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。     

基于频率特性的模拟电路故障诊断研究

由于模拟电路存在容差性、元件参数连续可变性和非线性等因素,且实际中也受到可测试点数量的限制,基于传统模拟电路故障诊断法在实际工程中难以取得理想的效果。而神经网络具有容错性、泛化能力和非线性处理能力等特点,本文针对雷达电路的故障进行快速有效的特征提取,构造神经网络样本,并结合电路的频率特性来解决模拟电路故障诊断中存在的问题。     

基于CBAM-CNN的模拟电路故障诊断

针对模拟电路的故障特征难以提取,导致模型计算量复杂、诊断准确率不够高的问题,提出一种基于注意力机制和卷积神经网络(CBAM-CNN)的模拟电路故障诊断方法.首先,利用卷积核提取输入层的图片特征,同时在每个卷积层后面连接一个矫正线性单元(ReLU),并添加批归一化层(BN)解决内部协变量偏移的问题,以提高非线性模型表达能力;然后,在批归一化层后添加注意力机制模块(CBAM),提取重要的特征后连接池化层,降低网络计算复杂度,提高网络的准确率与效率;最后,以Sallen-Key低通滤波器和二级四运放双二阶低通滤波器为研究对象进行故障诊断实验验证.结果表明,所提出方法能够有效提升诊断精度,实现所有故障的高难分类与定位.     

基于表征学习的模拟电路故障诊断

针对模拟电路故障诊断中故障信息的多特征、高噪声以及故障诊断时间较长的问题,提出了一种基于H-DELM的模拟电路故障诊断模型。该模型的架构单元为双随机隐藏层的深度极限学习机DELM-AE,2个随机隐藏层用于编码特征,1个输出层用于解码特征。将DELM-AE以分层结构堆叠构建H-DELM模型,由于DELM-AE可以进行特征表示,而且输出与原始输入信息相同,因此H-DELM可以尽可能多地复制原始输入数据,进而可以学习到更具表现力和紧凑性的特征。最终通过四运放双二次高通滤波器和更复杂的二级四运放双二阶低通滤波器2个电路进行验证。实验结果表明了该模型在模拟电路故障诊断上的可行性;与其他模型的比较表明该模型的鲁棒性较强,分类速度可以达到1 s左右,故障分类准确率可以达到100%。     

模糊神经网络在模拟电路故障诊断中的应用

将模糊理论和神经网络结合起来用于模拟电路的故障诊断是一种有效的方法.首先测得模拟电路在故障状态和正常状态时各测试节点的电压值,并对其电压偏差值模糊化,从而求得不同故障状态下各测试节点的电压偏差值所对应的隶属度;其次,以各测试节点的隶属度和所对应的故障类型作为训练神经网络的样本,来建立从故障特征到故障类型的非线性函数;最后.将该方法用于视频放大电路的故障诊断.仿真结果验证了该方法的有效性.     

基于Volterra级数的模拟电路故障诊断

Volterra级数是一种泛函级数,时域和频域核有明确的物理意义,不依赖于系统的输入,因而完全反映了系统的本质特性。因此可以用Volterra级数作为非线性模拟电路的分析工具,通过直接分析非线性模拟电路的频率响应以提取故障特征,从而实现非线性模拟电路的故障诊断。     

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。     

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。     

基于遗传算法的模拟电路故障诊断激励优化

介绍了用改进的遗传算法优化激励信号的参数.仿真实验表明,经过优化后的激励信号能大大提高模拟电路的故障诊断效率,对线性和非线性模拟电路都适用.     

