基于智能信息融合的模拟电路故障定位方法

针对模拟电路故障诊断中存在的测试信息不足、故障定位准确性较低等问题,提出了一种应用智能信息融合技术的模拟电路故障定位方法.该法首先分别采用可测点工作电压及不同测试频率下的电路增益,各用一个独立的神经网络依据改进的BP算法对电路实施初级诊断;然后根据初级诊断结果,运用模糊融合诊断方法进行故障定位.所提方法能充分利用故障信息,对模拟电路的软故障与多故障均可进行诊断,故障定位准确率高.     

容差模拟电路软故障诊断的神经网络方法

为了提高诊断容差模拟电路软故障的速度与准确性,提出了一种随机算法、灵敏度分析、免疫遗传算法与神经网络相结合的软故障诊断方法.该法首先利用基于随机算法的灵敏度分析来解决电路发生软故障时测试节点与激励信号频率选择困难的问题,然后对待测电路施加所选的激励并在所选择的测试节点处提取节点电压,这些电压值再经主元分析与归一化处理作为故障特征,输入神经网络.为了解决传统BP算法本身固有的易陷入局部最优等缺点,引入免疫遗传算法来进行优化,形成基于免疫遗传算法的BP神经网络,进行故障分类.本文详述了其诊断原理及诊断步骤,并通过电路诊断实例,验证了所提方法的有效性.     

基于BP神经网络的模拟电路故障诊断研究

在简要介绍标准BP神经网络基本原理的基础上。详细说明了基于改进BP神经网络算法的模拟电路故障诊断方法和设计步骤，根据网络总误差来自适应调节网络的学习率，加速网络的收敛过程。此算法应用于电路的故障诊断，能够对被测电路的故障进行有效并且精确的分类。以折线式有效值测量电路为例，设计了基于改进BP神经网络算法的模拟电路故障诊断系统，以实际测试数据作为训练样本进行学习训练后，对其它实际测量数据进行诊断，结果正确，验证了算法的有效性。     

Wiener核的快速提取算法*

对于非线性特性未知的模拟电路,可以运用Wiener泛函级数来描述,且Wiener核值可以表示电路特征。但是随着阶数及采样点数的增加,Wiener核值提取运算次数呈指数形式增长,这给应用带来困难。针对这一问题,提出了一种折叠递推快速算法,经分析计算本快速算法比常规算法节省乘法计算量90%以上。在此基础上,运用快速算法与常规算法针对典型电路进行了对比实验,提取的核相同,可以快捷有效的诊断电路的正常状态及不同软故障状态。     

系统辨识在模拟电路故障诊断中的应用

把系统辨识理论应用在模拟电路故障诊断中，包括选取容差和单元内元件软故障和硬故障诊断等，特点是可以减少测试点，不必求解所有元件的值就可以诊断单元软故障和硬故障元件。     

基于多类电量测试数据融合的模拟电路故障诊断

提出了一种利用多类电量测试数据、基于神经网络与模糊集理论的模拟电路故障诊断新方法.检测可及节点电压并测量电路在选定的各测试频率下输出对输入的增益,分别利用此两类测试数据,各用一个独立的BP网络对电路进行初步诊断,再运用所提出的模糊融合诊断算法及其故障定位规则进行故障定位.模拟实验结果表明:所提方法克服了基于单一信息诊断方法的不足,对硬故障与元件参数偏移较小的软故障均适用,故障定位准确率高.     

一种容差模拟电路故障诊断的新方法

以故障字典法和模糊理论为基础,针对经典故障字典不能对元件参数故障（软故障）实施诊断以及由于元件容差的影响而难以实现故障精确诊断的问题,以节点电压灵敏度为关键量建立了模糊规则字典和节点电压增量比向量字典,并以此二字典为基础设计了新的诊断系统。使用该系统不但能够诊断电路硬故障,而且还能够诊断每一元件的所有软故障。对于故障元件,在定位的同时还能判断出其参数的改变方向。新的诊断方法有诊断范围宽、测前模拟次数少、占用存储空间小、计算复杂度小的特点。实验结果证明了新方法对含容差模拟电路故障诊断的有效性。     

容差电路软故障检测与定位

提出了一种基于统计理论与神经网络数据融合、可用于容差模拟电路软故障检测与定位的诊断方法.该方法将故障诊断分两个阶段进行,即故障检测与故障定位.通过监测可测点工作电压,利用所构建的故障阈值函数与故障判据来实现容差电路的故障在线检测.再通过离线测量电路在不同测试频率下输出对输入的增益,利用可测点工作电压与电路增益,运用所提出的数据融合方法及改进的BP算法对电路进行故障定位.模拟诊断结果表明,所提方法不仅可用于硬故障诊断,而且还能实现容差电路的软故障诊断,所需测试节点少,故障检测与定位准确率高.     

