基于小波包分析和优化KNN的电动开度阀故障检测方法

针对以微控制器MCU为控制核心的电动开度阀控制系统难以集成高效且计算量小的故障检测子系统的问题,基于小波包变换和优化K近邻(K-Nearest Neighbor, KNN)算法提出了一种电动开度阀故障检测方法。对阀门振动信号进行小波包变换,计算小波包节点的能量值与其重构信号的时域特征参数。根据Pearson系数筛选出两种与能量强相关的故障特征参数：峰峰值与均方根,并将两者作为KNN算法的样本评价指标;通过对评价指标进行加权优化了KNN算法的距离计算公式,分别在MATLAB和实验样机中进行故障检测测试,对应最高分类准确率分别为92.5%与86.7%。结果表明：实验测试与仿真分析具有较好的一致性,该故障检测方法的优势在于计算量小、故障识别率较高,并能有效地应用于以MCU为核心的电动开度阀控制系统。     

基于故障映射的FPGA互连资源故障测试与定位

由于FPGA互联资源故障定位是FPGA故障测试的一个难点,尤其需要准确地判断故障的类型和精确地定位故障的位置,因此文中提出一种通过故障映射方法将SRAM型FPGA的互连资源故障映射到LUT的输出上,间接地测试与定位互连资源故障的一种方法.同时将故障映射这种方法与传统经典的三次配置测试互连资源方法的核心思想相结合,在高故障率的FPGA中实现了互连资源的100％故障测试覆盖率,并精确地将故障定位至FPGA互连金属线段或PIP对.该算法采用了最小可重复单元结构,FPGA中被测试资源可以由连续或不连续的任意数量最小可重复单元组成,因此更适合FPGA的重复性结构和FPGA的在线测试.在FPGA的在线全覆盖测试中,该算法的最小迭代测试(ROTE)次数与FPGA的规模无关,只与用户应用电路所占FPGA总资源的比例相关.     

基于CEEMDAN-SQI-SVD的齿轮箱局部故障特征提取

经验模态分解(EMD)及以其为基础发展而来的方法在故障诊断领域中得到广泛应用,对于分解后固有模态函数(IMF)的有效选择及基于有效IMF故障特征的准确提取至关重要。为更高效地解决此类问题,提出一种基于具有自适应白噪声的完整集成经验模态分解(CEEMDAN)结合信号质量指数(SQI)算法与奇异值分解(SVD)的齿轮箱局部故障最优特征提取算法。以具有不同故障级别的齿轮局部裂纹进行试验验证方法的有效性,通过试验获取原始数据并进行CEEMDAN分解,利用SQI进行有效IMF选取,再结合SVD对有效IMF进行分解以获取最优特征向量,并输入至BP神经网络进行训练与测试,最后将测试结果与数种常规方法进行比较。结果表明,针对齿轮箱的局部故障,提出的CEEMDAN-SQI-SVD算法识别精度高,并优于数种常规方法。     

装备故障测试方案优化的概率截止算法

在装备研制的早期阶段,需要及时将装备的测试性指标和故障测试方案联系起来,并对测试方案进行优化。针对这些要求,首先,对常规故障模式、影响及危害性分析(failure mode effects criticality analysis,简称FMECA)的不足之处,提出了对于FMECA故障模式的输入信息进行改进的设想和实施方法;然后,根据研究需求探讨并确定了故障的检测特性影响指标,分别给出了各特性指标的影响等级、影响值的确定方法;最后,建立了装备故障的检测特性指标综合评估模型,提出了测试方案的优化截止算法,采用典型示例对其进行了计算验证,并对其应用进行了深入探讨。结果表明,该方法能够有效弥补现有设计方式的不足,为在研制早期制订装备测试优化方案提供了理论依据。     