基于主元和判别集成分析的模拟电路故障诊断

提出了主元和线性判别的集成分析算法以实施模拟故障数据的特征提取过程和方法。该集成分析方法首先对模拟故障数据进行主元分析,然后在主元变换空间实行线性判别分析,最后将所获得的最优判别特征模式应用于模式分类器进行故障诊断。仿真结果表明,所提出的方法能够充分利用线性方法的计算简便优势,增强单一主元分析或线性判别分析的特征提取性能,获取故障数据集的本质特征,简化模式分类器的结构,降低系统运行的计算成本。     

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。     

一种基于类电磁机制算法的模拟电路故障诊断方法

针对模拟电路的特征,该文提出一种基于类电磁机制算法的模拟电路故障诊断方法,该方法首先利用小波包技术提取故障特征,然后将特征向量输入到采用类电磁机制算法优化的BP神经网络中,避免参数过早陷于局部最优,提高了神经网络的分类能力.通过具体实例验证了该算法的有效性.     

一种QPSO优化SVM的模拟电路故障诊断方法

为提高基于SVM的模拟电路故障诊断精度,提出了一种基于QPSO优化SVM的故障诊断方法。文中首先对QPSO算法进行了介绍,然后对支持向量机的性能影响因素进行了分析,并给出了基于QPSO优化SVM 参数的算法步骤;最后以某滤波电路为例进行了仿真实验,验证了该方法的有效性。     

基于BP小波神经网络的模拟电路故障诊断

针对现有BP网络在模拟电路故障诊断中存在的问题,提出了一种基于BP小波神经网络的故障诊断方法.该法将小波函数与BP网络结合构成BP小波网络,这种网络具有小波变换的时频局域化性质和BP网络的自学习能力.分别用BP小波网络和传统BP网络对实例电路进行故障诊断,结果表明本方法是有效的,而且比传统BP网络方法的学习收敛速度快得多.     

非线性模拟电路故障诊断的MF-DFA方法

针对非线性模拟电路故障的复杂性和非线性,提出一种基于多重分形消除趋势波动分析和支持向量机的故障诊断方法.应用多重分形消除趋势波动分析方法处理信号,提取能够精细表征信号能量分布的奇异状况和几何特征分布概率的多重分形特征;将提取的多重分形特征作为支持向量机的输入样本,利用支持向量机的分类功能对电路工作模式作出故障决策.通过对Duffing混沌电路的模拟仿真实验,证明了该方法的有效性.     

基于斜率特征的模拟电路故障诊断新方法

针对低可测性模拟电路存在的模糊组问题,提出一种模拟电路故障诊断新方法。利用不同元件在电路可及节点间的斜率特征关系建立斜率测试矩阵,依据斜率测试矩阵准确找到电路中存在的模糊组和独立可测元件,从而确定可诊断集,然后利用支持向量机对故障进行诊断。斜率法优点在于不需要对电路拓扑结构进行分析,计算简便,支持向量机结构简单,泛化能力强。实验表明该方法具有良好的模拟电路故障诊断效果。     

基于支持向量机的信息融合模拟电路故障诊断方法研究

为提高模拟电路故障诊断效率,克服依据单一信息进行诊断的不足,提出了一种支持向量机信息融合的模拟电路故障诊断方法;首先构建了基于支持向量机的信息融合诊断模型,其次给出了基于小波包变换的能量特征提取和基于主元分析特征压缩方法,分析了支持向量机一对一多分类方法,最后通过模拟电路的仿真实验,与未进行信息融合,以及BP、RBF和PNN等神经网络对比,结果显示,基于支持向量机信息融合方法的诊断精度最高,约为97.3%。     

模拟电路故障特征提取的小波基选取方法研究

小波技术在高维故障特征数据的压缩及敏感信号提取已被广泛应用,但小波基的选取没有一个统一的标准;通过实际采样信号数据的小波分解、特征向量计算、波动性函数比较等技术对小波基函数的选取进行了研究;最后通过综合小波分析、神经网络等技术的模拟电路故障诊断系统的诊断实例验证了所提选取方法的有效性;使用9种常用小波基函数,分别对采样信号进行分解并计算波动性函数,并在模拟电路故障诊断系统进行验证;小波基函数bior2.2的波动较小且与诊断结果一致。