模拟电路的融合智能故障诊断

提出了一种基于遗传算法、神经网络、模糊集理论与数据融合技术相结合的模拟电路故障诊断新方法。该法使用多类电路测试数据来解决由于测试节点不足而带来的故障信息欠缺等问题，采用遗传算法来优化BP网络的结构与初始权值分布。对每类测试信息各用一个独立的所提遗传神经网络进行初步诊断，得到基于各类测试信息的被诊断电路属于不同故障状态的可能性。在充分考虑每个神经网络输出信息重要程度的基础上，采用模糊积分融合方法进行决策融合。文中研究了其故障特征提取、样本选择、诊断系统结构、学习算法及其综合决策方法，并通过电路诊断实例，阐述了该方法的具体实现，验证了所提方法的鲁棒性。诊断结果表明：所提方法对容差模拟电路的多故障与单故障诊断均适用，故障定位准确率高。     

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.     

基于小波分析和克隆选择算法的模拟电路故障诊断

提出一种基于人工免疫系统的模拟电路故障诊断新方法.该方法首先对电路输出节点的电压信号进行小波分解,提取各频段的能量作为故障样本;然后利用人工免疫算法对每类故障的故障样本进行自学习,得到该类故障的最优聚类中心;最后计算故障样本和学习得到的聚类中心的距离对电路故障样本进行分类,从而实现故障元件定位.计算机仿真实验结果表明,该方法对容差模拟电路故障定位具有较高的准确率.     

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.     

基于信息融合的模拟电路故障诊断方法分析

采用2种基于信息融合故障诊断方法,说明用于模拟电路故障诊断的特点.首先利用指定频率下可测点电压、不同测试频率下输出端电压和测试元件的温度3组测试数据,分别用一个改进的BP网络对电路状态进行预处理,得到每个传感器对各待诊断元件的隶属度函数分配,再分别用模糊融合和D-S融和算法进行决策层信息融合并进行故障定位.仿真结果表明:信息融合方法能够克服基于单一信息诊断的不足,提高电路故障诊断的正确率,对单、多软、硬故障均可识别,D-S融合算法在解决电路故障诊断中的不确定性问题方面优于模糊融合.     

基于PCA和SVM的模拟电路故障诊断

针对电路故障诊断中存在的样本要求高、推广能力弱、特征提取难等问题,提出了一种基于主成分分析(PCA)与支持向量机(SVM)相结合的模拟电路故障诊断方法.通过对电路输出响应的采样信号进行PCA处理,提取故障特征的主要成分,然后利用多类SVM对各种状态下的故障模式进行分类决策,实现被测电路的故障诊断.实验结果表明:该方法能够实现电路故障的快速检测与故障元件的准确定位,具有速度快、精度高、鲁棒性好的特点.     

应用RBF网络和D-S证据推理的模拟电路诊断

提出了一种基于径向基函数网络与证据推理的模拟电路融合诊断方法,以解决模拟电路诊断中由于故障信息缺乏所致的诊断准确性问题,并提高其训练速度。采集多类电路信息,对应于每类特征参量构造一个径向基函数网络,由这多个彼此独立的径向基函数网络来完成故障的初级诊断。再用初级诊断中各子网络的输出结果构造证据体,通过证据融合推理分析,得出最终的故障定位结果。模拟实验结果表明,所提方法对于电路的硬故障与元件参数偏移较小的软故障诊断均有效,其充分挖掘了多类测试信号中的故障信息,提高了诊断结果的准确率。     

模拟电路故障检测与定位新方法

提出了一种基于统计理论与智能信息处理技术的容差模拟电路故障检测与定位新方法。在充分考虑容差效应的基础上,构建了故障阈值函数与故障判据,从而可通过监测可测点工作电压实现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,将可测点工作电压与电路增益两类测试信息经特征层融合,运用所提出的遗传神经网络方法对电路进行故障定位。仿真结果表明:所提方法对模拟电路的硬故障与元件参数偏移较小的软故障均适用,故障检测与定位准确率高。     

基于双神经网络的模拟电路故障诊断

对模拟电路故障诊断提出了一种双神经网络的诊断方法,该方法通过将电路故障模式分类的预处理,再用双神经网络分别对不同的故障模式类进行诊断.仿真实验表明,该方法能够实现故障检测及定位,具有准确率高的特点.     

基于动态RBF神经网络的模拟电路故障诊断

提出一种基于动态RBF神经网络的模拟电路故障诊断方法.该方法利用小波变换对故障信号进行预处理,提取特征向量建立故障字典,采用最近邻聚类算法构建动态RBF神经网络,利用神经网络对各种状态下的特征向量进行分类识别,实现模拟电路故障诊断.仿真结果表明该方法具有训练速度快,故障准确率高,容错能力强的特点.     

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BP网络的开关电源故障诊断方法研究

分析了开关电源故障诊断方法研究的现实意义,以BP神经网络、数据模糊化和功能测试理论为基础,针对开关电源电路特征提出了采用功能BP网络与子模块BP网络相结合并行处理方法,首先避免了建立庞大的BP网络,其次解决了大规模模拟电路功能模块串行处理效率低的问题.测试和仿真结果表明,所提出的方法能够有效地诊断模拟电路故障模块和故障元件.     

基于BP网络的容差模拟电路故障诊断研究

传统模拟故障诊断多采用K故障诊断法,即在已知拓扑结构和元件参数的标称值前提下,不必对故障进行模拟,就可以计算出各元件发生故障的统一特征,找出故障位置.但对于有容差干扰的电路检测速度将会变慢,甚至影响检测效果的可靠性.鉴于此,引进BP神经网络,将K故障诊断法与BP网络相结合,用于容差模拟电路故障检测,其方法具有实时诊断性和鲁棒性特点.故障诊断实例和计算机仿真结果证明,本文所提出的观点是可行的.     

基于双空间的融合特权信息支持向量机模拟电路故障诊断

针对模拟电路故障诊断识别率较低的问题,提出了基于双空间特征提取的融合特权信息支持向量机的模拟电路故障诊断新方法。首先对采集的信号进行主成分分析(principal component analysis,PCA)——特征提取;并用融合特权信息支持向量机LUPI-SVM(SVM of learning using privileged information,LUPI-SVM)分类器和SVM-GA分类器进行预分类;对分类结果不同的样本进行独立成分分析(independent component analysis,ICA)—特征提取,并用LUPI_SVM进行分类识别,Sallen-Key滤波电路故障诊断仿真实验结果表明该方法有效提高了分类的性能,为模拟电路故障诊断提供了新的途径。     

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。