考虑换件维修代价的测试优化选择

测试优化选择是测试性设计工作的基础,保证选择的测试对被测系统具有较好的故障检测率和故障隔离率是测试优化选择的重要约束。从装备换件维修的角度,通过对故障模糊组分析,可知换件维修代价对测试选择结果具有重要影响。基于相关性矩阵,在分析装备换件维修对测试选择的影响基础上,以测试代价和维修代价最小为优化目标,以故障检测率、故障隔离率为约束,建立了考虑换件维修代价的数学模型,并采用混沌二进制粒子群算法求解。仿真实例结果表明,考虑换件维修代价的测试优化选择模型更加符合工程实际,选择结果更加准确和可靠。     

基于模糊熵和分形维数的滚动轴承早期故障检测

滚动轴承是风机、变速箱等旋转机械中最常发生故障的元件,一旦出现故障,将会使得整个系统停机甚至导致灾难性后果。因此,对滚动轴承进行早期故障检测有着重要的意义。本文提出利用模糊熵和分形维数结合的方法对滚动轴承振动信号进行故障特征的提取,利用樽海鞘群算法优化的支持向量机(SSA-SVM)来构建早期故障检测的模型。通过滚动轴承正常运行和早期故障时采样的历史数据,训练和测试早期故障检测模型,可以实现对故障未知的振动信号进行早期故障检测。通过实验,证实了该方法在滚动轴承早期故障检测上的有效性。     

数字电路ATPGS实现的关键技术研究

数字电路测试的关键在于算出测试向量。文章对数字电路的功能测试和测试生成进行研究,介绍了D算法的基本概念及在数字电路故障检测中的应用。讨论了数字电路自动测试生成系统实现的关键技术,主要包括故障的模型、仿真和压缩;可测试性度量;测试向量生成算法（ATPG）以及测试向量压缩优化,并介绍了数字系统测试生成平台的整体框架。     

涡轮泵实时故障检测的快速支持向量机算法

提出了一种基于边界样本的快速支持向量机(support vector machine,SVM)算法用于液体火箭发动机涡轮泵实时故障检测。算法按一定步长将涡轮泵振动信号分段,再将每个步长信号平分为多段且计算每段信号的均方根、裕度因子和峭度,并将之组合为3维向量作为故障特征,以每个步长信号中的故障样本点数目作为判断故障的依据;算法采用条件正定核函数计算原始样本集中正常样本与故障样本之间的距离,选择边界样本作为新的训练样本集,并以此计算支持向量并构造决策函数。用某型号涡轮泵振动加速度信号对算法进行验证,结果表明对包含5 600个故障样本和5 600个正常样本的原始训练样本集,算法的训练时间为0.68 s。对时长20.80 s的待检信号,算法检出故障时刻为20.43 s,比故障真实出现时刻晚0.42 s(在0.5 s之内)。该算法大幅度提高了训练速度与分类速度,具备良好的精确性与实时性。     

基于ROC-SVD的轴承故障检测

在利用奇异值分解检测低信噪比的轴承故障信号时,奇异值能量阈值选择的随意性对检测结果有重要影响。为此提出利用受试者工作特征曲线(ROC曲线)对奇异值能量阈值进行优化,以降低阈值选择对检测结果影响。首先对当前滑动时窗内带噪信号进行降噪处理,通过奇异值分解初选奇异值阈值,通过Hilbert变换,得到当前时窗下故障频率;再对下一时窗信号进行检测时,将上一时窗奇异值阈值作为初值,利用ROC曲线对阈值进行修正,使得相邻两时窗故障频率误差在5%以内;并通过试验对所提及的检测算法进行验证,结果表明:ROC-SVD算法检测结果的一致性较好,跟实际的检测结果较为接近。通过该方法计算得到的轴承外圈故障频率为110 Hz,实际为109.35 Hz。     

基于CPLD的液晶显示驱动模块的设计

以复杂大规模可编程逻辑器件(CPLD)为核心,采用"CPLD+SRAM"的方案进行液晶显示驱动电路的设计.论述了液晶显示驱动模块的系统总体设计、控制器的设计及SRAM中数据的读写,并对CPLD的扫描时序进行了说明.     

