模拟电路故障诊断的小波神经网络方法

利用小波和改进型BP神经网络相结合的方法,进行模拟电路故障诊断;通过分析被测电路的冲激响应,来识别电路中的故障元件;用小波对冲激响应信号进行多尺度分解,进行归一化后,提取特征信息作为神经网络的输入而进行分类。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。实验仿真结果表明:该方法能准确实现故障定位且准确率高。     

基于SOFM网络和异质信息融合的模拟电路诊断

大规模集成电路的发展使得传统的接触法测试在某些场合受到了限制．针对其造成的电量测试信息不足的问题,文中融合电量信息和非电量信息作为故障特征信息,应用自组织特征映射（SOFM）神经网络对模拟电路进行故障诊断．提取电路工作时的电压和温度信息作为故障特征信息,经预处理后作为样本输入给SOFM神经网络进行电路故障诊断．通过输出层各神经元的竞争,得到获胜神经元,从而对样本数据进行故障识别分类．仿真结果表明,应用所提融合诊断方法提高了诊断准确率．     

基于小波包和自组织网络的模拟电路故障诊断

提出了一种基于小波包变换和SOFM网络相结合的模拟电路故障诊断方法.利用小波包分解作为预处理和消噪工具,对电路采样信号进行多尺度分解和消噪,然后进行能量特征提取、归一化,作为样本输入给神经网络.用SOFM网络竞争层的神经元,对样本数据进行故障识别分类,克服了BP网络隐层神经元选取困难的缺点.详细叙述了诊断原理和步骤,并给出了诊断实例.     

特征属性描述下设备的新故障零样本识别

自动化升级背景下,设备间耦合性不断提高,故障表现形式繁杂多样.单一故障不及时处理极易造成影响范围的扩大,使得事故进一步升级.为保证设备的正常运转,对传统的基于案例分析生成的故障诊断方法提出了新的要求,具体包括：低成本、长期监测、少样本或零样本故障识别.针对这些新需求,本文提出将图像处理领域中使用的零样本分类识别思想引入故障诊断领域.通过研究现有故障样本的特征参量,对其进行寻优确定用于状态监测的特征,采用模糊神经网络构成特征属性描述器,将特征描述为设备属性,再由ART网络以属性描述为基础,对设备进行长期监测的同时增量学习.即以少量设备样本或相似样本的分析为基础构建监测与学习机制,识别原有故障的同时学习并记录新类故障.为说明本方法的可行性与有效性,文章利用电机故障数据集以少量样本为先验知识构建系统,混合未知故障样本进行系统测试.实验结果表明,零样本分类思想的应用有望解决当前技术背景下设备故障诊断的新挑战.     

基于神经网络模型的纳税评估及实证研究

提出一种基于神经网络模型的企业纳税状态评估的操作方法,并以上海市某区木制家具制造企业纳税状态为例进行实证研究。首先,对数据进行筛选并对用于建模的数据采用自组织特征映射网络进行聚类,将其合理分为三组样本:训练样本、检验样本和测试样本。其次,同时使用训练样本和检验样本数据建立神经网络模型,并用测试样本对模型性能进行分析。最后,同时建立三种传统统计模型作为对比。分析发现,采用文中的方法建立的神经网络模型是可靠的,对企业纳税状态的识别更加准确,尤其是对非诚实纳税企业的识别风险度更低,神经网络模型具有很好的泛化能力。     

基于信噪比分类网络的调制信号分类识别算法

针对传统降噪算法损伤高信噪比(SNR)信号而造成信号识别准确率下降的问题,该文提出基于卷积神经网络的信噪比分类算法,该算法利用卷积神经网络对信号进行特征提取,用固定K均值(FK-means)算法对提取的特征进行聚类处理,准确分类高低信噪比信号。低信噪比信号采用改进的中值滤波算法降噪,改进的中值滤波算法在传统中值滤波的基础上增加了前后采样窗口的关联性机制,来改善传统中值滤波算法处理连续噪声效果不佳的问题。为充分提取信号的空间特征和时间特征,该文提出卷积神经网络和长短时记忆网络并联的卷积长短时(P-CL)网络,利用卷积神经网络和长短时记忆网络分别提取信号的空间特征与时间特征,并进行特征融合与分类。实验表明,该文提出的调制信号分类模型识别准确率为91%,相比于卷积长短时(CNN-LSTM)网络提高了6%。     

