基于FSSA-ELM的模拟电路故障诊断方法

在大规模电路中，模拟电路的故障率高达80%。针对模拟电路故障诊断方法准确率低、耗时长的问题，提出了一种分数阶麻雀搜索算法结合极限学习机(FSSA-ELM)的模拟电路故障诊断方法。利用核主成分分析与局部线性嵌入(KPCA-LLE)联合方式对电路故障数据进行特征提取，通过分数阶与麻雀搜索算法(SSA)相融合，对极限学习机(ELM)的权重和阈值进行寻优，将提取后的特征数据输入到FSSA-ELM模型中进行训练和测试。T型反馈网络反相比例运算电路诊断实例表明，FSSA-ELM的故障诊断用时相较于SSA-ELM缩短了8.91 s,单故障诊断准确率可达97.2%,比SSA-ELM和ELM分别提高了1.9%和2.8%;双故障诊断准确率可达95%,分别提高了0.4%和1.0%。该故障诊断方法准确率高、耗时短，具有较强的模拟电路故障检测能力。     

基于小波分解和BP网络模拟电路故障诊断研究

为了高效、准确地对模拟电路故障进行诊断,采用了一种基于小波多层分解和BP神经网络相结合的模拟电路故障诊断方法。该法利用了多层小波分解优异的时频特性来提取故障特征参数,结合了BP网络强大的非线性分类能力和快速的收敛特性。将该方法应用到模拟带阻滤波器单一软故障诊断中,仿真结果表明该方法是有效的,而且具有比传统BP网络方法的学习收敛速度快得多,诊断正确率高的特点。     

基于小波神经网络和相位差的模拟电路故障诊断

根据模拟电路中存在噪声的问题,提出利用相位差来进行故障诊断。通过正常模式和故障模式下相位差和幅值差的特征提取,建立故障字典。然后利用小波神经网络对故障电路建模,基于该网络学习收敛快,对网络输入不太敏感的特点,实现故障诊断。通过实例证明,该方法不但诊断准确,而且很切合实际模拟电路。     

模拟电路的融合智能故障诊断

随着我国电力系统建设不断完善,各项技术不断革新,电力系统的故障处理方法也越来越多。本文采用神经网络、遗传算法以及模糊理论等完成电路的融合智能诊断,为确保电力系统的安全运行提供保障。本文主要采用模糊积分融合法来对模拟电路进行融合故障诊断,并且在本文之中采用BP网络算法来对故障进行诊断,希望通过对模拟电路的诊断方法进行研究为模拟电路的故障诊断提供借鉴和参考。     

基于PSO-RBF神经网络的模拟电路故障诊断研究

针对模拟电路故障诊断的难点和传统诊断方法的不足之处,提出了一种基于PSO算法优化的RBF神经网络模拟电路故障诊断方法。为了约简网络结构从而提高诊断效率,采用主成分分析方法对故障特征进行有效提取。针对RBF网络传统训练算法中隐层节点中心及基函数宽度选取困难问题,提出采用PSO算法来优化训练RBF网络,以提高网络的训练速度和泛化性能。最后,通过电路仿真对所提方法的有效性进行了验证。     

带通滤波电路故障的BP网络诊断方法与仿真设计

本文在传统诊断技术理论基础上,将BP神经网络方法应用到模拟电路故障诊断的故障诊断中,分析了带通滤波电路故障的BP网络及人工神经网络的故障诊断方法;利用PSPice仿真软件和MATLAB仿真软件对电路进行了故障诊断,对几种常见模拟电路的故障机理作了初步研究,给出了实验结果。     

模拟电路故障诊断的PSpice与Matlab仿真分析研究

根据模拟电路故障诊断中的测前模拟诊断SBT法,本文采用PSpice对待测电路CUT故障进行模拟仿真,通过小波包分析和信息熵方法提取故障电路输出信号的特征向量,利用Matlab设计的神经网络算法构建故障分类器并对电路故障进行识别与诊断。仿真实验结果表明将PSpice与Matlab相结合的诊断方法能够有效地诊断模拟电路故障,为模拟电路故障诊断的教学和科研提供参考。     

一种新的基于神经网络的模拟电路故障诊断系统

介绍了基于BP神经网络(BPNN)进行模拟电路故障诊断定位的理论,设计并实现以数字信号处理器(DSP)为核心的故障诊断系统.该系统采用模块化设计,具有扩充方便、高速采样的特点;将采样数据构成故障特征向量,利用BP网络训练这些特征向量并进行故障模式分类,实现模拟电路及PCB故障诊断.并给出了PCB板的故障诊断硬件结构及对单软和双软故障的诊断设计方法.     

容差模拟电路故障模糊诊断方法及其实现

提出了基于SOFM神经网络的容差模拟电路故障模糊诊断方法及其实现。该方法将网络撕裂法和SOFM神经网络相结合进行故障测试．并运用所设计的模糊逻辑神经网络系统判断测试条件，定位容差模拟电路的子网络级故障。仿真试验表明该方法故障定位精确度高。撕裂迅速，有利于大规模容差模拟电路故障诊断的实现。     

子网络级模拟故障诊断的神经网络实现

利用容差模拟电路节点电压灵敏度序列守恒定理,得到了模拟电路元件的软、硬故障统一样本。然后利用统一样本集训练BP神经网络,并将神经网络用于子网络级模拟故障诊断。实例验证表明,软、硬故障统一样本集使得用于神经网络训练所需样本数目大大减少,但经过训练的神经网络可以诊断容差模拟电路的全部软、硬故障,而且诊断正确率较高。     

