基于小波神经网络的模拟电路故障诊断

本文对模拟电路提出了一种基于小波神经网络的故障诊断方法。该法利用小波空间中函数的多分辨率分解思想，构造了一种激励函数为具有紧支撑集的尺度函数和小波函数的小波神经网络。这种小波神经网络隐层节点数的选取有理论根据，解决了传统神经网络隐层节点数难以确定的问题。分别用本文提出的小波神经网络和传统BP网络对实例电路进行故障诊断，结果发现，小波网络比传统BP网络方法不仅学习收敛速度快，而且有效地避免了局部最小值问题。     

基于RBF神经网络的模拟电路故障诊断方法的研究

提出了一种基于径向基函数(RBF)神经网络的模拟电路故障诊断方法.这种方法采用脉冲信号作为被测电路的输入激励,在时域中对输出信号采样来构造神经网络的训练和测试样本,应用径向基函数神经网络的分类能力强、学习速度快等优点进行故障诊断.结果显示,基于RBF神经网络的模拟电路故障诊断方法学习速度快,故障诊断率高.是一种有效的故障诊断方法.     

基于小波神经网络的电路故障诊断方法

本文根据小波神经网络故障诊断的基本思想,提出了一种基于“小波系数特征故障”的小波预处理神经网络模拟电路故障诊断方法。实验仿真结果表明,使用该方法提取故障特征加快了BP神经网络的训练速度.能迅速有效地进行故障检测和定位。     

基于小波变换预处理的模拟电路故障诊断

把小波变换用于模拟电路故障诊断中。输出信号的低频系数反映了信号的概貌特征．表征了电路的故障情况,因此,利用小波变换有效地提取故障特征信息。提出了“小波系数-故障”的故障诊断方法。计算和实验结果表明：该方法可以简化神经网络的结构和减少它的训练时间,快速高效地进行模拟电路故障诊断与定位。     

基于小波网络的某放大电路故障检测

为了提高某放大电路故障诊断与故障定位的快速性和准确性,引入了小波网络对电路板进行故障诊断。神经网络具有良好的非线性映射及函数逼近能力,小波分析具有良好的时频局部化性质。将两者结合构成小波网络用于故障诊断,具有自适应分辨性和良好的容错性。实例证明该方法能够实现故障检测及定位,具有准确率高的特点。     

基于小波--神经网络模拟电路故障诊断方法的研究

对模拟电路提出了一种基于小波神经网络的故障诊断方法 ,该法用小波变换作为故障信号的预处理器 ,大大地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。在简介该法故障诊断的基本原理后对实例电路进行了故障划类 ,小波函数及故障特征选择 ,给出了计算故障类别特征的仿真编程及故障类别的识别方法     

基于GMKL-SVM的模拟电路故障诊断方法

提出了一种新颖的基于广义多核支持向量机(GMKL-SVM)的模拟电路故障诊断方法。首先,应用Haar小波分析提取被测电路时域响应信号的小波系数作为特征参量,并生成样本数据;然后,基于样本数据,应用量子粒子群算法对GMKL-SVM的参数进行优化,并以此建立基于GMKL-SVM的故障诊断模型,用于区分模拟电路的各个故障。实例电路的单故障和双故障诊断实验结果表明,所提出的GMKL-SVM方法能较好地实现模拟电路故障诊断,与传统的GMKL-SVM方法相比,表现出了更好的性能,获得了更高的故障诊断正确率。     

小波范数熵特征提取的模拟电路故障诊断方法

提出一种遗传优化神经网络与小波范数熵相结合的新型模拟电路故障诊断方法,降低神经网络的结构冗余度和减少过拟合现象。小波范数熵方法提取了故障数据的本质特征,遗传算法优化了神经网络的体系结构,诊断系统实施了模拟数据的故障分类。仿真结果表明,同小波变换预处理的故障诊断系统相比较,这种诊断系统具有更好的网络收敛性能、更高的诊断精确度和更强的推广能力,能对模拟电路故障元件进行有效识别和分类。     

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。     

基于小波神经网络弧齿锥齿轮故障诊断及实验研究

提出了一种离散小波变换结合神经网络的故障状态识别方法,运用信号特征提取机理对航空用弧齿锥齿轮故障诊断及状态识别进行了研究.建立了孤齿锥齿轮传动系统振动测试试验台,对正常结构和故障结构的齿轮传动进行了试验测试,通过小波阈值去除掉齿轮箱的振动数据信号系统噪声的影响;采用离散小波变换提取信号的能量特征,利用带有反馈算法的神经...     

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。     

基于神经网络的故障诊断方法的研究

介绍了神经网络的优缺点,针对目前较热门的三种神经网络与其他诊断方法融合的复合故障诊断方法进行分析,指出了各自的适用性和局限性,并对目前故障诊断的方向进行了展望.     

小波·分形·神经网络故障诊断法及其在风机诊断中的应用研究

研究了分形理论、小波变换与人工神经网络相结合进行故障诊断的机理与方法。利用小波包可进行多维多分辨率的特性,对振动信号进行分解与重构,提取频带能量特征分析。选用分形理论中的离散信号分形维数计算方法,提取分形维数的特征。以K-L变换作特征降维,然后用基于梯度符号变化的局部学习率自适应误差反传算法的小波神经网络对故障状态进行分类识别。并利用这种方法本文对风机转子故障进行了诊断,结果表明这种诊断方法是完全行之有效的。     

小波神经网络故障预后模型的建立及其工程应用

故障诊断技术面临两大难题 ,第一如何“测量”故障的发育 ,第二如何预测一个有故障的机器或构件还能正常运行多久。本文用小波基函数神经网络技术解决了这两大课题。首先建立了小波基函数神经网络故障预后模型 ,用高斯基函数和Marr小波函数作为尺度函数 ,基函数中心的计算用二进展开函数和k次聚类函数。诊断实践表明 ,当轴承内表面产生间隙以后 ,应用训练后的小波基函数神经网络能够成功地对其间隙的发育进行预测。     

小波-神经网络-模糊识别在旋转机械故障诊断中的应用研究

对旋转机械故障诊断常用的一些方法进行了评述与比较;利用小波包可进行多维多分辨率分析的特点,对旋转机械振动信号进行特征提取。对提取的特征,用ＡＲＴ２神经网络诊断故障类型,根据故障类型的诊断结果,进一步对故障严重程度进行模糊识别;通过对实验数据的分析处理,获得了较好的效果。     

异步电动机故障诊断的小波变换等高图方法

用Morlet小波作为小波基，对异步电动机鼠笼转子故障时的定子电流信号进行多尺度分析，将获得的小波变换系数用等高图表示，从中能清楚地识别出异步电机鼠笼转子不同断条的故障。较基于傅立叶变换的故障诊断，该方法对异步电动机故障的辩识能力有显著提高。     

齿轮箱故障诊断技术的新发展

齿轮箱是机械设备的重要传动部件，其故障诊断得到了广泛的重视。本文综述了几种新的信号分析方法和故障诊断技术及其在齿轮箱故障诊断中的应用情况。     

基于广义粗糙集与神经网络集成的旋转机械故障诊断研究

故障诊断规则中判断条件的冗余、不完全和不确定性不利于实际应用。采用广义粗糙集理论对旋转机械振动故障诊断的非完备决策系统进行了约简 ,得到了更为简明的最优诊断规则 ;根据约简结果 ,建立了基于神经网络的故障诊断系统 ;网络的训练对比结果表明 ,基于粗糙集理论的约简处理简化了神经网络结构 ,提高了网络的训练效率 ;以诊断实例验证了广义粗糙集理论与神经网络集成进行故障诊断的可行性