基于非线性电路频域核估计和神经网络的故障诊断

提出一种基于非线性电路频域核分析和神经网络的故障诊断方法．主要研究非线性系统频谱的获取,非线性系统频谱特征的提取及基于非线性系统频谱特征的故障诊断．利用Volterra频域核估计辨识非线性系统,通过系统广义频率响应函数的估算提取电路特征,将其预处理后作为递归神经网络的输入样本,利用神经网络的分类功能对电路的工作模式作出故障决策、最后。给出故障诊断实例验证了该方法的有效性．     

模拟电路故障诊断的神经网络方法综述

以近年来国内外有关的文献报道为依据,对目前已经提出的各种基于神经网络的模拟电路故障诊断方法进行系统的归纳和分类,重点讨论了神经网络故障字典法和神经网络优化诊断法;指出模拟电路故障诊断的神经网络诊断法不能完全取代传统的诊断方法,并预测这类方法的发展趋势是应用小波变换、模糊控制和遗传算法等技术,克服神经网络本身的局限性,并解决神经网络结构的确定、数据预处理和训练样本集的优选等问题.     

非线性模拟电路的故障诊断方法

为了诊断非线性模拟电路中的故障,提出了一种基于节点电压增量线性相关性原理的诊断方法.通过对非线性元件的分段线性建模,说明故障造成的节点电压增量满足分段线性相关性.以节点电压平面上的折线作为故障特征构造故障字典,以实测工作点到故障特征折线的距离来衡量电路状态与故障特征的符合程度,可以诊断非线性电路中元件参数的软故障和硬故障.实例验证表明,该方法是一种易于计算机实现的实用化方法.     

大规模电路故障诊断BP神经网络新方法

提出了一种用BP网络诊断大规模电路故障的新方法。介绍了故障诊断的原理，并给出了一个实例，实验证明该方法有效可行。     

基于小波神经网络的模拟电路故障诊断

模拟电路故障诊断具有诊断特性复杂，故障字典建立耗时长等特性，用传统的方法很难得到最佳的诊断效果。本文采用小波神经网络对故障电路建模，基于该网络学习收敛快，对网络输入不太敏感的特点，实现故障诊断。     

非线性模拟电路软故障诊断方法

针对非线性模拟电路故障诊断中软故障诊断的难题,提出了Volterra级数结合隐马尔科夫模型（HMM）进行故障诊断的方法。首先利用梯度搜索算法求解Volterra级数并提取出故障特征,然后利用提取出来的故障特征构造出观察变量对隐马尔科夫模型进行训练,最后用训练好的隐马尔科夫模型完成故障诊断。实验结果表明,该方法能有效提取故障特征,提高故障诊断效果。     

基于小波神经网络的模拟电路故障诊断

模拟电路故障诊断具有诊断特性复杂,故障字典建立耗时长等特性,用传统的方法很难得到最佳的诊断效果。本文采用小波神经网络对故障电路建模,基于该网络学习收敛快,对网络输入不太敏感的特点,实现故障诊断。     

基于神经网络的模拟电路硬故障诊断

基于直流测试只能测试电路的静态工作状态,对敏感于信号频率的元件不能作完全测试这一情况,提出了交流测试下模拟电路硬故障状态特征的提取方法,使得样本具有非常好的典型性,便于网络诊断速度的加快和准确性的提高,以及通过在典型训练样本的基础上对每一状态增加两个容差范围内随机样点作为附加训练样本点,改善了诊断系统对容差下故障的诊断能力;实验证明,该方法是有实用价值的.     

非线性模拟电路故障诊断的MF-DFA方法

针对非线性模拟电路故障的复杂性和非线性,提出一种基于多重分形消除趋势波动分析和支持向量机的故障诊断方法.应用多重分形消除趋势波动分析方法处理信号,提取能够精细表征信号能量分布的奇异状况和几何特征分布概率的多重分形特征;将提取的多重分形特征作为支持向量机的输入样本,利用支持向量机的分类功能对电路工作模式作出故障决策.通过对Duffing混沌电路的模拟仿真实验,证明了该方法的有效性.     

基于进化神经网络的模拟电路故障诊断

基于人工神经网络的智能故障诊断系统作为人工智能技术在模拟电路故障诊断领域的应用,在实践中取得了一定的成效.但由于容差和非线性特性使得模拟电路的故障诊断趋于复杂化,以及诊断系统中神经网络的拓扑结构难以确定,因此,针对上述局限,提出了模拟电路故障诊断的进化神经网络方法;文中详细的阐述了进化神经网络的构成方式,提出了把网络的结构和权值分级进化的方法,并在两级进化的过程中使用不同的适应度函数及改进的遗传算法.举例说明诊断系统的具体实现方法,仿真结果表明,在相同的精度要求下,该算法的训练时间远小于普通的进化神经网络,对模拟电路的故障诊断有一定的实际意义.     

