基于HMM的模拟电路故障诊断方法

针对电子系统,尤其是模拟电路的早期故障诊断是重要却又困难的问题,提出一种基于隐马尔可夫模型(HMM)的模拟电路早期故障诊断方法.首先提取出模拟电路的电压特征;然后用改进的线性辨别分析法(LDA)对电压特征进行降维并消除其冗余,采取一些改进措施来消除LDA的不足;最后将改进LDA提取的特征构成多个观测序列并用于训练和测试HMM,以实现模拟电路的早期故障诊断.将该方法与其他方法进行比较的实验结果表明,其具有良好的故障识别能力.     

基于改进HMM的模拟电路早期故障识别和诊断

针对模拟电路运行过程中存在的不确定性,对传统的隐马尔可夫模型（HMM）进行了改进,将模型中满足不变性的状态转移概率矩阵改为时变状态转移概率矩阵,使之更符合实际情况。在状态初期为了防止状态转移概率发生过度更新,设置了更新概率控制因子。采用线性辨别分析（LDA）方法对测量信号进行特征提取,用于HMM的训练和测试,从而实现模拟电路早期故障的识别和诊断。仿真结果表明,改进后的HMM具有更强的故障识别和诊断能力。     

基于遗传优化HMM的模拟电路早期故障识别和诊断

针对Baum-Welch(B-W)算法易陷入局部最优解的问题,采用多智能体遗传算法对隐马尔可夫模型(HMM)进行参数优化估计,设计了染色体编码结构和遗传操作方式。为了使HMM更适合于模拟电路的故障识别和诊断,将状态转移概率矩阵改为时变矩阵,利用监测数据,通过多智能体遗传算法实现状态转移概率的更新。将改进后的HMM用于模拟电路早期故障的识别和诊断中,并采用线性判别分析(LDA)方法对测量信号进行特征提取。仿真结果表明,改进后的HMM具有更强的故障识别和诊断能力。     

基于HMM-SVM的模拟电路早期故障诊断

针对模拟电路在故障预测与健康管理（PHM）系统中早期故障识别率不高的问题,提出了一种基于隐马尔科夫模型（HMM）和支持向量机（SVM）相结合的模拟电路故障诊断方法,利用HMM对动态连续信号的较强识别能力和SVM良好的模式分类能力解决模拟电路早期故障诊断问题。采用主成分分析（PCA）和K-means聚类算法对故障数据进行数据降维和特征提取,建立HMM与 SVM相结合的诊断模型进行故障诊断。仿真实验表明,HMM-SVM能很好地识别模拟电路早期故障,并对模拟电路中元件小范围参数变化的状态识别,相较单一HMM模型具有更高的准确率。     

基于Parzen窗估计的电液伺服作动器故障检测与健康评估

针对电液伺服作动器早期故障信号的微弱性和故障特征分布的未知性,提出了一种基于Parzen窗估计的故障检测和健康评估算法;采用多重判别分析提取作动器故障特征向量,利用窗函数法估计故障特征概率密度函数,通过监测作动器故障特征概率密度分布相对于正常状态的偏离,将不易检测的故障信号转化为容易观测到的距离信息评估作动器状态的健康状况;仿真结果证明了该方法的可行性和有效性。     

基于HMM的机载设备状态健康评估方法研究

针对机载设备的状态健康评估问题,采用隐马尔科夫模型(HMM)对其进行性能退化程度的评估;首先引入状态条件概率矢量对HMM进行不确定性改进,并推导了其表达式;其次以状态条件概率比值为基础,给出了机载设备状态等级量化分值的计算方法,并据此设计了机载设备状态健康评估流程;最后以飞机发动机温控放大器为例进行仿真验证,结果表明上述方法能够给出直观、准确的状态评估结果.     

一种自适应报警的轴承性能退化评估新方法

论文首次将线性预测倒谱系数(LPCC)引入到轴承声信号特征提取,并提出了一种自适应报警的轴承声信号性能退化评估新方法:首先使用正常状态下的声信号进行隐马尔可夫模型(Hidden Markov Model,HMM)训练,建立正常HMM模型;然后计算当前评估数据在正常HMM模型条件下的输出概率,当输出概率超出阈值范围时,即认定轴承性能状态处于退化Ⅰ级.在启动报警的同时采集退化Ⅰ级声信号重新训练HMM,使用新的HMM对下一时刻运行的轴承进行性能退化评估,直到依次出现退化Ⅱ级,退化Ⅲ级或更严重的退化状态,实现了自适应性能退化评估功能.轴承加速疲劳寿命实验表明,论文提出的自适应性能退化评估方法能够描述轴承整个性能退化过程,具有良好地应用前景.     

