基于相关分析的非线性模拟电路参数型故障诊断方法

针对非线性模拟电路故障诊断中参数型故障元件定位的难题,基于Volterra频域核的频谱比较,提出了利用小波滤波器组结合相关分析定位故障元件的方法．首先选择特定的激励信号测定Volterra频域核的非参数频谱;然后用小波滤波器组对得到的正常电路和故障电路的频谱序列进行子带分解;通过计算子带响应序列的相干函数,对正常电路和故障电路进行相关分析,实现参数型故障元件的特征提取．对比实验结果表明,该方法能有效提取故障特征,提高了故障诊断效果．     

基于Ｖｏｌｔｅｒｒａ频域核辨识的非线性模拟电路故障诊断

基于Ｖｏｌｔｅｒｒａ级数时域频域混合模型,提出了辨识非线性模拟电路频域核的故障诊断方法．利用混合模型辨识算法和范德蒙特法估计各种故障状态下电路响应的前３阶频域核,提取故障特征并与相应的故障模式一起构成特征样本集,借助于支持向量机多分类器进行分类识别,实现非线性模拟电路的故障诊断．阐述了诊断原理及诊断步骤,并给出了诊断实例．仿真结果表明,该方法的故障识别率较高,便于计算机计算．

     

基于Volterra频域核辨识的非线性模拟电路故障诊断

基于Volterra级数时域频域混合模型,提出了辨识非线性模拟电路频域核的故障诊断方法.利用混合模型辨识算法和范德蒙特法估计各种故障状态下电路响应的前3阶频域核,提取故障特征并与相应的故障模式一起构成特征样本集,借助于支持向量机多分类器进行分类识别,实现非线性模拟电路的故障诊断.阐述了诊断原理及诊断步骤,并给出了诊断实例.仿真结果表明,该方法的故障识别率较高,便于计算机计算.     

结合非线性频谱与核主元分析的复杂系统故障诊断方法

传统非线性频谱分析方法对复杂系统进行故障诊断时,求解出的非线性频谱数据量庞大,不便于直接用于故障检测与分类识别.本文提出了一种非线性频谱特征与核主元分析(KPCA)结合的故障诊断方法,首先通过最小二乘算法估计出前3阶Volterra时域核,由多维傅立叶变换求取出广义频率响应函数,然后利用KPCA方法对谱数据进行压缩与提取谱特征,最后利用多分类最小二乘支持向量机进行多故障检测与识别.考虑到频谱数据具有非线性的特点,KPCA中的核函数选用由多项式函数与径向基函数构成的混合核函数,兼顾了局部特性与全局特性.论文基于非线性频谱数据,给出了核主元模型建立与在线故障诊断的具体算法.对非线性模拟电路和数控机床伺服传动系统进行了仿真实验,结果表明本文方法能够大幅度降低频谱数据维数,故障识别率高,是一种实用的故障诊断方法.     

Volterra核的测量及在非线性模拟电路测试中的应用

研究了Volterra频域核的测量方法。提出一种利用优化正弦谐波信号作为系统的激励信号测量Volterra频域核的方法．将其用于测量2阶Volterra核时,没有1,3,5等奇数阶和4阶Volterra核的干扰,测量精度高．利用2阶Volterra频域核作为故障特征对非线性模拟电路进行故障诊断,仿真结果表明,故障识别率高,时问开销小,通用性强．     

基于神经网络的大规模模拟电路故障检测系统

设计了一个基于小波和神经网络的信号处理系统，该系统主要针对大规模模拟电路故障检测。针对传统诊断技术的局限性，讨论了利用神经网络方法分级诊断大规模模拟电路软故障的方案，通过小波变换提取故障特征，并利用神经网络的非线性映射特性逼近故障诊断模型。诊断结果表明基于人工神经网络的电路故障诊断方法是行之有效的。此方法具有广阔的应用前景，为大规模模拟电路故障诊断提供了新的理论依据和检测方法，并有希望研制成一套高效的检测设备。     

基于支持向量机的模拟电路故障诊断

针对模拟电路的固有复杂性及其传统故障检测方法存在延时大和正确识别率低的问题,提出基于最小二乘支持向量机和Volterra级数的故障诊断方法。采用Volterra级数频域核对电路故障特征进行提取,利用最小二乘支持向量机进行模态分类,最终完成故障诊断。仿真结果表明,该方法与BP神经网络相比提高了系统故障辨识能力与系统故障诊断速度。     

基于Volterra级数的模拟电路故障诊断

Volterra级数是一种泛函级数,时域和频域核有明确的物理意义,不依赖于系统的输入,因而完全反映了系统的本质特性。因此可以用Volterra级数作为非线性模拟电路的分析工具,通过直接分析非线性模拟电路的频率响应以提取故障特征,从而实现非线性模拟电路的故障诊断。     

基于神经网络自学习的模拟电路故障诊断方法

由于传统方法在模拟电路故障诊断中应用效果不佳,不仅错误诊断数量较多,而且故障诊断用时较长,无法达到预期的故障诊断效果,提出基于神经网络自学习的模拟电路故障诊断方法。将模拟电路等效为一个双端口网络,利用便携式模拟仪器采集双端口网络运行数据,通过小波变换信号提取模拟电路信号时域特征和频域特征,利用神经网络自学习模型卷积运算信号特征,诊断并识别电路故障。经实验证明,设计方法错误诊断数量占总样本数量的比例较小,诊断用时较短,在模拟电路故障诊断方面具有良好的应用前景。     

