基于量子神经网络的容差模拟电路的软故障诊断

给出了容差模拟电路软故障诊断的量子神经网络方法,将传统的模拟电路故障诊断方法与量子神经网络结合起来,多层激励函数的量子神经网络不仅具有BP网络所有的优点,还克服了BP网络在模糊分类方面的缺点,即利用量子神经网络对其输入的容错能力在一定程度上克服了模拟元件的参数容差的影响,模拟电路故障的复杂性及广泛非线性也能利用量子神经网络的非线性映射能力加以解决,同时还可对模糊数据进行模糊分类;通过应用量子神经网络,实现了容差模拟电路单软、多软软故障的诊断。     

模糊神经网络在模拟电路故障诊断中的应用

将模糊理论和神经网络结合起来用于模拟电路的故障诊断是一种有效的方法.首先测得模拟电路在故障状态和正常状态时各测试节点的电压值,并对其电压偏差值模糊化,从而求得不同故障状态下各测试节点的电压偏差值所对应的隶属度;其次,以各测试节点的隶属度和所对应的故障类型作为训练神经网络的样本,来建立从故障特征到故障类型的非线性函数;最后.将该方法用于视频放大电路的故障诊断.仿真结果验证了该方法的有效性.     

小波神经网络在模拟电路故障诊断中的应用

研究模拟电路优化问题,电路系统存在非线性和漂移会引起系统故障.针对BP神经网络在模拟电路故障诊断上存在的收敛速度慢、易陷入局部最小等不足,为解决上述问题,提出基于小波神经网络的模拟电路故障诊断方法.采用正弦信号仿真模拟电路,应用小波变换对模拟电路响应的采样信号进行故障特征提取,建立故障字典,利用神经网络对各种状态下的特征向量进行分类决策,实现模拟电路的故障诊断.故障诊断仿真表明,保证较高故障诊断正确率RBF网络的训练次数得到了极大地缩小,极大地提高了模拟电路故障诊断的效率,为设计提供了依据.     

电子电路模糊神经网络故障诊断研究及仿真

针对模拟电路的故障特点,在确定智能诊断算法的基础上,论文尝试用高级语言编程来仿真实现.论文主要讨论了故障诊断的神经网络方法和将输入模糊化后的模糊神经网络方法,该方法结合了模糊逻辑和神经网络的优缺点,对于电阻元件的软故障,用模糊神经网络得到了比较理想的结果,对于所选的电路,用模糊神经网络可以对电阻增大和减小进行识别,实现了模拟电路软故障的辨识.对于模糊规则分不开的故障,可以运用神经网络进一步细分.论文着重以具体的模拟电路为研究对象编程模拟了诊断方法,结果证明这样的诊断方法是有效的.     

一种容差模拟电路的分级故障诊断方法

提出了一种基于分级故障字典的容差模拟电路故障诊断方法;在测前首先对待诊断电路进行最坏情况分析得到容差电路输出电压的正常区间,并存为第一级故障字典用于电路故障检测;再利用节点电压灵敏度序列作为故障特征建立用于定位故障元件的第二级故障字典;最后通过测前划分元件参数的七段式仿真建立用于故障元件参数区间识别的第三级故障字典;在测后实施故障诊断时可根据需要依次查阅字典,检测电路故障,定位故障元件及识别故障元件的参数区间;该方法能够提高测后故障诊断的效率,在实际应用中具有一定的参考价值;最后通过仿真实验验证了该方法的有效性。     

基于模糊SVM和虚拟仪器的模拟电路故障诊断研究

基于模糊支持向量机理论构建模拟电路故障诊断网络,采用虚拟仪器技术开发故障诊断平台;通过对电路仿真软件与实际测量得到的数据进行分析,选取一种自适应小波变换特征提取方法对电路进行故障特征提取,提取电路输出响应的6个低频系数构成故障特征向量并作为FSVM诊断网络的学习样本,诊断网络采用C-SVM算法.规则化参数墩为200;在LabVIEW软件中调用以MAT-LAB-M文件编写的特征提取与故障诊断算法,将模拟电路的故障定位到元件级;最后,将网络的诊断结果与BP神经网络诊断方法做了对比,证明基于虚拟仪器的模糊SVM模拟电路诊断方法在故障诊断速度与准确性方面都具有明显优势,平均故障识别率达到90%以上.     

