模拟电路故障诊断的小波方法

利用小波变换与神经网络相结合的(WNT)方法,将小波作为消噪工具,对信号进行消噪和小波多尺度分解,提取特征信息。并从函数型和权值型小波神经网络中寻找最优故障辨识器,提出了模拟电路故障诊断的系统方法。本文详述了其诊断原理及诊断步骤,并给出了诊断实例。     

基于小波神经网络的模拟电路故障诊断研究

文章提出了一种基于小波神经网络的模拟电路故障诊断方法。这种方法采用正弦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,将自适应学习率及附加动量BP算法训练后的小波神经网络应用于容差模拟电路故障诊断中。仿真试验表明,该方法减少了故障诊断时间和提高了网络的平均诊断正确率。     

基于神经网络方法的模拟电路故障诊断研究

小波变换是一种时频分析方法,具有多分辨率特性,被誉为数学显微镜;而BP神经网络具有较好的泛化能力,很适合判断电路状态属于哪种故障类型的分类问题。将二者结合起来,采用基于小波神经网络的模拟电路故障诊断方法,应用小波变换对模拟电路幅频响应的采样信号进行故障特征提取,然后利用BP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。通过对电路进行仿真,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。     

基于小波神经网络和相位差的模拟电路故障诊断

根据模拟电路中存在噪声的问题,提出利用相位差来进行故障诊断。通过正常模式和故障模式下相位差和幅值差的特征提取,建立故障字典。然后利用小波神经网络对故障电路建模,基于该网络学习收敛快,对网络输入不太敏感的特点,实现故障诊断。通过实例证明,该方法不但诊断准确,而且很切合实际模拟电路。     

一种基于小波-神经网络的模拟电路故障诊断方法

小波分析具有数据压缩和特征提取的特性,神经网络具有非线性映射和学习推理的优点。结合两者的特点,提出了一种基于小波与神经网络的模拟电路故障诊断方法,该方法用小波变换对电路响应信号进行特征提取,从而简化神经网络的结构,降低计算的复杂度,加快了训练速度。对实例仿真表明,该法能有效地对模拟电路进行故障诊断。     

基于小波神经网络的模拟电路故障诊断方法研究

小波变换是一种时频分析方法,具有多分辨率特性,被誉为数学显微镜,而BP神经网络具有较好的泛化能力,很适合于判断电路状态属于哪种故障类型的分类问题。本文将二者结合起来,采用基于小波神经网络的模拟电路故障诊断方法。应用小波变换对模拟电路幅频响应的采样信号进行故障特征提取,然后利用BP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。通过对电路进行仿真,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。     

紧致型小波网络在模拟电路故障诊断中的应用

提出了一种新的基于紧致型小波神经网络的模拟电路故障诊断方法。该法首先利用小波包变换对故障信号进行预处理,减少了紧致型小波神经网络的输入数目,简化了紧致型小波神经网络结构,然后对紧致型小波神经网络进行训练和测试。仿真试验表明,该方法比普通BP神经网络方法训练速度更快,诊断准确率更高,容错能力强,非常适用于模拟电路故障诊断。     

基于小波变换与BP神经网络的模拟电路故障诊断

利用小波与改进算法的BP神经网络相结合的方法进行模拟电路故障诊断,该方法使用小波分解作为预处理工具,对信号进行消噪和小波分解,然后提取特征信息,进行归一化处理,并作为BP神经网络的输入样本进行模式识别。该方法减少了神经网络的输入维数,提高了收敛速度和辨识故障的能力。仿真结果表明,该方法能准确快速地定位故障,且可有效地进行故障识别、改善神经网络结构以及提高故障诊断精度与速度。     

基于小波包变换的模拟电路故障诊断

把小波包变换用于模拟电路故障诊断中。由于输出信号的各频率成分能量的变化表征了电路中某些元器件的损坏情况,因此,利用小波包变换有效地提取故障特征信息,提出了“能量——故障”的故障诊断方法。计算和实验结果表明：该方法可以快速高效地进行模拟电路故障诊断与定位。     

