基于S域NMF的模拟电路故障特征提取新方法

针对提取的模拟电路故障特征向量信息不够充分的问题,提出了一种将S时频变换(ST,S-transform)和非负矩阵分解(NMF,non-negative matrix factorization)相结合的特征选取新方法.该方法先对模拟电路故障响应信号应用S时频变换建立时频图谱矩阵,再用NMF算法构造时频图谱数据集合的子空间基矩阵,有效降低了投影特征向量的维数,保留了足够多的故障隐含特征信息,进而提高模拟电路故障识别率.最后,在Sallen-Key高通滤波器电路中验证了文中方法的有效性.     

基于LMD算法的大规模模拟电路软故障诊断仿真

随着电路规模的不断扩展,大规模模拟电路的故障诊断越来越难以实现,尤其是软故障的诊断,由于其存在不可数特性,导致当前缺乏对软故障的有效诊断方法,因此提出了一种基于改进LMD算法的大规模模拟电路软故障诊断方法.根据电路节点电压信号的变化及概率密度,判断电路发生的故障类型,同时利用分量积分推断故障概率.考虑到LMD在非线性信...     

基于步态能量图的特征提取

本文提出了采用步态能量图作为检测的特征,由于直接提取到的特征序列维数较高,需要对特征序列进行降维处理.本文采用保局映射投影(LPP)方法对特征序列进行降维,得到了较好的效果.     

基于LMD的列车频带变化故障诊断方法研究

列车轮对组件出现损伤缺陷时,其故障振动信号除了承受故障冲击外,还会受到其他影响因素的印象,导致其振动频谱频带发生整体迁移的情况。采用传统的谱分析方法,无法正确的提取频带迁移情况下的故障部件振动特征。针对这一问题,本文通过轮对轴承复杂工况下的动力学分析,分析其故障机理及振动信号的特性。提出特征谱分析方法,并将基于LMD分解的瞬时频率分析方法与特征谱分析方法结合起来,提取其故障特征。通过仿真分析和试验研究,验证了方法的有效性。     

基于启发式参考集选取的复杂数据特征提取算法

对当前具有代表性的几种特征提取算法进行了分析与比较，并在Bourgain算法的基础上，提出一种基于数据类别数及各类代表元素等启发式信息的复杂数据特征提取算法。对于M类复杂数据，该算法可以提取出维向量用来表示这些数据。针对实际数据，对几种算法的降维性能进行了比较实验，实验结果表明该算法具有很好的特征提取效果。     

基于小波分析的最优故障特征提取研究

针对因模拟电路的故障模型复杂、有容差、非线性等导致的模拟电路故障特征提取难度大、严重依赖于专家的经验的现状,对基于小波分析的模拟电路最优故障特征提取技术进行了研究;以四运放电路为实验基础,采用Morlet和Haar两种小波基分别从不同的维度上做数据预处理,能量化、归一化后组成故障特征,而后通过克隆选择算法的诊断结果分析对比特征提取的效果;实验结果为通过两种小波基提取的故障特征在不同的情况下达到最高故障诊断率均接近89%,表明基于两种小波基的故障特征提取技术都是优秀可用的,以及单点采样数据的有效性;同时实验结果还反映了模拟电路故障特征的详细程度与诊断正确率成正比例关系;这对实际复杂模拟电路的故障特征提取具有指导性的意义。     

基于DSP的PWM整流技术研究

介绍了基于TMS320LF2407控制的三相电压型PWM整流器数字系统,采用电压空间矢量脉宽调制（SVPWM）控制策略,实现了网侧输入电流的正弦化和单位功率因数运行。最后给出了实验波形。     

基于小波变换的整流装置故障特征提取

在对某型号飞机电源系统整流装置进行故障模式分析的基础上,通过对各故障模式下整流装置输出电压的实测信号样本的频谱分析,获得对故障敏感的特征频率点,根据小波变换的多分辨率分析理论,确定了与特征频率点相对应的小波母函数和变换尺度.在此基础上,通过定义"频带能量特征向量",将小波变换得到的小波系数转换为一组特征向量,作为故障检测的依据.实测样本信号的分析结果表明,该方法克服了传统傅立叶分析的固有缺陷,得到的故障特征向量符合灵敏性、鲁棒性的要求,可有效区分各故障模式.     

大功率可控整流电路的故障诊断技术研究

利用现代电力电子变换技术和控制系统仿真软件研究了一种大功率可控整流电路的故障诊断技术;在详细分析了大功率可控整流电路可能发生的各种故障模式的基础上,提出基于小波神经网络的故障诊断方法;针对故障模拟信号,采用小波变换多分辨率分析和模极大值方法提取故障特征向量,利用神经网络的非线性映射与学习推理特性,对所提取的故障特征进行了模式识别,并通过仿真试验证明了该方法的可行性和有效性。     

基于奇异值分解和小波包分析的液压泵振动信号特征提取方法

针对液压泵故障特征提取问题,提出了一种基于奇异值分解和小波包变换的液压泵振动信号特征提取方法.通过奇异值分解将噪声非均匀分布的液压泵振动信号正交分解为噪声分布相对均匀的分量,对各分量进行小波包阈值去噪,重构去噪后分量,对去噪后信号进行小波包分解,提取各频带能量特征.以齿轮泵为例,将该方法对齿轮泵的气穴故障、齿轮磨损和侧板磨损3种常见故障和正常状态的振动信号进行特征提取分析,结果表明,该方法可有效提取齿轮泵故障特征.     

