一种模拟电路故障诊断方法的研究

基于模拟电路发生故障会导致电路信号小波包系数某种对应改变以及神经网络非线性逼近的特点,提出了一种基于小波包变换和神经网络的模拟电路故障诊断方法.先仿真得到正常和故障状态下的输出电压信号,然后对输出电压信号进行Haar小波包变换并提取小波包系数,并对各频段小波包系数变化值的能量进行归一化处理提取故障特征量,最后利用故障特征矢量训练神经网络确定模拟电路故障诊断的神经网络模型.仿真结果表明基于小波包变换和神经网络的模拟电路故障诊断方法取得了较好的效果.     

一种模拟电路故障诊断方法的研究

基于模拟电路发生故障会导致电路信号小波包系数某种对应改变以及神经网络非线性逼近的特点,提出了一种基于小波包变换和神经网络的模拟电路故障诊断方法。先仿真得到正常和故障状态下的输出电压信号,然后对输出电压信号进行Haar小波包变换并提取小波包系数,并对各频段小波包系数变化值的能量进行归一化处理提取故障特征量,最后利用故障特征矢量训练神经网络确定模拟电路故障诊断的神经网络模型。仿真结果表明基于小波包变换和神经网络的模拟电路故障诊断方法取得了较好的效果。     

模拟电路故障诊断的小波方法

利用小波与神经网络相结合的方法,将小波作为消噪工具,对信号进行消噪和小波多尺度分解,进行正交和归一化处理后,提取特征信息,作为样本输入神经网络进行分类,提出了模拟电路故障诊断的系统方法.本文详述了其诊断原理及诊断步骤,并给出了诊断实例.     

基于小波包能量谱和ICA的模拟电路故障特征提取方法

针对模拟电路故障特征提取困难问题,提出一种基于小波包能量谱与独立成分分析相结合的模拟电路故障特征提取方法。首先通过仿真获取电路的故障输出信号,采用小波包分析对输出信号进行分解与重构,通过重构系数求取各频带的能量作为故障特征值。再利用独立成分分析算法对故障特征值进行优化,以此构造反映电路故障的特征向量。最后构造支持向量机,输入故障特征向量进行训练和测试,得出电路故障诊断准确率。仿真结果表明,该方法可以有效提取能够表征电路故障的特征参数,诊断准确率可达95.7%。     

一种基于小波神经网络的模拟电路故障诊断方法

本文针对模拟电路提出了1种新的基于紧致型小波神经网络的故障诊断方法。该方法首先利用小波变换和主成分分析对故障信号进行预处理,然后用处理后的故障特征数据对小波神经网络进行训练和测试。仿真实验表明,该方法比普通神经网络方法训练速度更快,诊断准确率更高。     

基于小波包变换和神经网络的逆变器故障诊断

本文提出了一种基于小波包变换和神经网络的PWM逆变器故障诊断方法。利用小波包分解的分频特性对逆变器机侧电流信号进行小波包分解,求得故障特征频率相应子频带的信号能量值,将此作为神经网络的输入,通过对神经网络的训练,确定网络参数,对故障数据的分析,达到故障诊断的目的。仿真结果表明该方法的有效性。     

模拟电路故障诊断的多小波神经网络算法

提出了基于多小波变换和能量归一化预处理的模拟电路故障诊断多小波神经网络算法.这种方法能够有效提取故障信号特征,从而减少小波网络训练时输入层和隐层节点的个数,减小网络的规模,降低计算的复杂度,也加快了训练速度.最后在Matlab和模拟电路仿真软件IsSpice4下对算法的收敛性能进行了仿真比较,结果表明基于多小波变换的算法能够对模拟电路的故障进行有效诊断和定位,而且收敛速度比小波包变换更快一些.     

基于提升小波变换和SVM的模拟电路故障诊断

故障特征提取和分类器设计是模拟电路故障诊断的两个重要环节,为了提高模拟电路故障辨识的准确率,提出了提升小波变换与支持向量机相结合的故障诊断方法。根据提升小波变换的原理,提取被测电路单脉冲响应信号的小波系数构成故障特征,建立以支持向量机为分类器的故障诊断系统。该方法对两个滤波器电路的故障诊断取得了满意的效果,在故障模式较多的情况下故障分类的精度达到了99%以上,优于传统的小波方法。     

基于小波神经网络的模拟电路故障诊断改进

在运用神经网络进行模拟电路故障诊断的过程中,代表着故障特征的网络输入至关重要,由于小波变换的时频局部化和多尺度分析等特性,将两者结合起来,通过小波变换对模拟电路的输出响应进行故障特征提取,同时解决PSPICE与MATLAB之间的数据通信问题,提出将蒙特卡罗分析产生的所有训练样本经过处理后输入到一个神经网络进行训练的方法,从而避免了训练多个神经网络。利用神经网络对各种故障模式进行分类,实现模拟电路的故障诊断,并进一步与传统的BP网络故障诊断法进行比较。仿真结果表明,该方法可以实现故障检测及定位,诊断的准确率显著提高,适用于模拟电路故障诊断。     

