模拟数字电路故障诊断新方法

利用小波变换与神经网络相结合的方法,采用能量分布特征提取方法和改进BP算法,给出了一种基于小波变换和BP神经网络相结合的模拟电路故障诊断方法.用正弦信号仿真模拟电路,应用小波变换对模拟电路的采样信号进行多尺度分解,再进行能量分布特征提取,然后利用神经网络对各种状态下的特征向量进行分类识别,实现模拟电路故障诊断.在用神经网络诊断模拟电路的基础上,进行了将神经网络用于数字电路单故障诊断的研究.对两者的实例电路仿真结果表明,神经网络可以有效、方便地实现电路的故障检测和定位,准确率高,为故障诊断的研究提供了一种新思路.     

基于神经网络方法的模拟电路故障诊断研究

小波变换是一种时频分析方法,具有多分辨率特性,被誉为数学显微镜;而BP神经网络具有较好的泛化能力,很适合判断电路状态属于哪种故障类型的分类问题。将二者结合起来,采用基于小波神经网络的模拟电路故障诊断方法,应用小波变换对模拟电路幅频响应的采样信号进行故障特征提取,然后利用BP神经网络对各种状态下的特征向量进行分类决策,实现模拟电路的故障诊断。通过对电路进行仿真,证明该方法能够实现故障检测及定位,具有准确率高的特点。     

基于小波神经网络的模拟电路故障诊断方法研究

小波变换是一种时频分析方法,具有多分辨率特性,被誉为数学显微镜,而BP神经网络具有较好的泛化能力,很适合于判断电路状态属于哪种故障类型的分类问题。本文将二者结合起来,采用基于小波神经网络的模拟电路故障诊断方法。应用小波变换对模拟电路幅频响应的采样信号进行故障特征提取,然后利用BP神经网络对各种状态下的特征向量进行分类决策,实现模拟电路的故障诊断。通过对电路进行仿真,证明该方法能够实现故障检测及定位,具有准确率高的特点。     

改进的BP神经网络在模拟电路故障诊断中的应用研究

介绍了应用小波变换法与BP神经网络相结合实现模拟电路故障诊断的方法。应用小波变换法作为故障信号的预处理器,提取故障特征量,减小了BP神经网络的规模。该方法提高了神经网络收敛的速度以及故障类别识别的准确度,具有一定的应用价值。     

一种基于小波预处理的模拟电路故障诊断方法

文中提出了一种基于小波预处理的模拟电路故障诊断方法。由于小波分析具有数据压缩和特征提取的特性,我们利用小波变换对电路脉冲信号进行多尺度分解,提取特征向量输入神经网络进行训练。实验表明,该办法可以有效地减少神经网络的训练时间,提高模拟电路故障诊断的准确率。     

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。     

一种基于小波-神经网络的模拟电路故障诊断方法

小波分析具有数据压缩和特征提取的特性,神经网络具有非线性映射和学习推理的优点。结合两者的特点,提出了一种基于小波与神经网络的模拟电路故障诊断方法,该方法用小波变换对电路响应信号进行特征提取,从而简化神经网络的结构,降低计算的复杂度,加快了训练速度。对实例仿真表明,该法能有效地对模拟电路进行故障诊断。     

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。     

一般性问题

TN062 2004060001小波神经网络在摸拟电路故障诊断中的应用研究/谢宏,何怡刚,周应堂,吴杰(湖南大学)}}湖南大学学报,一2004,31(4),一38一40对模拟电路提出了一种基于小波与神经网络辅助式结合的故障诊断方法.该方法用小波变换作为模拟电路故障信号的预处理器、大大减少神经网络的输入数目,简化神经网络结构和减少它的训练时间,提高辨识故障能力在介绍该故障诊断方法的基本原理后,给出了小波函数及故障特征选择的方法.图4参5(午)一般性问题~~     

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。     

基于Elman神经网络的模拟电路故障诊断研究

针对模拟电路的软故障,文中提出了一种基于改进Elman神经网络与提高特征向量有效性相结合的诊断方法。该方法对不同情况下的输出信号进行3次小波分析,形成8维的特征向量,再与改进的Elman神经网络结合进行分类与诊断。将改进Elman神经网络应用于非线性模拟电路故障诊断中可提高其诊断率与分类率。文中对其诊断方法进行了实验对比测试,结果表明,该方法提高了诊断性能,其诊断率与分类率分别为92.5%和83%。     

基于LMD和SVM算法的模拟电路故障诊断

对模拟故障电路进行特征提取与分类是模拟电路诊断的两个重要环节。现有方法多对时域响应信号进行小波变换以提取故障特征,并用神经网络或支持向量机方法实现对故障进行分类。为提高模拟电路故障诊断率,提出一种局域均值分解(LMD)与SVM相结合的新算法。该算法运用局域均值算法(LMD),将其自适应地分解为一系列单分量调幅-调频信号(PF),通过提取电路正常和故障状态的特征,运用SVM对其分类,获得诊断效率。仿真实验结果表明,该方法对模拟电路的故障诊断精度达到98%以上,适用于模拟电路的故障诊断。     

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GA-LMBP算法的模拟电路故障诊断方法

主要分析遗传算法和BP神经网络的特点和存在的一些缺陷,研究遗传算法和改进型的BP算法相结合的相关技术,设计并实现一个基于遗传算法和LMBP算法相结合的GA—LMBP算法。通过诊断实例．比较三种算法的模拟电路故障诊断,结果证明在相同精确度的要求下,基于GA—LMBP的算法可以大大提高模拟电路故障诊断准确率。     

一种基于神经网络的模拟电路故障诊断方法

提出了一种基于模拟电路故障诊断的神经网络方法。这种方法利用小波分解、数据标准化、主成分分析对输入数据进行预处理,采用k个神经元输出的前馈神经网络结构进行有效训练。该方法检测和识别故障准确率高,系统的鲁棒性和稳定性强。     

小波神经网络在电磁无损检测中的应用

在基于正交小波变换的小波神经网络模型构造的基础上,选取B-小波为小波基提出了一种小波神经网络新算法。通过选取典型训练样本集的方法提高了该小波神经网络诊断的准确性,并运用该小波神经网络对钢丝绳电磁无损检测信号进行了压缩与重构,试验结果证明了小波神经网络能够较为理想地完成缺陷信号的智能化检测,采用小波神经网络算法比传统的断丝识别方法准确率提高了很多。