基于随机投影和NB网络的模拟电路故障诊断

针对模拟电路故障诊断中故障类型复杂多样、典型故障信息难以获取以及易受噪声、温度等环境影响的难题,提出一种基于随机投影和朴素贝叶斯网络的模拟电路故障诊断方法。该方法首先提取模拟电路故障信息,并利用随机投影算法降维后获取模拟电路故障特征向量,然后通过朴素贝叶斯分类器诊断模型识别模拟电路各个故障。通过对CSTV滤波器电路、四运放双二次高通滤波器电路和实际Sallen-Key带通滤波器电路的实验结果分析表明,相对于传统的模拟电路故障诊断方法,该方法表现出更优的故障诊断性能,并具有更强的抗干扰能力。     

基于小波变换和ICA特征提取的开关电流电路故障诊断

提出了采用小波变换和独立成分分析(ICA)作为预处理器来进行特征提取的神经网络开关电流电路故障诊断方法。该方法对采集到的故障响应信号进行Haar小波正交滤波器分解,获得低频近似信息和高频细节信息;然后利用独立成分分析方法进行ICA故障特征提取;最后将所得到的最优故障特征输入到BP神经网络中进行故障分类。对六阶切比雪夫低通滤波器和六阶椭圆带通滤波器电路进行了仿真实验验证,获得了100%的故障诊断准确率,与其他方法进行比较,实验结果显示了该方法的优越性。     

基于FRWT的模拟电路早期故障诊断

针对模拟电路早期故障诊断的难题,基于分数阶小波转换(fractional wavelet trarsform,FRWT)并结合隐马尔科夫模型(hidden Markov model,HMM),提出了一种模拟电路故障特征分析的新方法。首先将无故障状态和各故障状态下模拟待测试电路(circuit under test,CUT)的响应序列进行分数阶小波分解得到子带响应序列,然后从子带响应序列提取出故障特征向量并构成观测序列训练出HMM,最后利用训练好的HMM对未知状态电路进行诊断。实验结果表明,该方法能有效提取模拟电路的故障特征,完成模拟电路早期故障检测和故障定位。     

随机森林算法在柴油机故障诊断中的应用

针对基于单一分类器的柴油发动机常见故障识别效果不够理想,泛化性较差等问题,结合实验数据探索了一种随机森林(Random Forest,RF)分类器,提出小波包分解和随机森林相结合的柴油发动机故障诊断方法。首先,对缸盖振动信号进行小波包分解,并利用分解所得的小波包重构系数计算各频带能量特征;然后,对小波包频带能量特征进行归一化处理,得到特征向量;最后,特征向量作为输入参数输入到随机森林算法中,训练得到分类模型,对柴油机常见故障进行识别。实验结果表明,随机森林方法相比于单一分类器可以更准确的识别出柴油机的运行状态,该方法在柴油发动机在线监测与故障诊断领域中具有良好的应用前景。     

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。     

基于小波包能量谱和NPE的模拟电路故障诊断

提出采用小波包能量谱和邻域保持嵌入作为预处理实行特征提取的模拟电路故障诊断方法。该方法对采集到的故障响应信号进行小波包分解,将不同频带内的能量作为故障特征值,然后利用邻域保持嵌入算法进一步提取故障特征,最后将所得到的最优故障特征输入支持向量机进行故障诊断。仿真结果表明,提出的故障特征提取方法能很好地反映故障响应信号的本质特征,不仅表现出了比其他特征提取方法更好的性能,而且最后的故障诊断中也获得了令人满意的结果。     

基于非张量积小波网络的模拟电路故障诊断

为了克服张量积小波神经网络由于张量积小波缺乏自由度和具有很强的方向性等缺陷所引起的不足,提出了用非张量积小波取代张量积小波作为小波神经网络的激励函数构造非张量积小波神经网络的方法.先构造一个非张量积尺度函数,再根据多分辨分析理论得出该尺度函数的非张量积小波函数,把所构造的非张量积尺度函数和小波函数共同作为小波神经网络的激励函数.把该网络应用于模拟电路故障诊断,仿真结果表明,非张量积小波神经网络的效果比相应的张量积小波神经网络要好得多.     

基于自适应小波分解和SVM的模拟电路故障诊断

为了降低模拟电路参数故障的测试难度,提出了基于自适应小波分解和SVM的模拟电路故障诊断的新方法,该方法对电路故障响应进行小波分解提取最优故障特征,母小波的选择是根据被测电路的正常响应和故障响应小波系数之差的最大均方根原则,并引入支持向量机对故障进行分类识别.小波分解具有自适应性,支持向量机结构简单,泛化能力强.实验结果证明了所提的基于自适应小波分解和SVM的模拟电路故障诊断方法是有效的,其故障诊断率大于96.8%.     

