非鲁棒路径时滞故障测试生成算法

针对数字电路中非鲁棒路径时滞故障测试时间长、故障覆盖率较低的问题,提出了人工蜂群优化的测试生成算法。该算法首先应用电路转换法则把数字电路转换成为其等效电路,然后用Hopfield神经网络构建等效电路单固定故障的约束电路,并得到能量函数;再应用人工蜂群优化算法计算能量函数的最小值以得到等效电路单固定故障的测试矢量,最后根据对应关系得到原电路非鲁棒路径时滞故障的测试矢量对。在ISCAS’85国际标准电路上的实验结果表明:该算法故障覆盖率能够达到98%,并且平均测试生成时间小于0.8 s。     

基于人工蜂群算法的数字电路多故障测试生成算法

针对数字电路多固定故障测试生成故障覆盖率低和平均测试生成时间长的问题,提出了人工蜂群和神经网络优化的数字电路多固定故障测试生成算法。该算法首先通过等效的方法得到多固定故障的单固定故障模型,再使用Hopfield二值神经网络的方法得到单固定故障的约束电路模型,最后使用人工蜂群优化方法求解故障约束电路接口电路的能量函数的零值点获得原电路的多固定故障的测试生成矢量。实验结果(在ISCAS’85国际标准测试电路上)表明该算法的故障覆盖率可达98.5%以上,平均测试生成时间小于0.25μs。     

人工蜂群优化非鲁棒路径时滞故障测试生成算法

针对数字电路中非鲁棒路径时滞故障测试时间长,故障覆盖率较低的问题,提出了人工蜂群优化的测试生成算法。该算法首先应用电路转换法则把数字电路转换成为其等效电路,然后用Hopfield神经网络构建等效电路单固定故障的约束电路,并得到能量函数,再应用人工蜂群优化算法计算能量函数的最小值以得到等效电路单固定故障的测试矢量,最后根据对应关系得到原电路非鲁棒路径时滞故障的测试矢量对。在ISCAS’85国际标准电路上的实验结果表明该算法故障覆盖率能够达到98%,并且平均测试生成时间明显减小。     

一种有效的组合电路测试生成算法

为了改善组合电路测试生成效率,提出了一种有效的基于三值神经网络的组合电路测试生成算法。该算法不需要传播和回溯,而是使用三值神经网络把组合电路表示为双向神经元网络,并构建网络的能量函数,最后使用遗传算法求出全局最小值点作为电路的测试矢量,所以组合电路的测试生成问题转换为优化问题。在标准电路上的测试实验结果表明该算法具有较高的故障覆盖率和较短的测试生成时间。     

基于三值神经网络和混沌搜索的数字电路串扰时滞故障测试生成算法

提出了一种有效的串扰时滞故障测试生成算法,该算法使用了三值神经网络理论和混沌搜索方法。首先在电路的受害点处把电路分成两个部分,对第一部分,可以得到时滞时间表达式;对第二部分,使用混沌搜索和三值神经网络网络的方法把故障传播到输出端。最后,能够把故障传播到输出端且使时滞时间表达式取最大值的输入矢量就是串扰时滞故障的最优测试矢量。实验结果表明该算法能够容易地得到故障输入测试矢量,平均测试生成时间小于0. 25μs,故障覆盖率能够达到98. 2%。     

基于三值神经网络和混沌搜索的数字电路串扰时滞故障测试生成算法（英文）

提出了一种有效的串扰时滞故障测试生成算法,该算法使用了三值神经网络理论和混沌搜索方法。首先在电路的受害点处把电路分成两个部分,对第一部分,可以得到时滞时间表达式;对第二部分,使用混沌搜索和三值神经网络网络的方法把故障传播到输出端。最后,能够把故障传播到输出端且使时滞时间表达式取最大值的输入矢量就是串扰时滞故障的最优测试矢量。实验结果表明该算法能够容易地得到故障输入测试矢量,平均测试生成时间小于0. 25μs,故障覆盖率能够达到98. 2%。     

