最小生成树SVM的模拟电路故障诊断方法

提出最小生成树的支持向量机模拟电路故障诊断方法,通过小波分解提取电路故障特征,在特征空间中以故障类的可分性测度为权值构造最小生成树,得到具有聚类属性的故障子类划分,从而优化故障决策树节点的分布。按照最小生成树的结构建立具有较大分类间隔的多分类支持向量机,能够有效地提高模拟电路故障诊断的正确率。该方法简化支持向量机的结构,在实例电路的故障诊断中获得更高的诊断精度和效率,其性能优于常用的支持向量机方法。     

改进BP算法及其在滚动轴承故障诊断中的应用

对每次权值和阈值的调整均采用固定不变的学习率,是导致传统ＢＰ算法收敛速度慢的一个主要原因。本文从提高收敛速度及精度出发,对改进ＢＰ算法进行了深入研究,在ＢＰ算法中引入统计思想,给出相关系数定义。基于相关系数,采用变学习率策略,提出两种学习率自适应调整算法,并将其具体应用于滚动轴承的故障诊断中。试验证明,此改进算法的收敛速度比传统ＢＰ算法显著提高。     

基于人工鱼优化的神经网络汽轮机振动故障诊断

建立了人工鱼群神经网络模型,利用人工鱼的聚群、追尾和觅食行为训练RBF神经网络的权系数,提高了神经网络的收敛速度和精度.依据此模型提出一种故障诊断方法,并应用于汽轮机振动故障分析.仿真结果表明:本算法与BP及RBF算法相比具有较高的故障诊断准确率和较好的泛化能力.     

灵敏度分析和SVM诊断模拟电路故障的方法

针对低可测性模拟电路中存在的模糊组问题,提出了一种模拟电路故障诊断的新方法。该方法首先计算被测电路网络传递函数零极点的灵敏度,利用零极点灵敏度提供的信息来对被测电路进行模糊组的划分,组成可诊断的元件集,并引入了支持向量机完成对故障的分类识别。零极点的灵敏度分析确定了被测电路可诊断的元件组,支持向量机结构简单、泛化能力强,实验结果证明了基于灵敏度分析和支持向量模拟电路故障诊断方法的有效性,故障诊断率大于99%。     

自适应学习速率法在变压器故障诊断中的应用

为了提高电力变压器故障诊断的准确率,针对油中溶解气体分析,提出了一种基于误差自动调节修正因子的自适应学习速率法,使神经网络通过自身的误差变化过程自动调整学习速率修正因子,保证网络总是以最大的可接受学习速率进行训练,从而提高网络收敛速度。针对电力变压器故障气体及故障类型的特点,建立了电力变压器故障诊断BP（Back—Propagation）网络模型,应用该算法和原算法对该故障诊断网络模型进行训练。仿真结果表明,该算法的训练次数减少了35．4％,收敛速度提高了44．9％,有效地改善了网络模型的性能。将该算法应用于电力变压器故障诊断,能较为精确地判断出电力变压器的故障类型,故障诊断准确率达90．8％。     

一种基于BP网络的流量分类方法

针对传统的网络流量分类方法准确率低、开销大、应用范围受限等问题,提出了一种基于BP网络的流量分类方法。该方法改进了标准的BP网络算法,采用基于Lyapunov函数得到的自适应学习率,并引入遗传算法优化网络的初始连接权值和阈值,使网络避免陷入局部最小,加速了网络收敛过程。实验结果表明,采用改进的BP网络算法来处理网络流量分类问题具有明显的优势：该方法的收敛速度和拟合精度均优于标准BP算法,而且流量分类准确率高于NB算法。     

基于改进PSO-BP神经网络的变压器故障诊断

引入动态变异操作来优化粒子群算法,同时将改进的粒子群优化算法和误差反向传播的算法相结合,构成混合算法,用于训练人工神经网络,并将该混合算法应用于变压器的故障诊断.仿真结果表明,该算法具有较快的收敛速度和较高的计算精度;诊断结果表明,该算法有利于提高变压器故障诊断的正确率.     

基于信息融合的控制系统中模拟电路故障诊断

针对控制系统中的模拟电路具有多种工作状态的特殊情况和故障诊断过程中的不确定性问题,提出了模糊一神经网络信息融合算法．给出了该算法的基本模型和应用于控制系统中模拟电路故障诊断的一般规律,通过将电路不同工作状态下的有效信息进行融合,结合模糊信息处理技术和神经网络推理技术,最终实现故障定位．将其应用到某型船舶主机遥控系统中延时电路板的故障诊断系统中,结果表明,该方法能够有效地提高故障模式的识别能力,将故障准确地定位到元器件．     

利用小波分析的电流测试方法实现模数混合电路的故障诊断

模数混合信号电路已成为未来电路设计的发展趋势,对模数混合电路诊断和测试方面的需求日益急迫。文章首先针对模拟/数字混合电路的故障诊断,基于小波分析理论,提出了动态电流(IDDT)测试方法。其次应用小波变换的时频分析特性,对模拟/数字混合电路正常模式和故障模式的IDDT采样信号进行小波分解,得到特征小波系数,计算出正常模式和故障模式下相应特征小波系数的均方根误差。最后将待检测电路的特征小波系数均方根误差与已知正常及故障模式的特征小波系数均方根误差进行比较,根据结果的异同实现模拟/数字混合电路的故障诊断。通过仿真实验验证了该测试方法的有效性,与传统单一时、频域(FFT)诊断分析方法相比,仿真结果显示,该方法对模拟/数字混合电路的故障有较高的检测灵敏度,可以实现绝大多数故障的准确定位,为模拟/数字混合电路故障的准确诊断提供了一种有效手段。     

基于粒子群-小波神经网络的模拟电路故障诊断

针对传统小波神经网络技术在模拟电路故障应用中存在的问题,提出了一种基于粒子群-小波神经网络的模拟电路故障诊断方法.利用该方法对滤波电路进行了故障检测,结果表明,该方法优于传统的小波神经网络方法.     

