基于电流测试的混合电路故障诊断

在运用小波神经网络进行混合电路故障诊断的过程中,测试参数的选取至关重要。研究了一种基于电流测试的故障诊断。该方法即通过PSPICE模拟电路的静态及动态电流信息,再通过小渡神经网络的结合,证明了该方法在混合电路故障诊断中的可行性,为提高混合电路的故障诊断率提供了一种新的方法。     

模拟电路故障诊断中的特征信息提取

在运用BP神经网络进行模拟电路故障诊断过程中,代表故障特征的网络输入至关重要。分析了常见特征信息提取和故障诊断方法,提出一种基于多测试点、多特征信息原始样本集的新方法。运用这种方法构造原始故障特征集,然后作为BP神经网络的输入对网络进行训练,仿真结果表明,通过该方法构造的样本集训练出来的网络对模拟电路故障诊断的正确率优于传统方法,证明了该方法在模拟电路故障诊断中的可行性,为模拟电路的故障诊断提供了一种新方法。     

遗传小波神经网络的非线性模拟电路故障诊断方法

提出了一种将遗传算法(GA)、神经网络与小波变换相结合对非线性模拟电路进行故障诊断的方法;分析了传统BP型神经网络在非线性模拟电路故障诊断中存在的缺陷;提出了一种新的解决方法--利用小波变换对非线性电路故障信号进行预处理,对故障信号中的冗余信息进行剔除,然后利用遗传算法优化BP网络参数,如网络权值、阈值等.利用该方法对非线性电路进行故障诊断,有利于提高神经网络对电路故障诊断的智能性及识别故障类别的能力,提高故障诊断的精度与速度.实验结果表明,该方法是可行的.     

基于神经网络的模拟电路故障诊断研究

针对模拟电路,提出一种基于神经网络的故障诊断方法.通过故障字典的建立,选择电路的最佳测试节点,电路故障响应进行预处理后得到故障特征向量,再输入到神经网络实现电路故障诊断.仿真结果表明:该方法有效地解决了模拟电路辨识难的问题,具有更好的故障分辨率,取得了满意的诊断效果.     

粒子群算法优化特征和神经网络的模拟电路故障诊断

模拟电路受到自身特性和外界环境的影响,故障变化具有非线性、时变性,针对当前模拟电路故障诊断模型的特征和分类器参数不匹配的难题,提出一种粒子群算法选择特征和神经网络的模拟电路故障诊断模型。首先对当前模拟电路故障诊断现状进行分析,指出它们存在的缺陷;然后提取模拟电路故障诊断特征,利用神经网络作为模拟电路故障诊断分类器;最后采用粒子群算法对模拟电路故障特征与神经网络参数进行优化,在Matlab 2012平台进行了仿真实验。结果表明,该模型的模拟电路故障诊断性能要远远优于其他参比模型,具有广泛的应用前景。     

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.     

BP网络改进及在电路故障诊断中的应用

本文根据ＢＰ神经网络的特点和性能以及电路故障诊断的要求，提出了一种利用ＢＰ神经网络对电路进行故障诊断的方法。该方法应用自行改进的ＢＰ抑经网络，建立了故障识别系统，并对模拟电路故障诊断进行了实例实现，计算机仿真结果良好。     

一般性问题

TN062 2004060001小波神经网络在摸拟电路故障诊断中的应用研究/谢宏,何怡刚,周应堂,吴杰(湖南大学)}}湖南大学学报,一2004,31(4),一38一40对模拟电路提出了一种基于小波与神经网络辅助式结合的故障诊断方法.该方法用小波变换作为模拟电路故障信号的预处理器、大大减少神经网络的输入数目,简化神经网络结构和减少它的训练时间,提高辨识故障能力在介绍该故障诊断方法的基本原理后,给出了小波函数及故障特征选择的方法.图4参5(午)一般性问题~~     

模拟电路的融合智能故障诊断

随着我国电力系统建设不断完善,各项技术不断革新,电力系统的故障处理方法也越来越多。本文采用神经网络、遗传算法以及模糊理论等完成电路的融合智能诊断,为确保电力系统的安全运行提供保障。本文主要采用模糊积分融合法来对模拟电路进行融合故障诊断,并且在本文之中采用BP网络算法来对故障进行诊断,希望通过对模拟电路的诊断方法进行研究为模拟电路的故障诊断提供借鉴和参考。     

基于核覆盖的模拟电路软故障诊断方法

针对神经网络故障诊断中网络结构难以确定的问题,文中构建了一种基于核覆盖的神经网络模型进行故障诊断。首先利用小波变换提取各频带小波系数作为故障特征值,然后利用提取出来的故障特征构造出基于核覆盖的神经网络模型进行训练,最后用训练好的神经网络模型完成模拟电路的故障诊断。该方法针对样本自身的特点构造神经网络,有效解决了传统神经网络中结构难以确定及运算速度缓慢的问题。通过仿真结果可知,该方法能有效地构建三层神经网络,并获得了较高的故障诊断正确率。     