变频器常见故障排除实例及维修测量方法

根据实际经验,举例说明谐波故障原因及排除方法,总结出实际故障测试方法。     

样本熵改进小波包阈值去噪的轴承故障诊断

为了准确诊断出轴承故障,提出了样本熵改进小波包阈值去噪算法的轴承故障诊断方法。分析了样本熵与噪声大小、数据长度、信号固有特征的关系,得出了样本熵可以很好表征噪声大小、与数据长度、信号固有特征相关性极小的结论。使用样本熵从三个方面改进了小波包阈值去噪算法:提出了自适应阈值函数,使阈值函数随噪声分布情况进行自适应调整;以噪声信号样本熵值最大为依据,提出了最优阈值估计方法,使阈值随噪声大小自适应调整;以相邻分解层数的样本熵均值差值为依据,提出了分解层数确定方法。将样本熵改进小波包阈值去噪算法应用于轴承故障信号去噪中,去噪信号功率谱中轴承转动频率及倍频、外圈故障特征频率及倍频、两者的调制频率显露明显,能够明确判处出轴承为外圈故障,体现了极好的去噪效果。     

一种具有自适应特性的风电机组齿轮箱振动信号预处理算法的研究

采用自适应窄带干扰消除和改进软阈值去噪算法,实现对风电机组振动信号的滤波处理,凸显表征故障特征的源振动信号。风电机组的振动信号由设备正常运转产生的周期性信号、故障源振动信号及噪声信号相互混合而产生。自适应窄带干扰消除算法可合理消除振动信号中的周期性成分,改进软阈值去噪技术可有效剔除背景噪声,结合两种技术特点提出一种具有自适应特性的信号预处理算法,凸显表征故障源振动特性的信号模型。试验结果表明:添加自适应特性能有效提高信号预处理算法的鲁棒性和泛化能力。     

狼群优化LVQ神经网络的齿轮箱故障诊断应用研究

为了提高齿轮箱故障诊断的准确度，采用LVQ神经网络来完成齿轮箱故障定位及识别，并借助狼群优化算法来实现模型参数的优化。在齿轮箱故障诊断的建模过程中，引入狼群优化算法，将LVQ神经网络权重和阈值作为狼群个体，随机产生的多个权重和阈值组合个体构成狼群，并根据狼群游走、召唤和围攻等行为，不断更新狼群中个体狼的位置来获取全局适应度最大的头狼，得到最优权重和阈值，确定最优齿轮箱故障诊断模型。经过实验证明：采用基于狼群优化LVQ神经网络的齿轮箱故障分类，分类准确度更高。     

基于FlexRay总线的故障测试系统设计

FlexRay总线是一种新型的汽车总线，由于汽车中的线控系统要求FlexRay总线具有较高的可靠性，因此设计能够测试该总线可靠性和鲁棒性的测试系统非常重要。设计的测试系统包含六个FlexRay节点，每个节点配备了微处理器、FlexRay控制器以及各种接口电路，能够与各种传感器连接完成相应数据通讯。该系统的故障产生器能够生成预定义的各种故障的故障帧，通过测试其它节点的反应来评估FlexRay总线的可靠性。实验结果表明：该测试系统能够产生各种模拟故障的故障帧，具备迄今为止任何FlexRay分析器所不具备的优势。     

基于卷积神经网络的网络节点异常数据检测方法

异常数据检测是保障无线传感器网络节点数据准确性和可靠性的重要步骤。针对无线传感器网络节点异常数据检测问题，提出一种基于卷积神经网络的异常数据检测方法。该方法是对正常数据和注入故障后生成的异常数据进行归一化处理后映射成的灰度图片作为卷积神经网络的输入数据，并且基于LeNet-5卷积神经网络设计了合适的卷积层特征面及全连接层的参数，构造了3种新的卷积神经网络模型。该模型通过卷积层自主学习数据特征，解决了传统检测算法的性能容易受到相关阈值影响的问题。通过网络公开数据集进行模型测试，结果表明该方法具有很好的检测性能和较高的可靠性     

一种具有自适应特性的风电机组齿轮箱振动信号预处理算法的研究

采用自适应窄带干扰消除和改进软阈值去噪算法,实现对风电机组振动信号的滤波处理,凸显表征故障特征的源振动信号。风电机组的振动信号由设备正常运转产生的周期性信号、故障源振动信号及噪声信号相互混合而产生。自适应窄带干扰消除算法可合理消除振动信号中的周期性成分,改进软阈值去噪技术可有效剔除背景噪声,结合两种技术特点提出一种具有自适应特性的信号预处理算法,凸显表征故障源振动特性的信号模型。试验结果表明：添加自适应特性能有效提高信号预处理算法的鲁棒性和泛化能力。     

