因子分析和ELM在模拟电路故障诊断的应用

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,提出采用因子分析优化的小波包能量谱和极限学习机的模拟电路故障诊断的方法。该方法首先对采集到的模拟故障数据进行小波包分解并提取不同频带的能量谱,然后利用因子分析对能量谱进行降维以提取故障特征,最后将提取的故障特征输入极限学习机进行故障诊断。仿真结果表明,该方法具有良好的区分能力,提高了故障诊断的效果。     

一种模拟电路故障诊断方法的研究

基于模拟电路发生故障会导致电路信号小波包系数某种对应改变以及神经网络非线性逼近的特点,提出了一种基于小波包变换和神经网络的模拟电路故障诊断方法。先仿真得到正常和故障状态下的输出电压信号,然后对输出电压信号进行Haar小波包变换并提取小波包系数,并对各频段小波包系数变化值的能量进行归一化处理提取故障特征量,最后利用故障特征矢量训练神经网络确定模拟电路故障诊断的神经网络模型。仿真结果表明基于小波包变换和神经网络的模拟电路故障诊断方法取得了较好的效果。     

一种模拟电路故障诊断方法的研究

基于模拟电路发生故障会导致电路信号小波包系数某种对应改变以及神经网络非线性逼近的特点,提出了一种基于小波包变换和神经网络的模拟电路故障诊断方法.先仿真得到正常和故障状态下的输出电压信号,然后对输出电压信号进行Haar小波包变换并提取小波包系数,并对各频段小波包系数变化值的能量进行归一化处理提取故障特征量,最后利用故障特征矢量训练神经网络确定模拟电路故障诊断的神经网络模型.仿真结果表明基于小波包变换和神经网络的模拟电路故障诊断方法取得了较好的效果.     

基于EMD和SPS的容差模拟电路故障诊断

针对具有容差的模拟电路故障诊断难题,提出了结合经验模态分解(EMD)和子带多态谱(SPS)的提取模拟电路故障特征新方法。首先计算出待测试电路的二阶Volterra核序列,然后用EMD对Volterra序列进行分解,获得本征模态函数(IMFs),最后通过计算IMFs的倒谱(CS)和Hiltert谱(HS),对时频域的多态数字故障特征进行提取,从而将容差模拟电路中的软故障和非线性故障进行分离,完成模拟电路故障诊断。实验结果表明,该方法能够有效地解决故障混叠难题,提升故障元件定位和分离的能力。     

基于提升小波变换和SVM的模拟电路故障诊断

故障特征提取和分类器设计是模拟电路故障诊断的两个重要环节,为了提高模拟电路故障辨识的准确率,提出了提升小波变换与支持向量机相结合的故障诊断方法。根据提升小波变换的原理,提取被测电路单脉冲响应信号的小波系数构成故障特征,建立以支持向量机为分类器的故障诊断系统。该方法对两个滤波器电路的故障诊断取得了满意的效果,在故障模式较多的情况下故障分类的精度达到了99%以上,优于传统的小波方法。     

基于小波变换和CFA-LSSVM模拟电路故障诊断

为了提高模拟电路软故障诊断、识别的正确分类率,提出了一种提升小波变换和混沌萤火虫算法(CFA)优化LSSVM参数的模拟电路故障诊断方法。首先对采集到的被测电路输出电压信号进行提升小波变换;然后对变换后的数据进行因子分析法对优化处理,将经优化的数据作为不同模式的故障特征集;最后将所得故障特征集作为样本输入到CFA-LSSVM模型进行故障诊断。实验结果表明,该方法的故障诊断正确率达到了98%以上,提高了诊断性能,可适用于模拟电路的故障诊断。     

克隆选择优化的SVM模拟电路故障诊断方法

对基于克隆选择算法的支持向量机(SVM)参数优化、及其在模拟电路故障诊断中的应用进行了深入研究,故障诊断实现步骤为:首先对电路的各种故障模式进行蒙特卡洛仿真分析,利用小波分解提取输出信号的各频段能量,进行归一化处理后得到故障特征样本;然后应用克隆选择算法进行SVM参数优化,并将选定的参数用于SVM的训练;最后采用训练好的SVM对故障样本进行分类,从而实现故障判定。论文以CTSV滤波电路和螺距反馈电路为诊断实例进行了实验验证,结果表明对容差模拟电路的故障定位具有较高的准确率。     

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.     