基于仿真数据的神经网络故障诊断方法

针对某些模拟电路的历史故障信息,专家知识及其诊断经验难以获取的状况,提出了一种基于仿真数据的神经网络故障诊断方法.通过使用PSpice电路仿真软件模拟实际电路,生成训练样本训练神经网络,从而建立了电路的输出响应与电路中元件实际值之间的映射.以电路的输出响应和技术指标为判断依据,诊断电路的当前状态,定位故障元件及其偏差.最后以带通滤波器电路为例,对整个过程进行了仿真试验,验证了方法的可行性.     

基于电流源激励的BP神经网络模拟电路故障诊断

针对传统故障字典法对模拟电路故障诊断时存在的缺陷提出了新的故障字典法;将电流源激励下二端口网络输入端和输出端的电压增益比作为故障特征信息,在此基础上先直流测试,后利用BP神经网络交流测试;该方法充分考虑了电路元件的容差,减轻了BP神经网络诊断故障的负担,提高了故障诊断的速度、准确率以及故障覆盖率;利用MATLAB和PSPICE工具对该方法进行实例仿真,结果表明其能够实现快速、准确的故障定位。     

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。     

基于改进马氏距离的模拟电路故障诊断新方法

提出一种基于改进马氏距离的模拟电路故障诊断方法. 根据被测电路的拓扑结构进行可测性分析, 利用测试矩阵确定规范模糊组, 从而得到单故障假设下的可分潜在故障元件. 将马氏距离根据模拟电路的特性作出改进, 并应用于模拟电路潜在故障元件的诊断. 利用测点特征值的改进马氏距离对潜在元件进行划分, 减少可疑故障元件的类别, 在诊断分类时达到提高速度的效果. 实验表明, 所提出的方法对模拟电路软故障诊断速度较快, 具有较好的模拟电路故障诊断测试效果.

     

信息融合在模拟电路故障诊断系统中的应用

设计一种基于信息融合和神经网络理论的模拟电路故障诊断系统。采用基于单片机的信号采集系统,对电路可及点电压和不同激励频率下的电路输出电压峰值进行采样,得出电压和电路放大倍数2类故障特征参数,利用其进行基于BP神经网络的初步诊断,运用模糊变换方法进行融合诊断及故障定位。实例诊断结果表明,与基于单一信息的诊断系统相比,该系统能定位不同类型的元件故障,诊断准确率较高。     

基于计算智能方法的动态系统故障诊断技术

简要地综述了基于计算智能方法的动态系统故障诊断技术的最新进展。将计算智能方法与基于模型的方法结合，用于不确定非线性动态系统的故障诊断是这一领域新的发展趋势。重点分析了用于非线性系统故障诊断的基于状态／参数估计的计算智能方法，主要包括神经网络、模糊逻辑、遗传算法。探讨了提高诊断算法鲁棒性的途径。同时也对无模型的基于计算智能的故障诊断方法中的一些研究热点问题进行了分析。最后探讨了该领域今后的发展方向。     

基于模糊神经网络的复杂网络故障诊断设计

针对雷达等复杂大型电子装备网络系统的故障定位难、影响关系不清晰的问题,采用了基于模糊神经网络的故障定位方法,提高了网络故障定位的快速性与准确性：首先介绍了模糊隶属度及模糊神经元等理论,接着基于模糊理论将网络监测信息进行模糊化处理,并利用神经网络模型对模糊后的信息进行训练与学习,参数训练达到设置的期望误差0.01;最后利用训练好的模型对随机抽取的2组网络故障实例进行了验证,软件执行单次诊断耗时3.5s;结果表明采用基于模糊神经网络的诊断方法,能够较好解决网络故障耦合复杂、故障现象与故障原因关系不清晰等难题,对网络故障快速排除与恢复具有重要意义。     

基于模糊神经Petri网的故障诊断模型

Petri网是对具有产生式规则的故障诊断系统的有力建模工具，但其缺乏较强的学习能力．本文以Petri网的基本定义为基础，结合模糊逻辑和Petri网模型，定义了模糊Petri网模型，在此基础上引入人工神经网络技术，给出了人工神经网络的模糊Petri网表示方法，并针对工程机械故障诊断异步、离散等特点，提出并建立了故障诊断的模糊神经Petri网模型及其改进模型．基于模糊神经Petri网的故障诊断系统结合了Petri网和人工神经网络的优点，经过自学习后同时具有很强的推理能力和自适应能力．     

