基于深度极限学习机的模拟电路故障诊断

针对模拟电路故障诊断中特征提取以及模型训练时间较长的难题,采用了一种基于深度极限学习机的模拟电路故障诊断算法。该算法将深度学习中自编码器的思想引入到极限学习机中,构建深度网络,将底层的故障特征转换更加抽象的高级特征,能自主地学习数据特征,避免了繁琐的特征提取和选择。最终通过Sallen-Key和四运放双二次高通滤波2个模拟电路进行仿真研究,实验结果验证了算法在模拟电路故障诊断上的可行性,也表明模型学习速度快、泛化能力好,具有较强的诊断能力,故障诊断分类准确率可以达到100%,诊断时间在0.3 s左右。     

基于深度学习的智能设备故障诊断研究综述

智能设备故障诊断技术(Intelligent Fault Diagnosis, IFD)将深度学习理论应用于设备故障诊断,能自动识别设备的健康状态和故障类型,在设备故障诊断领域引起了广泛关注。智能设备故障诊断通过构建端到端的AI模型和算法将设备监测数据与机器健康状态关联以实现设备故障诊断,但设备故障诊断的模型和算法较多且相互之间并不通用,采用与监测数据不相符的模型进行故障诊断会导致诊断准确率大幅度下滑。为解决这一问题,在全面调查设备故障诊断相关文献的基础上,首先简述深度设备故障诊断的模型框架,再根据具体应用场景和设备监测数据类型对模型算法进行分类介绍、列表对比及总结,最后针对存在的问题分析了未来的发展方向。本综述有望为智能设备故障诊断的研究提供有益的参考。     

基于深度信念网络的模拟电路故障诊断

为及时精准地发现模拟电路故障,保障电子仪表的安全稳定运行,提出了基于深度信念网络的模拟电路故障诊断方法。采用自动编码器模拟电路初始故障信号进行降噪处理,将降噪后信号输入到深度信念网络中提取特征,极限学习机根据特征建立故障诊断模型,结果表明,深度信念网络可以有效提取模拟电路各类故障特征,模拟电路各类故障的整体诊断精确率可达到98.47%,可为模拟电路保障诊断提供了一种新的工具。     

基于深度学习的旋转机械故障诊断研究综述

在现代化生产中,旋转机械的精密性和重要性越来越高,朝着大型、高速和自动化方向发展,以至传统故障诊断方法不足以处理海量、多源、高维的测量数据,不能满足安全性和可靠性的要求;因此,首先简要介绍几种典型的深度学习模型,并结合深度学习强大的特征提取能力和聚类分析的优势,对其近些年来在转子系统、齿轮箱和滚动轴承故障诊断的应用情况进行了对比分析;最后总结深度学习模型的优缺点,并从工程实际出发对旋转机械的故障诊断方法进行总结与展望。     

基于深度学习的集成化装备故障诊断方法综述

集成化装备的结构和功能日益复杂,传统的故障诊断方法难以进行准确的特征提取,而深度学习具有强大的学习能力,能够有效挖掘特征,适合于集成化装备的故障诊断。为此,首先按照应用领域的不同,分别描述了国内外基于深度学习的故障诊断最新研究进展;其次,简要介绍了三种典型的深度学习故障诊断方法（深度置信网络、堆栈自编码机和卷积神经网络）,整理出已经取得的成果和存在的问题并做出总结;而后将基于深度学习实现故障诊断面临的挑战总结为六种类型,并根据前文总结出的研究成果提出了研究思路;最后结合实际应用情况,提出了四种发展方向。     

基于深度学习的航空传感器故障诊断方法

为解决传统神经网络进行传感器故障诊断时存在的过拟合、泛化能力有限等问题,提出一种基于深度置信网络观测器的航空传感器故障诊断方法。利用深度置信网络替代浅层神经网络,在优化网络结构的基础上,给出深度置信网络隐层节点数选取的递推公式,构建深度置信网络状态观测器。离线训练时,利用飞行数据训练深度置信网络观测器。在线诊断时,通过比较观测器输出值与实际输出值判断故障类型,并给出3种故障隔离与信号重构方法。仿真结果表明,与BP神经网络观测器相比,该方法能够快速准确地进行故障诊断与隔离,并且完成信号重构。     