基于小波神经网络的齿轮箱故障诊断研究

论述了小波神经网络的系统结构及算法,并根据齿轮振动信号的频域变化特征,提取特征向量作为输入,利用小波神经网络建立特征向量与故障模式之间的映射关系,建立了基于该算法的齿轮故障诊断模型。仿真结果表明：与传统的BP神经网络相比,该模型显著缩短了训练时间。该小波神经网络进行机械故障诊断是有效的。     

A Neural Network Appraoch to Fault Diagnosis in Analog Circuits

Thia paper presents a neural network based fault diagnosis approach for analog circuits,taking the tolerances of circuit elements into account.Specifically,a normalization rule of input information,a pseudo-fault domain border(PFDB)pattern selection method and a new output error function are proposed for training the backpropagation(BP) network to be a fault diagnoser.Experimental results demonstrate that the diagnoser performs as well as or better than any classical approaches in terms of accuracy,and provides at least an order-of-magnitude improvement in post-fault diagnostic speed.     

模糊神经网络抓斗纠偏系统故障诊断

针对抓斗纠偏系统复杂性、不确定性、模糊性的特点,提出基于故障树的模糊神经网络作为抓斗纠偏系统故障诊断的方法。该方法利用故障树知识提取抓斗纠偏系统故障诊断的输入变量和输出变量,引入模糊逻辑的概念,采用模糊隶属函数来描述故障的程度,利用Levenberg-Marquardt优化算法对神经网络进行训练,系统推理速度快、容错能力强,并通过实例分析验证了抓斗纠偏系统模糊神经网络故障诊断的有效性。     

基于LMD-PE与神经网络的刀具故障诊断方法

针对刀具故障诊断信号信噪比低、诊断结果不准确等问题,采用局域均值分解(LMD)结合排列熵(PE)来处理采集到的刀具加工时的振动信号,然后将提取到的特征向量输入到训练好的长短期记忆神经网络(LSTM)中得到诊断结果,为了提高LSTM的诊断效率,结合卷积神经网络(CNN)对LSTM进行了改造;试验表明,文章提出的方法诊断准确率比BP神经网络提高了将近12%,改进LSTM网络比传统LSTM的诊断时间缩短了50%。     

基于PSO神经网络的故障诊断方法研究

将粒子群优化算法和BP算法相结合,提出了一种基于粒子群神经网络的故障诊断方法.该方法分阶段实施神经网络的训练,有效地加强了算法的全局搜索能力,采用PSO优化了传播中的权值、阈值以及网络结构.这不仅弥补了BP算法的不足,而且删除了冗余连接,提高了故障模式识别的能力.仿真结果表明该方法加快了神经网络的学习收敛速度,提高了故障模式的识别正确率,可以有效地应用于设备的故障诊断.     

一类基于状态估计的非线性系统的智能故障诊断

针对一类含有建模误差的非线性系统,研究了基于状态估计的智能故障诊断方法.首先提出一种状态估计器设计方法;然后在进行状态估计的同时用RBF神经网络来逼近系统所发生的故障.故障估计器的输入为系统的状态估计,所估计出的故障既可用作故障容错控制,也可用作报警.根据微分同胚,将含有建模误差的非线性系统变换为易于分析的规范形式,并在此基础上分析了故障诊断系统的稳定性和鲁棒性.仿真例子证明了该方法的有效性.     

基于神经网络技术的机器人并发故障自动诊断方法

为了提高柔性负载抓握机器人的故障检测能力,提出基于神经网络技术的机器人并发故障自动诊断方法.运用高分辨的智能传感器信息识别技术,结合刚度和强度等机械结构特征分析,构建柔性负载抓握机器人的故障信息采集模型,采用变刚度原理,提取柔性负载抓握机器人的振荡信息特征,通过谱特征检测和动态信息融合进行柔性负载抓握机器人的故障信息的...     

VB调用Matlab的模拟电路故障诊断神经网络方法

比较了VB和Matlab各自的优缺点,详细阐述了VB调用Matlab的方法以及神经网络诊断模拟电路的原理。分别采用Matlab的神经网络工具箱和VB调用Matlab的ActiveX自动化技术,对模拟电路进行了仿真诊断。针对VB调用Matlab的方法给出了诊断程序,诊断实例表明该方法是可行的,为模拟电路故障诊断软件开发提供了一定的指导作用。     

基于粗糙集与神经网络的故障诊断研究

通过引入粗糙集理论,利用可辨识矩阵约简算法对故障诊断决策表进行属性约简,剔除其中不必要的属性,然后构造改进的BP神经网络作为粗糙集的后端处理机,构造了基于粗糙集与神经网络的故障诊断模型。仿真结果表明,该方法可以有效地减少输入层个数,简化神经网络结构,减少网络的训练时间,在故障诊断中有良好的应用前景。     

基于径向基神经网络的新型齿轮故障诊断方法

非平稳工况下的齿轮故障检测是一项非常困难的工作,由于齿轮振动信号的复杂性,导致故障特征提取和故障诊断困难.针对这些问题,基于径向基(radial basis function, RBF)神经网络,提出一种在变速条件下齿轮的故障诊断方法 CIHDRFD.首先利用自适应白噪声的完整集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN),将原始振动信号分解为多个固有的模态函数(intrinsic mode function, IMF),并通过计算其信息熵(information entropy, IE)筛选出IE最小的4个IMF作为特征IMF;然后利用希尔伯特变换(hilbert transform, HT)处理特征IMF并求出Hilbert包络谱,利用Hilbert包络谱构建故障特征向量;最后利用改进的双RBF神经网络进行故障检测.通过搭建齿轮故障检测平台验证CIHDRFD方法的有效性,实验结果表明, CIHDRFD方法适用于齿轮故障诊断,在速度波动为3%的情况下,诊断准确率...