基于D-S证据理论的数据融合算法及其在电路故障诊断中的应用

本文在D-S证据理论的基础上,结合模糊集合论,给出了电子电路故障定位的多传感器数据融合方法.通过测试电路中的被诊断元件的工作温度和工作电压两个物理量,得出D-S证据理论中两传感器对各待诊断元件的信度函数分配,再利用D-S联合规则得到融合后的信度函数分配,从而确定故障元件,并通过单传感器诊断结果与融合诊断结果比较,说明多传感器融合的优越性.     

D-S证据理论数据融合算法在某系统故障诊断中的应用

介绍了Dempster-Shafer(D-S)证据理论数据融合算法的基本原理,在此基础上以电压-码转换电路板为被诊断对象,探索了基于D-S证据理论多传感器数据融合算法的某系统电路故障元器件诊断方法.诊断结果表明D-S证据理论多传感器信息融合算法可有效地提高故障模式的识别能力,使故障元器件得以有效定位.     

光电雷达电子部件的量子神经网络故障诊断算法

针对电路故障诊断时,故障模式之间存在交叉数据的模式识别问题,将多层激励函数的量子神经网络引入多传感器信息融合之中,提出一种基于量子神经网络的多传感器信息融合集成电路故障诊断算法.并将其应用到光电雷达电子设备故障诊断中,通过测试电子电路中被诊断元件的工作温度和工作电压两个物理量,求出两传感器对各待诊断元件的故障隶属度,利用多层激励函数的量子神经网络进行信息融合,得到融合的各待诊断元件的故障隶属度,从而确定故障元件,提高故障诊断的准确率.     

基于信息融合技术的模拟电路故障诊断

论述了基于多类电量测试信息模糊融合的模拟电路故障诊断方法的基本原理,提出了分别基于K故障节点诊断法和最小标准差法的元件故障隶属函数构造方法,以及基于可测点电压与不同测试频率下电路增益的模糊信息融合诊断算法.分别利用此两类测试信息及K故障诊断法和最小标准差法,对电路进行初步诊断,再运用模糊变换及故障定位规则,得到融合的故障诊断结果.模拟实验结果表明,所提方法大大提高了故障定位的准确率.     

一种新的模拟电路多故障诊断方法

本文提出了一种新的模拟电路多故障诊断方法——组合优化模拟退火法。该方法采用组合优化的思想,综合参数辨识法与故障验证法这两类故障诊断方法的优势,提出了解决测试端口个数小于元件参数个数的诊断方程欠定问题的目标函数,通过模拟退火优化算法对目标函数寻优,可定出故障元件值及非故障元件的容差值,并保证所得解收敛于全局最优。     

基于FastICA算法的电路故障诊断方法

在电路故障检测中针对元件种类较少且同一种元件重复出现的电路,提出基于FastICA(fast independent component analysis)算法的故障诊断方法。该方法首先对电路中的元件进行分类再按信号叠加算法分组建立测试电路,电路正常工作时测试电路不给电。利用FastICA算法对测试信号进行盲分离,初步判断分离结果后与预先建立的元件故障信号库Mf的信号作相关分析判定故障类型。这种故障诊断方法简单易实现且对元件类型没有限制,在检测过程中元件之间没有相互干扰可确保诊断的准确性。仿真表明该方法能有效判断出电路的故障情况。     

基于电子电路故障的诊断基本技术

电子电路是由具有特定功能的电子元器件组合成的,在电子电路中每个元器件都具备自己特定的作用。一旦某个元件发生损坏,电子电路的功能一定会受到影响,发生变化。这种电路系统丧失规定的功能的现象就被称之为电路故障。本文通过电子电路故障类型的分类着手,进而分析了电子电路故障诊断的基本技术,接着阐述了模拟电路诊断的方法,进而了解了数字电路故障测试的基本技术。希望这一项研究对今后这一课题的研究有借鉴价值和参考作用。     

小波变换和神经网络的电路故障诊断

模拟电路的元件较多,相互之间的耦合性较强,容易发生故障。为了提高电路故障的诊断准确性,提出小波变换和神经网络的电路故障诊断方法。首先采用小波变换方法提取电路故障信息特征,然后采用神经网络分类提取的故障特征量实现对电路故障的诊断和分类识别,最后通过仿真实验进行性能测试,结果表明,该方法提高了电路故障检测的准确度,具有较好的实际应用价值。     

基于遗传算法的容差模拟电路故障诊断

给出了用于模拟电路元件参数识别的多频传递函数法的过程,并对故障诊断方程的可解度进行了分析,在此基础上,将诊断方程的求解转化为非线性函数的优化问题,并运用改进的遗传算法来解决这个问题,算法实例表明该方法简化了故障诊断方程的求解过程,加速了容差电路故障元件的定位,有一定的应用价值。     

基于神经网络的雷达故障诊断方法研究

雷达装备可更换单元上故障模块和元器件的检测,诊断难度较大,影响战斗力的发挥。为了准确快速定位可更换单元上的故障模块和元器件,提高雷达装备的保障能力,将神经网络用于故障诊断;分析了神经网络进行雷达可更换单元故障元器件诊断的原理;建立了故障诊断样本训练和测试平台;并以实例在该平台上对建立的网络进行训练和实际诊断。结果表明,该方法智能化程度高,较好地解决了雷达可更换电路的故障诊断问题。     

