容差电路软故障检测与定位

提出了一种基于统计理论与神经网络数据融合、可用于容差模拟电路软故障检测与定位的诊断方法.该方法将故障诊断分两个阶段进行,即故障检测与故障定位.通过监测可测点工作电压,利用所构建的故障阈值函数与故障判据来实现容差电路的故障在线检测.再通过离线测量电路在不同测试频率下输出对输入的增益,利用可测点工作电压与电路增益,运用所提出的数据融合方法及改进的BP算法对电路进行故障定位.模拟诊断结果表明,所提方法不仅可用于硬故障诊断,而且还能实现容差电路的软故障诊断,所需测试节点少,故障检测与定位准确率高.     

应用RBF网络和D-S证据推理的模拟电路诊断

提出了一种基于径向基函数网络与证据推理的模拟电路融合诊断方法,以解决模拟电路诊断中由于故障信息缺乏所致的诊断准确性问题,并提高其训练速度。采集多类电路信息,对应于每类特征参量构造一个径向基函数网络,由这多个彼此独立的径向基函数网络来完成故障的初级诊断。再用初级诊断中各子网络的输出结果构造证据体,通过证据融合推理分析,得出最终的故障定位结果。模拟实验结果表明,所提方法对于电路的硬故障与元件参数偏移较小的软故障诊断均有效,其充分挖掘了多类测试信号中的故障信息,提高了诊断结果的准确率。     

基于多类电量测试数据融合的模拟电路故障诊断

提出了一种利用多类电量测试数据、基于神经网络与模糊集理论的模拟电路故障诊断新方法.检测可及节点电压并测量电路在选定的各测试频率下输出对输入的增益,分别利用此两类测试数据,各用一个独立的BP网络对电路进行初步诊断,再运用所提出的模糊融合诊断算法及其故障定位规则进行故障定位.模拟实验结果表明:所提方法克服了基于单一信息诊断方法的不足,对硬故障与元件参数偏移较小的软故障均适用,故障定位准确率高.     

模拟电路的融合智能故障诊断

提出了一种基于遗传算法、神经网络、模糊集理论与数据融合技术相结合的模拟电路故障诊断新方法。该法使用多类电路测试数据来解决由于测试节点不足而带来的故障信息欠缺等问题，采用遗传算法来优化BP网络的结构与初始权值分布。对每类测试信息各用一个独立的所提遗传神经网络进行初步诊断，得到基于各类测试信息的被诊断电路属于不同故障状态的可能性。在充分考虑每个神经网络输出信息重要程度的基础上，采用模糊积分融合方法进行决策融合。文中研究了其故障特征提取、样本选择、诊断系统结构、学习算法及其综合决策方法，并通过电路诊断实例，阐述了该方法的具体实现，验证了所提方法的鲁棒性。诊断结果表明：所提方法对容差模拟电路的多故障与单故障诊断均适用，故障定位准确率高。     

基于信息融合的模拟电路故障诊断方法分析

采用2种基于信息融合故障诊断方法,说明用于模拟电路故障诊断的特点.首先利用指定频率下可测点电压、不同测试频率下输出端电压和测试元件的温度3组测试数据,分别用一个改进的BP网络对电路状态进行预处理,得到每个传感器对各待诊断元件的隶属度函数分配,再分别用模糊融合和D-S融和算法进行决策层信息融合并进行故障定位.仿真结果表明:信息融合方法能够克服基于单一信息诊断的不足,提高电路故障诊断的正确率,对单、多软、硬故障均可识别,D-S融合算法在解决电路故障诊断中的不确定性问题方面优于模糊融合.     

模拟电路故障检测与定位新方法

提出了一种基于统计理论与智能信息处理技术的容差模拟电路故障检测与定位新方法。在充分考虑容差效应的基础上,构建了故障阈值函数与故障判据,从而可通过监测可测点工作电压实现电路的故障在线检测。再通过离线测量电路在不同测试频率下输出对输入的增益,将可测点工作电压与电路增益两类测试信息经特征层融合,运用所提出的遗传神经网络方法对电路进行故障定位。仿真结果表明:所提方法对模拟电路的硬故障与元件参数偏移较小的软故障均适用,故障检测与定位准确率高。     

神经网络结合信息融合的模拟电路故障诊断

为提高模拟电路故障诊断识别的准确率,将信息融合技术结合神经网络运用于模拟电路故障诊断,取模拟电路的输出电压和电源电流为信息源,以神经网络为信息融合中心,用以增强电路的诊断能力.诊断实例表明采用信息融合技术进行电路故障诊断比单独采用电压值为故障特征向量进行诊断的准确率要高.为模拟电路故障诊断提供了一种新的有效方法.     

