基于非线性电路频域核估计和神经网络的故障诊断

提出一种基于非线性电路频域核分析和神经网络的故障诊断方法．主要研究非线性系统频谱的获取,非线性系统频谱特征的提取及基于非线性系统频谱特征的故障诊断．利用Volterra频域核估计辨识非线性系统,通过系统广义频率响应函数的估算提取电路特征,将其预处理后作为递归神经网络的输入样本,利用神经网络的分类功能对电路的工作模式作出故障决策、最后。给出故障诊断实例验证了该方法的有效性．     

Volterra核的测量及在非线性模拟电路测试中的应用

研究了Volterra频域核的测量方法。提出一种利用优化正弦谐波信号作为系统的激励信号测量Volterra频域核的方法．将其用于测量2阶Volterra核时,没有1,3,5等奇数阶和4阶Volterra核的干扰,测量精度高．利用2阶Volterra频域核作为故障特征对非线性模拟电路进行故障诊断,仿真结果表明,故障识别率高,时问开销小,通用性强．     

基于改进果蝇算法的模拟电路故障诊断

针对模拟电路中非线性元件故障的定位问题,提出一种改进的果蝇算法优化支持向量机的故障诊断方法。首先对被诊断电路的输出信号进行采样,用Volterra级数提取输出信号的特征,然后利用改进的果蝇算法优化SVM的核函数参数和结构参数,建立诊断模型,在对数放大器电路中对故障进行诊断分类。通过实验可以看出,该方法能够有效避免支持向量机参数选择的随机性,有利于提高诊断精度,并且有较快的诊断速度。     

基于Ｖｏｌｔｅｒｒａ频域核辨识的非线性模拟电路故障诊断

基于Ｖｏｌｔｅｒｒａ级数时域频域混合模型,提出了辨识非线性模拟电路频域核的故障诊断方法．利用混合模型辨识算法和范德蒙特法估计各种故障状态下电路响应的前３阶频域核,提取故障特征并与相应的故障模式一起构成特征样本集,借助于支持向量机多分类器进行分类识别,实现非线性模拟电路的故障诊断．阐述了诊断原理及诊断步骤,并给出了诊断实例．仿真结果表明,该方法的故障识别率较高,便于计算机计算．

     

基于Volterra 核二次型分布的非线性模拟电路软故障诊断

针对非线性模拟电路软故障诊断的难题,基于Volterra核二次型分布—–Wigner Ville分布(WVD),提出一种故障特征提取的新方法。首先计算待测试电路(CUT)的Volterra核;然后对该Volterra核进行WVD转换,得到WVD函数,从中提取出故障特征,完成非线性模拟电路的软故障诊断。仿真实验结果表明,该方法能有效地解决故障混叠难题,提升故障元件检测和定位的能力。     

非线性模拟电路软故障诊断方法

针对非线性模拟电路故障诊断中软故障诊断的难题,提出了Volterra级数结合隐马尔科夫模型（HMM）进行故障诊断的方法。首先利用梯度搜索算法求解Volterra级数并提取出故障特征,然后利用提取出来的故障特征构造出观察变量对隐马尔科夫模型进行训练,最后用训练好的隐马尔科夫模型完成故障诊断。实验结果表明,该方法能有效提取故障特征,提高故障诊断效果。     

基于核方法的模拟电路故障诊断

核方法通过非线性映射将原始数据嵌入到高维特征空间,然后进行线性分析和处理,为基于知识的数据分析带来新的方法和模式;传统方法无法解决故障特征数据维数高、在故障样本交叠严重时多分类性能较差的问题,因此在电路故障特征数据预处理阶段,提出了分步骤分别在时域对电路输出电压波形进行小波包分析和在频域测量电路幅频特性的方法来提取电路故障特征;预处理后的故障特征向量只是8维向量,减少了SVM的训练时间;将该方法应用于国际标准电路中的CTSV滤波器电路的故障诊断,结果表明:该方法能突出不同故障的特性,故障诊断正确率达到98.57%(414/420)。     

基于Volterra级数的模拟电路故障诊断

Volterra级数是一种泛函级数,时域和频域核有明确的物理意义,不依赖于系统的输入,因而完全反映了系统的本质特性。因此可以用Volterra级数作为非线性模拟电路的分析工具,通过直接分析非线性模拟电路的频率响应以提取故障特征,从而实现非线性模拟电路的故障诊断。     

基于弱非线性系统Volterra核辨识的算法

本文详细论述了非线性系统二阶Volterra核辨识的函数束法 ,提出了实现这一思想的计算机仿真算法     

基于混合核函数PSO-SVM的模拟电路故障诊断

针对模拟电路故障诊断中应用传统支持向量机算法存在的问题,提出由粒子群算法优化混合核函数支持向量机模型对模拟电路进行故障诊断的新方法。首先,对待诊断电路进行瞬态分析,记录输出点的电压值,采用小波包技术对输出值进行特征提取;其次,由粒子群算法优化混合核函数支持向量机的核函数权重和结构参数,用训练好的模型进行故障诊断,该方法不仅降低参数选择时的随机性,而且故障诊断的精确度提升了5%左右。在对某高通滤波器模拟电路进行的故障诊断中,验证了该方法的有效性。     

