基于ELM和振动信号的高压断路器机械故障诊断

提出结合振动信号高频部分固有模态边际谱能量比例和振动信号总能量共同作为故障特征提取对象的信息融合诊断方法,以实现对高压断路器机械故障诊断的特征提取,并采用ELM极限学习机作为故障分类算法。实验分析表明,该方法能够有效地对真空断路器常见机械故障进行分类。     

基于随机投影和NB网络的模拟电路故障诊断

针对模拟电路故障诊断中故障类型复杂多样、典型故障信息难以获取以及易受噪声、温度等环境影响的难题,提出一种基于随机投影和朴素贝叶斯网络的模拟电路故障诊断方法。该方法首先提取模拟电路故障信息,并利用随机投影算法降维后获取模拟电路故障特征向量,然后通过朴素贝叶斯分类器诊断模型识别模拟电路各个故障。通过对CSTV滤波器电路、四运放双二次高通滤波器电路和实际Sallen-Key带通滤波器电路的实验结果分析表明,相对于传统的模拟电路故障诊断方法,该方法表现出更优的故障诊断性能,并具有更强的抗干扰能力。     

基于非张量积小波网络的模拟电路故障诊断

为了克服张量积小波神经网络由于张量积小波缺乏自由度和具有很强的方向性等缺陷所引起的不足,提出了用非张量积小波取代张量积小波作为小波神经网络的激励函数构造非张量积小波神经网络的方法.先构造一个非张量积尺度函数,再根据多分辨分析理论得出该尺度函数的非张量积小波函数,把所构造的非张量积尺度函数和小波函数共同作为小波神经网络的激励函数.把该网络应用于模拟电路故障诊断,仿真结果表明,非张量积小波神经网络的效果比相应的张量积小波神经网络要好得多.     

基于AdaBoost集成网络的模拟电路单软故障诊断

基于神经网络的模拟电路故障诊断方法中会遇到网络训练误差很小甚至为零的情况下测试误差依然存在甚至很大的情况,这是由于神经网络的推广性能较差而造成的.针对模拟电路的神经网络故障分类器推广性能较差的问题,提出了将基于AdaBoost的神经网络集成应用于模拟电路故障诊断的新方法.通过对集成网络的诊断误差进行偏差-方差分析,说明可重复取样的AdaBoost技术可以降低集成网络中各成员网络的相关性以减少方差,从而使模拟电路故障诊断的集成网络系统的推广误差降低,使模拟电路故障诊断率得以提高.利用PSPICE的仿真数据和从实际电路获取的实测数据进行实验,实验结果均证明了该方法的有效性.     

模糊信息融合在电路故障诊断中的应用研究

多传感器信息融合技术已成为一个十分活跃的研究领域,它应用的范围越来越广。该文给出了模糊信息融合实现电路故障诊断的方法,通过检测电路工作时电子元件的温度和关键点电压两方面的数据信息,结合模糊信息处理技术,对这两方面的数据信息进行融合,从而确定故障元件,并说明多传感器信息融合方法在电路故障诊断中的优越性。     

基于信息融合的机械故障诊断

将两个传感器的信息融合,通过多源信息的综合、分析和推理,得出了叶片振动频率信息,提高了传感器系统的有效性,克服单个传感器只能测得叶片振幅值信息的局限性.     

基于多传感器信息融合的贝叶斯网络故障诊断方法研究及应用

针对齿轮泵信号具有复杂性和模糊性的特点,提出了一种基于多传感器信息融合的贝叶斯网络故障诊断方法。分析了齿轮泵振动和压力信号特点,以此为基础提取了振动信号的能量特征、分形特征和压力信号的高频压力脉动3种特征属性,构建了多故障贝叶斯网络对特征进行融合,设计了贝叶斯分类器,通过最大后验概率准则识别故障类型。两次融合结果表明:多传感器信息完备了特征空间,提高了诊断正确率,能够有效实现齿轮泵多种故障的诊断,具有较好的应用价值。     

基于信息融合的齿轮箱故障诊断技术研究

对齿轮箱的故障诊断和信息融合进行了简要概述,将信息融合技术和D-S证据推理运用于齿轮箱的故障诊断中,提出了一种可行有效的融合方法.     

基于信息融合技术的复杂系统故障诊断研究

本文比较系统地研究了目前在复杂系统故障诊断领域中广泛应用的几种诊断方法,分析了各种方法的优缺点和适用领域,并在此基础上提出了基于信息融合技术的复杂系统故障诊断策略,建立了复杂系统综合故障诊断系统模型.     

