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.     

集成散度的MKL模型在模拟电路诊断中的应用

为提升模拟电路故障诊断精度,结合基于故障特征间一维模糊度的特征选择算法,提出一种新的多核超限学习机诊断模型。该模型通过设置虚拟的基核,将正则化参数融入基核权重求解过程中;同时,通过将特征空间类内散度集成到多核优化目标函数中,在最小化训练误差的同时,使得同一模式的故障样本更加集中,有效提升了故障模式间的辨识力。通过两个模拟电路诊断实例表明：相比于单核学习算法,所提方法可以显著提升诊断精度,并且可以将难以辨识的故障样本更加准确地隔离到相应模糊组中;相比于一般的多核学习算法,所提方法在取得相似诊断精度的同时,时间花费更少。     

基于克隆选择和聚类的模拟电路故障诊断技术

提出了一种克隆选择和聚类的模拟电路故障诊断技术,该技术将克隆选择算法的全局寻优和模糊C-均值的局部寻优相结合,并利用模糊C-均值的目标函数去构造克隆选择算法的亲和力函数,可以减少特征空间中样本的相互重叠所产生的诊断不确定性,利于故障模式的定位。仿真结果和分析验证证明：该方法缩短了故障的分类器收敛时间,提高了故障诊断率。     

基于Fisher准则函数的相关向量机模拟电路故障诊断*

针对模拟电路故障与特征间存在的模糊组及交叠、分类效果不理想的情况,提出基于Fisher准则函数的最佳聚类数自适应估计方法和基于稀疏贝叶斯相关向量机(RVM)理论的模拟电路故障诊断模型,采用模糊核聚类选择最优可诊断故障集,然后在贝叶斯框架下对故障进行分类.该模型可以对分类函数的权重进行推断,辅助进行诊断决策,提高了RVM...     

一种基于核密度估计的模拟电路故障诊断方法

为解决模拟电路中含有噪声等异常信息给支持向量机的最优分类面建立带来的困难,提出了一种基于核密度估计方法的模拟电路故障诊断新方法。首先提取电路的时域信号统计参数作为故障特征,然后运用核密度估计方法构造模糊隶属度函数,将该隶属度函数应用到模糊支持向量机上进行故障诊断。通过训练模糊支持向量机获得故障诊断模型,实现对电路单故障和多故障的诊断分类,能有效消除特征中噪声和野点的影响。将该方法应用于CSTV滤波电路进行仿真实验,结果表明该方法能突出不同故障的特性并正确有效地诊断出多故障类型,综合诊断正确率达到95%,为模拟电路故障诊断提供了新的技术途径。     

熵约束广义学习矢量量化神经网络和软竞争学习算法

结合广义学习矢量量化神经网络的思想和信息论中的极大熵原理,提出了一种熵约束 广义学习矢量量化神经网络,利用梯度下降法导出其学习算法,该算法是软竞争格式的一种推 广.由于亏损因子和尺度函数被定义为同一个模糊隶属度函数,它可以有效地克服广义学习矢 量量化网络的模糊算法存在的问题.文中还给出熵约束广义学习矢量量化网络及其软竞争学习 算法的许多重要性质,以此为依据,讨论拉格朗日乘子的选取规则.     

电子电路模糊神经网络故障诊断研究及仿真

针对模拟电路的故障特点,在确定智能诊断算法的基础上,论文尝试用高级语言编程来仿真实现.论文主要讨论了故障诊断的神经网络方法和将输入模糊化后的模糊神经网络方法,该方法结合了模糊逻辑和神经网络的优缺点,对于电阻元件的软故障,用模糊神经网络得到了比较理想的结果,对于所选的电路,用模糊神经网络可以对电阻增大和减小进行识别,实现了模拟电路软故障的辨识.对于模糊规则分不开的故障,可以运用神经网络进一步细分.论文着重以具体的模拟电路为研究对象编程模拟了诊断方法,结果证明这样的诊断方法是有效的.     

模糊核聚类相关向量机模拟电路故障诊断

针对模拟电路故障与特征间存在的模糊组及交叠,首先建立基于Fisher准则函数的最佳聚类数自适应估计方法,采用模糊核聚类选择最优可诊断故障集,然后提出一种基于稀疏贝叶斯相关向量机(RVM)理论的模拟电路故障诊断模型,提高了RVM模拟电路故障分类的效率和准确度;模型可以在贝叶斯框架下对分类函数的权重进行推断,而且得到各分类的验后概率,从而能判断分类结果的置信度,辅助进行诊断决策;仿真结果表明提出的模拟电路诊断模型在精度提高的情况下,比支持向量机需要的向量更少,更具稀疏性和泛化性,是一种有效的模拟电路故障诊断方法。     

模糊神经网络在模拟电路故障诊断中的应用

将模糊理论和神经网络结合起来用于模拟电路的故障诊断是一种有效的方法.首先测得模拟电路在故障状态和正常状态时各测试节点的电压值,并对其电压偏差值模糊化,从而求得不同故障状态下各测试节点的电压偏差值所对应的隶属度;其次,以各测试节点的隶属度和所对应的故障类型作为训练神经网络的样本,来建立从故障特征到故障类型的非线性函数;最后.将该方法用于视频放大电路的故障诊断.仿真结果验证了该方法的有效性.     