基于表征学习的模拟电路故障诊断

针对模拟电路故障诊断中故障信息的多特征、高噪声以及故障诊断时间较长的问题,提出了一种基于H-DELM的模拟电路故障诊断模型。该模型的架构单元为双随机隐藏层的深度极限学习机DELM-AE,2个随机隐藏层用于编码特征,1个输出层用于解码特征。将DELM-AE以分层结构堆叠构建H-DELM模型,由于DELM-AE可以进行特征表示,而且输出与原始输入信息相同,因此H-DELM可以尽可能多地复制原始输入数据,进而可以学习到更具表现力和紧凑性的特征。最终通过四运放双二次高通滤波器和更复杂的二级四运放双二阶低通滤波器2个电路进行验证。实验结果表明了该模型在模拟电路故障诊断上的可行性;与其他模型的比较表明该模型的鲁棒性较强,分类速度可以达到1 s左右,故障分类准确率可以达到100%。     

基于深度学习的电力骨干通信网故障诊断研究

随着电力骨干通信网络的规模不断扩大,拓扑结构日益复杂,网络运维数据呈指数趋势增长。电力通信运维人员只能将有限的精力集中到关系业务通断性的重要告警及相关性能上,而对于大量反映生产运行本质的深层次运行数据却无暇顾及也无手段顾及,这成为当前电力通信调度生产工作的最大的痛点及难点。本项目基于深度学习技术,将新一代人工智能技术与电力骨干通信网调度监控和运行维护实际工作需求紧密结合,重点解决电力通信调度运行中故障快速处置、业务智能重构、方式优化安排、风险评估预测与设备运行状态健康管理等实际生产问题,对提升电力通信主动性运行水平,将运行风险管控从事中向事前倾斜,更好地支撑电网生产业务具有重要的现实意义。     

基于深度学习的变压器故障信号识别算法

针对变压器结构复杂、维护成本高等特点,提出一种基于深度学习的变压器故障信号识别算法。首先分析变压器工作状态下的声纹信号并进行二维图像信号的转换,利用VGG16神经网络在图像中的优势,并在此基础上提出一种MCA注意力机制,该注意力机制能够同时保留背景信息和细节信息;其次对VGG16中的最大池化下采样进行优化,采用一种软池化的采样方法,减少图像中最大池化下采样带来的特征损失;最后为避免过拟合现象的发生,将VGG16顶层结构中的激活函数进行优化,引用可以自归一化的SELU激活函数。实验证明,广义S变换是将一维时域信号转换为二维图像信号的最佳选择,所提算法对于6类故障信号的平均识别率达到99.15%。     

基于深度学习的航空发动机传感器故障检测

针对传统反向传播(BP)神经网络和支持向量机(SVM)存在的过拟合、维数灾难、参数选择困难等问题,提出了一种基于深度学习算法的航空发动机传感器故障检测方法.对发动机参数记录仪采集的多维数据进行预处理,建立基于深度置信网络(DBN)的故障检测模型,利用预处理后的数据对检测模型进行训练,经过DBN故障检测模型逐层特征学习实现了传感器故障检测.仿真结果表明:在无人工特征提取和人工特征提取的情况下,基于DBN故障检测的准确率均高于BP神经网络和SVM模型.     

