基于梯度提升决策树的电力电子电路故障诊断

针对电力电子电路的常见故障类型,提出一种利用主元分析(PCA)提取电路状态的故障信息特征和基于梯度提升决策树(GBDT)分类的电力电子电路故障诊断方法.首先讨论利用PCA进行特征提取的步骤以及GBDT的分类原理;然后研究了基于PCA特征提取以及GBDT分类的电力电子电路故障诊断流程;最后利用三相桥式整流电路进行了建模、仿真、验证,实验结果表明,采用该方法进行电力电子电路故障诊断相比其他方法在低维空间具有更高的诊断准确率和更佳的样本泛化能力.     

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。     

主成分分析法与概率神经网络在模拟电路故障诊断中的应用

模拟电路故障的多样性使得神经网络训练样本数量增加,BP网络结构趋于复杂,训练速度降低;针对反向传播神经网络(BPNN)学习收敛速度慢、易陷入局部极小值等问题,提出了基于主成分分析(PCA)与概率神经网络(PNN)相结合的模拟电路故障诊断方法;通过主成分分析法(Principal Component Analysis)提取特征数据进行降维处理,再结合概率神经网络(Probabilistic Neural Networks)对电路故障进行分类;实例说明采用PCA和PNN结合对故障数据处理,可以大大的提高故障诊断分类的准确性。     

基于融合特权信息支持向量机的模拟电路故障诊断新方法

针对模拟电路故障诊断复杂多样难于辨识的问题,提出了基于融合特权信息支持向量机的模拟电路故障诊断新方法。首先对采集的信号进行主成分分析(PCA)——特征提取;然后将训练集输入融合特权信息支持向量机进行训练获得故障诊断模型;最后将测试集输入训练好的支持向量机分类模型,实现对不同故障类型的识别。Sallen-Key滤波电路故障诊断仿真实验结果表明,该方法有效提高了分类的性能,不仅能够正确分类单故障而且能够有效分类多故障,其中单硬故障情况下平均故障诊断率达到了99%以上,为模拟电路故障诊断提供了新的途径。     

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。     

PCA特征抽取与SVM多类分类在传感器故障诊断中的应用

为了提高传感器故障诊断的准确率,提出了基于主元分析(PCA)特征抽取和支持向量机(SVM)多类分类的故障诊断方法.该方法通过对传感器输出信号进行小波包分解产生原始特征数据,然后采用PCA特征抽取得到二次特征向量,增强传感器各个状态模式的可分性.二次特征输入到二叉树SVM多类分类算法设计的分类器实现传感器故障诊断.仿真实验结果表明,这种结合了PCA特征抽取和SVM分类的诊断方法准确率高,其诊断效果优于直接采用原始特征进行分类的情况.     

基于分层决策的模拟电路故障诊断技术研究

针对模拟电路可测节点数目有限以及特征矢量对故障诊断的影响,选取其端口电压作为研究对象;首先采用傅里叶变换对电路输出电压进行特征提取,构成样本空间,依据类别可分性判据选择部分特征,指导初级判决过程,完成故障模式的粗分类;对剩余特征采用主元分析方法进行特征压缩,指导下级判决过程,完成故障模式的细分类,从而建立分层决策树,最终实现故障的分离与定位;应用仿真结果表明,此方法提高了诊断效率,具有一定的实用价值。     

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.     

基于PCA与SVM的振动传感器故障诊断方法

为加快振动传感器故障诊断速度、提高诊断的准确率,提出了基于支持向量机(SVM)和主元分析法(PCA)特征信息提取相结合的故障诊断方法。首先进行诊断方法的调查,将振动传感器输出的时序电信号通过小波包分解得到频域领域的原始数据;然后经过PCA的特征信息提取得到原始数据的特征向量,加强振动传感器工作状态的可分性;最后进行二叉树与SVM结合的多分类算法,实现振动传感器运行故障的诊断。为提高分类速度,引入最小二支持向量机(LS_SVM)算法,并应用到多分类器中。仿真试验表明,改进后的方法提高了诊断准确率、加快了故障分类速度,优于单一方法进行故障诊断的情况,为其他种类传感器(如温度、瓦斯等)的故障诊断提供了参考。对传感器故障诊断方法的研究,为传感器的正常运行提供了保证,降低了因传感器故障而造成应用设备的损失。     

基于PCA和ELM的模拟电路故障诊断

针对模拟电路的故障诊断和健康管理（PHM）的应用,提出了结合主成分分析（PCA）和极限学习机（ELM）的故障诊断方法。该方法用Sallen-Key带通滤波器来获取故障样本,并通过PCA进行故障特征提取。根据故障样本对ELM进行训练来获得故障诊断模型。实验结果表明,该实现方法识别率高、鲁棒性好,在工程实际中具有研究和应用价值。     

