基于RBF-Volterra的非线性电路故障诊断

故障诊断的重要前提是故障特征可比性原则,而可比性原则的条件是模型结构的不变性,这就要求同一参数模型起码能稳定地拟合同一电路的所有故障状态。针对故障状态下非线性强弱变化造成的参数估计数值稳定性问题,提出一种基于RBF-Volterra级数的非线性电路故障诊断方法。在平移联动约束下,由基函数多项式(BFP)导出RBF-Volterra级数,分析了RBF-Volterra级数的截尾不截维特性和对非线性强弱变化的适应能力.RBF-Volterra级数不仅数值稳定性好,而且结构紧凑能有效避免维数灾难问题。最后,通过实例仿真说明该方法的有效性。     

频域内的非线性模拟电路故障诊断

利用Volterra级数分析非线性模拟电路核函数的结论,分析了测试节点输出响应信号各阶频率分量相对于电路中元件参数的灵敏度,从而确定被测电路的故障诊断算法.为了提高灵敏度计算的效率,本文分析了灵敏度计算时非线性元件高阶项对测试节点输出响应信号各阶频谱分量的直接影响因素和间接影响因素,从而避免了两者之间的耦合而增加灵敏度的计算量.实际应用电路的分析结果表明本文介绍算法不仅极大的降低了灵敏度分析的计算量,可广泛应用于非线性模拟电路的自动测试系统.     

基于AM激励下谱分解的非线性电路故障特征提取

为解决非线性电路故障特征重叠、交叉造成的故障隔离度低的问题,提出一种基于调幅激励下电路响应谱分解的非线性电路故障特征提取方法．利用慢调幅激励下非线性电路Volterra响应谱的可分离性,通过带通滤波器分解出与Volterra级数对应的响应分量;根据线性电路的频响叠加性原理,分析了Volterra响应分量的故障全息性;再由Volterra响应分量提取非线性电路故障特征。最后,通过仿真实例说明该方法有效性。     

基于NOFRFs的模拟电路中的非线性故障诊断

电路系统的正常与故障状态在很多情况下表现在其非线性传递特性发生变化,因而通过检测电路的非线性特征来诊断电路的故障是一种有效的办法。介绍了一种基于NOFRFs来诊断模拟电路系统非线性故障的方法,提出了一种基于系统NOFRFs模型的故障判据。通过比较实测情况下与正常情况下电路系统的非线性特征来判断当前电路是否处于故障状态。通过仿真验证了这种方法的正确性。该方法操作简单,计算量小,故可应用于许多实际的工程场合。     

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。     

系统辨识在模拟电路故障诊断中的应用

把系统辨识理论应用在模拟电路故障诊断中，包括选取容差和单元内元件软故障和硬故障诊断等，特点是可以减少测试点，不必求解所有元件的值就可以诊断单元软故障和硬故障元件。     

基于Volterra核的MIMO非线性电路建模及智能特征提取

为了解决模拟乘法器等多输入测量电路的智能故障诊断准确率低的问题,文中研究了多输入多输出(MIMO)电路的基于Volterra级数的建模方法,为电路的故障诊断提供模型,提出了整体退火遗传特征提取方法,利用整体退火遗传算法的全局寻优能力优化故障诊断特征参数的提取,以选出各种故障状态之间特征差异最大的特征,以提高故障诊断的准...     

Elman神经网络在非线性模拟电路故障诊断中的应用

Elman神经网络把隐层输出反馈回输入层,是一种动态递归神经网络,改进的Elman网络能逼近任意动态非线性系统。本文研究了Elman网络的结构和学习算法,并把改进的Elman网络应用于非线性模拟电路故障诊断激励信号参数优化中,以提高故障正确诊断率。首先用改进的Elman神经网络建立故障电路和无故障电路系统模型,然后用遗传算法搜索电路故障诊断的最佳激励信号参数。     

基于神经网络训练样本优选算法的模拟电路软故障诊断

为了解决非线性模拟电路软故障不易诊断的难题 ,根据模拟电路软故障的特点 ,提出了基于σ判据的训练样本优选算法 ,保证训练样本在数量较少的情况下 ,充分包含电路软故障特征。诊断实例证明 ,应用此优选算法对样本进行筛选 ,神经网络的训练速度快 ,对于模拟电路软故障的诊断正确率高。     

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.     