自适应狼群算法优化ELM的模拟电路故障诊断

为了能够更加高效地检测和诊断模拟电路中的故障元件,提出了自适应狼群算法优化极限学习机的方法。该方法采用自适应遗传算法对特征参数进行选择,从而生成最优特征子集,然后利用最优特征子集构造样本输入极限学习机ELM网络对故障进行分类。针对极限学习机的输入层和隐含层之间的连接权值、隐含层的偏差都将会使其学习速度和分类正确率受到影响的问题,采用本文方法对它们进行优化并选择相应的最优值,提高了极限学习机网络训练的稳定性与故障诊断的成功率。通过2个典型模拟电路的诊断实例,给出了这些方法的具体实现过程,故障诊断率均在99%以上。仿真结果表明使用该方法进行模拟电路故障诊断时具有良好的正确率和稳定性。     

基于多小波变换的模拟电路IDDT故障诊断

动态电源电流测试（IDDT）对模拟电路故障诊断非常有效。针对小波神经网络在模拟电路IDDT故障诊断中存在的缺陷,提吐了一种基于多小波变换的模拟电路IDDT故障诊断方法。即利用多小波变换提取电源电流各频段的能量,作为神经网络的输入特盘向量进行故障诊断。仿真结果表明,该方法是有效的,而且比小波神经网络方法的收敛速率快。     

主成分分析和超限学习机的模拟电路故障诊断

为提高模拟电路故障诊断特征信息提取的完整性,实现故障模式分类的准确性,达到网络训练测试的快速性,提出了一种基于主成分分析（Principal Components Analysis,PCA）和极限学习机（ELM）相结合的模拟电路故障诊断新方法。在OrCAD16.3中通过设置仿真模拟电路元器件参数及其容差,获得电路各状态的MonteCarlo样本数据,经PCA降维提取特征信息以获得最优的特征模式,继而采用ELM对故障进行分类识别。以Sallen-Key带通滤波器电路为实例进行仿真研究,结果表明该方法具有特征提取效果好,神经网络训练学习速度快,故障诊断效率高,泛化性能好等特点。     

基于多频测试和神经网络的模拟电路故障诊断

多频测试使模拟电路响应的故障状态和正常状态差异最大化,而神经网络具有解决复杂分类问题的能力。结合两者优点,提出一种基于多频测试和神经网络的故障诊断方法:通过灵敏度分析指导多频测试矢量生成,选择最优测试激励;提取各测试节点响应的故障信息,利用神经网络对各种状态下的特征向量进行分类决策,实现对故障元件的检测和定位。实验结果表明,该方法对模拟电路故障诊断非常有效,具有很强的实用性。     

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.     

模拟电路故障的分布式诊断算法

提出一种模拟电路故障的分布式诊断算法,用以解决大数据量故障样本集所带来的网络规模过大,训练时间过长等问题。该算法采用有监督Hebb学习规则,在训练学习过程中添加类别标识,避免了因数据分割而产生的部分知识的丢失。分别用提出的分布式算法和传统的BP算法对实例电路进行故障诊断,实验结果表明,提出的分布式算法不仅和BP算法的诊断正确率相当,而且有效地提高了训练学习的速度。     

基于扩展滤波器的非线性系统迭代学习故障诊断算法

针对一类存在执行器和传感器故障的非线性系统,提出基于滤波器的故障重构方法。为了使算法同时适用于状态和输出端,通过由系统方程构造新状态方程对系统作扩展变换,将原系统输出端非线性和故障转换到扩展系统的状态方程,在此基础上设计故障诊断滤波器,采用迭代学习调节算法更新虚拟故障使之逼近实际故障。该算法可以检测和估计系统故障,并且对不同类型故障具有一定的适应性。在单关节机器人模型上进行仿真实验,实验结果验证了所提出算法的可行性和有效性。     

基于异类信息融合的模拟电路故障诊断方法

针对模拟电路故障诊断中存在的可测节点电压信息不足、单一信息不能表征所有故障状态等问题,提出了一种基于神经网络和D-S证据理论的模拟电路异类信息融合故障诊断方法.该方法首先提取两类故障信息并分别将其输入不同的神经网络对其进行初步诊断,并得到各自的诊断结果,然后根据初步诊断结果,运用D-S证据理论对其进行融合,做出最终决策.