结合LMD云模型和ABC-LSSVM的 模拟电路故障诊断

针对模拟电路存在的非线性和非平稳性,以及电路元件存在容差而带来诊断时的模糊性与随机性等问题,提出了一种结合了局域均值分解(LMD)云模型特征提取和人工蜂群-最小二乘法支持向量机(ABC-LSSVM)分类器的模拟电路故障诊断法。首先,利用LMD算法对初始故障信号进行分解,再将分解的信号通过云逆向发生器计算得出分解信号的云数字特征,并将得到的云数字特征构造为故障特征向量。然后,将部分故障特征向量作为测试样本输入到ABC算法优化的LSSVM中,对各电路故障进行分类识别,得到各故障的分类精度。以两个国际基准电路CTSV和Sallen_Key电路为验证对象,结果表明,该方法提取的故障特征能很好的反映电路各故障状态信息,所提方法的故障诊断精度均达到99%。     

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。     

基于深度学习的模拟电路软故障诊断

为降低模拟电路软故障特征提取与分类的人工成本,提高软故障诊断的通用性,提出一种基于深度学习的软故障特征提取方法.利用通道注意力机制对深度学习中的卷积神经网络进行改进,将时域电压波形数据输入至改进的卷积神经网络中进行卷积池化,实现数据降维和故障特征提取,并利用注意力机制对所得的故障特征进行深度选择,突出通道内关键的故障特征,抑制不重要的特征,最终使用Softmax分类器对故障特征分类.针对四运放双二次高通滤波器进行故障诊断,故障诊断平均准确率为98％.实验结果表明改进的卷积神经网络模型可以实现对模拟电路的故障诊断,并避免了传统故障识别耗费大量人工的故障提取和选择.     

基于交叉小波变换和主元分析的电力电子电路故障特征提取

针对现有电力电子电路故障特征提取特征量精确度不足、分类差异性不明显以及故障提取过程易受到噪声的影响等缺点,提出一种基于交叉小波变换和主元分析的电力电子电路故障特征提取方法。该方法首先采用交叉小波变换分析故障信号,然后得出表征交叉小波谱图特性的特征量矩阵,最后利用主元分析方法降低特征量矩阵维数,剔除特征向量中的冗余信息。通过BP神经网络进行的故障诊断仿真测试,其诊断准确率达98.2%,证明了该方法的准确性。     

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.     

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LSTM的航空发电机整流电路诊断技术

整流电路是航空发电机的重要组成部分,存在故障频发且维修困难等问题。为对电励磁双凸极发电机(DSEG)的整流电路进行故障诊断,研究了一种基于长短时记忆(LSTM)网络的故障诊断方法。首先,采集多种故障模式下发电机的三相电枢电流信号。其次,利用不同的信号处理方法处理故障信号以获取故障特征信息。然后,将获得的故障特征数据分为训练和测试样本输入LSTM网络进行故障分类。最后,计算并分析诊断结果。仿真与试验结果表明所提方法具有良好的故障诊断效果。     

基于粒子群算法的模拟电路故障诊断方法

提出一种基于小波包分解、主元分析、归一化处理、粒子群算法与神经网络相结合的模拟电路故障诊断新方法。该方法使用小波包分解来对信号进行消噪和小波多尺度分解,再进行正交主元分析和归一化处理来提取故障特征信息,作为神经网络的输入样本。在充分考虑传统BP算法中采用梯度下降法所固有的极易陷入局部极小等缺陷的基础上,提出了采用粒子群算法来优化传统BP网络的方法。文中研究了故障特征信息的提取、样本选择及诊断系统,并通过电路诊断实例,阐述了该方法的具体实现,验证了所提方法的有效性。     

基于时间卷积网络的模拟电路故障诊断方法

对模拟电路故障诊断中的故障特征提取进行了研究,引入了卷积神经网络模型,提出了一种基于时间卷积神经网络的模拟电路故障诊断方法,在四阶Butterworth低通滤波器电路上分别对不同深度的时间卷积网络进行分类对比实验,实验结果证实了深度时间卷积网络在故障特征提取中的有效性。同时设计实验对比了时间卷积神经网络、SAE-SOFTMAX、深度信念网络和长短期记忆网络的特征提取能力,结果表明,时间卷积神经网络模型在模拟电路故障诊断中能够提取出更能反映数据本质的特征,取得更好的诊断准确率。     

基于EMD近似熵和RBF神经网络的换流器故障诊断

提出了基于经验模式识别(EMD)近似熵和径向基函数(RBF)神经网络的换流器故障诊断方法。通过对故障信号EMD分解提取故障信号特征,得到多个可以反映故障特征的本征模式分量(IMF),选取反映信号主要信息的IMF分量并求解其近似熵,从而构造各种故障的特征矩阵,并作为样本运用RBF神经网络进行训练。换流器故障时,将所提取的故障信号特征矩阵输入已训练好的RBF网络,从而可实现故障类型的识别。仿真证明,该方法能够有效提取出不同故障的特征,从而区分换流器各类故障,具有很好的可行性。     

