基于最大故障特征信息量准则的故障搜索策略

针对利用故障树搜索故障时路径不惟一的问题,研究利用诊断树进行故障搜索的策略。利用信息论中自信息和熵的概念,给出了故障特征信息量的定义,介绍了故障特征信息量的计算方法。制定系统的故障搜索策略时,首先选择故障特征信息量最大的特征进行测试。根据对故障特征的测试顺序建立诊断树,然后按照诊断树搜索系统故障。利用这种方法,可以根据前一个故障特征的状态来决定下一步测试或检查的内容,使故障搜索策略具有自适应特性,实现系统故障的动态和快速搜索。     

考虑异质信息不相容的模拟电路融合诊断

研究提出了一种基于异质信息融合的模拟电路故障诊断方法,以解决模拟电路诊断中故障特征信息缺乏和决策融合中异质信息不相容而导致误判等问题.该法首先采用基于可转移置信模型的核近邻法提取电路温度特征信息,并进行故障预识别,再结合基于可测点电压的神经网络故障预识别结果,在考虑信息不相容的情况下计算关联权重系数、先验权重系数,从而实现电路的综合诊断.电路仿真试验结果表明,所提诊断方法对容差模拟电路的多故障和单故障均适用,故障定位准确率高.     

基于最大故障信息量的电路板故障搜索

某型导弹地面发控电子装备采用集中控制管理的工作模式,在使用与维修中,检测到电路板级的维修是最终级的。电子装备电路板集成化程度和元件的密集度较高,拆装不便,受环境影响故障监测信息获取难度较大。基于此,文章采用电路仿真软件,对电路板软、硬故障仿真测试,基于最大故障信息量诊断准则,建立了故障搜索诊断树。该方法充分利用诊断信息,每步搜索按故障特征信息量最大的特征进行,动态地调整故障搜索路径,能实现具有惟一性的最佳搜索寻因定位故障。     

基于小波变换预处理的模拟电路故障诊断

把小波变换用于模拟电路故障诊断中。输出信号的低频系数反映了信号的概貌特征．表征了电路的故障情况,因此,利用小波变换有效地提取故障特征信息。提出了“小波系数-故障”的故障诊断方法。计算和实验结果表明：该方法可以简化神经网络的结构和减少它的训练时间,快速高效地进行模拟电路故障诊断与定位。     

应用模糊最优小波包和LS-SVM的模拟电路诊断

为解决模拟电路故障诊断中的特征提取困难并对模拟电路故障信号进行有效的分类,提出了一种结合模糊理论、小波包分解和最小二乘支持向量机(LS-SVM)的模拟电路诊断方法。该法首先对模拟电路的响应信号进行小波包分解,并引入模糊准则对其优化,得到由分类能力强的最优小波包基能量值构成的特征集,然后将特征集输入LS-SVM网络,实现对不同故障类型的识别。小波包的优化分解减小了LS-SVM网络的规模,从而降低了算法复杂度,加快了网络的训练时间和分类速度。模拟诊断实例表明,此方法能快速有效地实施模拟电路的故障定位。     

基于粒子群优化径向基神经网络在模拟电路故障诊断中的应用

为检测和诊断模拟电路中的故障,提出粒子群算法优化RBF神经网络的故障诊断方法,即把通过特征提取获得的模拟电路故障特征量作为神经网络的输入,然后利用训练好的粒子群优化后的RBF神经网络进行故障诊断. 结果表明,该方法具有良好的分类效果,能够提高诊断精确度,对于模拟电路的故障是一种有效的诊断方法.     

基于容差参数区间估计法的谐振式无线充电系统故障诊断

为了解决谐振式无线充电系统元件参数偏移故障定位诊断困难的问题,通过分析谐振式无线充电系统电路结构的特征,对电流信号进行傅里叶分析提取有效特征量,基于容差参数区间估计法对元件参数偏移故障进行诊断。通过模拟各种元件参数偏移故障,验证容差参数区间估计法对于此类故障诊断的有效性。结果表明,此方法不但简单易于操作且对于定位诊断谐振式无线充电系统元件参数偏移故障有很好的诊断能力。     

基于小波和ELM的电路故障诊断方法研究

为提高模拟电路故障特征提取的有效性以及实现对故障模式的准确分类,提出一种小波包分解和超限学习机(ELM)结合的模拟电路故障诊断方法。文中首先对模拟电路的响应信号进行小波包分解,得到小波包能量值、均值和标准差构成的特征集,然后将特征输入超限学习机中,实现对不同故障类别的识别。模拟诊断实例表明,此方法能快速有效地实现模拟电路故障识别。     

模拟电路故障最优特征搜索与识别

为解决模拟电路故障诊断中故障特征选取的难题并提高故障识别率,提出一种故障最优特征矢量候选集的搜索算法,并构造了模式最佳邻居查询规则来选取故障模式最优特征进行故障识别.以故障信号小波包分解的频段能量值构造故障样本的初始特征矢量,搜索识别多种模式的特征子矢量生成最优特征矢量候选集,查询模式最佳邻居确定其最大邻域,在综合判据监督下选取故障最优特征完成故障识别.模拟诊断实例表明,选取的最优特征在诊断模拟电路故障时具有满意的准确率.     

