基于主元分析与神经网络的模拟电路故障诊断

主元分析具有数据压缩及特征提取的特性,而神经网络具有非线性映射和学习推理的优点.将二者结合起来,提出基于主元分析与神经网络的模拟电路故障诊断方法.通过对模拟电路的阶跃响应特征参数进行主元分析,提取主要参数,然后利用神经网络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.对标准电路仿真结果表明:该方法能够实现快速故障检测与定位,具有准确率高的特点.     

基于多传感器振动信号融合的真空断路器故障诊断

根据真空断路器故障诊断特点,提出了小波包、RBF神经网络与D-S证据理论相结合的决策层信息融合诊断方法。首先,运用小波包—能量谱分析方法对振动信号进行分解处理,提取特征向量,并以此作为诊断的依据;其次,建立神经网络模型,以特征向量为RBF神经网络的输入,进行断路器初步故障诊断;然后将诊断结果作为对各种故障模式的基本概率分配值,利用D-S证据理论,实现对初步诊断结果的融合,从而得到最终的融合诊断结果。实验结果表明,该方法诊断真空断路器故障能取得良好的效果。     

神经网络结合信息融合的模拟电路故障诊断

为提高模拟电路故障诊断识别的准确率,将信息融合技术结合神经网络运用于模拟电路故障诊断,取模拟电路的输出电压和电源电流为信息源,以神经网络为信息融合中心,用以增强电路的诊断能力.诊断实例表明采用信息融合技术进行电路故障诊断比单独采用电压值为故障特征向量进行诊断的准确率要高.为模拟电路故障诊断提供了一种新的有效方法.     

一种模拟电路故障诊断方法的研究

基于模拟电路发生故障会导致电路信号小波包系数某种对应改变以及神经网络非线性逼近的特点,提出了一种基于小波包变换和神经网络的模拟电路故障诊断方法.先仿真得到正常和故障状态下的输出电压信号,然后对输出电压信号进行Haar小波包变换并提取小波包系数,并对各频段小波包系数变化值的能量进行归一化处理提取故障特征量,最后利用故障特征矢量训练神经网络确定模拟电路故障诊断的神经网络模型.仿真结果表明基于小波包变换和神经网络的模拟电路故障诊断方法取得了较好的效果.     

EMD动态过程神经网络尾水管故障信息融合诊断

为准确识别水轮机尾水管涡带状态,本文提出一种基于EMD指标能量的神经网络故障诊断方法。采用经验模态分解方法分离尾水管压力脉动信号,建立基于指标能量的故障特征向量,并以此作为故障样本训练三层离散前馈过程神经网络,形成由动态特征向量到故障类型的映射关系,实现故障信息融合诊断。以水轮机尾水管压力脉动信号为例,进行了应用检验。结果表明,该方法的收敛速度和分类精度优于传统的RBF、BP神经网络法,分类识别的平均百分比误差小,准确度高,适合用于水轮机尾水管涡带的故障融合诊断。     

MRA-PCA-PSO组合优化BP神经网络模拟电路故障诊断研究

为解决模拟电路故障诊断中的特征提取困难、输入维数过高和故障信号无法进行有效分类等问题,提出一种组合优化反向传播神经网络故障诊断方法。首先采用多分辨率分析提取故障信号特征,用其能量谱构造特征向量,通过主成分分析进行降维,以减少计算规模,然后利用粒子群算法优化神经网络,克服其易陷入局部极小值的缺陷,从而达到准确识别故障类型的目的。最后以四运放高通滤波电路为测试对象,通过仿真验证该方法在模拟电路故障诊断的有效性和可靠性,结果表明能提高约10%的诊断准确率。     

RBF神经网络的关口计量装置故障诊断方法研究∗

为解决目前关口计量装置面临的快速有效针对关口计量装置故障进行预警及计量装置故障类型判别困难两个主要问题,提出一种基于 RBF神经网络的关口计量装置故障分析方法.该方法利用RBF神经网络算法对采集的电力计量二次回路数据进行目标对应训练,并利用 MATLAB仿真平台进行实例测试,结果显示基于 RBF神经网络诊断模型可以达到很好的预警和识别效果.该模型在关口计量装置故障诊断领域具备前沿性和应用价值,可以进一步研究和推广.     

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.     

柔性机械臂振动控制中的压电传感器故障诊断

压电传感器常被应用于结构的振动控制中,为了解决压电传感器故障给控制系统的带来的不稳定问题,根据压电柔性臂振动用压电传感片故障的特点,提出运用小波包变换和RBF神经网络的故障诊断方法。首先运用小波包分解和重构原理将传感器输出信号分解到不同频段中,提取每个频段的能量作为状态监测的特征向量,作为RBF网络的输入,然后利用最佳的RBF神经网络进行压电传感器故障分类。实验结果表明该方法具有良好的非以此线性跟踪能力,置信度达到90%,为后续振动容错控制研究奠定良好的基础。     

一种基于径向基神经网络和频谱分析的电路元件故障诊断方法

针对一类模型不确定的非线性系统,提出了具有强鲁棒性和高灵敏度的在线故障检测与诊断方法.其中,系统只有输入、输出可检测,故障是关于输入和状态的非线性函数.将RBF神经网络和频谱分析相结合,由RBF神经网络来学习及存储电子电路的故障频谱和故障类型之间的映射关系,介绍了该算法的实现过程.并以某船舶电气设备放大电路为例建立仿真系统.仿真结果和实验实例表明,该算法可以快速有效地对故障元件进行定位,识别率较高.