基于IDDT和SVM的混合电路故障诊断探究

混合电路待测数据受限,存在故障诊断速度较慢、效率有限等问题,提出了一种基于动态电流测试结合支持向量机的混合电路故障诊断方法,其基本思想是运用小波分解提取混合电路动态电流的有效信息,再融合SVM进行故障诊断。采用标准样本Iris数据集研究、确定了多类支持向量机的算法,采用高斯径向基核函数,运用改进的网络搜索方法进行了粗搜索和细搜索,以确定出SVM的最佳参数对。PSPICE及MATLAB软件对混合电路实例的仿真表明,该方法模式识别能力较强,可改善BP神经网络的收敛速度慢和容易陷入局部极小值等不足,适用于混合电路故障的快速准确诊断。     

基于IDDT和SVM的混合电路故障诊断探究

混合电路待测数据受限,存在故障诊断速度较慢、效率有限等问题,提出了一种基于动态电流测试结合支持向量机的混合电路故障诊断方法,其基本思想是运用小波分解提取混合电路动态电流的有效信息,再融合SVM进行故障诊断。采用标准样本Iris数据集研究、确定了多类支持向量机的算法,采用高斯径向基核函数,运用改进的网络搜索方法进行了粗搜索和细搜索,以确定出SVM的最佳参数对。PSPICE及MATLAB软件对混合电路实例的仿真表明,该方法模式识别能力较强,可改善BP神经网络的收敛速度慢和容易陷入局部极小值等不足,适用于混合电路故障的快速准确诊断。     

基于神经网络的模拟电路故障诊断研究

针对模拟电路,提出一种基于神经网络的故障诊断方法.通过故障字典的建立,选择电路的最佳测试节点,电路故障响应进行预处理后得到故障特征向量,再输入到神经网络实现电路故障诊断.仿真结果表明:该方法有效地解决了模拟电路辨识难的问题,具有更好的故障分辨率,取得了满意的诊断效果.     

模拟电路故障诊断中的特征信息提取

在运用BP神经网络进行模拟电路故障诊断过程中,代表故障特征的网络输入至关重要。分析了常见特征信息提取和故障诊断方法,提出一种基于多测试点、多特征信息原始样本集的新方法。运用这种方法构造原始故障特征集,然后作为BP神经网络的输入对网络进行训练,仿真结果表明,通过该方法构造的样本集训练出来的网络对模拟电路故障诊断的正确率优于传统方法,证明了该方法在模拟电路故障诊断中的可行性,为模拟电路的故障诊断提供了一种新方法。     

基于小波神经网络的模拟电路故障诊断研究

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。这种方法采用正弦信号作为被测电路的输入激励,在时域中对输出信号采样来构造神经网络的训练和测试样本,将自适应学习率及附加动量BP算法训练后的小波神经网络应用于容差模拟电路故障诊断中。仿真试验表明,该方法减少了故障诊断时间和提高了网络的平均诊断正确率。     

基于BP网络和DS理论的雷达电路故障诊断

为了克服使用BP神经网络对雷达电路故障诊断的不足,提出了将BP神经网络和DS证据理论相结合的诊断方法。该诊断方法先用BP神经网络分别对雷达电路的电压电流特性进行故障诊断,将诊断后的结果再通过DS证据理论进行信息融合,从而得到更为可靠的诊断结果,具有一定的工程实际意义。     

基于小波分析和神经网络的模拟电路故障诊断方法

提出了一种基于神经网络和小波分析的模拟电路故障诊断的系统方法。该方法通过对电路的可测性测度计算，选择电路的最佳测试节点，然后利用小波分析作为特征提取手段提取电路的故障特征向量，经归一化和主元分析（PCA）处理后。得到最优特征向量，最后输入到神经网络实现电路故障诊断。计算机仿真结果表明该方法具有更好的故障分辨率。     

遗传小波神经网络的非线性模拟电路故障诊断方法

提出了一种将遗传算法(GA)、神经网络与小波变换相结合对非线性模拟电路进行故障诊断的方法;分析了传统BP型神经网络在非线性模拟电路故障诊断中存在的缺陷;提出了一种新的解决方法--利用小波变换对非线性电路故障信号进行预处理,对故障信号中的冗余信息进行剔除,然后利用遗传算法优化BP网络参数,如网络权值、阈值等.利用该方法对非线性电路进行故障诊断,有利于提高神经网络对电路故障诊断的智能性及识别故障类别的能力,提高故障诊断的精度与速度.实验结果表明,该方法是可行的.     