基于小波包分析和Elman神经网的故障诊断方法研究

由非线性电力电子装置组成的电路发生故障时,故障特征信息不易提取和识别。对此提出一种基于小波包分析和Elman神经网的电力电子装置故障诊断的方法,先运用小波包分析法提取电路在不同故障状态下电压及电流信号的特征信息,然后对数据进行归一化处理并作为Elman神经网的输入,由具有智能学习功能的神经元故障分类器完成故障识别和定位。以12脉冲整流电路为例,在Matlab软件下建立电路模型进行仿真实验,结果表明该方法能快速、准确的完成故障诊断。     

基于PCA和PNN的模拟电路故障诊断

为了解决模拟电路故障识别困难的问题,提出一种基于主成分分析和概率神经网络的模拟电路故障诊断方法。该方法对采集到的模拟电路故障信息进行特征提取,将提取的故障特征归一化处理后输入概率神经网络,进行训练和故障模式的分类识别。实验结果表明,该方法是有效的,具有较高的故障诊断率。     

基于PCA和PNN的模拟电路故障诊断

为了解决模拟电路故障识别困难的问题,提出一种基于主成分分析和概率神经网络的模拟电路故障诊断方法。该方法对采集到的模拟电路故障信息进行特征提取,将提取的故障特征归一化处理后输入概率神经网络,进行训练和故障模式的分类识别。实验结果表明,该方法是有效的,具有较高的故障诊断率。     

模拟数字电路故障诊断新方法

利用小波变换与神经网络相结合的方法,采用能量分布特征提取方法和改进BP算法,给出了一种基于小波变换和BP神经网络相结合的模拟电路故障诊断方法.用正弦信号仿真模拟电路,应用小波变换对模拟电路的采样信号进行多尺度分解,再进行能量分布特征提取,然后利用神经网络对各种状态下的特征向量进行分类识别,实现模拟电路故障诊断.在用神经网络诊断模拟电路的基础上,进行了将神经网络用于数字电路单故障诊断的研究.对两者的实例电路仿真结果表明,神经网络可以有效、方便地实现电路的故障检测和定位,准确率高,为故障诊断的研究提供了一种新思路.     

基于VMD与多尺度一维卷积神经网络的故障诊断方法

针对旋转机械设备在多工况、小样本状态下故障诊断精度不高的问题，提出一种基于VMD与多尺度一维卷积神经网络（M1DCNN）的故障诊断方法。该方法首先利用VMD对原始振动信号进行分解，并以峭度为指标，筛选出峭度值最大的分量进行包络分析；然后构建包含多个不同尺度卷积核通道的卷积神经网络，并采用多尺度卷积核提取不同尺度下包络信号的特征信息，进而对故障进行识别。将该方法应用于齿轮箱中的齿轮和滚动轴承的振动数据分析，结果表明：该方法在多工况、小样本情况下均有较高的故障识别精度，且模型具有较强的泛化性能；同时，与单通道卷积神经网络（1DCNN）的对比分析表明，所搭建的多尺度卷积神经网络能更全面地提取信号特征，因而具有更高的诊断精度。     

基于小波变换与BP神经网络的模拟电路故障诊断

利用小波与改进算法的BP神经网络相结合的方法进行模拟电路故障诊断,该方法使用小波分解作为预处理工具,对信号进行消噪和小波分解,然后提取特征信息,进行归一化处理,并作为BP神经网络的输入样本进行模式识别。该方法减少了神经网络的输入维数,提高了收敛速度和辨识故障的能力。仿真结果表明,该方法能准确快速地定位故障,且可有效地进行故障识别、改善神经网络结构以及提高故障诊断精度与速度。     

基于PSpice与LM算法的模拟电路故障诊断方法

采用小波神经网络与Levenberg-Marquardt算法相结合的方法,对模拟电路进行故障诊断;用小波对冲击响应信号进行多尺度分解,进行归一化后,提取故障特征信息作为神经网络的输入而进行分类。将PSpice与Matlab结合不但能有效的诊断模拟电路,且在收敛性和故障准确性上有了大幅提高。实验仿真表明,通过该方法构造的样本集训练出的网络稳定性高于传统方法,适用于神经网络。     

