改进神经网络在模拟电路故障诊断中的应用

研究模拟电路故障诊断准确性问题.电路故障与引起故障因素之间呈高度非线性,传统故障识别方法无法识别其非线性特点,导致传统故障方法的诊断精度低.为了提高电路故障诊断的精度,提出一种遗传算法优化BP神经算法的模拟电路故障诊断方法.首先对故障电路样本进行特征提取和归-化处理,然后采用遗传算法对BP神经网络参数进行优化,最后利用最优参数BP神经网络对电路故障样本进行训练和建模,获得电路故障诊断结果.在MATLAB平台上对模拟电路故障进行仿真测试,仿真结果表明,与传统模拟电路故障诊断方法相比,提高了模拟电路故障诊断精度,缩短了故障诊断时间,在模拟电路故障中有着广泛的应用前景.     

基于PSO优化BP神经网络的液压钻机故障诊断

液压钻机故障特征参数与故障状态之间呈现较强的非线性,依赖线性数学模型的故障诊断方法诊断正确率不高。针对上述问题,提出了一种基于粒子群算法(PSO)优化BP神经网络的液压钻机故障诊断方法。该方法利用BP神经网络提取特征参数之间的非线性关系,实现典型故障的分类识别;利用PSO优化BP神经网络的权值和阈值,提高网络训练的收敛速度。仿真结果表明,PSO优化的BP神经网络迭代次数少,收敛速度快。该方法能够对测试样本进行有效分类,故障诊断正确率高。     

遗传BP网络在模拟电路故障诊断的应用

分析了传统BP型神经网络在模拟电路故障诊断中应用所存在的缺点,提出了解决办法。利用遗传算法优化BP网络的结构和具体的参数,可以避免靠经验和试验确定参数的弊端,能够提高神经网络用于模拟电路故障诊断的智能性,改善故障诊断的精度、速度。     

基于粒子群算法优化支持向量机的模拟电路诊断

为了提高支持向量机网络(SVM)进行模拟电路诊断的准确率,提出了一种基于粒子群(PSO)算法和支持向量机的诊断方法。该方法首先对被测电路的响应信号进行多小波变换,通过归一化处理得到分类能力强的最优故障特征;然后用粒子群算法优化支持向量机的结构参数,实现对不同故障模式分类识别。仿真结果表明,此方法能有效提高模拟电路故障诊断准确率。     

主成分分析法与概率神经网络在模拟电路故障诊断中的应用

模拟电路故障的多样性使得神经网络训练样本数量增加,BP网络结构趋于复杂,训练速度降低;针对反向传播神经网络(BPNN)学习收敛速度慢、易陷入局部极小值等问题,提出了基于主成分分析(PCA)与概率神经网络(PNN)相结合的模拟电路故障诊断方法;通过主成分分析法(Principal Component Analysis)提取特征数据进行降维处理,再结合概率神经网络(Probabilistic Neural Networks)对电路故障进行分类;实例说明采用PCA和PNN结合对故障数据处理,可以大大的提高故障诊断分类的准确性。     

遗传神经网络在模拟电路故障诊断中的应用

针对传统BP神经网络在模拟电路故障诊断中存在的不足,提出遗传算法和BP神经网络相结合的遗传神经网络模拟电路故障诊断方法;充分利用遗传算法全局、并行寻优的能力对BP神经网络的学习过程进行优化,防止神经网络训练时出现收敛速度慢和陷入局部极小等缺陷;在MATLAB平台上编程实现模拟电路故障诊断的仿真实验;仿真结果表明,相对于传统的BP神经网络算法,遗传神经网络算法不仅提高了网络训练收敛速度,而且提高了模拟电路故障诊断平均正确率,为模拟电路智能化诊断提供一种新的思路。     

基于小波分析和遗传神经网络的模拟电路故障诊断方法*

针对BP网络极易收敛于局部极小点与过拟合等缺点,在构建小波神经网络的基础上,提出用遗传算法优化BP神经网络的模拟电路故障诊断方法.该方法使用小波作为预处理工具,经PCA分析和归一化后提取输出信号的能量信息作为特征向量,用遗传BP神经网络作为故障识别器,对模拟电路故障进行诊断.与传统BP神经网络相比较,结果表明,该方法可明显改善神经网络结构、提高故障诊断的精度和速度.     

