模拟电路故障诊断复杂多样难于辨识的问题,提出了基于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(PCA)——特征提取;然后将训练集输入融合特权信息支持向量机进行训练获得故障诊断模型;最后将测试集输入训练好的支持向量机分类模型,实现对不同故障类型的识别。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,不仅能够正确分类单故障而且能够有效分类多故障,其中单硬故障情况下平均故障诊断率达到了99%以上,为模拟电路故障诊断提供了新的途径。     

Syndrome-decoding algorithms for static-diagnosis models

The problem of finding fault patterns consistent with a given syndrome is discussed for graph-theoretical diagnosis models such as the fault-diagnosis and self-diagnosis models. The fault-diagnosis model consists of two types of vertices, fault units and measurements, and is expressed by a bipartite graph. Faulty states of a fault unit always imply abnormal states of all the measurements which are adjacent to the unit, otherwise a measurement remains normal. A self-diagnosis model consists of one type of unit which has the capability of testing other units and being tested itself. The testing relation is represented by a directed arc; this produces test outcomes which are invalid if the testing unit is faulty. The inverse system which yields a fault pattern from a corresponding syndrome for fault-diagnosis models is studied and a syndrome-decoding algorithm is proposed which works for some class of diagnosis models with observation noise. The algorithm uses a similar measure to the syndrome-decoding algorithm of error-correcting codes which use the Hamming distance. Another measure is presented for the self-diagnosis model expressed by a directed graph and this measure is characterized by a ranking method.     

Fault isolation in analog circuits using a fuzzy inference system

This paper introduces a fuzzy inference system (FIS) for single analog fault diagnosis. The ability of fuzzy logic to encode structured knowledge in a numerical framework is exploited in isolating faults in analog circuits. A training set that simulates the behaviour of the circuit due to a set of anticipated single faults as well as the fault-free situation is first constructed. For each anticipated fault, this set relates the circuit measurements to the corresponding deviation in the faulty circuit element from its nominal. These measurements and the deviations in circuit elements are both fuzzified into appropriate linguistic fuzzy values. A fuzzy rule base for each fault that characterizes the circuit response by linking symptoms to causes is built. The outputs of the fuzzy rule bases are then defuzzified to recover crisp values for the deviations in circuit elements. A fault diagnosis procedure that utilizes the proposed FIS is also presented along with a brief analysis and comparison with a number of existing artificial intelligence-based techniques. A test example that demonstrates the potential of this procedure in fault isolation is illustrated.     

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。     

基于小波变换和支持向量机的模拟电路故障诊断方法研究

提出一种利用小波变换提取模拟电路故障特征和基于支持向量机状态分类的模拟电路故障自动识别和诊断方法。首先讨论小波变换的基本原理和支持向量机原理及其多分类算法,同时着重研究支持向量机的一种改进型一对多故障分类算法,然后实现在小波变换上,采用分布式多SVM分类器识别单相桥式整流模拟电路的故障。实验证明,该方法能准确有效地对模拟电路故障进行识别和诊断。     

Complex system fault diagnosis based on a fuzzy robust wavelet support vector classifier and an adaptive Gaussian particle swarm optimization

This paper proposes a robust loss function that penalizes hybrid noise (i.e., Gaussian noise, singularity points, and larger magnitude noise) in a complex fuzzy fault-diagnosis system. A mapping relationship between fuzzy numbers and crisp real numbers that allows a fuzzy sample set to be transformed into a crisp real sample set is also presented. Furthermore, the paper proposes a novel fuzzy robust wavelet support vector classifier (FRWSVC) based on a wavelet base function and develops an adaptive Gaussian particle swarm optimization (AGPSO) algorithm to seek the optimal unknown parameter of the FRWSVC. The results of experiments that apply the hybrid diagnosis model based on the FRWSVC and the AGPSO algorithm to fault diagnosis demonstrate that it is both feasible and effective. Tests comparing the method proposed in this paper against other fuzzy support vector classifier (FSVC) machines show that it outperforms them.