大规模模拟电路故障诊断方法研究

根据模拟电路故障诊断网络撕裂法和交叉撕裂法的准则,基于BP神经网络提出了一种实用的大规模模拟电路故障诊断方法。该方法能快速有效地进行故障定位,具有测前工作量小、工程实践性强等优点。     

基于随机投影和NB网络的模拟电路故障诊断

针对模拟电路故障诊断中故障类型复杂多样、典型故障信息难以获取以及易受噪声、温度等环境影响的难题,提出一种基于随机投影和朴素贝叶斯网络的模拟电路故障诊断方法。该方法首先提取模拟电路故障信息,并利用随机投影算法降维后获取模拟电路故障特征向量,然后通过朴素贝叶斯分类器诊断模型识别模拟电路各个故障。通过对CSTV滤波器电路、四运放双二次高通滤波器电路和实际Sallen-Key带通滤波器电路的实验结果分析表明,相对于传统的模拟电路故障诊断方法,该方法表现出更优的故障诊断性能,并具有更强的抗干扰能力。     

基于小波神经网络的电路故障诊断方法

本文根据小波神经网络故障诊断的基本思想,提出了一种基于“小波系数特征故障”的小波预处理神经网络模拟电路故障诊断方法。实验仿真结果表明,使用该方法提取故障特征加快了BP神经网络的训练速度.能迅速有效地进行故障检测和定位。     

Fuzzy classifier for fault diagnosis in analog electronic circuits

Many studies have presented different approaches for the fault diagnosis with fault models having ±50% variation in the component values in analog electronic circuits. There is still a need of the approaches which provide the fault diagnosis with the variation in the component value below ±50%. A new single and multiple fault diagnosis technique for soft faults in analog electronic circuit using fuzzy classifier has been proposed in this paper. This technique uses the simulation before test (SBT) approach by analyzing the frequency response of the analog circuit under faulty and fault free conditions. Three signature parameters peak gain, frequency and phase associated with peak gain, of the frequency response of the analog circuit are observed and extracted such that they give unique values for faulty and fault free configuration of the circuit. The single and double fault models with the component variations from ±10% to ±50% are considered. The fuzzy classifier along the classification of faults gives the estimated component value under faulty and faultfree conditions. The proposed method is validated using simulated data and the real time data for a benchmark analog circuit. The comparative analysis is also presented for both the validations.     

无线传感器网络多级融合的机械故障诊断方法

针对无线传感器网络(wireless sensor networks,简称WSNs)在机械故障诊断应用中大量振动信号不能实时传输的问题,提出基于无线传感器网络多级分层信息融合的机械故障诊断方法。采用簇树网络结构扩大网络监测覆盖范围,将WSNs信息融合分为数据级融合、特征级融合及决策级融合3个级别,终端节点对原始振动信息进行数据级融合以提取特征信息,簇头节点对特征信息进行特征级融合得到模式识别结果,网关节点对识别结果进行决策级融合以评估机械设备运行状态。实验表明,该方法能有效应用于机械故障诊断。     

基于粗集约简预处理的模拟电路故障诊断

基于人工神经网络的智能故障诊断系统作为人工智能技术在模拟电路故障诊断领域的应用,在实践中取得了一定的成效。但将神经网络用于电路故障诊断时,知识具有隐含性,可解释性差,且对输入数据的冗余难以约简,获得每一个训练样本都要进行一次测试或模拟计算,样本花费代价很大,而粗糙集理论作为处理不确定、不完整、不精确知识的有力工具,具有强大的知识约简和定性分析能力。因此,该文提出了对模拟电路的故障特征进行粗集约简预处理研究的智能诊断方法。并举例说明诊断系统的具体实现方法,仿真结果表明:在相同的精度要求下,该算法的训练时间远小于普通的进化神经网络,对模拟电路的故障诊断有一定的实际意义。     

基于小波变换和ICA特征提取的开关电流电路故障诊断

提出了采用小波变换和独立成分分析(ICA)作为预处理器来进行特征提取的神经网络开关电流电路故障诊断方法。该方法对采集到的故障响应信号进行Haar小波正交滤波器分解,获得低频近似信息和高频细节信息;然后利用独立成分分析方法进行ICA故障特征提取;最后将所得到的最优故障特征输入到BP神经网络中进行故障分类。对六阶切比雪夫低通滤波器和六阶椭圆带通滤波器电路进行了仿真实验验证,获得了100%的故障诊断准确率,与其他方法进行比较,实验结果显示了该方法的优越性。     

故障诊断中基于神经网络的特征提取方法研究

在电路状态检测与故障诊断过程中,恰当地选择特征参数是诊断成败的关键。本文研究了基于神经网络的特征评价和特征提取方法,利用神经网络的训练结果对特征参数进行合理的评价。由于神经网络满足高分辨率信息压缩所需的非线性映射条件,通过特征提取将电路故障模式识别中复杂的分类问题转移到特征处理阶段,利用神经网络有效地实现了特征参数的提取。诊断实例验证了该方法的有效性。     

A novel approach of analog circuit fault diagnosis using support vector machines classifier

This paper presents a novel approach of diagnosing actual analog circuits using improved support vector machines classifier (SVC) and this method falls into the category of fault dictionary. The stimulus is exerted on the circuit under test (CUT), and then the output responses are collected. Preprocessing technique is used to compress these responses and get feature samples. The fault classifier is based on the conventional “one against rest” SVC, which is then used to train these feature samples. In order to reduce the test time, the label analysis method for this classifier is employed. However, this simple method will generate a refusal area, which is then resolved by the introduction of space distance discriminant analysis and an apparent diagnosis performance improvement is thus achieved. Two actual experiments, based on data acquisition card (DAC) and digital signal processor (DSP) system respectively are demonstrated to validate the proposed method.