小波变换和神经网络的电路故障诊断

模拟电路的元件较多,相互之间的耦合性较强,容易发生故障。为了提高电路故障的诊断准确性,提出小波变换和神经网络的电路故障诊断方法。首先采用小波变换方法提取电路故障信息特征,然后采用神经网络分类提取的故障特征量实现对电路故障的诊断和分类识别,最后通过仿真实验进行性能测试,结果表明,该方法提高了电路故障检测的准确度,具有较好的实际应用价值。     

基于独立主成分分析的PWM逆变电路的故障诊断

PWM逆变电路故障具有多发性和非线性相关性,对其准确检测的难度较大。为了提高PWM逆变电路的故障诊断性能,提出基于独立主成分分析的PWM逆变电路的故障诊断方法,采用电路输出信号测量方法进行故障状态特征检测,对采集的PWM逆变电路信号进行调理和抗混叠滤波处理,提取检测信号的独立主成分特征,实现故障识别。仿真结果表明,采用该方法进行PWM逆变电路故障诊断的准确检测性能较好,故障诊断可靠稳定。     

基于神经网络的多电平逆变电路故障诊断

因含有大量的开关器件,多电平逆变器难以用基于模型的方法进行故障诊断。针对这一问题,提出了一种基于神经网络的故障识别和分类方法。采用载波相移脉冲宽度调制（PWM）策略搭建级联五电平逆变电路,对逆变器的输出电压信号进行快速傅里叶变换,获取其频谱并以此作为特征信息。利用反向传播算法（BP）神经网络对输出电压模式进行分类。Matlab仿真结果表明,本文设计的 BP神经网络有效地实现了对逆变器的故障诊断。     

基于频率特性的模拟电路故障分析

在分析神经网络模型的特点的基础上,提出基于频率特征进行神经网络模型的模拟电路诊断方法,通过模拟电路能量故障特征的提取、完成构造样本集、对输入输出数据进行灵敏度处理,不断完善神经网络设计,优化算法,结果表明基于频率特性的模拟电路故障测试达到预期效果。     

同杆双回线跨线故障性质判别方法研究

为判别同杆双回线跨线故障性质,提出基于模糊诊断原则的模糊聚类算法.建立模糊相似矩阵,计算最大矩阵元,划分同杆双回线跨线故障性质样本,将其当做模糊综合聚类反复运算中初始分类数,逐步迭代初始分类数并从中随机选取一个初始模糊划分矩阵,计算聚类中心特征矩阵、明可夫斯基距离和目标函数,并修正模糊划分矩阵,根据最终修正的模糊划分矩...     

基于LMD和SVM算法的模拟电路故障诊断

对模拟故障电路进行特征提取与分类是模拟电路诊断的两个重要环节。现有方法多对时域响应信号进行小波变换以提取故障特征,并用神经网络或支持向量机方法实现对故障进行分类。为提高模拟电路故障诊断率,提出一种局域均值分解(LMD)与SVM相结合的新算法。该算法运用局域均值算法(LMD),将其自适应地分解为一系列单分量调幅-调频信号(PF),通过提取电路正常和故障状态的特征,运用SVM对其分类,获得诊断效率。仿真实验结果表明,该方法对模拟电路的故障诊断精度达到98%以上,适用于模拟电路的故障诊断。     

模糊聚类方法在电动舵机致命故障检测中的应用

为了对电动舵机进行致命故障检测,根据模糊聚类方法建立了舵机标准状态样本,通过计算待测状态样本与标准状态样本之间的距离,将其归为最近的一类状态。首先,对舵机原始状态样本数据进行了归一化处理。接着,选用夹角余弦法建立了各样本间的模糊相似矩阵。然后,对初始聚类中心矩阵和隶属度矩阵进行迭代运算,设定最大迭代误差并结束迭代过程,得到了舵机标准状态样本。最后,搭建了舵机状态检测的试验平台,在拷机试验中舵机控制器实时运行状态检测程序,实时计算待测样本与标准状态样本的距离。实验结果表明:状态检测程序运行时间只需0.23 us,且检测结果全部正确。此状态检测方法满足了电动舵机故障检测准确性和实时性的要求。