基于频域核系数的动态模拟电路故障诊断

因模拟电路中可及测试节点数量的限制,基于系统辨识的思想提出了一种新的故障诊断方法,频域核系数被用来进行模拟电路参数故障诊断.根据电路传递函数和元件的容差预先计算出全部频域核系数的正常范围,然后利用电路的输入输出信息提取故障电路的频域核系数,依据超出正常范围频域核系数的故障特征可确定电路故障范围或故障元件.通过仿真实例验证了该方法的有效性.     

模拟电路的可测性及故障诊断方法研究

研究了基于模拟电路拓扑结构关系的故障可测性判据.依据故障点处提供的故障信息量最大,将故障诊断问题转化为寻找最优故障检测点问题.给出在电路中部分元件不可测情况下确定最优故障检测点及故障源的方法,讨论了电路故障诊断模型的建立,通过逐步搜索故障模型中的最优检测点,直至定位到故障元件.一个模拟电路故障诊断实例验证了该方法的有效性.     

PSO/KNN算法及其在模拟故障诊断中的应用研究

提出了一种基于粒子群优化（particle swarm optimization,PSO）的特征提取算法,该算法以K—NN（nearest neighbor）分类正确率为评价准则,应用粒子群优化算法寻找使提取特征的K—NN分类正确率最大的转换矩阵,从而实现特征的提取。算法的特点是结构简单灵活,对数据的分布特征不敏感,适合于对模拟电路的故障特征进行提取。电路故障诊断示例证明了该特征提取算法在模拟电路故障诊断中的有效性。     

基于小波分析和克隆选择算法的模拟电路故障诊断

提出一种基于人工免疫系统的模拟电路故障诊断新方法.该方法首先对电路输出节点的电压信号进行小波分解,提取各频段的能量作为故障样本;然后利用人工免疫算法对每类故障的故障样本进行自学习,得到该类故障的最优聚类中心;最后计算故障样本和学习得到的聚类中心的距离对电路故障样本进行分类,从而实现故障元件定位.计算机仿真实验结果表明,该方法对容差模拟电路故障定位具有较高的准确率.     

基于移民算子遗传BP神经网络的模拟电路故障诊断

针对传统BP神经网络实现模拟电路故障诊断时存在的缺陷:容易收敛于局部最优值且训练时间过长等,提出了利用遗传算法(GA)优化的BP神经网络来对模拟电路进行故障诊断的方法.实验结果证明,优化后的BP网络可有效地避免收敛于局部最优值,大大地缩短了训练时间.同时为了提高遗传优化的收敛速度和精度,避免"早熟"现象,本文提出了一种引入移民算子的遗传算法,仿真结果表明了该算法的有效性.     

支持向量机在模拟电路故障诊断中应用

支持向量机是建立在统计学习理论基础上的机器学习方法,结构简单,泛化能力强,对小样本分类具有良好的识别效果.本文提出了基于支持向量机的模拟电路故障诊断新方法,描述了电路故障特征的选取过程,建立了以支持向量机为基础的模拟电路故障诊断模型.并以双二次滤波电路为诊断实例,实验结果表明,该方法故障诊断准确率大于96.5%,优于传统方法.     

模拟电路故障诊断的多小波神经网络算法

提出了基于多小波变换和能量归一化预处理的模拟电路故障诊断多小波神经网络算法.这种方法能够有效提取故障信号特征,从而减少小波网络训练时输入层和隐层节点的个数,减小网络的规模,降低计算的复杂度,也加快了训练速度.最后在Matlab和模拟电路仿真软件IsSpice4下对算法的收敛性能进行了仿真比较,结果表明基于多小波变换的算法能够对模拟电路的故障进行有效诊断和定位,而且收敛速度比小波包变换更快一些.     

基于信息融合的模拟电路故障诊断方法分析

采用2种基于信息融合故障诊断方法,说明用于模拟电路故障诊断的特点.首先利用指定频率下可测点电压、不同测试频率下输出端电压和测试元件的温度3组测试数据,分别用一个改进的BP网络对电路状态进行预处理,得到每个传感器对各待诊断元件的隶属度函数分配,再分别用模糊融合和D-S融和算法进行决策层信息融合并进行故障定位.仿真结果表明:信息融合方法能够克服基于单一信息诊断的不足,提高电路故障诊断的正确率,对单、多软、硬故障均可识别,D-S融合算法在解决电路故障诊断中的不确定性问题方面优于模糊融合.