基于PCA和神经网络的故障诊断技术

提出一种基于PCA和神经网络的故障诊断/识别方法,利用主元分析法提取故障样本集的主元,实现故障样本的最优压缩,简化故障诊断中神经网络分类器的结构,提高神经网络的分类速度和测试精度。仿真结果表明,该方法可以有效减少输入层神经元个数,提高神经网络模型的学习效率和诊断的准确性,具有良好的故障识别能力。     

基于遗传BP网络的模拟电路故障诊断方法及其应用

针对BP网络诊断模拟电路故障时存在网络结构复杂且可能出现误诊断的不足,提出一种小波变换、遗传算法与神经网络相结合的模拟电路故障诊断的新方法.该方法使用节点电压信号经小波变换、主元分析和归一化处理来实现故障特征的提取,以减少信号的冗余;由于BP网络易陷入局部最优,采用遗传箅法来优化BP网络的结构和初始权值分布,使优化后的神经网络具有较好的收敛性能.最后结合电路实例,对文中提出诊断方法的原理与实现进行了较深入的分析,建立了该方法的测试系统,并通过工程应用效果进一步验证了文中方法的正确性.     

Principal Component Analysis of the start-up transient and Hidden Markov Modeling for broken rotor bar fault diagnosis in asynchronous machines

This article presents a novel computational method for the diagnosis of broken rotor bars in three phase asynchronous machines. The proposed method is based on Principal Component Analysis (PCA) and is applied to the stator’s three phase start-up current. The fault detection is easier in the start-up transient because of the increased current in the rotor circuit, which amplifies the effects of the fault in the stator’s current independently of the motor’s load. In the proposed fault detection methodology, PCA is initially utilized to extract a characteristic component, which reflects the rotor asymmetry caused by the broken bars. This component can be subsequently processed using Hidden Markov Models (HMMs). Two schemes, a multiclass and a one-class approach are proposed. The efficiency of the novel proposed schemes is evaluated by multiple experimental test cases. The results obtained indicate that the suggested approaches based on the combination of PCA and HMMs, can be successfully utilized not only for identifying the presence of a broken bar but also for estimating the severity (number of broken bars) of the fault.     

约束分段仿射系统的鲁棒一步预测控制

针对一类具有附加有界扰动的离散时间约束分段仿射系统,提出了一种鲁棒低复杂性的模型预测控制方法,即鲁棒一步控制。首先,基于最大鲁棒正不变集,计算系统的最大鲁棒可稳定集并作为第一步预测状态的约束集,使得产生的滚动时域控制器可以在较小的预测时域内控制最大鲁棒可稳定集。然后,在最大鲁棒正不变集外,通过构建线性矩阵不等式来寻找而二次李雅普诺夫函数以证明其鲁棒稳定性。两个步骤分别确保控制器的可行性和闭环系统的鲁棒稳定性。大量的仿真例子表明,和已有的控制方法相比,所得的鲁棒一步控制器具有更低的复杂性。     

基于可拓物元模型的故障诊断研究与应用

制冷系统由于内部物质形态的多样性以及系统参数间的高度耦合,增加了故障检测及诊断的难度,为解决此问题,提出了一种基于主元分析（PCA）和可拓物元模型的诊断算法,利用主元分析法提取故障特征参数;建立以可拓物元模型算法为基础的故障诊断模型;该模型借助主元分析方法获取属性互不相关的训练集,通过建立其物元模型,利用关联函数定量计算待测对象对于每一种故障模式的关联程度,进而判断可能的故障模式;同时利用实验数据加以验证,结果表明：该模型有效地提高了故障诊断率,同时优于单纯的可拓物元模型,且该模型对小样本的处理能力优于BP神经网络模型,其诊断正确率更高,训练耗时较少。     

基于小波包Tsallis熵和RVM的模拟电路故障诊断

针对模拟电路故障难以识别等问题,提出一种基于小波包Tallis熵和多分类相关向量机(Rele-vance Vector Machine,RVM)的模拟电路故障诊断方法.该方法采用脉冲信号仿真模拟电路,应用小波包变换对采集到的故障响应信号进行分解,通过提取不同频带内的Tsallis熵作为故障特征值,利用相关向量机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定位.实验结果表明,提出的故障诊断方法相较于现有的故障诊断方法能较好地提取故障特征,极大地提高模拟电路故障诊断的效率.