基于小波神经网络的模拟电路故障诊断技术

文章提出了一种基于小波神经网络的模拟电路故障诊断方法:通过分析被测电路的冲激响应来识别电路中的故障元件,利用小波理论中的多分辨率分析的方法提取出相应信号中的故障特征,组成特征向量后输入神经网络进行训练,实现故障诊断;该方法减少了神经网络的输入、简化了其结构、并缩短了训练和处理时间,文中分别用小波神经网络和传统的BP神经网络对实例电路进行故障诊断,仿真结果发现:小波神经网络相比BP网络方法收敛速度更快,诊断率更高。     

轴承故障融合诊断方法

针对传统人工神经网络在故障诊断中应用的局限性 ,提出一种基于小波变换、遗传算法与神经网络的融合故障诊断方法。该方法先用小波变换对原始采样信号进行特征提取 ,再用遗传算法优化选择最为重要的特征作为神经网络的输入参数。最后 ,由神经网络进行状态识别和特征分类。这样不仅减少网络训练时间 ,降低网络计算量 ,而且有效提高分类的准确性及故障诊断的可靠性。轴承故障诊断实验结果表明 ,该方法是有效的。     

轴承故障融合诊断方法

针对传统人工神经网络在故障诊断中应用的局限性,提出一种基于小波变换、遗传算法与神经网络的融合故障诊断方法。该方法选用小波变换对原始采样信号进行特征提取,再用遗传算法优化选择最为重要的特征作为神经网络的输入参数。最后,由神经网络进行状态识别和特征分类,这样不仅减少网络训练时间,降低网络计算量,而且有效提高分类的准确性及故障诊断的可靠性,轴承故障诊断实验结果表明,该方法是有效的。     

小波神经网络在雷达故障诊断中的应用研究

根据某型雷达接收机的信号特点,提出了基于小波神经网络和专家知识相结合的雷达智能故障诊断方法,探讨了该方法在某型雷达接收机故障诊断中的应用,采样信号经过小波去噪和小波特征向量提取后再进行归一化处理,作为小波神经网络的输入向量,小波神经网络隐含层的激活函数选用小波函数,完成雷达接收机典型故障的诊断;MATLAB实例仿真结果表明,该方法诊断准确,智能化水平高,有很好的自学习能力,提高了故障诊断的正确性和效率。     

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。     

基于小波神经网络的开关电源的故障诊断

以非线性小波Morlet基作为激励函数,形成神经元,结合小波变换与神经网络各自的优点,建立集小波分析与神经网络于一体的紧致型小波神经网络;采用能量分布特征提取方法和改进的BP算法,设计了一种基于小波神经网络的故障诊断系统,并应用于开关电源故障诊断中;对实例电路仿真结果表明,该方法能正确识别各种故障状态,准确率高,系统诊断结果与实际相符,验证了该小波神经网络故障诊断系统的有效性。     

基于小波变换和神经网络的PWM逆变电路故障诊断

为了实现PWM逆变电路开路故障的诊断及定位,提出了基于小波变换和神经网络的开路故障诊断方法。该方法利用小波变换从输出电流中提取故障特征向量,并将故障特征向量输入建立的三层BP神经网络中进行训练,最后使用测试样本验证神经网络的故障诊断正确性。仿真结果表明,该方法能实现1只或2只功率器件的开路故障诊断及定位,故障诊断准确性高。     

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.     

基于多小波变换的模拟电路IDDT故障诊断

动态电源电流测试（IDDT）对模拟电路故障诊断非常有效。针对小波神经网络在模拟电路IDDT故障诊断中存在的缺陷,提吐了一种基于多小波变换的模拟电路IDDT故障诊断方法。即利用多小波变换提取电源电流各频段的能量,作为神经网络的输入特盘向量进行故障诊断。仿真结果表明,该方法是有效的,而且比小波神经网络方法的收敛速率快。     

基于小波神经网络的锅炉故障诊断及应用研究

锅炉作为燃烧的核心设备,其安全运行至关重要,由于锅炉结构复杂,损伤、磨损、酸气腐蚀以及操作不当均会引起故障,为了有效地避免故障,本文将小波变换和神经网络相结合构成小波神经网络用于锅炉故障诊断。实验结果表明,小波神经网络充分继承了小波变换和神经网络的优点,该方法具有良好的故障诊断能力,在故障诊断的准确度上明显地优于BP神经网络。