基于强化健康指数相似度量的航空发动机失效阈值设置

针对航空发动机剩余寿命预测中多监测参数对发动机性能退化表征能力不强及失效阈值设置困难问题,采用强化健康指数相似度量法进行了失效阈值加权设置.该方法首先利用Box–Cox变换增强发动机监测参量与飞行循环间的关联性,再采用降噪自编码器进行退化特征的提取.为了增强退化特征对发动机剩余使用寿命的表征能力,采用多重核典型相关技术构建发动机的统一健康指数(HI).引入全阶时间幂灰色预测模型对全寿命参考发动机HI的失效阈值进行预测,并结合基于KL距离的HI曲线相似度量方法对失效阈值加权融合,以确定测试发动机的失效阈值.试验结果表明,本文提出的失效阈值设置方法充分考虑了航空发动机性能退化过程的个体差异性与相似性,克服了传统失效阈值的主观设置问题,有效地提高了航空发动机RUL的预测精度,为实现航空发动机的健康管理提供一种新思路与手段.     

基于LSTM的风洞设备健康状态评估方法研究

针对风洞设备健康状态评估中特征提取困难、量化算法复杂等问题,提出了一种基于深度学习的健康度评估方法,利用正常状态样本数据训练LSTM编解码器网络并构建特征空间,利用测量数据特征向量与特征空间的欧氏距离衡量健康状态的退化程度,从而高效地实现了系统或设备的健康状态量化评估;经风洞试验室轴流风机转子不平衡故障、长轴轴承裂缝故障等两个数据集进行验证,取得了与设备工作状态一致的健康度评估值,具有很强的工程应用价值。     

基于HMM的开关电源故障预测方法研究

故障预测技术在提高设备的安全性、减少生命周期费用和提高维修保障效率等方面发挥了重要作用;采用隐马尔可夫模型(HMM)的故障预测方法,解决了Buck型开关电源的故障预测问题;详细分析了开关电源健康退化过程,并选择输出纹波电压、电感电流和输出功率作为监测参数;利用各个状态的样本序列来训练HMM,然后利用该模型对待测信号的观测序列进行测试,从而获得待测信号的似然概率,预测设备当前所在状态;实验结果表明,该方法可以准确地对开关电源进行故障预测。     

主成分分析和超限学习机的模拟电路故障诊断

为提高模拟电路故障诊断特征信息提取的完整性,实现故障模式分类的准确性,达到网络训练测试的快速性,提出了一种基于主成分分析（Principal Components Analysis,PCA）和极限学习机（ELM）相结合的模拟电路故障诊断新方法。在OrCAD16.3中通过设置仿真模拟电路元器件参数及其容差,获得电路各状态的MonteCarlo样本数据,经PCA降维提取特征信息以获得最优的特征模式,继而采用ELM对故障进行分类识别。以Sallen-Key带通滤波器电路为实例进行仿真研究,结果表明该方法具有特征提取效果好,神经网络训练学习速度快,故障诊断效率高,泛化性能好等特点。     

基于优选小波基和模糊SOM网络的模拟电路故障诊断

为了解决模拟电路故障诊断中的特征提取困难并实现对模拟电路故障模式准确的分类,提出一种优选小波基、模糊理论和自组织特征映射网络(SOM,self-organizing feature map)相结合的模拟电路故障诊断方法.该方法首先对模拟电路故障响应信号进行小波分解、提取能量值、均值和方差组成输入特征向量,同时采用余弦分离度评价小波变换在不同小波基函数下获取故障特征的有效性,据此选择余弦分离度最小的小波基分解的特征向量输入到自组织特征映射网络进行故障分类.仿真实验表明,利用余弦分离度选择的最优小波基能有效提高模拟电路故障特征提取,模糊神经网络能对故障模式进行精确分类.     