多元统计理论在整流电路故障诊断中的应用

在研究三相晶闸管整流电路模型特点的基础上,提出了一种基于主元分析法和决策树理论的整流电路故障诊断方法。首先对整流电路的输出波形采样,并对其进行快速傅里叶变换,提取关键频率点的功率谱值组成特征向量,再应用主元分析法提取特征分量的主元,得到降维的特征空间,最后建立决策树对本例中的故障进行准确分类,最终实现了若干典型故障的分离。仿真实验及结果分析证明,此方法可以提高识别速度和测试速度,且不会改变样本的分布特性,保持样本的分类信息。     

MRA-PCA-PSO组合优化BP神经网络模拟电路故障诊断研究

为解决模拟电路故障诊断中的特征提取困难、输入维数过高和故障信号无法进行有效分类等问题,提出一种组合优化反向传播神经网络故障诊断方法。首先采用多分辨率分析提取故障信号特征,用其能量谱构造特征向量,通过主成分分析进行降维,以减少计算规模,然后利用粒子群算法优化神经网络,克服其易陷入局部极小值的缺陷,从而达到准确识别故障类型的目的。最后以四运放高通滤波电路为测试对象,通过仿真验证该方法在模拟电路故障诊断的有效性和可靠性,结果表明能提高约10%的诊断准确率。     

基于粗糙集与决策树的配电网故障诊断方法

针对配电网发生故障后故障诊断警报信息存在不确定性和不完整性导致难以得出准确诊断结果的问题,提出一种基于粗糙集与决策树的配电网故障诊断算法,实现了对故障样本决策表进行无教师的规则提取。该算法将配电网的原始样本集转化成决策表,利用粗糙集具有较强的处理不确定和不完备信息的能力,对决策表的条件属性进行约简处理;同时,利用决策树具有快速学习及分类的优势对约简后的决策表进行诊断规则提取;将产生的规则运用于配电网故障诊断中以实现快速故障诊断。该算法提高了配电网故障诊断的精度和鲁棒性,最后通过算例验证了该算法的有效性。     

基于DGA与鲸鱼算法优化Logit Boost-决策树的变压器故障诊断方法

为对变压器进行准确的故障诊断,将油中溶解气体分析(dissolved gasses analysis, DGA)与人工智能技术相结合,提出了一种基于鲸鱼优化算法(whale optimization algorithm, WOA)优化LogitBoost-决策树的变压器故障诊断模型。该模型以决策树作为弱学习器,通过将Logit Boost集成算法作为集成框架使多个决策树集成为一个强学习器,并构建了一种基于鲸鱼优化算法的优化策略去优化LogitBoost-决策树模型中的决策树棵数及决策树的最大分裂次数。实验表明,所构建的WOA-Logit Boost-DT变压器诊断模型与常用的决策树、支持向量机、三比值等诊断模型相比,综合诊断精度分别提高了约4%、10%、21%。所构建的相关模型能为变压器的故障诊断提供技术支持。     

粗糙集用于建立基于多变量决策树的变压器故障诊断模型

采用决策树方法建立变压器故障诊断模型,可以方便地处理含有非数值特征的故障样本,且能够从样本中学习知识并简化知识,具有较好的适应性.但是采用单变量决策树描述复杂关系仍存在一定的局限性,本文提出基于多变量决策树的变压器故障诊断方法.并通过粗糙集辨识矩阵确定多变量检测特征选取,来实现多变量决策树的建立,能有效地约简知识,直观且易于理解.最后通过实例比较验证了方法的有效性.     

Analog circuits fault diagnosis using multi‐valued Fisher's fuzzy decision tree (MFFDT)

Fault diagnosis of analog circuits is more challenging compared with digital circuits as a result of the parametric deviation and the difficulty in signal discretization. There still lacks effective approaches to realize reliable fault detection and isolation for a comprehensive diagnosis. A new fault diagnosis technique called multi‐valued Fisher's fuzzy decision tree (MFFDT) is proposed in this paper to solve the problem. This technique uses the decision tree as the diagnosis model and incorporates the Fisher's linear discriminant principles. The fuzzification mechanism is devised to discretize the input monitoring data. The proposed MFFDT method is composed of two aspects: decision tree training and real fault diagnosis processes. The former uses the benchmark data to train a decision tree, while the latter sends the monitoring data into the decision tree to generate diagnosis results. The proposed method is validated using simulated data and the real‐time data for an active filter circuit and an audio amplifying circuit. The comparative analysis is also presented to evaluate diagnosis performances. Copyright © 2015 John Wiley & Sons, Ltd.     