基于小波-神经网络的模拟电路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,而小波变换能够有效提取动态电流的故障特性。因此提出一种基于小波-神经网络的模拟电路IDDT故障诊断方法。利用小波变换具有时频局部化特性,分别对模拟电路正常模式和故障模式的IDDT采样信号进行特征向量提取,建立故障字典;然后利用神经网络具有非线性映射优点,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。     

模拟电路故障诊断的新方法

本文提出了用多小波神经网络诊断模拟电路故障的新方法。根据多小波的多分辨率分析思想,构造了一种多小波神经网络,其激励函数为具有紧支撑集、对称性和正交性的多尺度函数和多小波函数。用多小波神经网络和单小波神经网络对实例电路进行故障诊断,仿真结果表明,与单小波神经网络相比,多小波神经网络不仅学习收敛速度快,而且能够更准确地对模拟电路进行故障诊断。     

基于mRMR原则和优化SVM的模拟电路故障诊断

为了解决模拟电路故障诊断中有效特征提取困难和提高故障诊断的准确率,提出了一种基于最小冗余最大相关(minimum redundancy maximum relevance,mRMR)原则和优化支持向量机(support vector machine,SVM)的模拟电路故障诊断新方法.该方法利用mRMR原则对待诊断电路响应信号进行特征提取,将得到的最优故障特征输入SVM进行故障分类识别,并用遗传算法(genetic algorithm,GA)优化SVM的核参数,避免参数选择的盲目性,提高模型的诊断精度.实验结果表明该方法是有效的,提高了模拟电路故障诊断精度.     

基于信息熵和Haar小波变换的开关电流电路故障诊断新方法

针对开关电流(SI)电路的故障诊断和定位问题,为进一步提高故障准确率,提出了基于信息熵和Haar小波变换的开关电流电路故障诊断新方法。该方法采用伪随机信号激励经蒙特卡罗分析、Haar小波正交滤波器分解和信息熵及模糊集的计算来实现故障特征的提取,以减少信号的冗余。最后构建故障字典,完成各故障模式的故障分类。对六阶切比雪夫低通滤波器进行了仿真实验验证,获得了100%的故障诊断准确率,与其它方法进行比较,实验结果显示了本文方法的优越性。     

基于粗糙集和ANN的模拟电路故障诊断研究

针对传统故障字典法需要精确先验知识且不适合大规模故障诊断的缺点,提出了一种基于粗糙集和BP神经网络的模拟电路故障诊断新方法。首先进行样本数据采集和预处理,并使用定义的粗糙集差别矩阵算法矩阵法对数据进行属性简约,删除冗余信息,得到简约后的特征向量。然后,将简约后的特征向量作为BP神经网络的输入进行训练,最后,将训练好的BP神经网络模型用于故障诊断。仿真实验表明,文中的基于粗糙集属性简约和BP神经网络训练的故障诊断模型,具有较小的训练误差和较高的诊断精度。     

基于改进随机森林的故障诊断方法研究

为解决不可识别故障诊断中无法有效定位的问题,提出一种基于改进随机森林的故障诊断方法.该方法通过改进决策树的bagging方式,采用条件概率指数进行决策树的无偏节点分裂,并以权重投票法综合决策树的分类结果.在此基础上,利用变量重要性测量来获取辅助故障定位的故障原型指数,从而较好地弥补了随机森林和传统机器学习在故障诊断中的不足和局限性.最后在一个标准数据集和田纳西一伊斯曼故障诊断的问题上进行验证,结果证明了该方法的有效性与可行性.     

基于DBN特征提取的模拟电路早期故障诊断方法

针对当前模拟电路早期故障诊断中特征提取方法的不足,提出了应用深度置信网络(deep belief network, DBN)进行特征提取的方法。利用混沌粒子群优化算法,对DBN中受限玻尔兹曼机的学习率开展优化,进一步提升特征提取的性能。相比于其他常用的特征提取方法,提出的DBN特征提取方法可提取出早期故障深度和本质的特征,且具有相同的故障聚集程度高、不同故障的分离能力极为明显的特点。应用二级四运放双二阶低通滤波器仿真电路和Sallen-Key带通滤波器电路板进行早期故障诊断实验,得到的故障诊断正确率分别为98.13%和100%。     

免疫聚类算法在船用模拟电路故障诊断中的应用研究

基于人工免疫聚类算法的船用模拟电路故障诊断分为两个阶段:免疫训练阶段和诊断阶段.免疫训练阶段以训练样本数据为初始抗体种群,利用克隆选择算法得到每类模式的聚类中心,即该模式的抗体;诊断阶段以训练阶段得到的聚类中心为抗体,以测试数据为抗原,通过抗原抗体识别对诊断对象的状态进行分类.仿真结果表明该方法故障覆盖率高,易于实现.     

基于图形显示算法的小波变换在机械故障诊断中的应用研究

针对广泛应用的Mallat快速算法在小波变换中存在的随分解层数增大数据长度成倍减小,使得对信号进行精细分析、提取微弱故障信息受到限制的问题,研究应用图形显示算法与Mallat算法相结合解决这一问题的方法。介绍了图形显示算法的基本原理,推导了正交小波的图形显示算法。给出了应用该算法对斜轴式柱塞泵振动信号进行分析,在强振动背景下提取微弱故障特征的实例。方法可有效地用于信号的深层信息处理和微弱故障信息的提取。