基于信息融合的变压器故障多级诊断方法

建立了基于信息融合的变压器故障多级诊断模型,该模型融合了在线监测、油中溶解气体、电气试验等多源数据信息。采用自适应遗传算法优化的小波神经网络对变压器故障进行初级诊断,通过改进D-S证据理论对初级诊断结果进行决策级融合,实现对变压器故障的深度诊断与定位。通过应用实例证明,该方法可以有效提高变压器故障诊断的精度和可信度,减小诊断的不确定性。     

基于多频小波分析和D-S推理的电路故障诊断

对于模拟电路,提出了一种对多频响应信号特征进行信息融合的故障诊断方法。选取多种频率信号作为电路的输入,对响应进行小波分析,提取各频带信号的能量特征,经归一化处理得到与电路状态对应的故障特征矢量。待测样本作为未知故障模式与故障特征矢量进行灰色关联分析,得到待测样本与各故障模式的灰色关联度。以灰色关联度构造证据合成规则所需的基本概率赋值函数,并利用D-S证据推理进行融合诊断。实验证明,与现有方法相比,本方法测试成本低、诊断准确率高,对于轻微的软故障,也能进行有效的诊断。     

CNP神经网络在非线性电路故障诊断中的应用

本文通过对耦传播神经网络电路故障诊断方法的研究和分析。通过CPN神经网络建立起信息融合中心,并通过算法对多传感器采集的数据进行信息融合,从而减少了电路故障诊断的不确定性。本文通过改进CPN网络算法的初始权重的设置方法,克服了输入向量限制的局限性;通过优化CNP算法提高了算法的运行效果;实验结果表明,CPN神经网络的多传感器信息融合电路故障诊断的方法,可使实际故障元件的隶属度值大为增加,待诊断对象的可分析性也得到增强。该方法可准确定位故障元件,具有适应范围广、诊断率高、响应速度快等优点。     

基于小波神经网络的模拟电路故障诊断改进

在运用神经网络进行模拟电路故障诊断的过程中,代表着故障特征的网络输入至关重要,由于小波变换的时频局部化和多尺度分析等特性,将两者结合起来,通过小波变换对模拟电路的输出响应进行故障特征提取,同时解决PSPICE与MATLAB之间的数据通信问题,提出将蒙特卡罗分析产生的所有训练样本经过处理后输入到一个神经网络进行训练的方法,从而避免了训练多个神经网络。利用神经网络对各种故障模式进行分类,实现模拟电路的故障诊断,并进一步与传统的BP网络故障诊断法进行比较。仿真结果表明,该方法可以实现故障检测及定位,诊断的准确率显著提高,适用于模拟电路故障诊断。     

基于BP网络的容差模拟电路故障诊断研究

传统模拟故障诊断多采用K故障诊断法,即在已知拓扑结构和元件参数的标称值前提下,不必对故障进行模拟,就可以计算出各元件发生故障的统一特征,找出故障位置.但对于有容差干扰的电路检测速度将会变慢,甚至影响检测效果的可靠性.鉴于此,引进BP神经网络,将K故障诊断法与BP网络相结合,用于容差模拟电路故障检测,其方法具有实时诊断性和鲁棒性特点.故障诊断实例和计算机仿真结果证明,本文所提出的观点是可行的.     

模糊数据融合技术在系统故障诊断中的应用

利用系统故障症状的分散性，提出了一种基于模糊数据融合技术的系统故障诊断方法。首先，为保证量测信号的准确性，采用同源多传感器数据层融合以及多传感器信息优化协调技术对量测数据进行初步处理，为系统故障模糊融合诊断奠定基础；然后，针对同一症状的不同表现信息，采用多个模糊神经网络得到对故障的局部决策，利用模糊积分融合方法，识别出该症状所对应的故障。最后针对某液体火箭发动机的泄漏故障进行仿真，并与常规模糊神经网络故障分类器进行对比。研究表明，在对渐变故障的诊断中，本法较常规模糊神经网络故障分类器具有更好的诊断性能。     

基于波形相似度的容差模拟电路软故障诊断

针对容差模拟电路输出波形参数的随机性,构造了描述特定电路状态的特征区间向量,据此提出了一种基于多频响应波形相似度的软故障诊断方法。对每一种软故障,分别施加K种不同频率的激励信号,获取K个由输出响应构成的标准特征区间向量作为该故障状态的信号特征。对待测电路施加相同的K种频率的激励信号,获取K个待测样本,分别与每种故障模式的K个相应的标准特征区间向量进行相似度计算,获取K个波形相似度,在波形相似度融合中考虑了均方差权重系数和可信度权重系数,得到待测样本与该故障模式的总体相似度。最后依据一定的模糊规则进行故障定位。仿真实验证明,本方法在保证较高诊断准确率的情况下,对测点要求低,易于在自动测试系统中实现诊断的自动化。     

容差模拟电路软故障诊断的神经网络方法

为了提高诊断容差模拟电路软故障的速度与准确性,提出了一种随机算法、灵敏度分析、免疫遗传算法与神经网络相结合的软故障诊断方法.该法首先利用基于随机算法的灵敏度分析来解决电路发生软故障时测试节点与激励信号频率选择困难的问题,然后对待测电路施加所选的激励并在所选择的测试节点处提取节点电压,这些电压值再经主元分析与归一化处理作为故障特征,输入神经网络.为了解决传统BP算法本身固有的易陷入局部最优等缺点,引入免疫遗传算法来进行优化,形成基于免疫遗传算法的BP神经网络,进行故障分类.本文详述了其诊断原理及诊断步骤,并通过电路诊断实例,验证了所提方法的有效性.