模拟电路软故障与 LM 算法的结合应用研究

在模拟电路故障诊断中,由于标准的BP神经网络算法在训练样本时存在着收敛速度慢、分布不均匀、效率不高等缺点,导致电路的整体诊断性能下降。提出了一种将Levenberg-Marquardt （LM）算法与神经网络相结合的方法,对电路的脉冲信号进行多尺度分解,提取故障特征作为神经网络的输入对网络进行训练。实验仿真表明, Pspice与Matlab相结合的样本训练方法的稳定性高于传统方法,证明了该方法的实用性与可行性。     

模拟电路的马氏距离故障诊断方法研究

针对欧氏距离在模拟电路故障诊断中的不足,提出模拟电路的马氏距离故障诊断方法。利用MULTISIM对电路的软故障和硬故障进行仿真获取故障特征样本,在MATLAB中计算样本与故障类之间的马氏距离,并选择距离最小的故障类作为诊断结果。仿真结果表明:在20次不同特征维数的试验中,欧氏距离,正规化欧氏距离和马氏距离故障诊断方法的平均诊断准确率分别为:86.7%,87.1%和92.9%。马氏距离的诊断方法不受特征相关性的影响,能够正确诊断出欧氏距离和正规化欧氏距离诊断方法的误诊样本,在模拟电路的故障诊断中的准确率更高。     

基于移民算子遗传BP神经网络的模拟电路故障诊断

针对传统BP神经网络实现模拟电路故障诊断时存在的缺陷:容易收敛于局部最优值且训练时间过长等,提出了利用遗传算法(GA)优化的BP神经网络来对模拟电路进行故障诊断的方法.实验结果证明,优化后的BP网络可有效地避免收敛于局部最优值,大大地缩短了训练时间.同时为了提高遗传优化的收敛速度和精度,避免"早熟"现象,本文提出了一种引入移民算子的遗传算法,仿真结果表明了该算法的有效性.     

基于小波神经网络的可更换电路单元故障诊断

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某装备可更换电路单元故障诊断中。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。     

基于小波神经网络的模拟电路故障诊断改进

在运用神经网络进行模拟电路故障诊断的过程中,代表着故障特征的网络输入至关重要,由于小波变换的时频局部化和多尺度分析等特性,将两者结合起来,通过小波变换对模拟电路的输出响应进行故障特征提取,同时解决PSPICE与MATLAB之间的数据通信问题,提出将蒙特卡罗分析产生的所有训练样本经过处理后输入到一个神经网络进行训练的方法,从而避免了训练多个神经网络。利用神经网络对各种故障模式进行分类,实现模拟电路的故障诊断,并进一步与传统的BP网络故障诊断法进行比较。仿真结果表明,该方法可以实现故障检测及定位,诊断的准确率显著提高,适用于模拟电路故障诊断。     

基于BCL-ASA-BP神经网络的模拟电路板芯片故障诊断

针对模拟电路板芯片故障界定标准不明确和实现快速、准确分类困难的问题,本文提出了一种基于双元卷积Logistic原子搜索算法(Binary Convolution Logistic-Atom Search Algorithm,BCL-ASA)优化BP神经网络(BCL-ASA-BP)的故障诊断模型。首先,对电路板芯片不同状态下的温度进行采集和特征提取,并采用欧氏距离对特征进行融合,建立含有芯片故障界定标准的故障特征模型。接着,利用双元卷积Logistic映射初始化原子搜索算法的种群规模和位置,提高收敛速度和精度。然后,通过BCL-ASA优化BP神经网络寻优过程,获得最优权值和阈值。最后,将芯片故障特征模型输入到BCL-ASA-BP神经网络中进行训练和测试,完成电路板芯片故障诊断。实验采用电源电路板进行可靠性分析,结果表明,BCL-ASA-BP对芯片故障综合诊断准确率可达98.35%,较传统BP算法提升13.9%。     

Elman神经网络在非线性模拟电路故障诊断中的应用

Elman神经网络把隐层输出反馈回输入层,是一种动态递归神经网络,改进的Elman网络能逼近任意动态非线性系统。本文研究了Elman网络的结构和学习算法,并把改进的Elman网络应用于非线性模拟电路故障诊断激励信号参数优化中,以提高故障正确诊断率。首先用改进的Elman神经网络建立故障电路和无故障电路系统模型,然后用遗传算法搜索电路故障诊断的最佳激励信号参数。     

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.     

基于灵敏度特性函数的特征提取与故障诊断

为解决电路故障诊断时故障可靠分类以及特征信息有效提取的问题,提出了一种基于灵敏度特性的故障样本分类和故障特征信息提取方法。基本思想是通过电路的特性分析和灵敏度的计算,进行故障样本的分类及优化,再根据灵敏度的计算结果提取相应特征信息。以此构造故障样本特征集,然后作为BP神经网络的输入对网络进行训练与诊断。对滤波器的仿真结果表明,该方法构造的样本集训练出来的神经网络,对模拟电路故障诊断的平均正确率为85%,优于传统方法。     

一种基于小波神经网络的模拟电路故障诊断方法

本文针对模拟电路提出了1种新的基于紧致型小波神经网络的故障诊断方法。该方法首先利用小波变换和主成分分析对故障信号进行预处理,然后用处理后的故障特征数据对小波神经网络进行训练和测试。仿真实验表明,该方法比普通神经网络方法训练速度更快,诊断准确率更高。     

基于BP算法的模拟电路故障诊断

文中就BP神经网络的学习算法进行了分析,使用PSPICE软件对电路进行仿真,在此基础上建立了模拟电路的BP神经网络故障字典库。通过查阅字典库实现模拟电路的故障诊断。指出了BP神经网络在模拟电路故障诊断过程中存在的网络泛化性能差的问题,并提出了解决办法。经过仿真实验验证,这种方法用与模拟电路故障诊断相结合能够提高神经网络检测故障的智能性,提高故障诊断的准确性,结果较好,具有一定的应用价值。