基于小波去噪和最小二乘支持向量机的滚动轴承故障诊断研究

针对滚动轴承故障,提出了基于相关原则优化阈值的小波去噪和最小二乘支持向量机相结合进行滚动轴承故障诊断的方法,采用相关原则优化阀值的小波对轴承早期故障特征进行提取,运用能量-特征法提取出信号特征,然后利用最小二乘支持向量机多分类算法进行故障类型的识别。实验与仿真结果表明:基于相关原则优化阈值的小波变换和最小二乘支持向量机相结合的故障诊断方法能有效地诊断出滚动轴承的典型故障。     

一种公差建模方法及其在尺寸链自动生成中的应用

提出了一种公差建模方法，在该模型在基础上实现了应用图论优先搜索法自动生成尺寸链的算法，并编制出相应的软件，在实际的尺寸链分析中加以应用。     

基于虚拟仪器技术的振动测试分析系统

在LabVIEW平台上搭建了基于虚拟仪器技术的振动测试分析系统,结合硬件可以达到实时采集并分析故障信号的目的,该系统同时具有离线数据处理的功能。由于LabVIEW不支持希尔伯特-黄变换、聚合经验模态分解和局部均值分解算法,因此该系统中的HHT模块、EEMD模块和LMD模块均通过自主开发实现。利用该测试分析系统对实测滚动轴承内圈故障信号进行采集和分析,分析结果表明:该测试系统可满足实际振动测试的应用需求。     

基于小波分析和RBF神经网络的轴承故障诊断研究

为了提高轴承故障信号的诊断性能，采用小波分析和RBF神经网络相结合的方法对轴承振动信号进行故障分类。首先对轴承振动信号进行小波变化，采用软阈值去噪方法滤除振动信号噪声，然后对振动信号矩阵化处理，接着构建RBF神经网络，输入轴承振动信号特征向量，初始化权重和阈值，最后通过不断反向迭代得到稳定的RBF神经网络故障判别模型。实验证明：通过差异化设置隐藏层神经元数量，确定合适的RBF神经网络规模，经过小波去噪可以有效提高轴承故障判别准确率，相比于常见轴承故障分类算法，算法具有更高的故障判别准确率。     

基于安全聚类的大型机械故障诊断算法及应用

针对大型机械的故障特点,提出一种安全聚类故障诊断算法。该算法引入影响因子来度量故障带来的后果,把故障样本的相关性和安全性结合考虑,通过计算故障样本的相似度距离,把相似度比较接近的故障类别聚类成一个新的聚类中心,并利用训练样本生成的安全二叉树实现该算法的故障诊断流程。在生成的安全二叉树中,影响因子越大的故障类别越靠近二叉树的根结点处。利用安全二叉树对测试样本进行故障诊断时,按照从二叉树根结点到叶结点的顺序进行诊断,有效保证了后果严重的故障类别优先诊断。最后,将该算法应用在液压挖掘机故障诊断中,实验结果表明该算法的故障诊断正确率高,诊断的效率也较高,对大型机械的故障诊断具有可行性和有效性。     

基于免疫神经网络的数控机床故障诊断研究

针对BP神经网络在数控机床故障预测中出现的收敛速度慢和训练容易陷入局部极值问题,提出一种基于人工免疫算法优化BP神经网络(IMBP)的数据机床故障诊断算法。介绍了常见的数控机床故障类型和分类,阐述了人工免疫算法和BP神经网络以及人工免疫优化BP神经网络算法的工作流程。利用免疫算法的全局搜索性能先对神经网络权值和阈值进行全局优化,加快了BP算法训练过程的收敛速度,减少训练过程所需要的时间。通过仿真性能测试分析,结果表明:与BP、GABP和IMBP 3种算法对比,比BP神经网络算法的数控机床故障预测诊断提高了18.3%,比GABP神经网络算法提高了12.05%,提高了数控机床故障诊断精度。     

数据驱动算法在旋转机械故障诊断中的应用研究

传统故障诊断方法依赖于先验数据与模型，具有局限性。为解决此问题，提出一种基于数据驱动的旋转机械故障诊断方法。利用经验模式分解（EMD）算法拆分原始故障信号，得到有限个IMF分量，优化现有EMD算法得到最优的截断阈值，并有效分离系统噪声干扰；从多域量化角度提取故障信号的时域、频域特征，并基于EMD样本熵实现对去噪旋转机械故障信号中故障点特征的分类与识别。仿真结果表明：所提出的数据驱动算法能够准确地识别出不同载荷条件下的故障信号微弱特征，具有更高的训练精度和故障诊断精度