容差条件下的模拟电路故障诊断方法

指出了线性模拟电路中,测试点电压向量在故障状态下相对于标准状态下的变化量,其向量方向由故障元件在 被测电路中的位置决定。证明了线性电路中节点电压灵敏度向量的方向能够反映故障元件的位置。结合节点电压敏感度向量 的模反映故障元件参数变化量到测试点电压变化量的权重这一特点,以节点电压灵敏度向量为故障特征建立了故障字典。提 出一种容差条件下的故障诊断判定算法,兼顾故障定位和元件的参数变化量,可以有效地实现模拟电路元件参数在一定容差 范围内随机变化条件下的单一软故障诊断。仿真结果验证了该理论的正确性和方法的有效性。     

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。     

基于支持向量机的容差电路故障诊断

针对具有容差的模拟电路故障的模糊性,提出采用支持向量机(Support Vector Machine,SVM)的方法建立故障分类器,在不易取得训练样本的情况下,实现较高准确率的故障诊断,并且具有较强的通用性和实用性。提出的基于支持向量机容差模拟电路故障诊断方法,克服了神经网络等诊断方法的局限性,实现了具有容差的模拟电路故障模式空间的非线性可分,解决了具有容差的模拟电路故障模式识别的根本性问题。     

模拟电路故障诊断的改进分析

针对模拟电路故障诊断识别率较低的问题,文章结合模拟电路智能故障诊断流程的重要环节对特征选择、特征提取和诊断识别进行了改进分析。首先将支持向量机(support vectormachine,SVM)和传统特征选择算法相结合,改进了现有特征选择算法,接着将主成分分析(principle component analysis,PCA)和独立成分分析(independent component analysis,ICA)相结合提出双空间特征提取算法,并将双空间提取算法和融合特权信息支持向量机(SVM of learn-ing using privileged information,LUPI-SVM)算法相结合,提出基于双空间提取算法的融合特权信息支持向量机模拟电路故障诊断方法。最后对改进后方法进行了应用分析,通过对两个典型电路的仿真测试,验证了改进后方法的可行性和有效性,改进后方法提高了模拟电路故障诊断的性能。     

FCM-HMM-SVM混合故障诊断模型及其在电力电子电路故障诊断中的应用

提出一种基于模糊C均值聚类（FCM）、隐马尔可夫模型（HMM）和支持向量机（SVM）相结合的电力电子故障诊断方法.采用FCM方法对故障信号进行模糊聚类,提取故障特征;根据隐马尔可夫模型进行动态过程建模;根据支持向量机进行模式分类;基于HMM-SVM混合的故障诊断模型实现了对机车变流器电路中晶闸管断路故障的诊断.实验结果分析表明,该方法能准确地对电力电子电路进行诊断和故障元定位,诊断精度高,具有很好的实用价值.     

基于特征优选模拟电路故障诊断方法

传统基于最小二乘支持向量机模拟电路故障诊断方法都是使用单一的特征向量组合训练支持向量机所有二分类器,然而实际上每个二分类器对不同的特征向量组合有不同的分类精度。因此,提出了基于马氏距离的粒子群优化算法,为最小二乘支持向量机所有二分类器优选出近最优的特征向量组合。然后,将近最优特征向量组合用于训练和测试该支持向量机。最后把该方法应用于模拟电路早期故障诊断,实验结果表明,基于近最优特征向量组合的诊断精度要高于单一特征向量组合的诊断精度。     

基于核极限学习机的模拟电路故障诊断研究

核函数极限学习机有效地避免了极限学习机(ELM)模型固有的随机性和支持向量机(SVM)模型求解的复杂性,而且具有更快的学习速度和更好的泛化性能。因此,提出了基于核极限学习机的模拟电路故障诊断新方法,描述了电路故障特征的选取过程,建立了以核极限学习机为基础的模拟电路故障诊断模型。实验结果表明,该方法故障诊断准确率大于99%,性能优于支持向量机和极限学习机。     

基于模糊域和支持向量机的故障诊断方法

将模糊域分布和支持向量机相结合，提出了一种故障诊断的新方法，该方法将模糊域分布中的局部能量作为特征输入到支持向量机的多故障分类器进行故障识别.利用模糊域分布可以很好地刻画信号的时频局部化特征，与时-频平面特征提取相比，又可大大降低数据维数.对于不同类型的核函数分布，将其诊断结果进行比较，试验结果表明，基于模糊域的支持向量机故障分类无需核函数滤波就能取得最好的分类效果.     