基于小波神经网络的模拟电路故障诊断技术

文章提出了一种基于小波神经网络的模拟电路故障诊断方法:通过分析被测电路的冲激响应来识别电路中的故障元件,利用小波理论中的多分辨率分析的方法提取出相应信号中的故障特征,组成特征向量后输入神经网络进行训练,实现故障诊断;该方法减少了神经网络的输入、简化了其结构、并缩短了训练和处理时间,文中分别用小波神经网络和传统的BP神经网络对实例电路进行故障诊断,仿真结果发现:小波神经网络相比BP网络方法收敛速度更快,诊断率更高。     

自适应GA优化WNN的模拟电路软故障诊断方法*

在小波神经网络(WNN)的模拟电路故障诊断系统中,普遍采用的梯度下降算法在训练时易使网络陷入局部最优,而网络结构的冗余也会造成训练收敛方向偏离全局最优点,降低推广能力和增加误诊率。用自适应遗传算法优化WNN,以克服上述缺陷。采用该方法可简化小波神经网络的结构和优化参数,在滤波器电路的软故障识别中获得满意的效果。与常规的WNN故障诊断方法相比,有效地提高了故障诊断的效率和正确率。     

基于改进粒子群算法的整流电路智能故障诊断

针对基本粒子群算法(PSO)收敛精度低、易陷入局部极小值的缺点。对该算法进行改进,采用自适应调整惯性权重的策略,并且引入扰动因子,平衡集中强化搜索和分散多样化的搜索过程;用改进的PSO算法优化BP神经网络的权值和阈值,并应用于整流电路的故障诊断;仿真研究结果表明,该方法与其它方法相比,收敛速度快,诊断精度高,在整流电路故障诊断中具有良好的故障识别率,便于电路故障自动诊断系统的建立。     

PSO-optimized modular neural network trained by OWO-HWO algorithm for fault location in analog circuits

Fault diagnosis of analog circuits is a key problem in the theory of circuit networks and has been investigated by many researchers in recent decades. In this paper, an active filter circuit is used as the circuit under test (CUT) and is simulated in both fault-free and faulty conditions. A modular neural network model is proposed in this paper for soft fault diagnosis of the CUT. To optimize the structure of neural network modules in the proposed scheme, particle swarm optimization (PSO) algorithm is used to determine the number of hidden layer nodes of neural network modules. In addition, the output weight optimization–hidden weight optimization (OWO-HWO) training algorithm is employed, instead of conventional output weight optimization–backpropagation (OWO-BP) algorithm, to improve convergence speed in training of the neural network modules in proposed modular model. The performance of the proposed method is compared to that of monolithic multilayer perceptrons (MLPs) trained by OWO-BP and OWO-HWO algorithms, K-nearest neighbor (KNN) classifier and a related system with the same CUT. Experimental results show that the PSO-optimized modular neural network model which is trained by the OWO-HWO algorithm offers higher correct fault location rate in analog circuit fault diagnosis application as compared to the classic and monolithic investigated neural models.     

