基于自适应小波分解和SVM的模拟电路故障诊断

为了降低模拟电路参数故障的测试难度,提出了基于自适应小波分解和SVM的模拟电路故障诊断的新方法,该方法对电路故障响应进行小波分解提取最优故障特征,母小波的选择是根据被测电路的正常响应和故障响应小波系数之差的最大均方根原则,并引入支持向量机对故障进行分类识别.小波分解具有自适应性,支持向量机结构简单,泛化能力强.实验结果证明了所提的基于自适应小波分解和SVM的模拟电路故障诊断方法是有效的,其故障诊断率大于96.8%.     

基于解轨迹多项式系数估计的非线性电路故障诊断

本文针对一类斜波激励响应轨迹（解轨迹）存在的弱非线性电路,提出一种基于解轨迹多项式拟合的非线性电路故障诊断方法.本文在电路混合节点方程基础上,通过解轨迹多项式系数迭代关系分析多项式系数与故障信息间的对应关系;由解轨迹多项系数间存在的由低到高的解耦关系导出基于多项式系数的故障诊断方程,将非线性电路故障诊断转换为一组线性电路故障诊断问题.以解轨迹多项式系数为特征的故障诊断方法能有效减少故障传播的非线性造成的故障特征重叠、交叉现象,并可充分利用电路结构信息实现故障隔离;文中同时给出了基于解轨迹多项式系数聚类性分析的测试点优化准则.该方法具有分析过程简单、分析动态范围大和适用于未知非线性电路故障诊断等特点.最后通过实例仿真说明该方法的有效性.     

基于可测性分析和支持向量机的模拟电路故障诊断

针对低可测性模拟电路的测试问题,提出了一种模拟电路故障诊断的新方法.该方法首先计算被测电路的可测性,利用可测性提供的信息对被测电路进行模糊组划分,组成可诊断的元件集,并引入支持向量机完成对故障的分类识别.可测性分析理论上确定了被测电路可诊断的元件集,支持向量机结构简单,泛化能力强,以模拟和混合信号测试标准电路的实验结果证明了基于可测性分析和支持向量机的模拟电路故障诊断方法是有效的,其故障诊断率大于99%.     

基于小波变换预处理的模拟电路故障诊断

把小波变换用于模拟电路故障诊断中。输出信号的低频系数反映了信号的概貌特征．表征了电路的故障情况,因此,利用小波变换有效地提取故障特征信息。提出了“小波系数-故障”的故障诊断方法。计算和实验结果表明：该方法可以简化神经网络的结构和减少它的训练时间,快速高效地进行模拟电路故障诊断与定位。     

小波包和模糊熵特征融合的轴承故障诊断

进行轴承多种类型裂纹故障诊断时,为解决单一特征量诊断效率低的问题,提出了基于信号小波包分解的精细时频域分析和模糊熵的特征融合方法。首先对轴承振动信号进行小波包4层分解重构,确定小波包系数模糊熵和频带能量,精细提取振动信号的高低频故障信息特征;然后基于权重指标对模糊熵和频带能量进行融合,构造多种故障状态下轴承信号的特征向量;最后选择适合小样本分类的支持向量机对轴承裂纹故障进行诊断。试验数据处理结果表明,轴承不同裂纹故障状态下,融合特征的方法诊断效率更高,相较于单一特征量识别准确率提高5.0%以上,对10种裂纹故障诊断正确率达到98.0%。     

基于随机投影和NB网络的模拟电路故障诊断

针对模拟电路故障诊断中故障类型复杂多样、典型故障信息难以获取以及易受噪声、温度等环境影响的难题,提出一种基于随机投影和朴素贝叶斯网络的模拟电路故障诊断方法。该方法首先提取模拟电路故障信息,并利用随机投影算法降维后获取模拟电路故障特征向量,然后通过朴素贝叶斯分类器诊断模型识别模拟电路各个故障。通过对CSTV滤波器电路、四运放双二次高通滤波器电路和实际Sallen-Key带通滤波器电路的实验结果分析表明,相对于传统的模拟电路故障诊断方法,该方法表现出更优的故障诊断性能,并具有更强的抗干扰能力。     

