一种新的模拟电路故障诊断小波神经网络方法

结合小波变换和神经网络二者之间的优点，提出基于小波神经网络的模拟电路故障诊断方法。采用能量分布特征提取方法和改进BP算法，用正弦信号仿真模拟电路，应用小波变换对模拟电路的采样信号进行多尺度分解，再进行能量分布特征提取，然后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。相对于传统的故障诊断方法，用小波变换对故障信号进行预处理，大大减少了神经网络的输入数目，从而简化了神经网络的结构和减少了它的训练时间，并提高了辨识故障类别的能力。对实例电路仿真结果表明，该方法能正确识别各种故障状态，准确率高。     

一种新的模拟电路故障诊断小波神经网络方法

结合小波变换和神经网络二者之间的优点,提出基于小波神经网络的模拟电路故障诊断方法.采用能量分布特征提取方法和改进BP算法,用正弦信号仿真模拟电路,应用小波变换对模拟电路的采样信号进行多尺度分解,再进行能量分布特征提取,然后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.相对于传统的故障诊断方法,用小波变换对故障信号进行预处理,大大减少了神经网络的输入数目,从而简化了神经网络的结构和减少了它的训练时间,并提高了辨识故障类别的能力.对实例电路仿真结果表明,该方法能正确识别各种故障状态,准确率高.     

基于粒子群-小波神经网络的模拟电路故障诊断

针对传统小波神经网络技术在模拟电路故障应用中存在的问题,提出了一种基于粒子群-小波神经网络的模拟电路故障诊断方法.利用该方法对滤波电路进行了故障检测,结果表明,该方法优于传统的小波神经网络方法.     

一种基于Rough集和RBF网络的模拟电路故障诊断方法

提出了一种基于Rough集和RBF神经网络结合的故障诊断方法。该方法针对模拟电路的故障特征,进行粗集约简预处理研究,然后由约简后的属性构造RBF网络。仿真结果表明:在相同的精度要求下,该算法的训练时间远小于普通的进化神经网络,提高了泛化能力,对模拟电路的故障诊断有一定的实际意义。     

小波包与径向基神经网络的电力电子装置故障诊断

为提高人工神经网络对电力电子装置进行故障诊断的准确性与快速性,提出一种小波包与RBF神经网络相结合并应用于电力电子装置故障诊断的方法。以三相桥式逆变电路为例,对电路的故障信号采用小波包分解,有效地提取出故障特征后利用RBF神经网络进行训练。仿真结果表明,该方法具有更快的收敛速度和更高的诊断精度,能够有效地进行电力电子电路的故障诊断。     

基于小波变换的神经网络模拟电路故障诊断

对模拟电路提出了一种基于小波变换与神经网络相结合的故障诊断方法,该方法用小波变换对模拟电路故障信号提取小波特征,并经小波变换压缩,再将故障特征量输入至神经网络处理。结果表明,该方法有效地减少神经网络输入层单元数,简化了神经网络结构,提高了故障诊断能力。     

基于小波变换的神经网络模拟电路故障诊断

对模拟电路提出了一种基于小波变换与神经网络相结合的故障诊断方法,该方法用小波变换对模拟电路故障信号提取小波特征,并经小波变换压缩,再将故障特征量输入至神经网络处理。结果表明,该方法有效地减少神经网络输入层单元数,简化了神经网络结构,提高了故障诊断能力。     

利用小波分析的电流测试方法实现模数混合电路的故障诊断

模数混合信号电路已成为未来电路设计的发展趋势,对模数混合电路诊断和测试方面的需求日益急迫。文章首先针对模拟/数字混合电路的故障诊断,基于小波分析理论,提出了动态电流(IDDT)测试方法。其次应用小波变换的时频分析特性,对模拟/数字混合电路正常模式和故障模式的IDDT采样信号进行小波分解,得到特征小波系数,计算出正常模式和故障模式下相应特征小波系数的均方根误差。最后将待检测电路的特征小波系数均方根误差与已知正常及故障模式的特征小波系数均方根误差进行比较,根据结果的异同实现模拟/数字混合电路的故障诊断。通过仿真实验验证了该测试方法的有效性,与传统单一时、频域(FFT)诊断分析方法相比,仿真结果显示,该方法对模拟/数字混合电路的故障有较高的检测灵敏度,可以实现绝大多数故障的准确定位,为模拟/数字混合电路故障的准确诊断提供了一种有效手段。     