基于粗糙集和ANN的模拟电路故障诊断研究

针对传统故障字典法需要精确先验知识且不适合大规模故障诊断的缺点,提出了一种基于粗糙集和BP神经网络的模拟电路故障诊断新方法。首先进行样本数据采集和预处理,并使用定义的粗糙集差别矩阵算法矩阵法对数据进行属性简约,删除冗余信息,得到简约后的特征向量。然后,将简约后的特征向量作为BP神经网络的输入进行训练,最后,将训练好的BP神经网络模型用于故障诊断。仿真实验表明,文中的基于粗糙集属性简约和BP神经网络训练的故障诊断模型,具有较小的训练误差和较高的诊断精度。     

模拟电路故障诊断的神经网络方法

给出了模拟电路软故障诊断的神经网络方法,利用蒙特卡洛分析,取其能反映故障信号特征的成分做为电路故障特征,而且在网络训练之前,利用主元分析降低了网络输入维数,再输入给神经网络,不仅优化了网络结构,并提高了辨识故障类别的能力。实验证明了这种方法的可行性与适用性。     

基于多信息融合的电解加工智能故障诊断系统

介绍了利用多种传感器对电解加工过程进行在线检测,获得反映加工过程变化的工艺参数值,再利用ART2人工神经网络对获得的工艺参数进行多信息融合和模式识别,实现对电解加工过程的实时故障诊断.实践表明采用该方法较大幅度地提高了电解加工故障诊断的准确率和可靠性.     

基于小波-神经网络的模拟电路IDDT故障诊断

动态电源电流测试(IDDT)对模拟电路故障诊断非常有效,而小波变换能够有效提取动态电流的故障特性。因此提出一种基于小波-神经网络的模拟电路IDDT故障诊断方法。利用小波变换具有时频局部化特性,分别对模拟电路正常模式和故障模式的IDDT采样信号进行特征向量提取,建立故障字典;然后利用神经网络具有非线性映射优点,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。     

多层感知机在模拟/混合电路故障诊断中的应用

多层感知机具有解决复杂分类问题的能力,应用于模拟/混合电路的测试,能够实现快速故障诊断及定位,具有准确率高的特点。实验证明该方法是行之有效的。     

基于分形神经网络的电力电子电路故障诊断

分析了电力电子电路故障产生的特征类型,提出了基于分形理论及BP网络故障诊断的方法。以三相整流桥路为例,利用分形理论建立了故障元与分形维数之间的关系,对故障信息做预处理。通过仿真试验提取出用于BP神经网络训练的学习样本,并确定出用于不同类故障的三层的BP神经网络结构,继而确定故障点。     

总体局部特征尺度分解及ELM的滚动轴承故障诊断

针对滚动轴承非平稳性的振动信号,提出了基于总体局部特征尺度分解(Ensemble Local Characteristic-scale Decomposition,ELCD)及极限学习机的滚动轴承故障诊断方法。首先,对振动信号进行ELCD分解,获得一系列内禀尺度分量(Intrinsic Scale Component,ISC);其次,根据分解后ISC分量计算时域指标、能量、相对熵,利用特征评估法提取敏感特征;最后,将敏感特征向量输入极限学习机(Extreme Learning Machine,ELM)进行训练与测试,从而识别滚动轴承的故障类型。对实验信号的分析表明,该方法能够有效的诊断出滚动轴承不同的工作状态,且效果较局部特征尺度分解方法好。     

基于神经网络的信息融合故障诊断技术

利用神经网络技术建立信息融合中心 ,对多传感器数据进行融合处理 ,通过多源互补信息减小故障诊断系统的不确定性。文中讨论了神经网络多传感器信息融合方法中数据预处理与特征提取、特征向量维数压缩与关联、归一化处理方法等 ,同时 ,对神经网络的构造以及学习训练等内容 ,也作了较为详细的讨论。通过对柴油机振动监测数据、燃油压力波动信息、以及两者融合信息的故障诊断性能的比较 ,表明神经网络多传感器信息融合方法用于复杂机械的故障诊断是可行和有效的     

一种诊断容差模拟电路软故障的新方法

提出了基于Pspice、小波包与量子神经网络的容差模拟电路的单软、多软软故障诊断,这种方法能克服BP在模糊分类方面的局限性。通过实验,采用QNN与自适应BP神经网络相比,故障诊断率得到了提高。     

两种基于神经网络的电力电子电路故障诊断方法比较

对两种基于神经网络的电力电子电路故障诊断方法：基于波形直接分析的方法和基于频谱分析的方法,进行了进一步地分析比较,并以三相整流电路为例,进行了深入探讨     

基于证据理论数据融合的故障诊断研究

从D—S证据理论的基本概念和融合推理方法出发,构造了符合故障诊断特点的基本可信度分配,建立了多故障特征信息融合诊断框架,并将其应用于液压泵故障诊断。实践证明,该方法能有效地提高诊断可信度。