基于小波变换的神经网络模拟电路故障诊断

对模拟电路提出了一种基于小波变换与神经网络相结合的故障诊断方法,该方法用小波变换对模拟电路故障信号提取小波特征,并经小波变换压缩,再将故障特征量输入至神经网络处理。结果表明,该方法有效地减少神经网络输入层单元数,简化了神经网络结构,提高了故障诊断能力。     

一种新的模拟电路故障诊断小波神经网络方法

结合小波变换和神经网络二者之间的优点,提出基于小波神经网络的模拟电路故障诊断方法.采用能量分布特征提取方法和改进BP算法,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.相对于传统的故障诊断方法,用小波变换对故障信号进行预处理,大大减少了神经网络的输入数目,从而简化了神经网络的结构和减少了它的训练时间,并提高了辨识故障类别的能力.对实例电路仿真结果表明,该方法能正确识别各种故障状态,准确率高.     

一种新的模拟电路故障诊断小波神经网络方法

结合小波变换和神经网络二者之间的优点，提出基于小波神经网络的模拟电路故障诊断方法。采用能量分布特征提取方法和改进BP算法，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。相对于传统的故障诊断方法，用小波变换对故障信号进行预处理，大大减少了神经网络的输入数目，从而简化了神经网络的结构和减少了它的训练时间，并提高了辨识故障类别的能力。对实例电路仿真结果表明，该方法能正确识别各种故障状态，准确率高。     

模拟电路单故障与多故障诊断的提升小波和RBF方法

为了更高效、更准确地诊断模拟电路的单故障和多故障,提出了提升小波和RBF神经网络相结合的方法。该方法用提升小波系数表征故障电路的特征,训练RBF神经网络,将训练好的神经网络作为分类器,对故障电路进行诊断。通过对比,提出的提升小波方法诊断效果明显优于传统小波,准确率达到99.2%,用时更长。结果表明,基于提升小波和RBF神经网络的模拟电路单故障与多故障诊断方法可以有效地提取故障电路的特征并准确快速地对故障进行分类。     

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.     

基于小波和神经网络的传感器故障诊断

提出了一种新的基于小波包变换和BP神经网络的传感器突变故障诊断方法。根据小波变换在时域和频域都具有良好的局部化特性对信号特征进行精确定位,根据传感器输出信号的小波包分析提取能量变化率的特征向量,利用BP神经网络进行传感器故障分类。这种方法无需预先建立传感器模型和测量传感器输入信号,通过对小波包系数的削减,减少了冗余数据,提高了故障检测的实时性。仿真实验结果表明了该方法的有效性。     

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Morlet小波变换模拟实现的机械振动故障诊断

为了对机械振动故障进行实时诊断,提出了基于开关电流技术的Morlet小波变换的模拟实现方法。利用开关电流电路构造高斯函数发生器,解决了Morlet小波变换模拟实现的关键问题,其良好性能得到了仿真结果的证实。将Morlet小波变换应用到机械振动故障诊断中,根据对振动信号小波变换的模极值点来定位奇异信号,提取出故障信息。仿真结果表明了该方法对机械振动故障实时诊断的有效性。     

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.     

基于小波包信息熵和小波神经网络的异步电机故障诊断

采用一种基于小波包信息熵和小波神经网络的方法对异步电机进行故障诊断。将故障信号进行小波包预处理,并在此基础上提取信号的小波包能谱熵和小波包系数熵,构成信号的信息熵特征向量。训练小波神经网络使其在输入特征向量后能有效检测并输出故障模式,以实现对单一故障和复合故障的诊断。通过内嵌的方式把小波变换融入神经网络,具有良好的自适应分辨率和容错能力,可以有效避免局部最小值以及收敛速度过于缓慢的问题。试验表明,基于小波包信息熵和小波神经网络的方法能很好地进行异步电机的故障诊断,且该方法优于同参数下的BP神经网络模型。     

基于遗传小波神经网络的电网故障诊断方法研究

电网故障中继电保护和断路器的拒动、误动以及信息上传过程中的丢失、畸变等问题使快速、准确的故障诊断仍是一个难题。神经网络方法虽已应用,但神经网络容易陷入局部极小值,针对此情况,提出了基于小波神经网络和遗传算法相结合的故障诊断方法。用遗传算法学习小波神经网络的权值、尺度函数、结构,可以确定用于故障诊断的最优小波神经网络。并对算例进行了仿真,仿真结果表明优化的故障诊断系统优于BP算法的诊断系统,提高了故障诊断精度。     

小波包特征熵-神经网络在轴承故障诊断中的应用

提出了一种基于小波包特征熵-神经网络的轴承故障诊断新方法。首先对采集到的轴承的振动信号进行三层小波包分解,提取小波包特征熵,然后构造信号的小波包特征向量,并以此向量作为故障样本对三层BP神经网络进行训练,实现智能化故障诊断。仿真结果表明该方法有效可行。     

子波神经网络在故障诊断中的应用研究

根据旋转机械常见的的故障类型和故障信号时域采样数据 ,以子波空间作为模式识别的特征空间 ,采用信息熵为代价函数的神经网络学习算法 ,由子波神经网络对故障进行学习和诊断 .实验结果表明 ,子波神经网络的故障诊断方法在不了解故障信号频率结构的情况下 ,即可对平稳和非平稳故障信号进行诊断 ,适于设备在线监测及设备的巡检     

基于模糊神经网络的模拟电路故障诊断算法

将小波包分析、模糊理论和神经网络有机结合在一起,提出了一种基于小波包特征提取和模糊规则的模拟电路故障诊断的神经网络算法。计算和仿真实验结果表明,该方法可以减少网络的训练规模,加快网络的收敛速度,能够为模拟电路故障诊断提供一种新的有效的方法。     

基于小波变换和人工神经网络的保护模型

采用一种结合小波变换和神经网络原理的模型,来识别电力系统短路故障．用小波变换提取测量信号的特征量,作为多层前向神经网络的输入．对不同的输出要求,采用不同的神经网络,判断出发生故障的相别、性质和位置．实验结果表明,该模型是有效、可行的．     

基于小波神经网络的CFG桩复合地基承载力预测

针对BP神经网络学习时间长、收敛速度慢等缺陷,借助小波分析理论,将母小波平移和伸缩构成的小波基作为神经网络的激励函数,通过指导网络的初始化和参数选取,使网络以较简单的拓扑结构实现函数逼近,利用网络训练建立起承载力与其影响因素之间的非线性关系.在相同结构和参数下,与BP神经网络进行分析对比.结果表明:利用小波变换对数据时...     

基于小波变换和人工神经网络的保护原理研究

提出了一种利用小波变换提取信号特征,并结合神经网络来识别电力系统短路故障的方法．该方法首先对测量信号作小波变换,提取特征量,作为多层前向神经网络的输入．对不同的输出要求,提出采用不同的神经网络,判断出发生故障的相位、性质和位置．