基于解轨迹多项式系数估计的非线性电路故障诊断

本文针对一类斜波激励响应轨迹（解轨迹）存在的弱非线性电路,提出一种基于解轨迹多项式拟合的非线性电路故障诊断方法.本文在电路混合节点方程基础上,通过解轨迹多项式系数迭代关系分析多项式系数与故障信息间的对应关系;由解轨迹多项系数间存在的由低到高的解耦关系导出基于多项式系数的故障诊断方程,将非线性电路故障诊断转换为一组线性电路故障诊断问题.以解轨迹多项式系数为特征的故障诊断方法能有效减少故障传播的非线性造成的故障特征重叠、交叉现象,并可充分利用电路结构信息实现故障隔离;文中同时给出了基于解轨迹多项式系数聚类性分析的测试点优化准则.该方法具有分析过程简单、分析动态范围大和适用于未知非线性电路故障诊断等特点.最后通过实例仿真说明该方法的有效性.     

基于NOFRFs的中放检波电路系统故障定位方法

非线性电路系统在故障前后其非线性传递特性往往会发生明显的改变,通过比较系统正常状态下的频域特征与当前工作状态下的频域特征就可以判断系统是否处于故障状态.系统的非线性传递特性在频域的表现是广义频率响应方程GFRFs及非线性输出频率响应方程NOFRFs.基于NOFRFs理论对多级级联模拟电路中的非线性故障进行定位的方法作了具体介绍.并通过使用不同的激励信号激励系统,说明了激励信号的选择对故障诊断的影响.     

基于Wiener核和BP神经网络的非线性模拟电路故障诊断

研究提出基于非线性电路的Wiener核和BP神经网络的故障诊断方法.在输入为高斯白噪声的情况下,对输入、输出信号进行采样,通过计算各阶相关函数的方法得到正常及各种故障状态下非线性电路的Wiener核.把该核作为状态特征并进行适当的预处理,与对应的状态一起组成BP神经网络的输入和输出样本来对神经网络进行训练,从而实现对模拟非线性电路的故障诊断.文中给出了Wiener核的数字计算方法和诊断神经网络的建立方案,并通过诊断实例加以验证.     

滚动轴承故障诊断机理研究

滚动轴承是常用机械组件,对其故障机理和诊断方法进行研究,能有效提高其安全性和可靠性。通过建立滚动轴承非线性动力学模型,计算出轴承故障振动响应。在模型计算结果中添加谐波分量和白噪声干扰,通过EEMD分解和峭度分析方法,抑制噪声干扰,突显故障特征信号。以深沟球轴承6205为例验证了故障诊断方法的有效性和动力学模型的正确性。首先建立非线性动力学模型,通过计算分析,揭示故障机理。利用基于EEMD的故障诊断方法,有效地突显故障信号,并验证动力学模型正确性。     

基于子带分析的非线性电路故障诊断

针对非线性模拟电路故障诊断中Volterra级数(Volterra核)计算复杂的难题,基于Volterra核的频谱子带分析,提出了利用将Volterra核进行子带分解以降低计算复杂度的方法。首先将激励信号分别输入正常电路和故障电路得到两种电路的输出,然后分别计算正常电路和故障电路的Volterra子带核,通过求解两种电路Volterra子带核的相关系数实现故障元件的特征提取。实验结果表明,该方法不仅能提高故障诊断效率,还能有效提取灾难型故障(硬故障)和参数型故障(软故障)的故障特征。     

基于相关解调法的车辆变速箱故障诊断研究

变速箱是车辆最重要的传动装置,同时也是故障率较高的机构,对其健康状况和故障进行准确评估与诊断具有重要意义。相关解调法是一种既有较好的降噪效果,又能最大限度地保留信号中周期性成分的故障诊断方法。通过全面系统的理论分析,得出的调幅、调频、调幅调频信号经过自相关后各有其特点,但均转化为调幅的形式,且调制频率不变;因此相关解调法适合于提取调幅、调频特征共存的变速箱振动信号的故障特征。最后通过数字信号仿真,验证理论推导的正确性,并将其应用于某特种车辆变速箱的故障诊断,达到较好的效果。     

基于mRMR原则和优化SVM的模拟电路故障诊断

为了解决模拟电路故障诊断中有效特征提取困难和提高故障诊断的准确率,提出了一种基于最小冗余最大相关(minimum redundancy maximum relevance,mRMR)原则和优化支持向量机(support vector machine,SVM)的模拟电路故障诊断新方法.该方法利用mRMR原则对待诊断电路响应信号进行特征提取,将得到的最优故障特征输入SVM进行故障分类识别,并用遗传算法(genetic algorithm,GA)优化SVM的核参数,避免参数选择的盲目性,提高模型的诊断精度.实验结果表明该方法是有效的,提高了模拟电路故障诊断精度.     

基于Volterra频域核和神经网络的非线性模拟电路故障诊断法

本文提出基于非线性电路频域核的神经网络诊断方法。通过范德蒙特法得到各种工作状态下电路响应的各阶频域核,提取故障特征并适当预处理后与相应的电路工作模式一起构成输入/输出样本集,利用训练样本和测试样本分别对神经网络训练和测试,借助神经网络实现故障诊断。文中给出了各阶频域核的递推算式和求解方法,并通过一个基于递归神经网络的非线性电路诊断实例加以验证。     

基于Sammon映射和随机森林算法的模拟电路故障诊断

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,提出基于Sammon映射和随机森林的模拟电路故障诊断方法。首先对采集到的电压信号进行小波包分解并提取不同子频带的能量谱,然后利用Sammon映射对子频带能量谱进行优化,最后将得到的故障特征输入随机森林进行故障诊断。仿真结果表明:该方法故障诊断率高,能够有效识别模拟电路的故障元件。     

基于GMKL-SVM的模拟电路故障诊断方法

提出了一种新颖的基于广义多核支持向量机(GMKL-SVM)的模拟电路故障诊断方法。首先,应用Haar小波分析提取被测电路时域响应信号的小波系数作为特征参量,并生成样本数据;然后,基于样本数据,应用量子粒子群算法对GMKL-SVM的参数进行优化,并以此建立基于GMKL-SVM的故障诊断模型,用于区分模拟电路的各个故障。实例电路的单故障和双故障诊断实验结果表明,所提出的GMKL-SVM方法能较好地实现模拟电路故障诊断,与传统的GMKL-SVM方法相比,表现出了更好的性能,获得了更高的故障诊断正确率。