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。     

基于主成分分析和自组织神经网络的柴油机故障诊断方法

提出了一种新型的柴油机故障诊断方法,该方法使用主成分分析（ PCA）法对故障样本降维,有效提取故障样本主要特征,在此基础上,将其作为输入使用自组织映射（ SOM）神经网络进行训练得到故障识别网络。400组模拟故障数据的测试表明,两者结合的方法能有效提高网络的训练速度,获得满意的故障识别率。     

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。     

无人机PCA故障检测与诊断技术研究

无人机（UAV）飞控系统传感器故障检测和诊断常采用基于解析模型的方法,但飞行控制系统（FCS）的精确数学模型往往获取困难。针对此问题,提出了一种UAV-PCA算法。该算法在传统主成分分析（PCA）方法的基础上结合方差敏感自适应阈值的故障检测方法和基于特征方向的故障诊断方法,实现UAV飞控系统传感器的故障检测和诊断。算法不需要系统的数学模型,解决了应用传统PCA方法进行FCS故障检测与诊断时易出现暂态过程虚警和误诊断的问题。仿真结果证明该算法可以快速准确地检测传感器故障,而且可以有效地降低暂态过程虚警和提高诊断结果准确度。     

基于主元分析和集成神经网络的瓦斯传感器故障诊断

针对瓦斯传感器常见突发型故障,提出一种基于主元分析(PCA)和权重提升(WB)算法训练人工神经网络集成的瓦斯传感器故障诊断方法.利用PCA方法提取故障特征,得到的特征向量作为神经网络的训练样本;利用WB算法依次训练多个神经网络分类器;由集成神经网络得到待测样本的故障诊断结果.仿真实验表明:该方法对测试样本的识别正确率在98.5％以上,能够显著提高瓦斯传感器故障诊断的诊断精度和泛化能力.     

基于HSSA-ELM的轴承故障监测方法

为了提高电机轴承故障的精度,提出一种基于改进麻雀搜索算法（HSSA）优化极限学习机（ELM）的轴承故障诊断方法。融入Circle核和母鸡寻食的算法对麻雀搜索算法进行改进,建立了基于HSSA-ELM的轴承故障诊断模型。实验结果证明,对比其它模型,经过优化的ELM的轴承故障诊断模型在识别率上得到了很大提高,准确率高达98%,证实了其有效性和准确性。     

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PCA-KFCM的船舶柴油机故障诊断

为提高船舶柴油机故障诊断的准确率和深刻反映船舶柴油机的运行状况,结合主元分析(PCA)的特征提取优势和模糊核聚类(KFCM)具有较好聚类效果的特点,提出了一种新的船舶柴油机故障诊断方法。该方法首先利用主元分析对船舶柴油机故障的训练和测试数据集进行特征提取,消除了故障征兆之间的相关性;然后对经特征提取后的训练样本进行模糊核聚类,并用网格法确定其中的参数,得到聚类中心。最后通过计算测试样本集中各样本与聚类中心在高维特征空间中的欧氏距离,得出最终的故障诊断结果。对MAN B&W 10L90MC型船用柴油机的故障诊断结果验证了该方法的有效性。因此,应用提出的方法对船舶柴油机进行故障诊断具有重要的实际意义。     

基于PCA-KFCM的船舶柴油机故障诊断

为提高船舶柴油机故障诊断的准确率和深刻反映船舶柴油机的运行状况,结合主元分析(PCA)的特征提取优势和模糊核聚类(KFCM)具有较好聚类效果的特点,提出了一种新的船舶柴油机故障诊断方法。该方法首先利用主元分析对船舶柴油机故障的训练和测试数据集进行特征提取,消除了故障征兆之间的相关性;然后对经特征提取后的训练样本进行模糊核聚类,并用网格法确定其中的参数,得到聚类中心。通过计算测试样本集中各样本与聚类中心在高维特征空间中的欧氏距离,得出最终的故障诊断结果。对MAN B&W 10L90MC型船用柴油机的故障诊断结果验证了该方法的有效性。因此,应用提出的方法对船舶柴油机进行故障诊断具有重要的实际意义。     

基于主元分析的桥梁挠度传感器故障诊断研究

主元分析(PCA)是一种典型的数据降维的多元统计方法,已被越来越多地用于故障诊断。将PCA应用在桥梁挠度传感器故障诊断。介绍了PCA的理论,研究了基于PCA的故障检测方法和基于贡献率的故障诊断方法。计算平方预测误差(SPE)和Hoteling T2统计,当统计量超过阈值时,判断系统出现了传感器故障,然后通过SPE贡献图判断故障源。通过仿真验证了PCA在故障诊断的实用性,但结果也表明:PCA对小故障不是很敏感。     

改进特征样本方法的KPCA变压器故障检测模型

针对核主元分析（KPCA）监控模型由于建模样本不纯而导致故障检测失效问题,提出基于改进特征样本方法的KPCA故障检测模型并应用于变压器故障检测中。利用特征值变化信息,设计出异常样本剔除算法以避免异常样本被选入特征样本集;采用特征样本方法提取建模样本集,建立KPCA监控模型,采用复合统计量对变压器运行状态进行检测,实验结果验证了改进特征样本算法的有效性,表明提出的方法具有较高的故障敏感性和检测效率。     