基于小波神经网络的模拟电路故障诊断研究

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。这种方法采用正弦信号作为被测电路的输入激励,在时域中对输出信号采样来构造神经网络的训练和测试样本,将自适应学习率及附加动量BP算法训练后的小波神经网络应用于容差模拟电路故障诊断中。仿真试验表明,该方法减少了故障诊断时间和提高了网络的平均诊断正确率。     

基于PCA-LVQ的模拟电路故障诊断

为了解决模拟电路故障难于识别的问题,提出一种基于主成分分析(PCA)和学习矢量量化神经网络(LVQ)的模拟电路故障诊断新方法。该方法用PCA提取模拟电路故障特征,然后将降维后的故障特征信息输入LVQ网络训练和故障模式的分类识别。通过对Sallen-Key带通滤波器电路的故障诊断实例表明,该方法是有效的,具有较高的故障诊断率。     

基于BP神经网络的模拟电路诊断系统研究

以现代测试技术、信号处理、信息融合等理论为基础,以神经网络在模拟电路故障诊断中的应用为主线,详细讨论BP神经网络在模拟电路故障诊断中的应用和故障特征提取方法.采用多频组合法建立了故障样本集.对选定的待测电路在元件存在容差的条件下,仿真验证了BP神经网络应用于模拟电路故障诊断的可行性.     

基于小波包变换的FED驱动电路故障诊断

根据FED驱动电路的特性,提出了一种小波包变换和神经网络相结合的方法,并将其应用于FED的驱动电路故障诊断.首先采用小波包变换对电路输出节点的电压信号进行分解,提取各频段的能量作为故障样本输入神经网络.仿真实验证明,该方法减少了故障诊断的时间,提高了故障诊断的准确率,使准确率达到87.17％.     

基于BP网络的数字电路多故障诊断研究

为了更有效地对数字电路进行多故障诊断,提出了一种利用电路的故障真值表来表征电路在有故障和无故障状态下的特征信息来对电路进行故障诊断的新方法。该方法使用BP型神经网络,运用误差反向传播算法,把从电路中提取的有效特征信息作为样本对网络反复训练,从而实现用单故障对多故障进行诊断的目的。实验表明该方法可以有效、方便地实现电路的故障检测和定位,为多故障诊断的研究提供了一种新思路。     

基于小波与LS-SVM集成的模拟电路故障检测

由于模拟电路的多样性、非线性和离散性等特点,模拟电路的故障诊断呈现复杂、难以辨识等问题。针对已有方法的数据不平衡,提出了一种支持向量机集成的故障诊断方法。使用小波变换方法提取特征向量,在多类别支持向量机的基础上,设计了模拟电路的最小二乘支持向量机预测模型,实现了对模拟电路的状态的故障预测。将该方法应用于Sallen-Key带通电路进行故障预测试验,结果表明,该方法比单一支持向量机、径向基神经网络、BP神经网络和APSVM有更好的分类和泛化性能,故障诊断准确率更高。     

一种基于神经网络的模拟电路故障诊断方法

模拟电路故障诊断一直是一项富有挑战性的研究课题。文章在简要介绍BP神经网络基本原理的基础上,以差分放大电路为例,设计并实现了基于BP算法的模拟电路故障诊断方法,建立了模拟电路故障诊断BP神经网络模型。实验表明,该模型的辨识精度高,能实现对模拟电路故障的正确诊断。     

带通滤波电路故障的BP网络诊断方法与仿真设计

本文在传统诊断技术理论基础上,将BP神经网络方法应用到模拟电路故障诊断的故障诊断中,分析了带通滤波电路故障的BP网络及人工神经网络的故障诊断方法;利用PSPice仿真软件和MATLAB仿真软件对电路进行了故障诊断,对几种常见模拟电路的故障机理作了初步研究,给出了实验结果。     

粒子群RBF神经网络电力电子电路故障诊断

为检测和诊断电力电子电路中的故障,获得更高的诊断精确度,提出粒子群算法优化RBF神经网络的故障诊断方法.与基本RBF神经网络相比,粒子群RBF神经网络可以提高系统的收敛速度和精度.把通过特征提取获得的电力电子电路故障特征量作为神经网络的输入,利用训练好的粒子群优化后的RBF神经网络进行故障诊断.仿真结果表明,实际输出与期望输出基本吻合,具有良好的分类效果,能够提高诊断精确度,对于电力电子电路的故障诊断是一种有效的方法.     

基于小波分析和神经网络的模拟电路故障诊断方法

提出了一种基于神经网络和小波分析的模拟电路故障诊断的系统方法。该方法通过对电路的可测性测度计算，选择电路的最佳测试节点，然后利用小波分析作为特征提取手段提取电路的故障特征向量，经归一化和主元分析（PCA）处理后。得到最优特征向量，最后输入到神经网络实现电路故障诊断。计算机仿真结果表明该方法具有更好的故障分辨率。