神经网络在电路故障诊断方面的应用

神经网络是一种具有优越的联想、推测、记忆功能,并且反应速度较快的网络技术,它能够通过调整电路内部大量节点之间相互连接的关系,达到诊断故障的目的,因此受到越来越多的人的关注,现已成为故障诊断的一种有效方法和手段。本文介绍了神经网络的相关知识,并且通过对于神经网络在电路故障诊断方面的具体应用,证明了神经网络在电路故障诊断方面的可行性与精确性。     

一种新的可编程、可扩展的Hamming神经网络

提出了一种新的可编程、可扩展Hamming神经网络。它采用电流镜计算待识模式与标准模式的匹配度。然后,通过电流型排序电路进行匹配度的排序操作并输出识别结果。该Hamming神经网络中的标准模式模板是可编程的,以满足不同场合的应用要求。另外,该网络芯片在规模上可以很容易地进行扩展,这较大地提高了该处理芯片应用的灵活性。由于网络电路中模拟部分完全采用电流型电路,使其可完全直接采用标准数字CMOS工艺进行制作,并易于模/数混合集成。已经采用单层金属、单层多晶的2pm N阱标准数字CMOS工艺成功地制作了该Hamming网络中的核心单元电路芯片,测试结果表明,该核心单元电路芯片的性能很好,完全可以满足处理器的性能要求。     

基于神经网络的混合电路故障检测

随着电路越来越走向集成化和模块化,大多数电路都同时包含数字和模拟的混合信号,数模混合电路故障诊断技术也因此成为一个重要的课题。提出了利用小波分析和神经网络对混合集成电路故障进行检测的方法。基本思想是通过小波变换对原始采样信号进行检测,再利用神经网络对小波变换的结果进行分类,最后给出故障的信息。通过MATLAB仿真实验,证明该方法对混合电路的故障检测非常有效。     

紧致型小波网络在模拟电路故障诊断中的应用

提出了一种新的基于紧致型小波神经网络的模拟电路故障诊断方法。该法首先利用小波包变换对故障信号进行预处理,减少了紧致型小波神经网络的输入数目,简化了紧致型小波神经网络结构,然后对紧致型小波神经网络进行训练和测试。仿真试验表明,该方法比普通BP神经网络方法训练速度更快,诊断准确率更高,容错能力强,非常适用于模拟电路故障诊断。     

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。     

基于小波变换与BP神经网络的模拟电路故障诊断

利用小波与改进算法的BP神经网络相结合的方法进行模拟电路故障诊断,该方法使用小波分解作为预处理工具,对信号进行消噪和小波分解,然后提取特征信息,进行归一化处理,并作为BP神经网络的输入样本进行模式识别。该方法减少了神经网络的输入维数,提高了收敛速度和辨识故障的能力。仿真结果表明,该方法能准确快速地定位故障,且可有效地进行故障识别、改善神经网络结构以及提高故障诊断精度与速度。     

容差模拟电路的软故障诊断的小波方法

给出了容差模拟电路软故障诊断的小波与量子神经网络方法,利用小波分析,取其能反映故障信号特征的成分做为电路故障特征,再输入给量子神经网络,不仅解决了一个可测试点问题,并提高了辨识故障类别的能力,而且在网络训练之前,利用主元分析降低了网络输入维数。实验证明了这种方法的可行性与适用性。     

Wavelet Neural Network Approach for Testing of Switched-Current Circuits

Combining the time and frequency location and multiple-scale analysis of wavelet transform with the nonlinear mapping and generalizing of neural network, an efficient defect-oriented parametric test method using Wavelet Neural Network (WNN) for switched-current integrated circuits is proposed. Contraposing to the fully compatible digital CMOS technology and current scaling calculation of SI circuits, parameter cohort of switched current elements is used to compute the sensitivity and gain tolerance and is applied for selecting the test models. The selecting of the appropriate wavelet function based on particular switched current fault signal is discussed, and the number of network input and output nodes are determined by the circuit status and dimension of eigenvector which is the energy of wavelet decomposition coefficient. To simplify configuration of the neural network, the sampled data was preprocessed by wavelet transform. Illustrative examples show that the proposed wavelet neural network method for testing of switched current circuits is effective.