基于嵌入式系统的BP神经网络及其在模拟电路故障诊断中的应用

针对模拟电路故障的实时诊断问题,提出使用嵌入式系统实现BP神经网络进行诊断的解决方案。对诊断系统的芯片选择、系统架构、诊断流程、训练算法等问题进行了研究,提出使用STM32芯片作为核心芯片以及加入动量项的反向传播算法进行训练的策略,明确了系统的结构及运行流程。最后使用设计的系统分别进行了线性和非线性模拟电路的故障诊断实验进行验证。实验结果表明,基于嵌入式系统的BP神经网络能够有效及时地诊断出模拟电路的故障。     

基于小波神经网络的容差模拟电路故障诊断方法

以模拟电路的故障诊断为例,利用小波分析,将电路故障信号进行层次分解,获得不同频段的信号成分,取其能反映故障信号特征的成分作为电路故障特征,再输入给神经网络,大大减少了神经网络的输入数目、简化了神经网络的结构、减少了它的训练时间,并提高了辨识故障类别的能力.     

一种基于量子神经网络的模拟电路故障诊断方法

针对模拟电路中部分故障类别发生重叠的特点, 提出了一种基于量子神经网络算法的模拟电路故障诊断方法。在被测电路输出端采集时域响应信号, 计算其峭度和熵, 作为特征量, 并应用量子神经网络算法对模拟电路的各个不同的故障类别进行辨别。实验结果表明, 构建的神经网络具有简单的网络结构, 且故障诊断正确率较 高, 达到9 9. 6 2%。     

子波神经网络在故障诊断中的应用研究

根据旋转机械常见的的故障类型和故障信号时域采样数据 ,以子波空间作为模式识别的特征空间 ,采用信息熵为代价函数的神经网络学习算法 ,由子波神经网络对故障进行学习和诊断 .实验结果表明 ,子波神经网络的故障诊断方法在不了解故障信号频率结构的情况下 ,即可对平稳和非平稳故障信号进行诊断 ,适于设备在线监测及设备的巡检     

基于圆故障模型的模拟电路故障诊断方法

针对模拟电路故障诊断中故障字典法的电路故障响应状态的不可数性,提出了一种新的复平面空间圆故障模型诊断方法。该方法利用电路响应与元件的位置及电路拓扑结构之间的关系,在复平面空间上建立圆函数作为故障特征。故障诊断时,利用测试值到圆中心之间距离与圆半径相等的原理来精确定位故障。实验证明圆故障模型既能解决故障响应不可数问题又能简化故障字典,降低仿真和测试代价。同时,该方法不但能诊断软故障和硬故障,而且也能很好地解决容差问题。     

测试图形生成的遗传算法研究

提出了一种用于组合电路测试图形生成的遗传算法。该算法把被测电路的测试生成问题转化为计算一种约束函数的最优解,可充分利用电路的结构信息。为故障节点生成测试时易于操作,且无需经过故障模拟,就可保证对所有可测的单固定型故障及多故障有较高的故障覆盖率。     

基于不同学习算法的RBF神经网络在故障诊断中的应用

基于对RBF神经网络常用的3种学习算法的研究,通过对凝汽器典型故障类型与故障征兆分析,提出了基于不同学习算法的RBF神经网络凝汽器故障诊断,并对诊断结果进行比较.诊断结果表明,基于3种常见学习算法的RBF神经网络都可以准确诊断出凝汽器的各种故障,但聚类方法和OLS算法学习速度要快得多,梯度训练方法速度较慢.研究还表明,RBF神经网络在故障诊断领域具有很好的实用性.     