基于模糊域和支持向量机的故障诊断方法

将模糊域分布和支持向量机相结合，提出了一种故障诊断的新方法，该方法将模糊域分布中的局部能量作为特征输入到支持向量机的多故障分类器进行故障识别．利用模糊域分布可以很好地刻画信号的时频局部化特征，与时一频平面特征提取相比，又可大大降低数据维数．对于不同类型的核函数分布，将其诊断结果进行比较，试验结果表明，基于模糊域的支持向量机故障分类无需核函数滤波就能取得最好的分类效果．     

基于电路特征信息矩阵的容差模拟电路故障诊断

针对模拟电路软故障诊断问题,提出了一种基于电路特征信息矩阵的故障诊断方法。依据电路在不同激励下各测点的响应特征向量组建立电路特征信息矩阵,利用加权马氏距离表征各故障特征向量之间的相似程度。再通过将待测电路马氏距离矩阵与各故障模式的马氏距离容差矩阵进行对比计算,获得电路的特征信息相似度矩阵。对其进行相应的离散度和模糊度加权处理,求取待测电路对电路各故障模式的总体相似度矢量。最后根据电路故障判断准则确定电路故障模式。诊断过程利用相关软件进行数据采样、分析和处理,减小了工作量,提高了诊断效率。实验结果表明,方法适用于容差条件下软、硬故障的诊断,相对于利用单一故障特征的诊断方法,具有更高的检测准确率。     

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.     

基于复互小波分析的模拟电路故障诊断方法

针对模拟电路故障诊断研究中故障特征提取的难题,提出基于复互小波变换的相对幅度?相对相位协同分析的新方法,并根据复互小波变换的特点构建了故障敏感信息提取算法。使用复互小波变换能同时提取模拟电路在不同频率和时间尺度上的故障特征,并且相对幅度和相对相位信息分别从信号“能量”和“时间延迟”两个不同角度表征模拟电路的故障信息。该方法同时使用了蒙特卡洛方法构建正常电路元器件的容差范围,仿真实验结果表明该方法可以有效地解决模拟电路中灾难型和参数型故障诊断问题。     

基于圆故障模型的模拟电路故障诊断方法

针对模拟电路故障诊断中故障字典法的电路故障响应状态的不可数性,提出了一种新的复平面空间圆故障模型诊断方法。该方法利用电路响应与元件的位置及电路拓扑结构之间的关系,在复平面空间上建立圆函数作为故障特征。故障诊断时,利用测试值到圆中心之间距离与圆半径相等的原理来精确定位故障。实验证明圆故障模型既能解决故障响应不可数问题又能简化故障字典,降低仿真和测试代价。同时,该方法不但能诊断软故障和硬故障,而且也能很好地解决容差问题。     

基于小波神经网络的容差模拟电路故障诊断方法

以模拟电路的故障诊断为例,利用小波分析,将电路故障信号进行层次分解,获得不同频段的信号成分,取其能反映故障信号特征的成分作为电路故障特征,再输入给神经网络,大大减少了神经网络的输入数目、简化了神经网络的结构、减少了它的训练时间,并提高了辨识故障类别的能力.     

模拟集成电路故障诊断与参数辨识的代数方法

为实现模拟电路参数辨识和降低故障诊断成本,提出一种基于矩阵扰动理论的模拟电路故障诊断和参数辨识方法。该方法不同于基于数字信号处理（DSP）与人工智能的方法,而是从代数观点出发,以被测电路响应矩阵的本征值随被诊断器件参数的变化而变化的对应关系为基础,建立故障模型。该模型将故障检测,故障定位和参数辨识一体化处理,具有易于工程实施的优点。实验结果表明该方法的计算时间开销小,可降低测试成本,故障定位和故障参数辨识精度高,实验结果中的最大辨识误差为2.35%。     

Fault Diagnosis of Analog Circuit Based on PSO and BP Neural Network

In order to improve the speed and accuracy of analog circuit fault diagnosis,using Back Propagation Neural Network(BPNN),a new method is proposed based on Particle Swarm Optimization(PSO)to adjust weights of BP neural network.The model can not only overcome the limitations of the slow convergence and the local extreme values by basic BP algorithm,but also improve the learning ability and generalization ability with a higher precision.The response signals of analog circuit is preprocessed by Wavelet Packet Transform(WPT)as the fault feature.The simulation result shows that the proposed method has higher diagnostic accuracy and faster convergence speed,which is effective for fault location.