基于轮廓追踪的字符识别特征提取

字符识别是模式识别的一个重要分支,其关键是特征向量的选择与提取。小波分解和分形在图像处理方面有着广泛的应用,在结合二者特点的基础上提出了一种新的基于轮廓追踪的字符识别特征选取方法。即对于一个输入的字符图像经预处理提取其轮廓,并由轮廓追踪获得边缘点坐标序列,实现了从二维图像数据到一维数据的转化,对得到的一维曲线进行小波分解,计算少数几个分解得到的曲线的分形维数,以它们构成特征向量。并对有关字符做了实验,其效果是令人满意的。     

基于Cam加权距离的增量拉普拉斯方法

提出一种基于Cam加权距离的增量拉普拉斯方法。对原始数据进行拉普拉斯降维,采用Cam加权距离获得每个添加样本的近邻,由其近邻重构出降维后的插入点,更新近邻发生改变的样本点低维数据。实验结果表明,该方法在数据降维与人脸表情分类方面有较好的效果。     

基于Petri网的单向PWM整流电路建模

PWM整流电路是交-直-交变流器的重要电路,是包括连续和离散事件的混杂系统,具有并发、异步等特点。Petri网是描述和分析异步并发现象的一种有效的混杂系统建模工具。本文以Petri网为工具,从一个全新角度,建立单相PWM整流电路的模型,对其电路特性进行了分析。     

基于改进量子遗传算法的整流电路故障诊断

针对传统BP神经网络在故障诊断中存在的易陷入局部极值,对初值要求高等缺陷,将基于双链编码的量子遗传算法(Doub-le Chains Quantum Genetic Algorithm,DQGA)进行了改进,直接针对量子相位进行种群更新,优化空间限制在二维Hilbert的[0,π/2]区间内,改进算法在时间、存储量性能上有了明显改进;将该算法用于优化BP神经网络,提出了一种结合DQGA算法与BP神经网络对整流电路故障进行诊断的方法;仿真结果表明,与单BP、GA-BP算法相比,该方法在整流电路故障诊断中诊断精度高,收敛速度快,避免了BP算法易陷入局部极值的缺陷,适合故障自动诊断系统的建立.     

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。     

基于S变换的全桥整流电路故障诊断研究

针对应用广泛的全桥整流电路故障分析,根据整流电压波形的畸变规律,分析了2个以内的二极管故障分为7类共计22种故障元。运用S变换分析,提取了故障特征值,并以此构造故障模式向量作为RPORP神经网络的输入。实现了电路的故障诊断与定位。为双凸极发电机整流电流故障的进一步研究打下了基础。     

基于嵌入式特征提取的多标记分类算法

基于单标记分类的降维及特征选择方法难以直接运用到多标记学习中,而将多标记学习问题独立分解为多个单标记学习问题再进行降维会丢失标记的相关性信息。为此,提出一种基于嵌入式特征提取的多标记分类算法,将非负矩阵分解引入到多标记学习过程中,在对原始多标记数据集进行特征提取的同时,减少冗余特征、不相关特征及高维特征对多标记分类的影响。在4个公开的标准数据集上进行对比实验,结果表明该算法能对数据进行有效降维,在准确度、精度、F度量值等评价指标上相比传统BR、CC、LM算法具有更好的分类性能。     

基于LMD和GNN-Adaboost的滚动轴承故障严重程度识别

提出一种基于局部均值分解（Local Mean Decomposition,LMD）和遗传神经网络自适应增强（Genetic Neural Network Adaptive Boosting,GNN-Adaboost）的滚动轴承损伤程度识别方法。通过LMD方法将轴承振动信号分解为若干个瞬时频率有物理意义的乘积函数（Production Function,PF）,对能反映信号主要特征的PF提取能量矩,结合原始振动信号的时域特征参数（方差、偏度、峭度）,组成故障严重程度识别特征参数矩阵。将基于LMD方法的特征参数矩阵作为GNN-Adaboost方法的输入向量,对不同载荷与转速工况下的轴承进行故障严重程度识别。结果表明,基于LMD和GNN-Adaboost的方法能够有效提高轴承故障严重程度识别准确率,对滚动轴承等关键旋转部件的故障识别与定位具有重要意义。     

基于半监督算法的高光谱影像特征提取仿真

高光谱影像包括待测物的空间、光谱和辐射三重信息,且图像信息具有维度高、空间相关性弱、特征非线性强的特点,导致其空间特征序列混乱,特征提取难度大。于是提出基于半监督算法的高光谱影像特征提取方法。应用半监督算法对高光谱图像中的高维数据降维处理,并基于降维结果完成高光谱图像的去模糊。高光谱图像完成降维去模糊后,根据特征学习模型学习高光谱影像数据,获取图像深层特征。在像元空间内对深度特征以及空间信息完成空、谱的联合,实现高光谱影像特征的提取。实验结果表明,所提方法应用下影像特征点在特征空间内聚类效果好,查全率和查准率均能达到95%以上,说明上述方法的应用性能更优。