基于PSO-RBF的航空相机电源板故障诊断技术研究

针对机载航空相机电源板故障率高,传统故障诊断方法技术不足而造成的相机维护难度大的实际问题,提出一种基于PSO-RBF神经网络的电源板故障诊断方法。考虑选取RBF网络训练算法中隐含层节点数和中心参数的难题,采用实用粒子算法约简了RBF神经网络,设计了航空相机电源板故障诊断系统方案,并给出了诊断系统的软件模块和实现方法,实现了从计算机仿真到工程应用的电源电路故障诊断。仿真与实际检测实验结果均表明,系统在不依赖任何标准设备和附加测点时,可对航空相机电源板进行实时、全自动化故障检测,其故障现象的检测覆盖率为100%,故障诊断平均可靠性可达到97.73%,故障器件定位率可达到96.89%。     

一种基于BP神经网络的传感器故障诊断方案

针对传感器故障,提出了一种BP网络和修正的Bayes分类算法(MB)的集成故障诊断方法.用BP神经网络建立传感器故障模型,对系统的状态和故障参数进行在线估计,再用修正的Bayes算法进行传感器故障的在线检测、分离和估计.对连续搅拌釜式反应器(CSTR)的仿真结果表明,该集成故障诊断方法能够对传感器故障进行快速准确的分离和估计,并对传感器故障具有容错性.     

二级RBF神经网络用于化工过程的动态监控

文章提出用二级ＲＢＦ神经网络来实现化工过程的动态监控。第一级ＲＢＦ神经网络称作预测网络，用于预测未来一段时间内的有关状态量。第二级ＲＢＦ神经网络称作诊断网络，它根据预测量判断它们是否相应于某种事故状态，如果是，则提示操作人员采取相应的措施。这样可起到防患于未然的作用。ＲＢＦ神经网络的基础是ＲＢＦ插值，文章提出了改进的ＲＢＦ插值方法。文章又提出了提前一个时间步进行预测以获得预测结果修正项的方法。另外，文章还提出对诊断网络输出结果进行变换使能合理反映事故可能性的方法。文章所述方法被用于加氢裂化脱丁烷塔开工过程的动态监控，取得了满意的结果。     

Fault detection and diagnosis of permanent-magnetic DC motors based on current analysis and BP neural networks

In order to guarantee quality during mass serial production of motors, a convenient approach on how to detect and diagnose the faults of a permanent-magnetic DC motor based on armature current analysis and BP neural networks was presented in this paper. The fault feature vector was directly established by analyzing the armature current. Fault features were extracted from the current using various signal processing methods including Fourier analysis, wavelet analysis and statistical methods. Then an advanced BP neural network was used to finish decision-making and separate fault patterns. Finally, the aeeuracy of the method in this paper was verified by analyzing the mechanism of faults theoretically. The consistency hetween the experimental results and the theoretical analysis shows that four kinds of representative faults of low power permanent-magnetic DC motors can be diagnosed conveniently bv this method. These four faults are brush fray, open circuit of components, open weld of components and short circuit hetween armature coils. This method needs fewer hardware instruments than the conventional method and whole procedures can be accomplished by several software packages developed in this paper.     

基于EMD和RBFNN的地铁辅助逆变器故障检测

针对地铁辅助逆变器故障信号非平稳的特征,提出了一种基于经验模态分解方法和径向基神经网络的地铁辅助逆变器的故障诊断方法,并应用经验模态分解方法对采集的非平稳的原始信号进行处理,将原始信号分解成多个平稳的本征模函数(intrinsic mode function,IMF),同时,采用K-均值聚类算法确定RBF神经网络的模型参数,并借助径向基神经网络的分类能力对特征向量进行故障检测。仿真结果表明,基于K-均值聚类算法的RBF神经网络,在48个测试样本中有46个正确,准确率为95.8%,高于标准RBF神经网络77.0%的准确率,说明其准确性明显高于标准的径向基神经网络。该研究能够满足地铁辅助逆变器故障检测对准确性的要求,可高效识别地铁辅助逆变器的故障。