基于最大故障信息量二元树的模拟电路诊断法

本文提出一种模拟电路故障诊断法。利用二元树的信息传递性实现模拟电路的故障定位，寻找系统Y在N个故障状态X下的最大故障信息量J0，采用序贯法一直寻找不同故障条件下子系统特征xj的最大信息量Ji，最终找到一个故障特征群R；构造系统最大故障信息二元树，从故障特征群中快速定位故障点，实现模拟电路故障的有效诊断。最后给出一个诊断实例验证了该方法。     

基于小波和ELM的电路故障诊断方法研究

为提高模拟电路故障特征提取的有效性以及实现对故障模式的准确分类,提出一种小波包分解和超限学习机(ELM)结合的模拟电路故障诊断方法。文中首先对模拟电路的响应信号进行小波包分解,得到小波包能量值、均值和标准差构成的特征集,然后将特征输入超限学习机中,实现对不同故障类别的识别。模拟诊断实例表明,此方法能快速有效地实现模拟电路故障识别。     

基于Sammon映射和随机森林算法的模拟电路故障诊断

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,提出基于Sammon映射和随机森林的模拟电路故障诊断方法.首先对采集到的电压信号进行小波包分解并提取不同子频带的能量谱,然后利用Sammon映射对子频带能量谱进行优化,最后将得到的故障特征输入随机森林进行故障诊断.仿真结果表明:该方法故障诊断率高,能够有效识别模拟电...     

模拟电路故障最优特征搜索与识别

为解决模拟电路故障诊断中故障特征选取的难题并提高故障识别率,提出一种故障最优特征矢量候选集的搜索算法,并构造了模式最佳邻居查询规则来选取故障模式最优特征进行故障识别.以故障信号小波包分解的频段能量值构造故障样本的初始特征矢量,搜索识别多种模式的特征子矢量生成最优特征矢量候选集,查询模式最佳邻居确定其最大邻域,在综合判据监督下选取故障最优特征完成故障识别.模拟诊断实例表明,选取的最优特征在诊断模拟电路故障时具有满意的准确率.     

基于随机集理论的并发故障诊断信息融合方法

为了诊断并发故障,提出一种基于随机集理论的信息融合方法.首先构造包含并发故障的论域,并在此论域的超幂集上定义扩展型随机集.基于该随机集和广义集值映射给出证据组合规则的随机集模型,用其构造可以同时适用于单发和并发故障诊断的新型组合规则.此外,根据传感器提供的故障信息构造故障样板模式与待检模式的模糊隶属度函数,利用模糊集的随机集表示以及随机集似然测度,获得两种模式匹配的程度作为待融合的诊断证据.最后通过在电机柔性转子平台上的试验,证明了所提方法可有效地减少单一传感器信息诊断的不确定性,显著提高转子系统故障诊断的精度.     

An Intelligent Fault Diagnosis Method of Multi-Scale Deep Feature Fusion Based on Information Entropy

For a single-structure deep learning fault diagnosis model,its disadvantages are an insufficient feature extraction and weak fault classification capability.This paper proposes a multi-scale deep feature fusion intelligent fault diagnosis method based on information entropy.First,a normal autoencoder,denoising autoencoder,sparse autoencoder,and contractive autoencoder are used in parallel to construct a multi-scale deep neural network feature extrac-tion structure.A deep feature fusion strategy based on information entropy is proposed to obtain low-dimensional features and ensure the robustness of the model and the quality of deep features.Finally,the advantage of the deep belief network probability model is used as the fault classifier to identify the faults.The effectiveness of the proposed method was verified by a gearbox test-bed.Experimental results show that,compared with traditional and existing intelligent fault diagnosis methods,the proposed method can obtain representative information and features from the raw data with higher classification accuracy.     

基于频域时空特征谱的信息故障诊断方法

目前振动信号的分析主要是针对特定测点在某一瞬间采集的一段振动波形,提取其中的特征量来进行诊断故障,这种基于状态信息的诊断方法对故障类型的辨别能力有限。基于多个振动波形状态的过程信息,提出和定义了两种基于过程信息融合的信息火用指标,用于反映同一个过程中不同状态间的过程变化规律以及不同过程中对应状态间的过程变化规律。在此基础上,提出了一种基于频域时空特征谱的旋转机械信息火用故障诊断方法,并通过该方法对试验台获取的振动故障信号进行分析。计算结果表明,该方法是一种有效的故障诊断方法。     

