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。     

基于优选小波基和模糊SOM网络的模拟电路故障诊断

为了解决模拟电路故障诊断中的特征提取困难并实现对模拟电路故障模式准确的分类,提出一种优选小波基、模糊理论和自组织特征映射网络(SOM,self-organizing feature map)相结合的模拟电路故障诊断方法.该方法首先对模拟电路故障响应信号进行小波分解、提取能量值、均值和方差组成输入特征向量,同时采用余弦分离度评价小波变换在不同小波基函数下获取故障特征的有效性,据此选择余弦分离度最小的小波基分解的特征向量输入到自组织特征映射网络进行故障分类.仿真实验表明,利用余弦分离度选择的最优小波基能有效提高模拟电路故障特征提取,模糊神经网络能对故障模式进行精确分类.     

基于模糊SVM和虚拟仪器的模拟电路故障诊断研究

基于模糊支持向量机理论构建模拟电路故障诊断网络,采用虚拟仪器技术开发故障诊断平台;通过对电路仿真软件与实际测量得到的数据进行分析,选取一种自适应小波变换特征提取方法对电路进行故障特征提取,提取电路输出响应的6个低频系数构成故障特征向量并作为FSVM诊断网络的学习样本,诊断网络采用C-SVM算法.规则化参数墩为200;在LabVIEW软件中调用以MAT-LAB-M文件编写的特征提取与故障诊断算法,将模拟电路的故障定位到元件级;最后,将网络的诊断结果与BP神经网络诊断方法做了对比,证明基于虚拟仪器的模糊SVM模拟电路诊断方法在故障诊断速度与准确性方面都具有明显优势,平均故障识别率达到90%以上.     

基于信息融合的模拟电路故障的特征提取与融合方法

在模拟电路故障诊断中,故障特征的提取是一个非常重要的环节,其提取结果的好坏将直接影响最终的诊断正确率;对现有文献研究发现,每种特征提取方法单独使用时都有一定的局限性,为了能够更加充分地提取模拟电路故障特征,提出了小波包分析与主元分析并行应用的方法,并将两种方法提取的特征向量依据不同规则进行了三种类型的融合,方便对比实验;为获取最优小波特征,提出了特征偏离度,并以此为标准选择最优小波基;最后,通过设计一种改进的神经网络分类器模型,将融合后的三种特征向量送入其中进行仿真验证,得出最终诊断结果;结果表明,该方法能够有效克服单一特征提取方法提取不充分的缺点,提高故障诊断的正确率,并且融合因子μ适中时诊断正确率最高。     

基于支持向量机的信息融合模拟电路故障诊断方法研究

为提高模拟电路故障诊断效率,克服依据单一信息进行诊断的不足,提出了一种支持向量机信息融合的模拟电路故障诊断方法;首先构建了基于支持向量机的信息融合诊断模型,其次给出了基于小波包变换的能量特征提取和基于主元分析特征压缩方法,分析了支持向量机一对一多分类方法,最后通过模拟电路的仿真实验,与未进行信息融合,以及BP、RBF和PNN等神经网络对比,结果显示,基于支持向量机信息融合方法的诊断精度最高,约为97.3%。     

综合时频域及核判别分析的两级特征提取新方法

为了解决模拟电路软故障诊断中特征提取不全面准确的问题,提出了一种基于综合时频域及核判别分析的两级特征提取新方法。首先,对采集到的故障响应信号分别提取均值、方差等时域统计特征和小波包分解后不同频带的能量作为频域特征;然后,通过核判别分析方法对故障特征进一步优选,从而保证故障特征的准确有效性;最后,将所得到的最优故障特征输入支持向量机进行故障诊断。对Sallen-Key带通滤波器电路的仿真实验结果表明,该方法能够很好地反映故障响应信号的本质特征,有效提高故障诊断的性能。     

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。     

基于Treelet变换的模拟电路故障诊断

针对模拟电路故障诊断中特征向量冗余的问题,提出一种基于Treelet变换的模拟电路故障诊断方法.Treelet变换是一种自适应的多尺度的数据分析方法,适用于对高维数据降维和特征选择。文中首先对被测电路的输出信号采样,将采集到的信号进行Treelet变换,提取故障特征向量,最后将得到的特征向量输入BP神经网络进行故障模式识别。仿真实验结果表明,该方法能够有效地提取电路故障特征。与其他故障特征提取方法相比较,基于Treelet变换的模拟电路故障诊断方法具有较高的故障诊断率和收敛速度。     

基于小波变换和支持向量机的模拟电路故障诊断方法研究

提出一种利用小波变换提取模拟电路故障特征和基于支持向量机状态分类的模拟电路故障自动识别和诊断方法。首先讨论小波变换的基本原理和支持向量机原理及其多分类算法,同时着重研究支持向量机的一种改进型一对多故障分类算法,然后实现在小波变换上,采用分布式多SVM分类器识别单相桥式整流模拟电路的故障。实验证明,该方法能准确有效地对模拟电路故障进行识别和诊断。     

基于相关分析的非线性模拟电路参数型故障诊断方法

针对非线性模拟电路故障诊断中参数型故障元件定位的难题,基于Volterra频域核的频谱比较,提出了利用小波滤波器组结合相关分析定位故障元件的方法．首先选择特定的激励信号测定Volterra频域核的非参数频谱;然后用小波滤波器组对得到的正常电路和故障电路的频谱序列进行子带分解;通过计算子带响应序列的相干函数,对正常电路和故障电路进行相关分析,实现参数型故障元件的特征提取．对比实验结果表明,该方法能有效提取故障特征,提高了故障诊断效果．