基于仿真和编码理论的数模混联电路故障诊断方法研究

数模混联电路的设计被广泛运用于各种电路系统。而模拟电路和数字电路在故障模式、测试方法上的显著差别给数模混联电路的测试带来了很大困难。基于对输出电平的16进制编码,将传统的故障字典法推广到可以诊断数模混联电路的新故障字典法。利用EDA的辅助分析,在PSpice仿真环境下,从故障建模、故障注入,到电路仿真,数据分析,再到建立故障字典以及故障诊断,建立了一套有效的基于仿真的数模混联电路的测试诊断方法。并给出了仿真实例,对数、模混联电路的故障诊断具有推广意义。     

一种基于神经网络的模拟电路故障诊断方法

模拟电路故障诊断一直是一项富有挑战性的研究课题。文章在简要介绍BP神经网络基本原理的基础上,以差分放大电路为例,设计并实现了基于BP算法的模拟电路故障诊断方法,建立了模拟电路故障诊断BP神经网络模型。实验表明,该模型的辨识精度高,能实现对模拟电路故障的正确诊断。     

A Diagnostics Method for Analog Circuits Based on Improved Kernel Entropy Component Analysis

Kernel entropy component analysis (KECA) is a new method to extract features and perform dimension reduction by preserving most of Renyi entropy. However,it appears to have deficiencies. The entropy estimation in KECA may be not the most accurate and it is sensitive to a single kernel radius. This paper proposes a multiplicative bias correction method of the entropy estimation. According to the analysis of the relation of statistics in the kernel feature space,we introduces two kernel radii to make KECA less sensitive to the kernel radius.A method for fault diagnosis of analog circuits based on the combination of improved KECA and extreme learning machine (ELM) is presented.Through wavelet decomposition of sampled signals,features are extracted, following improved KECA for feature dimension reduction.Next the fault patterns are classified by ELM.Case studies on two analog circuits demonstrating our diagnostics method are presented.     

基于PCA和PNN的模拟电路故障诊断

为了解决模拟电路故障识别困难的问题,提出一种基于主成分分析和概率神经网络的模拟电路故障诊断方法。该方法对采集到的模拟电路故障信息进行特征提取,将提取的故障特征归一化处理后输入概率神经网络,进行训练和故障模式的分类识别。实验结果表明,该方法是有效的,具有较高的故障诊断率。     

Fault Diagnosis of Nonlinear Analog Circuits Using Neural Networks with Wavelet and Fourier Transforms as Preprocessors

A neural-network based analog fault diagnostic system is developed for nonlinear circuits. This system uses wavelet and Fourier transforms, normalization and principal component analysis as preprocessors to extract an optimal number of features from the circuit node voltages. These features are then used to train a neural network to diagnose soft and hard faulty components in nonlinear circuits. Our neural network architecture has as many outputs as there are fault classes where these outputs estimate the probabilities that input features belong to different fault classes. Application of this system to two sample circuits using SPICE simulations shows its capability to correctly classify soft and hard faulty components in 95% of the test data. The accuracy of our proposed system on test data to diagnose a circuit as faulty or fault-free, without identifying the fault classes, is 99%. Because of poor diagnostic accuracy of backpropagation neural networks reported in the literature (Yu et al., Electron. Lett., Vol. 30, 1994), it has been suggested that such an architecture is not suitable for analog fault diagnosis (Yang et al., IEEE Trans. on CAD, Vol. 19, 2000). The results of the work presented here clearly do not support this claim and indicate this architecture can provide a robust fault diagnostic system.     

基于PSpice与LM算法的模拟电路故障诊断方法

采用小波神经网络与Levenberg-Marquardt算法相结合的方法,对模拟电路进行故障诊断;用小波对冲击响应信号进行多尺度分解,进行归一化后,提取故障特征信息作为神经网络的输入而进行分类。将PSpice与Matlab结合不但能有效的诊断模拟电路,且在收敛性和故障准确性上有了大幅提高。实验仿真表明,通过该方法构造的样本集训练出的网络稳定性高于传统方法,适用于神经网络。     

基于神经网络与证据理论的模拟电路故障诊断

论述了利用多类电量测试信息、应用神经网络与D-S证据理论实现模拟电路故障诊断的基本原理,提出了一种基于可测点电压与不同测试频率下的电路增益经决策层信息融合的故障诊断新方法.分别利用此两类测试信息,各用一个独立的改进BP网络对电路进行初步诊断,再运用所提融合诊断算法实现故障定位.模拟实验结果表明:所提方法对硬故障与元件参数偏移较小的软故障均适用,故障定位准确率高.     

模拟电路故障诊断的结点电压灵敏度比值法

在证明线性电路中结点电压变化量比值等于结点电压灵敏度比值的基础上,提出了结点电压灵敏度比值法,通过结点电压变化量比值和结点电压灵敏度比值的比对确定电路的故障元件。理论分析和实验结果表明,该方法算法简单、诊断速度快,在可测点受限条件下具有较高的诊断精度,特别适合大规模线性模拟电路的故障诊断和测试。     

Analog Fault Diagnosis Using Conic Optimization and Ellipsoidal Classifiers

This paper introduces a new fault diagnosis strategy for analog circuits based on conic optimization and ellipsoidal classifiers. Ellipsoidal classifiers are trained for efficient and accurate fault classification of the circuit under test (CUT). In the testing phase, the output of the ellipsoidal classifiers is used to isolate the actual CUT fault. The constructed classifiers exhibit high classification rate with competitive computational complexity even if the CUT has overlapping faults. Experimental results demonstrate the superior performance of the ellipsoidal classifiers in analog fault diagnosis.