基于粗糙集的改进约简算法和决策树的电网故障诊断模型

采用基于粗糙集的决策树方法建立电网故障诊断模型,可以方便地处理含有非数值特征的、不精确的故障样本,且当丢失或出错的故障信息不是关键信号时,不会影响诊断结果,具有较强的容错能力和适应性。该文基于粗糙集理论,首先利用可辨识矩阵的改进算法对由断路器和保护为条件属性、考虑各种故障情况所组成的诊断决策表进行简化;然后采用加权平均粗糙度的概念,作为选择分离属性的标准,构造电网故障决策树,从而实现对电网的故障诊断。通过实例表明,该方法能有效地约简知识,具有很强的容错能力,能准确地判断电网故障以及对其进行定位。与规则表示相比,决策树直观、易于理解、维护和修改。     

基于知识粗糙度的多变量决策树在变压器故障诊断系统中的应用

详细介绍了利用粗糙集的基本理论构造变压器的多变量故障决策树的具体过程．考虑了属性间的关联性,避免了生成决策树时故障特征的重复检测,适用于大量样本的自动处理,具有较好的自组织性和自适应性。通过粗糙集分辨矩阵确定多变量检测特征的选取．将相对泛化的概念用于构造多变量检验,采用知识粗糙度作为选择决策树属性的度量．方便有效地解决了构造多变量故障决策树的关键问题。与传统的信息熵算法相比．基于知识粗糙度的决策树计算量大大减少．且可能得到最优的故障树。故障实例分析表明,该方法有效地简化了决策树．减少了故障信息的冗余性．诊断效率高．结果易于被人理解。     

基于小波分析与随机森林算法的电力电子电路故障诊断

提出一种基于Db6小波函数和随机森林算法相结合的电力电子故障诊断新方法.介绍应用Db6小波进行波形分解和提取故障特征量的方法与步骤,阐述随机森林算法决策树的生长和投票过程,应用随机森林算法设计出故障分类器,并将其应用于12脉波可控整流电路的故障识别.诊断结果表明,所提方法具有较高的正确诊断率和较强的抗噪声能力.在加入5%或10%的噪声情况下,该方法正确诊断率分别比DHMM诊断法高出2.87%和17.43%,在工程中具有实际应用价值.     

基于组合决策树的油浸式电力变压器故障诊断

提出了一种利用属于模式识别范畴的决策树C4.5法进行变压器故障诊断的方法。由于C4．5方法可方便地处理连续特征模式且有从样本学习判定规则的功能，因此应用中显示了该方法对于变压器故障诊断的适用性。在讨论变压器故障空间的基础上，针对已积累的故障变压器的大量油中溶解气体等数据，考察了各类故障的特征偏置，并在此基础上构造出组合决策树诊断模型，实现了变压器故障由粗到细的逐级划分，有利于提高诊断的准确性。实例表明该模型的有效性。     

基于XGBoost的光伏阵列故障诊断方法研究

针对光伏阵列输出具有非线性并受最大功率点跟踪影响，从而导致传统的诊断方法精度低、模型性能差等问题，提出一种基于极端梯度提升的光伏阵列故障诊断方法。首先，在光伏电池单二极管模型的基础上，建立光伏阵列仿真模型，利用PVsyst软件对光伏阵列的输出特性和故障成因进行系统的模拟分析，得到了故障特征参数，并通过特征重要度排序验证了所选择故障特征参数的有效性；其次，提取光伏阵列不同故障状态下的故障特征，构建基于XGBoost的故障诊断模型；最后，利用网格搜索和交叉验证对诊断模型的超参数进行寻优，通过混淆矩阵计算评价指标来评估诊断模型的性能。并将该方法与决策树、随机森林以及梯度提升树相比，结果表明，该方法不仅能准确检测所有的故障种类，并且模型的泛化能力更好，诊断准确率更高。     

知识图谱框架下基于深度学习的HVDC系统故障辨识

为加快电力系统数字化转型,保证高压直流输电(high voltage direct current, HVDC)系统高质量安全运行,有必要通过智能技术充分挖掘、提炼HVDC系统日常调控、运维等阶段积累的海量数据和丰富管理经验,从而构建知识图谱辅助工作人员对故障进行诊断和处理。提出了一种基于小波变换和深度学习的HVDC系统故障诊断方法。首先,采用小波变换将换流站的故障录波数据(单相接地、相间短路和阀组短路)转换为二维时频图像,并采用数据增强技术来进一步扩充样本数据集。然后,利用ResNet50网络来实现HVDC系统的故障诊断。根据实验结果,所提方法在训练集的分类精度为93%,在测试集的分类精度为82%,证明了该方法的有效性,为HVDC系统的故障诊断提供了一种新的可行性路线。为了进一步验证所提方法,将其与GoogleNet、VGG16、AlexNet、SVM、决策树和KNN等方法进行对比,对比实验结果表明,所提方法在HVDC系统故障诊断中的表现更加出色。