用希尔伯特变换和小波包分析诊断转子断条故障

应用希尔伯特变换和小波包频带能量分析方法,消去定子电流中所包含的直流分量,解决了转子断条故障特征分量容易被基波淹没、难以检测的问题。实验结果验证了该方法诊断转子断条故障的有效性。     

基于小波分析的电机故障诊断研究

交流异步电机是广泛使用的能量转换装置,对其常见故障进行分析及诊断,提高电机故障的在线诊断水平,具有明显实用价值。文章利用小波包分析算法提取出电机故障特征向量,并针对轴承故障特征,提出峭度值指标计算和小波包分析相结合的算法,分析获得轴承故障特征频率,由此确定故障的类型。仿真结果证明了该方法的有效性。     

改进的小波包-特征熵在高压断路器故障诊断中的应用

在详细介绍小波包与特征熵的基础上，将二者结合提出了一种诊断高压断路器机械故障的新方法，并给出了切实可行的诊断步骤和分析。该方法首先将断路器基座振动信号进行3层小波包分解，提取第3层各节点重构信号的包络；然后利用正常状态标准信号所得各包络信号的等能量分段方式，实现对应节点待测状态信号包络的时间轴分段，并利用各分段积分能量、按照熵理论提取特征熵向量；最后构造简单的BP神经网络实现特征熵向量的分类。经正常和2种故障状态下高压断路器无负载振动信号测试，证明该方法检测高压断路器故障简单、准确，为断路器的故障诊断开拓了新的思路。     

基于小波包能谱熵与自组织RBF神经网络的低压断路器机械故障诊断

利用小波包分解技术分析断路器故障时的振动信号,提取小波包的能谱熵,将其作为断路器故障模式的特征向量。然后,建立基于K-均值聚类方法的自组织径向基神经网络,对断路器的几种模拟故障进行识别分析,证明了算法的收敛性,给出收敛速度计算公式。通过仿真实验,验证了该方法的有效性,且较之传统BP神经网络有更快的收敛速度和更高的准确度。     

小波包-特征熵在高压断路器故障诊断中的应用

在详细介绍小波包和特征熵的基础上,提出了一种基于振动信号的断路器机械故障诊断新方法.该方法首先在振动信号小波包分解的第3层各节点重构信号,并提取包络;而后利用包络信号的分段能量,计算小波包-特征熵向量;最后将正常状态和待测状态下所得向量之间的欧氏距离作为诊断参量.对某少油断路器无负载开断振动信号的分析证实,该方法检测断路器故障简单、准确,能同时在时域和频域检测断路器状态的变化.     

基于小波包的异步电动机故障分析

小波包分析是一种能有效进行时-频定位和微弱信号提取的方法,它对信号具有最优降噪处理能力。采用小波包分析法来提取异步电动机振动信号的故障特征,并将电机故障信号和正常信号的特征频段能量进行对比,给出定量对比的结果,充分说明故障与无故障之间存在明显差异,从而实现异步电动机的故障诊断。实例证明该方法正确有效。     

基于小波包的异步电动机故障分析

小波包分析是一种能有效进行时一频定位和微弱信号提取的方法,它对信号具有最优降噪处理能力。采用小波包分析法来提取异步电动机振动信号的故障特征,并将电机故障信号和正常信号的特征频段能量进行对比,给出定量对比的结果,充分说明故障与无故障之间存在明显差异,从而实现异步电动机的故障诊断。实例证明该方法正确有效。     

基于小波包的多尺度主元分析在传感器故障诊断中的应用

由于传统的基于小波变换的多尺度主元分析(MSPCA)方法在检测高频类故障时的分辨能力不足，该文提出了基于小波包的MSPCA模型，并应用于传感器的故障诊断。首先对传感器数据进行正交小波包分解，得到小波包最佳分解树。根据最佳树的各个节点系数在对应的尺度上建立主元分析模型，根据这些主元分析模型在残差子空间利用平方预报误差统计量进行传感器故障检测，采用传感器有效度指标对故障传感器进行分离。最后以火电厂锅炉系统的传感器为例对设计的模型进行了验证，通过对传感器周期性干扰故障这种高频故障的诊断实例验证了基于小波包的MSPCA方法的有效性，其检测性能要优于基于小波变换的MSPCA模型。     

小波包与神经网络在电机故障诊断中的应用研究

文章对电机的故障特点进行分析,根据小波包变换能将信号按任意时频分辨率分解到不同频段的特性,结合小波包的能量特性,提出了故障信号在不同分解频段的能量特征概念及算法,并将其与BP神经网络相结合,提出了一种新的电机故障诊断方法,实验结果证实了该方法的正确性和有效性。     

基于小波分形分析和脊波网络的模拟电路故障诊断方法

提出了一种新型的脊波网络方法来进行模拟电路的故障诊断,这种系统化的方法采用小波分形分析、主元分析和数据归一化作为数据预处理器来进行故障响应信号的预处理,采用脊波网络进行故障元件的分类,并采用主元分析方法选择脊波网络隐层脊波元的数目。仿真结果表明,提出的诊断系统能有效地实现模拟电路的故障诊断,不但能有效地诊断模拟电路的单故障情况,还能诊断多故障情况。