基于斜率故障模型的模拟电路软故障字典法

提出了一种新的模拟电路故障字典法。与传统方法不同,该方法利用两个节点电压之间的关系函数作为故障特征。对于线性模拟电路,节点电压关系函数为一次函数,函数的斜率可以作为故障模型,同时可以诊断硬故障和参数(软)故障。由于模拟电路存在容差,最小直线距离法可以用于处理电路中的容差问题。     

模糊免疫算法及其在模拟电路故障诊断中的应用

对模糊免疫算法应用于模拟电路故障诊断进行了研究;首先简要介绍了免疫系统的工作机理及一些基本概念,然后在此基础上构建出一种模糊免疫算法,并将免疫算法和模糊聚类法结合起来进行故障诊断;人工免疫算法起到学习样本的作用,以寻找到各样本组的聚类中心;而模糊聚类算法则准确地完成对样本的分类任务;仿真实例表明:立足于模拟电路故障诊断字典法,该算法对模拟电路故障诊断非常有效。     

TPS自动生成平台上的模糊故障字典法

目前数字系统的故障诊断和测试性设计技术已经比较成熟,而模拟系统的故障诊断,尽管起步较早,但进展缓慢。这主要由于参数值的连续变化、反馈和非线性等原因,使得模拟系统的故障诊断相对比较复杂。目前已经提出了多种诊断方法,故障字典法即为其中的一种,它通常用于直流电路硬故障的诊断。由于故障因素和容差因素互相交迭,具有一定的模糊性,这给故障字典的应用带来一定的困难。提出了一种基于模糊故障字典的模拟电路故障诊断方法,用模糊故障字典取代传统的故障字典,适用于模拟电路单故障的故障诊断及故障隔离,便于计算机辅助诊断。     

模糊聚类与SVM诊断模拟电路单软故障的方法

针对低可测性模拟电路中存在的模糊组问题,提出一种模拟电路单个软故障诊断的方法．该方法对被测电路的故障进行模糊聚类,根据聚类的有效性指标自适应确定聚类数,并利用聚类的信息来确定可测元件集,引入支持向量机对故障进行分类识别．支持向量机结构简单、泛化能力强．最后,以模拟和混合信号测试标准电路证实了文中方法的有效性．     

模拟电路故障诊断仪的设计

提出一种实用的分层故障字典诊断模型。首先进行子网络撕裂，缩小字典规模，随后运用交流故障字典法划分故障模糊集，最后运用直流故障字典法定位故障元件。该诊断模型有效地克服了传统故障字典方法中字典规模过于庞大的缺点。并且便于实现模拟电路的自动测试，故障定位准确率高。文中同时阐述了算法的应用和软硬件设计要点，并在某高炮控制系统模拟电路故障诊断中得到了应用。     

模糊神经网络及其在控制系统故障诊断中的应用

针对控制系统中模拟电路故障诊断时的不确定性问题,提出了将模糊理论和神经网络相结合的方法;首先利用模糊理论描述不确定性信息,然后利用人工神经网络完成不确定性推理,最后利用模糊理论对推理结果进行解释和决策,从而得出故障诊断结论;结合某型船舶主机遥控系统中延时电路板的故障诊断问题,阐述了将该方法应用于实际控制系统的故障诊断过程;结果表明,该方法能够较好地处理模拟电路故障诊断过程中的不确定性问题,有效地提高故障模式的识别能力,将故障准确地定位到元器件.     

一种基于ICQPSO的FCM模拟电路可诊断元件集识别方法

在模拟电路模糊组识别过程中,模糊C均值聚类(FCM,fuzzy C-means clustering algorithm)易陷入局部最优.针对此种缺陷,提出一种基于ICQPSO的FCM模拟电路可诊断元件集识别方法.首先对ICQPSO算法进行了分析;然后介绍了FCM算法及其有效性指标,在此基础上研究了基于ICQPSO的FCM方法;最后以某模拟电路为例进行了仿真实验.仿真结果表明,将该方法应用于模拟电路可诊断元件集的识别是行之有效的.     

大规模直流模拟电路软故障区间诊断方法

为了解决大规模模拟电路软故障诊断困难的问题,提出一种网络撕裂法、区间故障状态描述和模糊神经网络相结合的直流模拟电路软故障诊断方法.首先仿真出可能的故障元件单独在其全局取值范围内变化时对应的子网络中所有可测节点的电压区间值,再根据元件参数容差将电压区间值拆分成多个子区间,从而实现了元件故障状态的完整描述;考虑到神经网络难以处理区间数据的问题,先利用模糊算法对输入信号进行预处理,再采用神经网络来实现故障元件定位.最后通过电路诊断实例,验证了该方法的有效性.     

Fault isolation in analog circuits using a fuzzy inference system

This paper introduces a fuzzy inference system (FIS) for single analog fault diagnosis. The ability of fuzzy logic to encode structured knowledge in a numerical framework is exploited in isolating faults in analog circuits. A training set that simulates the behaviour of the circuit due to a set of anticipated single faults as well as the fault-free situation is first constructed. For each anticipated fault, this set relates the circuit measurements to the corresponding deviation in the faulty circuit element from its nominal. These measurements and the deviations in circuit elements are both fuzzified into appropriate linguistic fuzzy values. A fuzzy rule base for each fault that characterizes the circuit response by linking symptoms to causes is built. The outputs of the fuzzy rule bases are then defuzzified to recover crisp values for the deviations in circuit elements. A fault diagnosis procedure that utilizes the proposed FIS is also presented along with a brief analysis and comparison with a number of existing artificial intelligence-based techniques. A test example that demonstrates the potential of this procedure in fault isolation is illustrated.