LF-PSO优化神经网络的高压断路器机械故障诊断

目前对高压断路器的故障诊断方法较多,其中采用神经网络方法居多。提出一种基于莱维飞行粒子群算法（LF-PSO）优化PNN神经网络的故障诊断技术。PNN结构简单,收敛速度快,但其中平滑因子σ对网络输出结果正确性影响较大,采用改进的粒子群算法对σ进行寻优。在标准粒子群基础上加入LF 能有效地使粒子通过随机游走产生新的解,经历新的搜索路径和领域,从而增加了种群的多样性,提高发现更优解的概率,不易陷入局部极值,提高了搜索的速度。通过实验数据验证,LF-PSO优化的PNN算法加快了搜索的速度,提高了诊断的精度,减小了误差,分类效果明显,是一种有效的故障诊断方法。     

基于覆盖算法的模拟电路故障诊断方法

模拟电路故障诊断理论与方法的研究是目前热门的研究课题。针对传统神经网络内部结构难以确定、可理解性差、难以用硬件实现的问题,本文构建一种基于领域覆盖算法的模拟电路故障诊断方法,并针对领域覆盖算法构造的神经网络内部神经元个数过多,初始点选择随机的情况,提出领域搜索覆盖算法。最后通过对某一个带通滤波电路进行故障诊断,降低神经网络中神经元的个数,提高了该神经网络的泛化能力,故障诊断率也提高了9个百分点。验证了该方法的可行性。     

模拟电路故障诊断新方法

提出了一种新颖的基于多小波神经网络的模拟电路故障诊断方法。介绍了多小波的原理,分析了多小波神经网络的结构、逼近性质及多小波神经网络的算法,提出了用多小波来处理故障信号,提取故障特征向量输入给神经网络,从而进行模拟电路故障诊断。由于多小波函数具有连续、对称性及支撑集短等一系列优点,所以用多小波神经网络来进行模拟电路故障诊断比一般的小波神经网络具有诊断精度高、诊断速度快的优点。给出了仿真诊断实例,验证了该方法的有效性。     

基于电流源激励的BP神经网络模拟电路故障诊断

针对传统故障字典法对模拟电路故障诊断时存在的缺陷提出了新的故障字典法;将电流源激励下二端口网络输入端和输出端的电压增益比作为故障特征信息,在此基础上先直流测试,后利用BP神经网络交流测试;该方法充分考虑了电路元件的容差,减轻了BP神经网络诊断故障的负担,提高了故障诊断的速度、准确率以及故障覆盖率;利用MATLAB和PSPICE工具对该方法进行实例仿真,结果表明其能够实现快速、准确的故障定位。     

基于BP小波神经网络的模拟电路故障诊断

针对现有BP网络在模拟电路故障诊断中存在的问题,提出了一种基于BP小波神经网络的故障诊断方法.该法将小波函数与BP网络结合构成BP小波网络,这种网络具有小波变换的时频局域化性质和BP网络的自学习能力.分别用BP小波网络和传统BP网络对实例电路进行故障诊断,结果表明本方法是有效的,而且比传统BP网络方法的学习收敛速度快得多.     

基于集成多神经网络在模拟电路故障诊断中的研究

以进行模拟电路故障诊断为主要目的,针对单神经网络故障字典法在进行复杂电路系统故障诊断时,对多故障和多任务诊断的不足之处,讨论了基于多故障的神经网络集成技术,采用集成多神经网络来提高诊断速度和精度,提出了集成多神经网络故障字典法来解决多故障任务,对基于层次分类模型的多重结构神经网络进行了研究,给出了两种对故障定位的统一融合算法,克服了采用单神经网络多故障时学习速度慢,出现新故障的网络要重新进行学习等缺点.并给出了应用实例.     

基于果蝇-构造小波神经网络模拟电路诊断方法

利用果蝇算法优化构造小波神经网络,建立FOA-构造小波神经网络模型,并将模型应用于模拟电路故障分析当中,通过仿真试验可发现该方法在故障诊断中有较高的准确性。     

基于高阶累积量的模拟电路故障诊断

结合信息融合技术,提出一种基于高阶累积量的模拟电路故障诊断方法.对待测电路施加正弦激励信号,从待测电路的输出终端提取原始电压和电流信号,求出峰度和斜度作为故障特征向量,将其输入改进的反向传播神经网络进行故障诊断.实例结果表明,该方法具有较高的诊断准确率.