基于遗传BP神经网络的短期风速预测模型

为了提高风电场短期风速预测精度,提出将遗传算法和反向传播(BP)神经网络相结合的预测模型.采用自相关性分析找出对预测值影响最大的几个历史时刻风速,以历史时刻的风速、温度、湿度和气压作为BP神经网络预测模型的输入变量;利用遗传算法的全局搜索能力获得BP神经网络优化的初始权值和阈值;采用优化后的BP神经网络分别建立1、2、3 h的短期风速预测模型.实验结果表明,该方法较BP神经网络具有预测精度高、收敛速度快的优点.     

基于BP神经网络和多元Taylor级数的混合定位算法

针对多元Taylor级数算法定位精度严重依赖初始值的问题,提出一种新的混合定位算法。通过BP神经网络定位算法提供初始值,提高多元Taylor级数展开法的收敛速度;通过多元Taylor级数展开法,充分利用未知节点之间的距离信息,减小测距误差造成的定位误差。仿真结果表明:混合定位算法的精度更高,并且减少了网格间距对定位精度的影响。     

基于模糊神经网络的模拟电路故障诊断算法

将小波包分析、模糊理论和神经网络有机结合在一起,提出了一种基于小波包特征提取和模糊规则的模拟电路故障诊断的神经网络算法。计算和仿真实验结果表明,该方法可以减少网络的训练规模,加快网络的收敛速度,能够为模拟电路故障诊断提供一种新的有效的方法。     

误差反向传播算法的优质改进及其应用

对误差反向传播（ＢＰ）算法进行了深入分析,从影响ＢＰ算法收敛速度的两个重要原因一代价函数和激励函数出发,对其进行改进,提出了一种实用,高效的改进算法,并用于机械故障诊断中,实验结果表明,训练１００次后,网络平方和误差ｅ〈Ｅ－１１．０,４００次地ｅ〈Ｅ－６０．０收敛效果和测试效果极佳。     

入侵杂草优化算法用于阵列天线方向图综合简

For overcoming the problem of slow convergence speed and local optimum by using the existing intelligent optimization algorithms in the pattern synthesis of antenna arrays with nulls, notches and sidelobe reduction, a novel invasive weed optimization(IWO) algorithm is presented, and an adaptive IWO is designed to improve the convergence speed and make a balance between the global and local searching ability. Simulation results show that, compared with other existing algorithms, the proposed algorithm performs better, with higher convergence speed and better computation accuracy.     

模拟电路故障的支持向量机集成诊断新方法

为了解决支持向量机应用于多类别模拟故障诊断时泛化性能较低导致诊断精度难以提高的问题,提出了一种基于支持向量机集成的模拟电路故障诊断新方法.首先,通过将本次迭代中不可分区域的样本加入训练集来构造下一次迭代的训练集,以提高基分类器间的差异性;然后选择分类精度不低于平均分类精度的基分类器进行集成,以提高整体诊断精度.实验表明,该方法应用于线性及非线性模拟电路均取得了良好的诊断效果.     

基于改进小波网络的TE过程故障诊断

针对BP 算法容易陷入局部极小值、收敛速度慢及容易振荡等缺点, 采用小波BP 网络且对小波网络采用基于梯度符号变化的局部学习率自适应算法和引入动量项的改进。将改进后的算法对多变量非线性的田纳西-伊斯曼过程进行了仿真研究, 结果表明改进算法提高了故障分类的辨识精度。     

基于延时电路的高频高压激励电缆故障测距方法

针对传统高频高压激励电缆故障测距方法精度不高的问题,提出了一种基于延时电路的高频高压激励电缆故障测距检测方法。首先,结合弱电网条件下的运行稳定性监测方法进行电力特征分析和参数识别;然后,采用电压输出稳定性测试方法提取电缆故障的高分辨频谱特征;在此基础上,根据输出电压和负载差异性进行延时电路控制和负载均衡调度,构建高频高压激励电缆故障特征分布的贝叶斯网络模型;最后,对故障测距参数进行估计,并判断电流故障输出的收敛性,根据负荷差异性特征实现故障测距和优化检测。仿真结果表明,该方法的检测准确性较高,测距结果分布均匀,且具有故障自适应定位检测能力。     

基于进化神经网络的齿轮可靠性预测

人工神经网络模型中广泛应用的是BP(BackPropagation)模型 ,针对BP算法存在收敛速度慢 ,容易陷入局部最小点的缺陷 ,本文用遗传算法 (GeneticAlgorithm :GA)训练神经网络 (ArtificialNeuralNetwork :ANN) ,取代了一些传统的学习算法 ,设计了GA +BP学习算法 用遗传算法和神经网络相结合的方法求解了齿轮弯曲疲劳寿命的预测问题 仿真结果表明 ,组合GA与BP可以克服单纯使用BP易陷入局部极小等问题 ,取得了较为满意的效果 ,预测精度较高     

基于神经网络的模拟电路故障诊断

针对目前模拟电路故障诊断中存在的容差和非线性特性所带来的诊断难点,提出了一种基于LM算法的神经网络故障诊断方法;主要包括故障特征的选取以及神经网络的建立.其中网络隐含层节点数的选取采用黄金分割优选法.试验仿真表明,LM算法明显提高了网络训练速度,减少了训练时间,其效果优于标准BP算法,可有效提高故障诊断性能.