小波变换和神经网络的电路故障诊断

模拟电路的元件较多,相互之间的耦合性较强,容易发生故障。为了提高电路故障的诊断准确性,提出小波变换和神经网络的电路故障诊断方法。首先采用小波变换方法提取电路故障信息特征,然后采用神经网络分类提取的故障特征量实现对电路故障的诊断和分类识别,最后通过仿真实验进行性能测试,结果表明,该方法提高了电路故障检测的准确度,具有较好的实际应用价值。     

基于小波包和自组织网络的模拟电路故障诊断

提出了一种基于小波包变换和SOFM网络相结合的模拟电路故障诊断方法.利用小波包分解作为预处理和消噪工具,对电路采样信号进行多尺度分解和消噪,然后进行能量特征提取、归一化,作为样本输入给神经网络.用SOFM网络竞争层的神经元,对样本数据进行故障识别分类,克服了BP网络隐层神经元选取困难的缺点.详细叙述了诊断原理和步骤,并给出了诊断实例.     

线性模拟电路的双故障诊断及人工神经网络的实现

本文提出了一种进行线性模拟电路双故障定位的原理及以此为基础的人工神经网络实现方法。文中论述了双故障元件参数在零到无穷大间变化时，测量值在增量空间所具有的一般特性。当可测端对各元件的转移阻抗或各元件单故障空间特性已知时．则根据两次独立测试结果，即可对双重故障定位。这一方法减小了传统K故障法所需的在线计算量，算例表明此法有好的诊断效果。     

遗传小波神经网络的非线性模拟电路故障诊断方法

提出了一种将遗传算法(GA)、神经网络与小波变换相结合对非线性模拟电路进行故障诊断的方法;分析了传统BP型神经网络在非线性模拟电路故障诊断中存在的缺陷;提出了一种新的解决方法--利用小波变换对非线性电路故障信号进行预处理,对故障信号中的冗余信息进行剔除,然后利用遗传算法优化BP网络参数,如网络权值、阈值等.利用该方法对非线性电路进行故障诊断,有利于提高神经网络对电路故障诊断的智能性及识别故障类别的能力,提高故障诊断的精度与速度.实验结果表明,该方法是可行的.     

基于模糊规则神经分类器的模拟电路故障诊断法

对利用基于模糊规则的神经网络分类器进行模拟电路故障诊断的方法了研究。担子同ＦＲＣ网络模型及其学习算法，它适用于多种类，多规则的分类问题。还探讨了模拟电路故障的一阶及二阶牲概念，并给出了一个用ＦＲＣ进行故障诊断的实例。     

基于神经网络的模拟电路故障诊断优化近似方法

本文提出了线性电阻电路故障诊断的一种神经网络优化方法。其基本思想是应用Ｈｏｐｆｉｅｌｄ网络原理来处理Ｌ１范数问题，以此来进行诊断。对实例的计算证明此法是可行的。     

基于Takagi-Sugeno型自适应模糊神经网络的模拟电路故障诊断

该文提出了一种基于Takagi-Sugeno型自适应模糊神经网络故障诊断方法。首先通过电路仿真获得故障样本,其次利用主成分分析对故障样本进行降维处理,减少自适应模糊神经网络的输入,降低训练时间,然后采用BP算法与最小二乘法相结合的混合学习算法训练自适应模糊神经网络的连接权值和隶属度函数。仿真结果表明,此方法能够快速有效地对模拟电路的故障进行诊断和定位,表现出了很好的应用潜力,在容差模拟电路故障诊断领域具有较好的应用前景。     

基于PCA和PNN的模拟电路故障诊断

为了解决模拟电路故障识别困难的问题,提出一种基于主成分分析和概率神经网络的模拟电路故障诊断方法。该方法对采集到的模拟电路故障信息进行特征提取,将提取的故障特征归一化处理后输入概率神经网络,进行训练和故障模式的分类识别。实验结果表明,该方法是有效的,具有较高的故障诊断率。