大功率可控整流电路的故障诊断技术研究

利用现代电力电子变换技术和控制系统仿真软件研究了一种大功率可控整流电路的故障诊断技术;在详细分析了大功率可控整流电路可能发生的各种故障模式的基础上,提出基于小波神经网络的故障诊断方法;针对故障模拟信号,采用小波变换多分辨率分析和模极大值方法提取故障特征向量,利用神经网络的非线性映射与学习推理特性,对所提取的故障特征进行了模式识别,并通过仿真试验证明了该方法的可行性和有效性。     

大型装备传动系统非线性频谱特征提取与故障诊断

基于Volterra级数的非线性频谱分析方法,建立了大型数控装备传动系统伺服电机的非线性频谱模型,对传动系统两类参数型故障的频谱特征进行了分析.在此基础上,提出一种实用的在线频谱特征提取与故障识别方法,采用自适应辨识算法求解时域Volterra核,用快速多维傅立叶变换获得非线性频谱特征.实验结果表明,该方法实时性好,故障识别率高.     

非线性电路的神经网络故障诊断方法

针对非线性动态电子电路,提出一种基于神经网络的故障诊断方法。通过故障字典的建立,对电路故障响应进行预处理后得到的故障特征作为神经网络的输入,然后利用神经网络对各种状态下的特征向量进行分类决策,对故障类别进行辨识,并对电路进行了可测性分析,从而实现非线性电路的故障诊断。详细的仿真过程及结果表明, 该方法有效地解决了非线性电路辨识难的问题,能较好地对故障模式进行分类,取得了满意的诊断效果。     

动态模拟电路故障特征提取方法研究

介绍了现有的动态模拟电路故障特征提取方法,概述了网络分析法、频率特性分析法、节点电压灵敏度分析法、Volterra频域核提取法等动态模拟电路故障特征提取方法的发展现状并总结了其研究成果,并对各种方法的基本原理和优缺点进行了分析探讨.结合电路故障诊断的发展过程和趋势,指出了动态模拟电路故障特征提取的研究和发展方向.     

脉频调制神经网络VLSI的设计及应用

本文提出了一种用于故障诊断识别的改进脉冲频率调制(PFM)VLSI神经网络电路,改进了传统的基于软件的机械故障诊断模式,发挥了神经网络超大规模集成电路(VLSI)的优势.利用单层感知器网络、场效应管电路实现了一种新的数字模拟混合突触乘法/加法器电路,而且该神经网络电路的突触权值不需要学习调整,降低了电路的复杂性.以此电路为基础,设计了进行主轴承噪声故障诊断的神经网络故障识别系统.将含有故障信息的原始噪声信号,经过前置信号处理分析、故障特征值提取和神经网络运算,得出VLSI电路输出端电容的电压——代表待识别信号与模板故障信号的“欧氏距离”,进而判断出故障的类别.经过仿真测试,基于硬件的诊断系统的识别性能接近于基于软件的系统.     

基于非线性频谱数据驱动的动态系统故障诊断方法

基于非线性频谱数据驱动方法, 研究了动态系统的故障诊断问题. 利用一维非线性输出频率响应函数提出一种非线性频谱特征提取方法, 为了提高实时性, 采用变步长自适应辨识算法进行求解; 根据估计偏差实时地改变步长, 兼顾了收敛速度与稳态误差; 获取了非线性频谱特征之后, 利用最小二乘支持向量机分类器进行故障识别. 通过对提升设备的故障诊断问题进行实验研究, 所得结果表明, 所提出的算法识别率高, 能满足在线诊断要求.     

非线性模拟电路故障诊断的小波领袖多重分形分析方法

针对非线性模拟电路故障的复杂性和非线性,提出一种基于小波领袖多重分形分析和支持向量机的故障诊断方法.首先,采用小波领袖方法对从测试节点采集的信号进行多重分形分析,并将提取的多重分形谱特征构成特征集;然后将特征集输入支持向量机,利用支持向量机的分类功能对电路的模式状态作出决策;最后,视频放大器电路故障诊断实验验证了该方法的有效性.     

Intelligent diagnosis method for rolling element bearing faults using possibility theory and neural network

This paper presents an intelligent diagnosis method for a rolling element bearing; the method is constructed on the basis of possibility theory and a fuzzy neural network with frequency-domain features of vibration signals. A sequential diagnosis technique is also proposed through which the fuzzy neural network realized by the partially-linearized neural network (PNN) can sequentially identify fault types. Possibility theory and the Mycin certainty factor are used to process the ambiguous relationship between symptoms and fault types. Non-dimensional symptom parameters are also defined in the frequency domain, which can reflect the characteristics of vibration signals. The PNN can sequentially and automatically distinguish fault types for a rolling bearing with high accuracy, on the basis of the possibilities of the symptom parameters. Practical examples of diagnosis for a bearing used in a centrifugal blower are given to show that bearing faults can be precisely identified by the proposed method.     

一种基于LabVIEW DSP模块的风机故障诊断系统

设计一种基于图形化开发环境LabVIEW DSP模块的风机故障诊断系统开发方案。方案以32位浮点DSP芯片TMS320C6713为核心,采集风机噪声信号并利用信号的功率谱重心、A声级和小波分解相关频段的能量构成故障诊断的特征向量,以BP网络作为故障的智能分类器,建立起智能诊断系统。实验结果表明,以噪声信号作为诊断对象,采用提升小波和神经网络相融合的诊断与识别技术具有良好的特征提取能力和自适应学习能力,可以准确地识别设备状态。