基于智能优化深度网络的轨道电路故障诊断研究

针对无绝缘轨道电路故障的随机性和复杂性,采用单一诊断模型存在提取特征片面,且模型结构经验设计不合理的问题,提出一种智能优化深度网络的故障诊断方法。首先以轨道电路信号集中监测系统的6个电压检测量建立故障特征集,使用卷积神经网络（CNN）提取特征空间信息,长短期记忆网络（LSTM）提取时间特征信息,从而让轨道电路故障诊断所提取的特征兼具时空信息;同时,引入遗传算法（GA）优化上述深度神经网络的结构及参数,并结合强化学习中的Q-learning方法对两个组合网络特征级的输出权重进一步优化;最后,使用多层感知器（MLP）对深度网络的分类误差进行拟合修正,提高模型对轨道电路的故障诊断精度。仿真结果表明,利用智能优化的深度网络模型对轨道电路的故障诊断相较于单一模型、精炼设计的组合模型识别率可达99.28%,评价指标等均有所提升,具有更高的故障诊断准确度,证明了智能优化深度网络能进一步提高轨道电路的故障诊断性能。     

基于RST-SOM的高压断路器故障诊断

由于高压断路器运行过程中产生的状态数据庞大,传统的基于人工神经网络的高压断路器故障诊断方法在针对这一问题时存在网络结构复杂、训练过程费时、诊断速率缓慢的缺点。由此,文中提出RST粗糙集结合SOM自组织特征映射网络的方法,通过RST理论对断路器故障数据中的各个属性进行评价并寻找最小属性集,以此消除特征信息中存在的冗余属性,得到约简决策表,并将新形成的故障特征数据作为输入结合自组织特征映射网络进行高压断路器故障诊断。经过验证,在确保整体准确率能够达到91%的情况下,缩短了训练时间,简化了网络结构,在工程实践应用中表现良好。     

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。     

基于IEMD和GA-WNN的断路器分合闸线圈故障诊断方法

真空断路器二次回路或操动机构运行状态能通过电流曲线特征反映.首先,通过对真空断路器分合闸线圈铁心卡涩、电压异常(过高或过低)和击穿3种常见故障进行实验室模拟,创建了故障电流曲线特征库.其次,利用故障电流信号经过经验模态分解后的经验模态分量中的能量密度乘对应平均周期为恒定常数的性质,提出一种改进经验模态分解方法来提取分合...     

基于MODWPT与LFDA的模拟电路故障诊断

在模拟电路故障诊断过程中,存在故障特征信息提取不充分以及特征信息冗余的问题,对此,提出一种基于最大重叠离散小波包变换(MODWPT)与局部Fisher判别(LFDA)的模拟电路故障诊断方法。该方法中,首先利用MODWPT进行模拟电路原始信号处理与故障特征提取;随后,针对高维特征集中存在冗余信息,不利于模式识别与分类,利用LFDA方法进行降维,获取更有益于故障模式识别的低维特征集;最后,支持向量机(SVM)作为故障模式识别分类器,在此基础上构建模拟电路故障诊断模型。电路仿真实验结果表明,所提出方法的最大故障诊断准确率可达99.17%,从而验证了所提方法的有效性。     

基于SOM的真空断路器机械故障诊断

给出了适用于小样本训练的自组织映射(SOM)网络的基本概念和突出特点,分析了真空断路器的机械特性与对应机械故障的关系。在此基础上,提出以真空断路器的机械特性作为训练与识别样本并基于SOM的真空断路器机械故障诊断方法。重点介绍了应用该方法进行断路器机械故障分类的全过程:通过提取正常与故障状态下断路器的机械特性并输入至SOM网络中进行故障区分。实验分析表明,该故障诊断方案可有效对真空断路器常见机械故障进行分类。     

基于GA优化BP神经网络的液压钻机故障诊断

针对BP神经网络应用于故障诊断时存在着收敛速度慢、易陷入局部最小值等问题,提出了一种基于遗传算法(GA)优化BP神经网络的液压钻机故障诊断方法.利用GA的选择、交叉和变异操作优化BP神经网络的权值和阈值,提高网络训练的收敛速度.根据液压钻机工况参数提取的特征信号,进行归一化处理建立样本,利用训练样本对网络进行训练,根据训练结果进行故障诊断.仿真结果表明,GA优化的BP神经网络迭代次数少,收敛速度快,能够对测试样本进行有效地分类,故障诊断正确率高.     

基于多传感器振动信号融合的真空断路器故障诊断

根据真空断路器故障诊断特点,提出了小波包、RBF神经网络与D-S证据理论相结合的决策层信息融合诊断方法。首先,运用小波包—能量谱分析方法对振动信号进行分解处理,提取特征向量,并以此作为诊断的依据;其次,建立神经网络模型,以特征向量为RBF神经网络的输入,进行断路器初步故障诊断;然后将诊断结果作为对各种故障模式的基本概率分配值,利用D-S证据理论,实现对初步诊断结果的融合,从而得到最终的融合诊断结果。实验结果表明,该方法诊断真空断路器故障能取得良好的效果。     

基于概率神经网络的高压断路器故障诊断

高压断路器是最重要的电力设备之一,在电力系统中起控制和保护作用。为了提高高压断路器故障诊断的准确率,提出了一种基于概率神经网络(PNN)的高压断路器故障诊断方法。该方法在分析高压断路器的故障特性来确定特征信号的基础上建立了PNN故障诊断模型,该模型将采集的特征数据作为网络的输入,通过Parzen窗估计法得到类条件概率密度,进而按Bayes决策规则对特征数据进行分类。经仿真表明,概率神经网络故障诊断模型具有收敛速度快、故障诊断准确率高、容易训练等特点。因此,该方法是一种有效的故障诊断方法,具有良好的应用前景。