逆变电路智能故障诊断系统

针对逆变器由于具有非线性的特征而无法采用精确数学模型进行故障诊断的情况,本文提出一种基于小波分析和神经网络的新型逆变电路故障检测与诊断方法。建立三相SPWM逆变电源的非线性MATLAB仿真模型,以三相输出故障电压作为故障信息,利用小波分析的方法提取低频能量值作为特征向量,通过神经网络实现逆变器故障桥臂定位,最后利利用逆变三相电压同一桥臂故障电压的对称性的特点,用一种简单的判断逻辑实现故障元件的分离。设计了基于DSP的PWM逆变电路在线智能故障诊断系统。测试结果表明,该系统具有良好的故障诊断效果,具有一定的实用价值。     

应用模糊数据融合实现电子电路的故障诊断

本针模糊数据融合技术引入电子电路故障诊断之中，通过测试电子电路中的被诊断元件的工作温度和工作电压两个物理量，得出两传感器对各待诊断元件的故障隶属度，在对隶属度值进行数据融合的基础上，确定故障元件，并通过单传感器诊断结果与融合诊断结果比较，说明多传器融合的优越性。     

基于分形和FNN的水轮机组振动故障在线诊断*

水轮发电机组的故障诊断具有模糊性和耦合性,提出一种基于模糊神经网络FNN的水轮发电机组振动故障在线诊断方法。首先,对反映转子振动状态的轴心轨迹用分形维数提取其结构特征,实现图形量化,以便FNN在线识别;接着,以6种典型振动故障为研究对象,在总结了包括轴心轨迹在内4类共14种故障征兆的基础上,分析各故障征兆的模糊属性,给出它们的模糊处理;然后,建立一种六层的前向FNN映射征兆到故障间的模糊推理,并给出学习算法修正网络参数;FNN通过自学习可保证良好的在线诊断精度。实例分析结果验证了其可行性。     

基于模糊神经网络的WSN无线数据收发单元故障诊断

在一些无线传感器网络(Wireless Sensor Network,WSN)安全监测系统中,节点长时间传输大量数据,导致无线数据收发单元容易出现功率下降和功率放大器(Power Amplifier,PA)被烧毁的现象,而此类故障的诊断方法一般比较复杂且低效。针对上述问题,在分析WSN单元级故障诊断的基础上,利用无线数据收发单元的电流模型,提出了一种基于模糊神经网络的无线数据收发单元故障诊断方法。首先,根据无线数据收发单元中发射消耗的电流与温度和供电电压的关系,建立电流模型;然后,利用聚类算法确定模糊神经网络模型结构,结合混合学习算法优化模糊规则的前件参数和后件参数;最后,提取训练完的模糊神经网络参数,以建立WSN节点故障诊断模型。实验结果表明,提出的无线数据收发单元故障诊断方法的计算量小,诊断准确度高;与高斯过程回归模型相比,其计算量降低了22.4%,诊断准确度提高了17.5%。     

基于改进图卷积神经网络的配网线路故障诊断

随着电网的不断扩容,系统结构越来越复杂,多故障频发,而多故障是故障诊断的关键和难点。为解决故障处理数据量大,需要快速、准确地诊断电网故障的问题,本文提出了一种基于模糊优化图卷积神经网络的配网故障诊断模型。首先处理采集的配网故障线路的特征数据;其次,搭建基于图卷积神经网络的故障诊断模型,利用模糊理论建立配电网故障的隶属函数;最后利用训练好的模型进行配网故障诊断。仿真结果表明,模糊优化图卷积神经网络对多故障诊断的准确率高于卷积神经网络以及其他方法,本文方法做出的诊断结果更加精确,综合诊断效果最好。     

基于混合pi-sigma神经网络的故障诊断

由于电力变压器故障的模糊性和多样性,目前利用IEC三比值法在变压器故障诊断中存在准确率不高之难题.针对电力变压器的特点,综合考虑各因素的影响,将模糊逻辑和神经网络的长处融合在一起,构建了基于混合Pi-sigma神经网络及其算法的变压器故障诊断模型,其中在学习速率的选择、隶属度函数参数的更新等多处进行了改进,进一步减小了预测误差.用训练过的混合pi-sigrna神经网络模型对变压器故障进行验证和诊断的仿真结果表明,算法具有较快的收敛速度和较高的计算精度.证实了算法应用于电力变压器故障诊断的有效性.