大规模容差模拟电路多故障诊断法

本文研究了大规模容差模拟电路的多故障诊断问题,针对交流、直流线性电路和非线性直流电路,考虑了测试点数目有限以及元件容差存在的情况下的电路故障诊断,采用了一种基于线性程序概念的子网络级故障诊断算法来确定元件的实际参数是否在容差范围内或者某些元件是否有故障.文中提及的几个测试方程在定义可能的故障元件中起了关键性作用,并详细阐述了二重故障的诊断原理,且给出了三重故障的诊断公式.该方法大大减少了大规模网络故障诊断计算量,快速有效的定位故障元件.最后用实例说明了该法的有效性.     

一种基于模型模拟电路模糊故障诊断方法

文中提出了一种基于模型的模拟电路故障诊断方法。它以节点电压为测试量,将元件故障及节点的故障电压模糊化,根据电路的拓扑结构,以节点为基点,以节点电压传递为纽带建立模拟电路的故障模型,以模拟贴近度为判断依据来进行故障诊断和选择最佳测试点,并将测试得到的新的信息不断吸收进去,从而快速而有效地诊断出故障,它利用了模糊量的冗余性,克服了容差的影响,不仅能对硬故障,而且对软故障都能较好地定位到元件级,同时又可在线或离线诊断,文中给出了一个直流电路故障诊断的实例,所得的结果是令人满意的。     

A method for fault diagnosis in linear electronic circuits

A method for fault location and parameter identification in linear AC and DC circuits with limited accessible terminals for excitation and measurement is developed in this paper. Fault location is based on a derived relationship having a general meaning. It requires analyses of the circuit with nominal parameters and distinct excitations as well as measurements of some node voltages in the circuit with perturbed parameters. The fault parameter is identified using a formula obtained on the basis of the Woodbury expression. A decomposition technique is suggested enabling us to apply the method for multiple fault diagnosis. Several numerical examples illustrate the proposed approach and show its effectiveness. Copyright © 2000 John Wiley & Sons, Ltd.     

大规模电路故障诊断的集团法

本文提出了一种可以诊断大规模模拟电路的新方法——集团法,它能不经过撕裂直接用于大规模电路,且能迅速缩小可疑故障集范围。本文详述了其诊断原理及诊断步骤,并给出了诊断实例。     

模拟电路故障诊断的小波方法

利用小波与神经网络相结合的方法,将小波作为消噪工具,对信号进行消噪和小波多尺度分解,进行正交和归一化处理后,提取特征信息,作为样本输入神经网络进行分类,提出了模拟电路故障诊断的系统方法.本文详述了其诊断原理及诊断步骤,并给出了诊断实例.     

基于小波神经网络的模拟电路故障诊断改进

在运用神经网络进行模拟电路故障诊断的过程中,代表着故障特征的网络输入至关重要,由于小波变换的时频局部化和多尺度分析等特性,将两者结合起来,通过小波变换对模拟电路的输出响应进行故障特征提取,同时解决PSPICE与MATLAB之间的数据通信问题,提出将蒙特卡罗分析产生的所有训练样本经过处理后输入到一个神经网络进行训练的方法,从而避免了训练多个神经网络。利用神经网络对各种故障模式进行分类,实现模拟电路的故障诊断,并进一步与传统的BP网络故障诊断法进行比较。仿真结果表明,该方法可以实现故障检测及定位,诊断的准确率显著提高,适用于模拟电路故障诊断。     

产生完全测试集的一种算法

提出了一种算法,用来产生组合逻辑电路中每个“总是０”和“总是１”故障的完全测试集。该算法已编成程序用来处理大规模集成电路,它以布尔差分的某特性为基础,能有效地产生完全测试试集。对透彻了解不可检测故障,可检测单故障的测试以及电路冗余性三者之间的关系,作了讨论。     

Performance of the G‐parameter criterion in diagnosis

This paper theoretically establishes that estimations of G‐parameters, given in a classical reference, are biased rather than unbiased as stated in that reference and that the diagnostic criterion, proposed in that reference, is unfounded. The paper further presents a set of inequalities that are the necessary and sufficient conditions for ensuring the validity of the G‐criterion against biased estimations. The incorrect diagnosis, performed by the G‐criterion, is inevitable regardless of the degree of the faults if the set of harsh inequalities is not satisfied. As these inequalities can be easily checked quantitatively with nominal data of the circuit to be diagnosed, they can be used to forecast which of the nodes faults cannot be correctly located with the G‐criterion. In the last section, the simulation provides a solid support for the theoretical analysis in this paper. Copyright © 1999 John Wiley & Sons, Ltd.     

永磁同步电机故障诊断方法研究综述

永磁同步电机（Permanent magnet synchronous motors, PMSMs）具有结构简单、运行稳定、效率高和外形多样等显著优点,在生产制造领域得到广泛应用。PMSM在工作中不断受到速度变化和负载波动等复杂工况的影响,不可避免地会出现各种故障,例如轴承故障、偏心故障、退磁故障和匝间短路故障等。本文综述了PMSM常见故障类型,并总结了自动化领域中基于信号的状态监测方法的现有研究,以用于各种电气和机械故障的检测和诊断。随后对诊断方法进行了总结,并分析了其优势与限制,探讨了不同信号处理方法在应用中的利弊。最后,根据当前研究现状,讨论了PMSM故障监测与诊断存在的问题和未来发展方向。关键词：永磁同步电机;轴承故障;偏心故障;退磁故障;匝间短路故障;故障诊断;     

基于CBAM-FCN的高压输电线路发展性故障识别方法

高压输电线路的发展性故障往往受运行状态和故障发展过程的影响,给故障甄别和保护决策造成困难。为了准确识别高压输电线路的发展性故障,保证继电保护装置动作的正确性,将全卷积神经网络（fully convolutional network, FCN）与卷积注意力模块（convolutional block attention module, CBAM）相结合,提出一种基于CBAM-FCN的发展性故障识别方法,通过在传统全卷积网络中引入CBAM模块,使神经网络能够聚焦于故障波形的突变、幅值等重要特征,忽略无关干扰。此外,所提方法能够输出表征故障状态变化的一维时序序列,实现对输电线路发展性故障的全过程识别。最后大量仿真验证了所提方法的抗噪性能和泛化能力,并通过可视化技术展示了网络模型的可解释性。