基于沃尔泰拉级数的模拟电路组合故障诊断法

针对模拟电路的固有复杂性及其传统故障检测方法延时大和正确识别率低的问题,借鉴基于隐马尔科夫模型改进最小二乘支持向量机以及Volterra级数原理,将二者组合进行故障诊断。该方法首先采用Volterra级数频域核对电路故障特征进行提取,再利用经隐马尔科夫模型改进的最小二乘支持向量机进行模态分类,最终完成故障诊断。仿真结果表明,与目前使用的BP神经网络诊断方法和LSSVM诊断方法相比,该方法不仅提高了系统故障辨识能力,还提高了系统故障诊断的速度。     

基于支持向量机的模拟电路故障诊断

针对模拟电路的固有复杂性及其传统故障检测方法存在延时大和正确识别率低的问题,提出基于最小二乘支持向量机和Volterra级数的故障诊断方法。采用Volterra级数频域核对电路故障特征进行提取,利用最小二乘支持向量机进行模态分类,最终完成故障诊断。仿真结果表明,该方法与BP神经网络相比提高了系统故障辨识能力与系统故障诊断速度。     

Fault diagnosis and classification framework using multi-scale classification based on kernel Fisher discriminant analysis for chemical process system

Fault detection and diagnosis (FDD) in chemical process systems is an important tool for effective process monitoring to ensure the safety of a process. Multi-scale classification offers various advantages for monitoring chemical processes generally driven by events in different time and frequency domains. However, there are issues when dealing with highly interrelated, complex, and noisy databases with large dimensionality. Therefore, a new method for the FDD framework is proposed based on wavelet analysis, kernel Fisher discriminant analysis (KFDA), and support vector machine (SVM) classifiers. The main objective of this work was to combine the advantages of these tools to enhance the performance of the diagnosis on a chemical process system. Initially, a discrete wavelet transform (DWT) was applied to extract the dynamics of the process at different scales. The wavelet coefficients obtained during the analysis were reconstructed using the inverse discrete wavelet transform (IDWT) method, which were then fed into the KFDA to produce discriminant vectors. Finally, the discriminant vectors were used as inputs for the SVM classification task. The SVM classifiers were utilized to classify the feature sets extracted by the proposed method. The performance of the proposed multi-scale KFDA-SVM method for fault classification and diagnosis was analysed and compared using a simulated Tennessee Eastman process as a benchmark. The results showed the improvements of the proposed multiscale KFDA-SVM framework with an average 96.79% of classification accuracy over the multi-scale KFDA-GMM (84.94%), and the established independent component analysis-SVM method (95.78%) of the faults in the Tennessee Eastman process.     

基于EMD多模态特征融合支持向量机的故障诊断

针对非平稳时间序列信号,提出一种基于经验模态分解(EMD)的特征提取和多模态特征融合支持向量机的故障诊断方法,首先对原始信号进行EMD分解,选择能量最大的几个基本模式分量(IMF)并提取其小波包特征,获得对每个IMF独立的特征子集;然后在每个IMF特征子集中训练SVM弱分类器,并根据各特征子集对应的IMF能量权重进行加权融合,获得故障状态的强分类器,将该方法应用于6135型柴油机振动信号故障诊断中,实验结果表明了其可行性和有效性.     

Output frequency response function of nonlinear Volterra systems

An expression for the output frequency response function (OFRF), which defines the explicit analytical relationship between the output spectrum and the system parameters, is derived for nonlinear systems which can be described by a polynomial form differential equation model. An effective algorithm is developed to determine the OFRF directly from system simulation or experimental data. Simulation studies demonstrate the significance of the OFRF concept, and verify the effectiveness of the algorithm which evaluates the OFRF numerically. These new results provide an important basis for the analytical study and design of a wide class of nonlinear systems in the frequency domain.     

基于深度极限学习机的模拟电路故障诊断

针对模拟电路故障诊断中特征提取以及模型训练时间较长的难题,采用了一种基于深度极限学习机的模拟电路故障诊断算法。该算法将深度学习中自编码器的思想引入到极限学习机中,构建深度网络,将底层的故障特征转换更加抽象的高级特征,能自主地学习数据特征,避免了繁琐的特征提取和选择。最终通过Sallen-Key和四运放双二次高通滤波2个模拟电路进行仿真研究,实验结果验证了算法在模拟电路故障诊断上的可行性,也表明模型学习速度快、泛化能力好,具有较强的诊断能力,故障诊断分类准确率可以达到100%,诊断时间在0.3 s左右。     

基于支持向量预选取的支持向量域故障预报

针对两种支持向量域模型分别分析了支持向量的分布特性,在此基础上从训练集中选取具有一定几何特征的向量构建预测模型.这些特征向量的预选取在不影响支持向量域的故障预报能力的前提下,大大减少了训练样本,提高了支持向量域的训练效率.仿真实验表明了该方法的有效性和可行性.