DS数据融合算法在近地防撞目标识别中的应用

针对近地防撞系统被测目标的不确定性问题,根据DS证据理论,在分析数据融合过程的基础上,建立数据融合模型,结合模糊控制方法,得出红外和雷达两种探测器对各被测目标的信度函数分配以及融合后的信度函数分配,从而确定被测目标。单探测器与融合结果比较说明多传感器融合算法具有较高的准确性。该面向目标的数据融合算法,为实现飞机地面防撞系统的目标探测提供了理论基础。     

一种基于进化的电路网络建模方法

针对电路设计繁冗、复杂及周期长等特点,提出了一种基于进化的电路网络建模方法,该方法把电路网络建模过程转变为电路元器件选择和元件值确定的搜索优化过程.利用遗传程序设计进化电路网络的结构,对元器件和元件值相互影响的复杂解空间进行全局寻优,实现电路网络的进化.     

基于神经网络信息融合技术的模拟电路故障诊断

研究了神经网络信息融合技术在模拟电路故障诊断中的应用。利用BP神经网络建立信息融合中心,对多传感器数据进行融合处理,减少模拟电路故障诊断的不确定性。对标准电路的输出电压与电源电流特征信息,及两者融合信息的故障诊断性能比较,表明神经网络信息融合方法用于模拟电路故障诊断是有效和可行的。     

基于小波包变换的模拟电路故障诊断

把小波包变换用于模拟电路故障诊断中。由于输出信号的各频率成分能量的变化表征了电路中某些元器件的损坏情况,因此,利用小波包变换有效地提取故障特征信息,提出了“能量——故障”的故障诊断方法。计算和实验结果表明：该方法可以快速高效地进行模拟电路故障诊断与定位。     

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.     

基于PSPICE进行模拟电路故障建模的方法

文章研究了基于PSPICE的模拟电路故障仿真中的故障建模问题。提出了用故障字典法诊断模拟电路硬故障时,基本元件的物理故障和集成电路的功能故障进行故障建模的方法。在直流诊断和交流诊断中，故障建模的方法有所不同。最后用例子说明了这种方法的可行性。     

用测量鉴别法修家电

<正> 用测量工具测量电路中的有关参数,与正常数据比较,从而鉴别故障可能发生的部位,这种方法叫作测量鉴别法。测量鉴别法主要有不通电在路测量、不在路测量和通电测量三种方式。不通电在路测量是指不通电时在线路上直接对有关元件进行的测量。这种方式仅能对大部分元件做出粗略的判断,并可以判断出部分元件的开路和短路故障。 不在路测量是指把被测量元器件从电路上拔下、焊开或与其它元件分割开后再对它们进行的测量。这种测量比较可靠,可以准确的判断元器件的好坏,但不     

基于闭环集成运放的模拟电路模块级软故障诊断

基于斜率故障模型,提出了一种诊断模拟电路中基于闭环集成运算放大器的模块级软故障的字典法.在由闭环运放组成的模拟电路中,通过对电路以闭环运放及与其输入直接相连的元件看作一个整体划分模块,对各个模块中的任一元件或进行宏模型替代之后的运放等效电路,利用电路中的两节点电压增量计算出的斜率作为统一故障特征,建立故障字典,实现电路中相应模块包含的运放和所有元件的软故障诊断.给出了运放的等效宏模型和模块级软故障的诊断步骤,并用仿真实例证明了该诊断方法的有效性.     

由STR-S6309组成的开关电源的原理与维修(下)

<正> 二、故障检修 对电源部分造成三无故障的检修可参照图2的检修流程图进行。 由于该电源电路较复杂,元器件排列过于紧密,再加上厂商在选材和设计上的原因,故障率较高。检修时如果检查不仔细,故障元件更换不彻底,还会连续烧爆电源厚膜电路STR-S6309的现象,严重时会引起电源部分元器件大面积损坏,以致击穿行、场、伴音功放元件和CPU。因此,检修时应注意以下几点: (1)检修时,应本着先外后内、先简后繁的原则,稳步进行。不要急于通电。可先进行直观检查,有无烧焦爆裂等明显损坏的元器件。再测量输入、输出端和集成电路的对地电阻,参见表1、表2和表3。 表2 三极管、集成电路对地参数     

基于模糊故障特征信息的随机集度量信息融合诊断方法

该文给出一种基于模糊故障特征信息随机集度量的信息融合诊断方法。针对信号采集与故障特征提取中的模糊性,首先用模糊隶属度函数分别表示故障档案库中的多种故障样板模式和从不同传感器观测中提取的多类故障特征亦即待检模式,进而基于模糊集的随机集模型,得到样板模式与待检模式的匹配度,即基本概率指派函数(BPA)。然后利用Dempster-Shafer证据组合规则对BPA进行融合,给出诊断结果。该文给出的待检模式是从多个连续观测中提取的,与原有的由单个观测确定待检模式的方式相比,文中提出的特征提取及匹配方法,同时考虑了样板模式和待检模式所具有的模糊性,能够显著降低融合决策中的不确定性,大大提高故障识别的能力。最后通过电机转子故障诊断实例验证方法的有效性。