基于高阶统计特征实值阴性克隆选择算法的轴承故障检测

为解决轴承故障检测领域中异常样本数据不易收集的现实应用问题,提出一种基于实值阴性克隆选择算法(Real-valued negative clone selection,RNCS)的一类轴承故障检测模型。该模型只需要正常样本数据进行训练,利用改进的RNCS生成故障检测器集合以此实现轴承故障检测。该算法通过引入自适应变异算子和克隆成熟度判定算子,能够提高原有算法抗体的检测能力并加快算法收敛速度。为解决因高阶统计特征(Higher order statistics,HOS)信息繁多而无法有效实现智能检测的不足,模型利用HOS特征矩阵分解的奇异值谱为特征进行检测,该方法不仅有效地减少了数据维度及训练时间,同时还降低了噪声影响提高了检测性能。试验中对不同参数选择及不同正常训练样本个数情况下的检测器性能进行了分析,不同检测器个数之间的性能比较也在试验中给出。将建议的方法同原有算法进行比较,试验结果验证了设计思想的正确性和算法的高效检测性能。     

一种SRAM成品率专用测试结构的设计方法

SRAM的成品率是半导体制造量产能否成功的关键.针对通用的工艺测试结构无法满足SRAM特殊要求的问题,阐述了一种SRAM成品率专用测试结构的设计方法.在SRAM原始版图的基础上改变设计以构造测试图形,并按阵列形式排布,有针对性地评估工艺环境造成的缺陷.研究结果表明该方法还原了产品电路的设计环境,能有效捕获违背SRAM特...     

未知离散故障下切换电路系统的故障参数辨识

研究了切换模拟电路系统在未知离散故障条件下的故障参数估计方法。首先,利用混杂键合图(HBG)理论对切换电路系统进行建模,通过因果路径覆盖法推导出系统的全局解析冗余关系(GARRs)用以检测故障,并根据GARRs构造故障特征矩阵(FSM)用以隔离可能故障参数集合。为了修正故障集合,提出一种新的优化算法——基于微调机制的生物地理学优化算法(PABBO),将故障隔离获得的可能故障参数集合和未知离散故障的模式变化时间视为优化算法的设计变量,实现故障参数和未知离散故障的同时辨识。通过仿真与实际实验结果分析,验证了基于HBG和GARRs的混杂系统故障检测方法的有效性,以及基于PABBO的故障参数和模式变化时间同时辨识算法的可行性。     

基于集成精细复合多元多尺度模糊熵的齿轮箱故障诊断

针对齿轮箱故障信号具有非线性和非平稳性的特点,且目前的方法对其特征提取不够充分这一问题,对不同形式粗粒化方法的集成、多通道信号处理方法在模糊熵算法上的应用进行了研究,提出了一种新的特征提取方法,即集成精细复合多元多尺度模糊熵(ERCmvMFE)算法,在此基础上,结合t分布随机邻域嵌入(t-SNE)和人工鱼群算法优化的核极限学习机(AFSA-KELM),提出了一种新的齿轮箱故障综合诊断方法。首先,采用多种形式粗粒化方法的集成方法以及多通道信号处理方法,对模糊熵算法进行了改进,并进行了齿轮箱故障的初始特征提取;然后,通过t-SNE压缩原始故障特征,实现了维数的约简,并将低维故障特征输入至AFSA-KELM中进行了故障的分类识别;最后,为了对ERCmvMFE方法的特征提取性能进行测试,采用QPZZ-II旋转机械故障模拟测试平台进行了相关的实验。实验结果表明：采用新的齿轮箱故障综合诊断方法能够对不同类型的齿轮箱故障进行可靠诊断,对齿轮箱5种工况下的20次识别实验中,获得的平均准确率可达98.92%,标准差为0.956,识别准确率和稳定性均优于其他对比方法。研究结果表明：采用ERCmvMFE算法...     

基于稀疏性非负矩阵分解的滚动轴承复合故障诊断

将时频图像非负矩阵分解算法加以改进,提出时频图像稀疏性非负矩阵分解(SNMF)算法,并将其用于滚动轴承复合故障诊断.滚动轴承复合故障信号的双谱时频图中蕴含了丰富的故障信息,对双谱进行稀疏性非负矩阵分解分析,提取时频图的稀疏系数矩阵,将其分别作为训练及测试特征向量输入到支持向量数据描述(SVDD)算法,进而实现滚动轴承的3类复合故障类型(内圈外圈复合故障、滚动体外圈复合故障及外圈内圈滚动体复合故障)的正确分类.     

