大规模容差模拟电路多故障诊断法

本文研究了大规模容差模拟电路的多故障诊断问题,针对交流、直流线性电路和非线性直流电路,考虑了测试点数目有限以及元件容差存在的情况下的电路故障诊断,采用了一种基于线性程序概念的子网络级故障诊断算法来确定元件的实际参数是否在容差范围内或者某些元件是否有故障.文中提及的几个测试方程在定义可能的故障元件中起了关键性作用,并详细阐述了二重故障的诊断原理,且给出了三重故障的诊断公式.该方法大大减少了大规模网络故障诊断计算量,快速有效的定位故障元件.最后用实例说明了该法的有效性.     

容差条件下的模拟电路多故障诊断

针对容差模拟电路多故障诊断问题,提出了包括故障状态检测、故障粗糙集生成和故障元件定位的分步诊断方法。将有限测点的故障状态检测转化为容差约束下的线性规划问题;推导得到故障特征等式并生成故障粗糙集,证明了在容差条件下的故障特征等式中可选用标称参数电路的节点电压;对故障粗糙集中元件参数的偏差限值进行修正,对修正后的电路进行状态检测,实现故障元件定位,并估算故障参数偏差。仿真实例表明,该方法具有较高的诊断准确度和参数辨识精度。     

一种基于模型模拟电路模糊故障诊断方法

文中提出了一种基于模型的模拟电路故障诊断方法。它以节点电压为测试量,将元件故障及节点的故障电压模糊化,根据电路的拓扑结构,以节点为基点,以节点电压传递为纽带建立模拟电路的故障模型,以模拟贴近度为判断依据来进行故障诊断和选择最佳测试点,并将测试得到的新的信息不断吸收进去,从而快速而有效地诊断出故障,它利用了模糊量的冗余性,克服了容差的影响,不仅能对硬故障,而且对软故障都能较好地定位到元件级,同时又可在线或离线诊断,文中给出了一个直流电路故障诊断的实例,所得的结果是令人满意的。     

A method for fault diagnosis in linear electronic circuits

A method for fault location and parameter identification in linear AC and DC circuits with limited accessible terminals for excitation and measurement is developed in this paper. Fault location is based on a derived relationship having a general meaning. It requires analyses of the circuit with nominal parameters and distinct excitations as well as measurements of some node voltages in the circuit with perturbed parameters. The fault parameter is identified using a formula obtained on the basis of the Woodbury expression. A decomposition technique is suggested enabling us to apply the method for multiple fault diagnosis. Several numerical examples illustrate the proposed approach and show its effectiveness. Copyright © 2000 John Wiley & Sons, Ltd.     

以一种神经网络模型实现模拟电路故障诊断

本文提出一种模拟电路故障诊断的线性规划法,以及用神经网络对此方法的实现.与其它故障诊断方法相比较,具有适用范围广、准确度高、运算简单、便于实时故障诊断等优点.     

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。     

Performance of the G‐parameter criterion in diagnosis

This paper theoretically establishes that estimations of G‐parameters, given in a classical reference, are biased rather than unbiased as stated in that reference and that the diagnostic criterion, proposed in that reference, is unfounded. The paper further presents a set of inequalities that are the necessary and sufficient conditions for ensuring the validity of the G‐criterion against biased estimations. The incorrect diagnosis, performed by the G‐criterion, is inevitable regardless of the degree of the faults if the set of harsh inequalities is not satisfied. As these inequalities can be easily checked quantitatively with nominal data of the circuit to be diagnosed, they can be used to forecast which of the nodes faults cannot be correctly located with the G‐criterion. In the last section, the simulation provides a solid support for the theoretical analysis in this paper. Copyright © 1999 John Wiley & Sons, Ltd.     

基于二维线性跟踪器的二次系统直流接地故障检测新方法

在低频信号注入法的基础上,针对支路对地电容影响检测精度,以及小波检测方法存在的不足,提出了基于二维线性跟踪器的直流回路接地故障检测方法。将采集到的电压、电流信号送入二维线性跟踪器检测系统,通过调节跟踪器参数,提取低频信号和相应的微分信号,用最小二乘法拟合得到接地电阻值和对地电容值。仿真结果表明:该方法检测步骤简便、计算量小、测量结果准确,能全面反映支路的运行状态,为直流系统接地故障检测提供了一种新思路。     

模拟电路的马氏距离故障诊断方法研究

针对欧氏距离在模拟电路故障诊断中的不足,提出模拟电路的马氏距离故障诊断方法。利用MULTISIM对电路的软故障和硬故障进行仿真获取故障特征样本,在MATLAB中计算样本与故障类之间的马氏距离,并选择距离最小的故障类作为诊断结果。仿真结果表明:在20次不同特征维数的试验中,欧氏距离,正规化欧氏距离和马氏距离故障诊断方法的平均诊断准确率分别为:86.7%,87.1%和92.9%。马氏距离的诊断方法不受特征相关性的影响,能够正确诊断出欧氏距离和正规化欧氏距离诊断方法的误诊样本,在模拟电路的故障诊断中的准确率更高。     

基于双空间的融合特权信息支持向量机模拟电路故障诊断

针对模拟电路故障诊断识别率较低的问题,提出了基于双空间特征提取的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(principal component analysis,PCA)——特征提取;并用融合特权信息支持向量机LUPI-SVM(SVM of learning using privileged information,LUPI-SVM)分类器和SVM-GA分类器进行预分类;对分类结果不同的样本进行独立成分分析(independent component analysis,ICA)—特征提取,并用LUPI_SVM进行分类识别,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,为模拟电路故障诊断提供了新的途径。     

模糊理论与神经网络结合对模拟电路进行分层故障诊断

文中提出了用神经网络和基于模糊规则的神经网络联合对模拟电路进行分层故障诊断的方法。利用模糊规则将故障定位于某几个元件再用神经网络确定故障元件，针对某些数据对网络收敛不利的情况提出用神经网络进行数据的预处理。仿真结果说明这种神经网络模块化结构和分层测试方法不仅构造简单，便于进行模拟电路的自动测试，而且提高了模拟电路故障诊断的正确率。     

基于主元分析与神经网络的模拟电路故障诊断

主元分析具有数据压缩及特征提取的特性,而神经网络具有非线性映射和学习推理的优点.将二者结合起来,提出基于主元分析与神经网络的模拟电路故障诊断方法.通过对模拟电路的阶跃响应特征参数进行主元分析,提取主要参数,然后利用神经网络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诊断.对标准电路仿真结果表明:该方法能够实现快速故障检测与定位,具有准确率高的特点.