[设备健康管理]基于深度学习多样性特征提取与信息融合的行星齿轮箱故障诊断方法

针对行星齿轮箱振动信号噪声干扰大、单一分类器泛化能力不强的问题,提出了一种基于深度学习多样性特征提取与信息融合的行星齿轮箱故障诊断方法。利用多目标优化算法优化多个堆栈去噪自动编码器(SDAE)以获得多个性能优异的SDAE,并提取多样性的故障特征;采用多响应线性回归模型集成多样性故障特征实现信息融合,得到多目标集成堆栈去噪自动编码器(MO-ESDAE),最后将其应用于行星齿轮箱故障诊断。实验结果表明：该方法能有效提高故障诊断精度与稳定性,具有较强的泛化能力。     

基于信息熵与信息融合的供输弹系统故障诊断研究

针对供输弹系统早期故障微弱特征难以提取等问题,提出了信息熵与信息融合的故障诊断方法。将经过降噪预处理后的信号提取样本熵作为特征参量,经Elman神经网络初步诊断,将其输出值归一化后作为证据体的基本概率分配,采用一种基于证据关联系数加权平均融合模型,最终得到决策级融合的诊断结果。结果表明:该方法能有效对供输弹系统故障进行诊断,诊断正确率高达93.71%。     

基于信息融合与神经网络的复合振动故障诊断

依据复合故障特性,提出了一种基于信息融合与神经网络的复合振动故障诊断方法。进行了传感器级的时间跨度的特征融合,然后再实行全局的空间跨度的融合。融合过程基于神经网络式特征提取,该方法可以在系统状态未知的情况下。自适应地融合不同故障测点的信息。从而较全面、准确、及时地反映系统的振动故障状态。并以汽车动力系统复合故障的诊断事例详细说明了该方法的具体实现步骤。结果表明,经过多故障特征信息融合,诊断结论的可信度明显提高,不确定性明显减小,显示了该诊断方法的有效性。     

基于多源信息融合的往复式压缩机故障诊断方法

往复式压缩机结构复杂,振动激励源多,故障关联性较强,需要依靠多种类型的传感器所采集的信息来对往复式压缩机故障进行诊断。在融合往复式压缩机多种类型传感器采集的特征信息基础上,提出一种基于多源信息融合的往复式压缩机故障诊断方法,构建信息融合诊断框架。利用往复式压缩机多种类型传感器所采集的数据信息构建特征证据体,使用径向基神经网络对每个证据体进行初步诊断,根据加权证据融合理论融合各个证据体初步诊断结果,得到最终诊断结果。使用提出的方法对往复式压缩机3种工况的试验数据进行融合诊断,诊断结果表明：使用加权证据融合理论融合多源传感器信息的诊断结果可信度高,不确定性小,能够准确对往复式压缩机故障状态进行诊断识别。     

基于GMKL-SVM的模拟电路故障诊断方法

提出了一种新颖的基于广义多核支持向量机(GMKL-SVM)的模拟电路故障诊断方法。首先,应用Haar小波分析提取被测电路时域响应信号的小波系数作为特征参量,并生成样本数据;然后,基于样本数据,应用量子粒子群算法对GMKL-SVM的参数进行优化,并以此建立基于GMKL-SVM的故障诊断模型,用于区分模拟电路的各个故障。实例电路的单故障和双故障诊断实验结果表明,所提出的GMKL-SVM方法能较好地实现模拟电路故障诊断,与传统的GMKL-SVM方法相比,表现出了更好的性能,获得了更高的故障诊断正确率。     

基于三层信息融合的提升机制动系统故障诊断

为了充分利用矿井提升机运行过程中的监测历史数据,判定故障原因并进行准确定位,将信息融合技术引入提升机的故障诊断中,提出了一种基于三层多源信息融合的故障诊断方法。该方法依据主成分分析法(principal component analysis,简称PCA)建立主元模型,对原始完备数据集进行降维去噪,实现特征提取,完成数据层的融合;特征层采用具有记忆功能的Elman神经网络作为融合算法,不断调整权值对数据层各信息源提取出来的特征进行训练,通过压缩融合信息量完成时间上的融合;决策层使用DS(dempster-shafer,简称DS)证据理论对特征层训练输出的信息进行融合,判定故障原因,实现了空间上的融合;最后依据PCA故障诊断原理,定位故障发生的部位,完成诊断过程。该融合方法通过对监测系统所测信息的合理选择、综合与利用,对其进行空间和时间上的融合互补。试验结果表明,该方法能够充分利用大量历史数据对系统进行诊断,可以显著提高系统的可靠性。