大规模集成电路SRAM、ROM的总剂量辐射效应及损伤分析

为了研究大规模集成电路存储器的总剂量辐射效应,对两种军品SRAM、ROM存储器进行了γ总剂量辐照实验,指出了这两种器件是总剂量效应的敏感器件,它们的损伤阈值都在10k rad(si)至15k rad(si)之间,证明了测试SRAM、ROM的辐射效应时,不能只对数据存取功能进行测试,器件的静态功耗电流与动态功耗电流也是总剂量的敏感参数,应该作为总剂量失效阈值的有效判据,最后根据实验结果,分析了SRAM、ROM器件的损伤机理。     

基于混合免疫系统机理的无线传感网络故障检测算法

故障检测是无线传感网络运行中稳定可靠的关键技术。文中提出一种基于混合免疫系统机理的无线传感网络(WSNs)故障检测算法。该算法利用修正的阈值与动态可调的可信度为基础来识别故障源,运用免疫算法,实现网络故障的检测、定位、隔离、修复,该算法也对网络寿命的周期、节点、平均能耗等方面进行仿真分析。实验表明:故障免疫修复算法提高了无线传感网络的稳定性与可靠性,并延长网络寿命。     

基于主观贝叶斯推理的多传感器分布式故障检测融合方法

针对复杂数控加工中心故障预测中各传感器检测信息呈现不确定性的问题,提出基于不确定性推理的多传感器分布式检测融合算法。该算法通过利用主观贝叶斯推理,获取局部检测装置的判决规则,并选取合适的局部判决规则送到融合规则中心,将来自不同传感器的观测数据进行综合分析,最后产生全局判决。以复杂立式加工中心为对象建立测试平台,利用多传感器样本获取方法进行机床不同运行状态及运行环境下的故障样本获取试验。试验表明在含有大量不确定性信息的故障诊断系统中,基于主观贝叶斯推理的分布式检测融合算法具有故障信息识别率高、诊断速度快的优点,其诊断错误率明显低于单个传感器的诊断错误率,且诊断错误率要低于串行分布式检测融算法。     

基于变分模态分解和LFOA-RVM的轴承故障诊断

针对滚动轴承的故障诊断问题,提出了基于变分模态分解(Variational modal decomposition, VMD)、改进果蝇算法(Improved fruit fly optimize algorithm, LFOA)和相关向量机(Relevance vector machine, RVM)的滚动轴承故障诊断方法。该方法首先利用VMD将轴承振动信号分解成若干个本征模态分量(Intrinsic mode components, IMF),并计算IMF分量的均方根值和重心频率组成故障特征向量。为提高故障诊断精度,采用LFOA算法对RVM的参数进行优化,建立LFOA-RVM模型,然后对提取的故障特征进行训练和测试,以此来判断轴承的故障类型和故障程度。利用该方法对实测轴承信号进行了分析和诊断,并与其他几种方法进行了对比,验证了该方法的有效性。     

基于PCA-PDBNs的故障检测与自学习辨识

如何提高工业过程故障识别的准确性及其算法训练的效率一直是故障检测与辨识研究领域的重点和热点。将深度学习方法引入该领域,结合粒子群优化(PSO)算法和深度信念网络(DBNs),提出了一种基于PSO的DBNs辨识方法(即PSODBNs,PDBNs),使用该方法对复杂函数的拟合进行了数值仿真。实验结果表明,相比于基本的DBNs模型,经PSO算法对网络参数优化后的DBNs模型获得了更好的函数逼近效果,具有更高的辨识精度。为验证该方法在实际工业过程故障检测中的可行性,结合主元分析(PCA),提出了一种PCA-PDBNs模型,并将此应用于田纳西-伊斯曼(TE)过程的故障检测中,结果表明,基于PCA-PDBNs方法降低了故障检测模型的复杂度,进一步提高了对未知故障类型的辨识精度,取得了较好效果。