基于信息融合的神经网络模拟电路故障诊断研究

针对目前神经网络模拟电路故障诊断中存在的难点,提出了基于信息融合思想的多神经网络故障诊断方法;该方法测试电路中节点电压信号、供电电流信号,利用小波变换对检测信号进行预处理,基于主成分分析对特征矢量进行降维,根据模拟电路的不同故障模式分别建立诊断神经网络,用概率统计数据融合方法从多个神经网络中选出最优网络用于诊断故障;通过电路实例验证了新故障诊断方法的有效性,实验结果表明新方法可有效提高故障诊断性能。     

模拟电路故障诊断新方法

提出了一种新颖的基于多小波神经网络的模拟电路故障诊断方法。介绍了多小波的原理,分析了多小波神经网络的结构、逼近性质及多小波神经网络的算法,提出了用多小波来处理故障信号,提取故障特征向量输入给神经网络,从而进行模拟电路故障诊断。由于多小波函数具有连续、对称性及支撑集短等一系列优点,所以用多小波神经网络来进行模拟电路故障诊断比一般的小波神经网络具有诊断精度高、诊断速度快的优点。给出了仿真诊断实例,验证了该方法的有效性。     

基于多小波变换的模拟电路IDDT故障诊断

动态电源电流测试（IDDT）对模拟电路故障诊断非常有效。针对小波神经网络在模拟电路IDDT故障诊断中存在的缺陷,提吐了一种基于多小波变换的模拟电路IDDT故障诊断方法。即利用多小波变换提取电源电流各频段的能量,作为神经网络的输入特盘向量进行故障诊断。仿真结果表明,该方法是有效的,而且比小波神经网络方法的收敛速率快。     

基于神经网络的模拟电路快速故障诊断集群撕裂方法

提出一种基于神经网络的大规模模拟电路故障诊断集群撕裂新方法;将大规模模拟电路按照拓扑特性和集群撕裂准则进行撕裂,得到低维度的故障特征向量;利用小波神经网络实现故障特征向量的快速分类并得出电路诊断结果;通过对视频放大电路诊断事例,将电路划分12个子模块,进行两次撕裂与特征抽取,小波神经网络经过80次迭代即趋于稳定;结果表明,对于所测试例诊断正确率达100%,所提方法与传统互校验和交叉撕裂搜索法比较,具有测前工作量小,诊断计算量少,对多故障检测能力和工程实践性强等特点。     

基于多小波变换的模拟电路IDDT故障诊断

动态电源电流测试（I_DDT ）对模拟电路故障诊断非常有效。针对小波神经网络在模拟电路I_DDT故障诊断中存在的缺陷,提出了一种基于多小波变换的模拟电路I_DDT故障诊断方法。即利用多小波变换提取电源电流各频段的能量,作为神经网络的输入特征向量进行故障诊断。仿真结果表明,该方法是有效的,而且比小波神经网络方法的收敛速率快。     

小波神经网络在模拟电路故障诊断中的应用

研究模拟电路优化问题,电路系统存在非线性和漂移会引起系统故障.针对BP神经网络在模拟电路故障诊断上存在的收敛速度慢、易陷入局部最小等不足,为解决上述问题,提出基于小波神经网络的模拟电路故障诊断方法.采用正弦信号仿真模拟电路,应用小波变换对模拟电路响应的采样信号进行故障特征提取,建立故障字典,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.故障诊断仿真表明,保证较高故障诊断正确率RBF网络的训练次数得到了极大地缩小,极大地提高了模拟电路故障诊断的效率,为设计提供了依据.     

基于故障传播的模块化BP神经网络电路故障诊断

大规模的数模混合电路所含故障模式众多,电路故障状态复杂,且易发生传播,因而电路故障诊断难度较大。针对大规模电路发生故障时存在故障传播的问题,提出一种基于故障传播的模块化BP神经网络（MBPFP）故障诊断方法。首先,在电路模块划分的基础上分析子电路间的故障传播,并将故障源和故障传播源"模块化";然后,通过子电路的异常检测模型进行一级定位,缩小故障原因集合,确定故障模块;最后,利用目标模块的BP神经网络模型进行二级定位,实现故障诊断并识别故障模式。与传统BP神经网络等方法进行比较的实验结果表明,MBPFP故障诊断方法具有较高的故障覆盖率,在定位准确率方面提高了至少8个百分点,其性能优于传统BP神经网络等方法。     

基于小波神经网络的模拟电路故障诊断技术

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:通过分析被测电路的冲激响应来识别电路中的故障元件,利用小波理论中的多分辨率分析的方法提取出相应信号中的故障特征,组成特征向量后输入神经网络进行训练,实现故障诊断;该方法减少了神经网络的输入、简化了其结构、并缩短了训练和处理时间,文中分别用小波神经网络和传统的BP神经网络对实例电路进行故障诊断,仿真结果发现:小波神经网络相比BP网络方法收敛速度更快,诊断率更高。     

小波神经网络在模拟电路故障诊断中的应用

介绍了模拟电路故障诊断的神经网络方法及小波神经网络结构和原理,以一带通滤波器为例,提出了一种基于输出灵敏度分析,利用多频测试生成故障特征向量训练小波神经网络进行故障诊断的方法,仿真结果表明小波神经网作为故障分类器具有收敛速度快,诊断准确等特点。     

基于小波神经网络的模拟电路故障诊断

模拟电路故障诊断具有诊断特性复杂，故障字典建立耗时长等特性，用传统的方法很难得到最佳的诊断效果。本文采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。     