PCA-SVM在模拟电路故障诊断中的应用

主元分析法(PCA)通过提取故障样本集的主元得到降维的特征空间,利于故障特征提取;支持向量机(SVM)应用于故障诊断时具有良好分类性能;结合两者优点,提出了基于PCA特征提取和SVM相结合的模拟电路故障诊断识别新方法:对电路输出响应信号进行PCA处理,提取故障特征的主成分,然后利用多类SVM对故障模式进行分类决策,实现故障诊断;仿真实验结果表明,该方法能够实现模拟电路故障的快速检测与故障定位,具有速度快、精度高、鲁棒性好的特点。     

基于WPEE-RF的模拟电路故障诊断

为实现高效的模拟电路故障诊断,提出了基于小波包能量熵(WPEE)和随机森林(RF)的模拟电路故障诊断方法;选择合适的测试激励信号,监测电路收集数据,对模拟电路监测数据进行5层小波包分解,计算多频带WPEE向量表征故障特征,由RF分类器实现故障诊断;仿真实验结果表明,该方法在双二次滤波电路、Sallen-key滤波电路容差故障诊断以及对数放大器综合故障诊断中体现出良好的性能,故障诊断准确率达99%以上,且该方法具有参数鲁棒性,RF模型训练时间短;较支持向量机和BP网络方法相比,表现出更好的综合性能,更能贴近工程实践应用。     

一种云样本的控制产生及在电路故障诊断中的应用

为了选择电路故障诊断中的特征样本,提出了产生云样本的方法,并用于神经网络的训练和识别.首先采用逆向云理论对初始特征样本进行统计以获取数字特征,其次采用正向云理论产生扩展训练样本,并用新产生的样本训练两种神经网络.仿真结果表明,采用云样本训练的神经网络要比采用常规样本训练的性能稳健,具有较好的抗噪卢性能,在模拟电路故障诊断中达到了较好的诊断效果.     

基于Treelet变换的模拟电路故障诊断

针对模拟电路故障诊断中特征向量冗余的问题,提出一种基于Treelet变换的模拟电路故障诊断方法.Treelet变换是一种自适应的多尺度的数据分析方法,适用于对高维数据降维和特征选择。文中首先对被测电路的输出信号采样,将采集到的信号进行Treelet变换,提取故障特征向量,最后将得到的特征向量输入BP神经网络进行故障模式识别。仿真实验结果表明,该方法能够有效地提取电路故障特征。与其他故障特征提取方法相比较,基于Treelet变换的模拟电路故障诊断方法具有较高的故障诊断率和收敛速度。     

模拟电路实现的神经元控制器的仿真研究

该文研究一种适用于电动机控制的模拟电路实现的神经元自适应控制器。根据神经元的特性,将数字神经元控制器模拟化,获得模拟神经元控制器。该文还研究用MATLAB中的动态仿真工具SIMULINK对其进行仿真的方法。仿真结果表明模拟电路实现的神经元控制器比模拟PID具有更良好控制特性,并实现神经元权值的自动调节。该仿真方法为用电路仿真软件进行电路设计、仿真以及实际电路的实现打下良好的基础,提高设计效率。     

基于节点导纳矩阵的模拟电路故障诊断

针对模拟电路故障诊断中的容差问题,提出了基于节点导纳矩阵(NAM)的模拟电路故障诊断方法;该方法以NAM为基础,提取被测电路(CUT)的故障特征向量;测试前,用仿真的方法生成被测电路中某一故障对应的故障样本子集,所有类别的故障样本子集构成故障样本集;测试时,测量被测电路的故障特征向量,并根据其与故障样本集中样本的相似性来判断电路发生的故障类型;由于电路的NAM对元件容差不敏感,所以可以很好地克服模拟电路故障诊断中的容差问题;实验结果证明了该方法的有效性。     

基于小波变换多分辨率特征提取的模拟电路故障诊断方法研究

提出一种基于小波变换多分辨率特征提取的模拟电路故障诊断的方法。该方法先对采样后的故障信号进行小波分解,提取各频段系数作为特征向量输入到神经网络进行训练。通过带通滤波器电路诊断的实例,阐述该方法的具体实现,验证该方法可以有效地简化神经网络结构和减少它的训练时间,快速高效地进行模拟电路故障的诊断和定位。     

模块化神经网络容差模拟电路故障检测

容差模拟电路故障检测对于电子设备的稳定运行而言至关重要,针对传统检测算法计算代价大、训练时间长及检测误差率高的不足,提出基于模块化神经网络的容差模拟电路故障检测算法研究。对神经网络检测模型的功能模块进行划分,并基于功能模块提取容差模拟电路的故障信号特征;基于样本中心到故障特征点的欧式距离,对比故障样本的特征向量,依据模块化神经网络决策分类函数,实现对容差模拟电路故障的准确定位和检测。仿真数据表明,在不同样本容量条件下提出检测算法均具有优势,最低误差值为0.382%.