自适应狼群算法优化ELM的模拟电路故障诊断

为了能够更加高效地检测和诊断模拟电路中的故障元件,提出了自适应狼群算法优化极限学习机的方法。该方法采用自适应遗传算法对特征参数进行选择,从而生成最优特征子集,然后利用最优特征子集构造样本输入极限学习机ELM网络对故障进行分类。针对极限学习机的输入层和隐含层之间的连接权值、隐含层的偏差都将会使其学习速度和分类正确率受到影响的问题,采用本文方法对它们进行优化并选择相应的最优值,提高了极限学习机网络训练的稳定性与故障诊断的成功率。通过2个典型模拟电路的诊断实例,给出了这些方法的具体实现过程,故障诊断率均在99%以上。仿真结果表明使用该方法进行模拟电路故障诊断时具有良好的正确率和稳定性。     

基于极限学习机的航空发动机传感器故障诊断

针对当前应用于航空发动机传感器故障诊断中的基于梯度的传统学习算法多存在参数选择困难、容易陷入局部最小化、过拟合等问题,提出了基于极限学习机(ELM)的航空发动机传感器故障诊断方法。算法只需设置隐含层神经元的个数,能够较好地避免上述问题,缩短故障诊断时间、提升诊断精度。通过仿真试验表明:基于ELM算法所建的航空发动机传感器故障诊断模型要比基于BP神经网络算法所建的模型耗时短且精度高。     

重构贡献在变压器故障诊断中的应用

在常规DGA诊断方法中,存在故障数据不敏感的问题。为此,提出一种基于重构贡献的变压器故障诊断方法。该方法在建立主元分析模型后,采用SPE和T2统计量检测故障,在分析重构贡献法故障诊断性能的基础上,利用重构贡献法识别故障。实例研究结果表明,该方法可以识别故障发生的原因,提高故障诊断的准确性,具有较好的故障识别能力。     

基于信息增量矩阵的故障诊断方法

主元分析(Principal component analysis, PCA)是一种常用的故障检测方法,由于特征提取不准确, 在用于故障诊断时常存在误报率和漏报率较高的现象.为此,本文首先介绍了基于全局的协方差矩阵的信息增量矩阵的故障诊断方法,虽然相比PCA方法它能有效减少误报率和漏报率, 但随着采样样本的增加,会因计算得到的阈值越来越不具代表性和计算量较大等原因而影响该方法的性能.然后,建立了基于局部数据的移动窗口协方差矩阵的信息增量矩阵的故障诊断方法, 以克服上述方法中存在的不足. 该方法主要通过定义局部协方差矩阵、局部信息增量矩阵、局部信息增量均值、 局部动态阈值、异常检测与判定等过程完成.最后,通过两个数值仿真例子来验证PCA方法、 基于全局的协方差矩阵的信息增量矩阵方法以及本文方法在故障误报和漏报方面的检测效能. 实验结果表明,本文方法具有最好的检测性能.     

基于RS-CSA-ELM的WSN节点故障诊断

为及时发现WSN节点故障隐患,准确掌握WSN运行状态,本文利用粗糙集理论属性约简算法(简称RS)对WSN节点故障属性进行约简,以最优的故障属性决策表重构训练样本数据集,作为极限学习机(Extreme Learning Machine, ELM)神经网络的输入,建立一个数据驱动的WSN节点故障断模型.采用乌鸦搜索算法(Crow Search Algorithm, CSA)优化ELM神经网络的输入权值和隐含层阀值,改善网络参数随机生成带来的ELM模型输出不稳定、分类精度偏低的问题.通过对RS-GA-ELM模型进行仿真分析.结果表明, RS-GA-ELM模型能够在可靠性不同的数据集中,保持较高的故障诊断效率,符合WSN节点故障诊断的需求.     

集成散度的MKL模型在模拟电路诊断中的应用

为提升模拟电路故障诊断精度,结合基于故障特征间一维模糊度的特征选择算法,提出一种新的多核超限学习机诊断模型。该模型通过设置虚拟的基核,将正则化参数融入基核权重求解过程中;同时,通过将特征空间类内散度集成到多核优化目标函数中,在最小化训练误差的同时,使得同一模式的故障样本更加集中,有效提升了故障模式间的辨识力。通过两个模拟电路诊断实例表明：相比于单核学习算法,所提方法可以显著提升诊断精度,并且可以将难以辨识的故障样本更加准确地隔离到相应模糊组中;相比于一般的多核学习算法,所提方法在取得相似诊断精度的同时,时间花费更少。     

基于ELM的航空发动机传感器故障诊断方法研究

为了在嵌入式ARM11平台中更好地实现航空发动机传感器故障监测与诊断,使用极限学习机（ ELM）代替传统的BP网络算法,只需选定隐含层节点数和激活函数,大大减少了BP算法中人为设置大量参数、训练过程慢,并需要不断调整网络参数以及容易陷入局部最优解的缺点。经过仿真验证对比两种算法,验证ELM算法的优越性。并使用C＋＋编程语言将ELM算法转换成航空发动机传感器故障诊断训练学习软件和诊断软件,经最终测试,该算法软件的测试精度良好,满足诊断需求。