一种大规模模拟电路快速故障诊断新方法

针对传统大规模模拟电路故障诊断方法在多故障条件下的故障定位过程复杂、测前工作量大等问题, 提出了一种新的故障诊断方法——成组撕裂法。将大规模模拟电路按照拓扑特性和成组撕裂准则进行撕裂, 得到低维度的故障特征向量; 基于模式识别思想, 选用具有高度并行分类能力的神经网络作为分类器, 隐含层传递激发函数选择具有快速收敛特性的小波函数。经仿真验证该方法能实现故障特征向量的快速分类并得出故障诊断结果。与目前已有的互校验（multiple-test-condition, MTC）和交叉撕裂搜索法相比, 该方法有测前工作量小、诊断次数和计算量少、对多故障检测能力和工程实践性强等特点。     

脉频调制神经网络VLSI的设计及应用

本文提出了一种用于故障诊断识别的改进脉冲频率调制(PFM)VLSI神经网络电路,改进了传统的基于软件的机械故障诊断模式,发挥了神经网络超大规模集成电路(VLSI)的优势.利用单层感知器网络、场效应管电路实现了一种新的数字模拟混合突触乘法/加法器电路,而且该神经网络电路的突触权值不需要学习调整,降低了电路的复杂性.以此电路为基础,设计了进行主轴承噪声故障诊断的神经网络故障识别系统.将含有故障信息的原始噪声信号,经过前置信号处理分析、故障特征值提取和神经网络运算,得出VLSI电路输出端电容的电压——代表待识别信号与模板故障信号的“欧氏距离”,进而判断出故障的类别.经过仿真测试,基于硬件的诊断系统的识别性能接近于基于软件的系统.     

基于神经网络与模糊融合的外围故障诊断方法

针对用传统检测方法诊断模拟电路系统设备外围故障困难的问题,提出了一种利用BP神经网络与模糊融合相结合的故障诊断新方法,将神经网络与模糊融合结合起来,实现两者优势互补;首先利用神经网络的泛化能力对系统内部各可测点电压各用一个独立的BP神经网络对系统进行初级诊断,然后根据初级诊断结果,运用模糊融合诊断方法进行故障诊断,诊断结果更趋于合理,对模拟电路系统的外围故障实现正确定位;该方法能充分利用系统内部故障信息,有效避免采集外围设备信息的困难。     

模拟电路故障诊断的神经网络方法综述

以近年来国内外有关的文献报道为依据,对目前已经提出的各种基于神经网络的模拟电路故障诊断方法进行系统的归纳和分类,重点讨论了神经网络故障字典法和神经网络优化诊断法;指出模拟电路故障诊断的神经网络诊断法不能完全取代传统的诊断方法,并预测这类方法的发展趋势是应用小波变换、模糊控制和遗传算法等技术,克服神经网络本身的局限性,并解决神经网络结构的确定、数据预处理和训练样本集的优选等问题.     

一种基于滑模—神经网络观测器的故障检测和诊断方法

本文针对一类非线性系统，提出了一种用于故障检测和诊断的滑模观测器方法．其 中，观测器中的滑模项保证了该系统在无故障情况时的鲁棒性，并且系统运行的滑动区域提供了故障检测的条件．当检测出故障之后，观测器中的故障估计部分被启动，利用RBF神经网络估计故障，从而能在线辨识故障的形态．仿真结果验证了该方法的有效性．     

基于免疫遗传算法改进的BP神经网络在灭火系统电路板故障诊断中的应用

针对装甲车辆灭火系统电路板规模较大,功能日趋多样与完善的同时,其复杂程度也日益提高,故障层次越来越多,故障现象与故障原因的映射关系更加复杂,组合故障频发,传统的故障诊断方法已不能满足灭火系统电路板故障诊断的要求。设计了基于免疫遗传算法优化的BP神经网络对灭火系统电路板进行故障诊断,并在免疫和遗传过程中保留了部分训练最优解。实现了神经网络收敛速度的提高,使用Matlab编程优化算法并完成了电路板仿真故障的诊断。通过实验验证了该诊断模型的准确性和可靠性,为电气系统通用检测设备的神经网络诊断方法实现提供了理论支撑。     

自适应GA优化WNN的模拟电路软故障诊断方法*

在小波神经网络(WNN)的模拟电路故障诊断系统中,普遍采用的梯度下降算法在训练时易使网络陷入局部最优,而网络结构的冗余也会造成训练收敛方向偏离全局最优点,降低推广能力和增加误诊率。用自适应遗传算法优化WNN,以克服上述缺陷。采用该方法可简化小波神经网络的结构和优化参数,在滤波器电路的软故障识别中获得满意的效果。与常规的WNN故障诊断方法相比,有效地提高了故障诊断的效率和正确率。     

基于改进LLE的Elman神经网络电路故障诊断

如今的电路越来越复杂,随之而来的就是电路系统的高故障性,所以如何定位故障发生成为一大难题。文中基于提高故障诊断性能的目的,先采用一种改进的局部线性分析算法作为初始数据处理器对输出响应序列进行降维,提取故障特征向量,然后再通过OIF-Elman神经网络搭建故障分类器,对电路进行故障检测。仿真结果表明,将改进过的局部线性分析算法和OIF-Elman神经网络应用到故障诊断中,不仅具有比传统BP神经网络更精确的故障诊断正确率,且整个网络的收敛速度也会有明显提升。     

基于覆盖算法的模拟电路故障诊断方法

模拟电路故障诊断理论与方法的研究是目前热门的研究课题。针对传统神经网络内部结构难以确定、可理解性差、难以用硬件实现的问题,本文构建一种基于领域覆盖算法的模拟电路故障诊断方法,并针对领域覆盖算法构造的神经网络内部神经元个数过多,初始点选择随机的情况,提出领域搜索覆盖算法。最后通过对某一个带通滤波电路进行故障诊断,降低神经网络中神经元的个数,提高了该神经网络的泛化能力,故障诊断率也提高了9个百分点。验证了该方法的可行性。