基于Wiener核和BP神经网络的非线性模拟电路故障诊断

研究提出基于非线性电路的Wiener核和BP神经网络的故障诊断方法.在输入为高斯白噪声的情况下,对输入、输出信号进行采样,通过计算各阶相关函数的方法得到正常及各种故障状态下非线性电路的Wiener核.把该核作为状态特征并进行适当的预处理,与对应的状态一起组成BP神经网络的输入和输出样本来对神经网络进行训练,从而实现对模拟非线性电路的故障诊断.文中给出了Wiener核的数字计算方法和诊断神经网络的建立方案,并通过诊断实例加以验证.     

非线性模拟动态电路故障诊断的频域方法

提出了用Volterra频域核作为故障特征对弱非线性定常动态网络进行故障诊断的方法，利用计算方法求出网络响应在各种常见故障状态下的Volterra级数解的各阶频域核，并输入给BP神经网络，利用BPNN的分类功能建立故障字典，用对实测的故障网络的各阶频域核进行测试样本分类来实现故障诊断。给出了各阶频域核的统一递推算式，讨论了Volterra频域核的测量，并给出了故障诊断实例。     

基于RBF神经网络的模拟电路故障诊断方法的研究

提出了一种基于径向基函数(RBF)神经网络的模拟电路故障诊断方法.这种方法采用脉冲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,应用径向基函数神经网络的分类能力强、学习速度快等优点进行故障诊断.结果显示,基于RBF神经网络的模拟电路故障诊断方法学习速度快,故障诊断率高.是一种有效的故障诊断方法.     

基于Volterra级数及神经网络的非线性系统建模

在高压下,压力传感器往往会表现出非线性的特性.本文基于反向传播神经网络对Volterra级数表示的非线性系统进行了研究.在分析了神经网络分解后的结构与Volterra级数表示的非线性系统之间的类似关系后,将所使用神经网络中的激励函数在阀值处进行泰勒级数分解,解算出了Volterra级数的各阶核,从而实现了对非线性系统(传感器)的建模.实例建模结果表明,通过使用神经网络方法求解Volterra级数核来对非线性系统进行建模的方法非常有效.     

关于Volterra频域核的计算

本文着重研讨在线运行非线性电路与系统的Volterra频域核的求法,即利用非线性电路与系统运行中输出的各次谐波幅值和相角,求取该电路与系统的Volterra 频域核.     

基于LMS工作模态测试的齿轮箱性能分析

基于LMS测试分析系统,对某试验齿轮箱进行工作模态测试和分析;采用最小二乘复频域法对齿轮箱各阶模态进行参数识别,并对工作模态分析过程中额外输入峰进行了辨识,剔除了谐波引起的虚假模态;通过对测试结果进行分析及讨论,发现齿轮安装偏心导致齿轮啮合频率及其谐波的分布;根据各阶模态振型的特性,对齿轮箱运行状况进行评价,提出对该齿轮箱结构设计的改进措施.     

基于小波-神经网络的模拟电路IDDT故障诊断

动态电源电流测试(IDDT)对模拟电路故障诊断非常有效,而小波变换能够有效提取动态电流的故障特性。因此提出一种基于小波-神经网络的模拟电路IDDT故障诊断方法。利用小波变换具有时频局部化特性,分别对模拟电路正常模式和故障模式的IDDT采样信号进行特征向量提取,建立故障字典;然后利用神经网络具有非线性映射优点,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。     

基于NOFRFs的中放检波电路系统故障定位方法

非线性电路系统在故障前后其非线性传递特性往往会发生明显的改变,通过比较系统正常状态下的频域特征与当前工作状态下的频域特征就可以判断系统是否处于故障状态.系统的非线性传递特性在频域的表现是广义频率响应方程GFRFs及非线性输出频率响应方程NOFRFs.基于NOFRFs理论对多级级联模拟电路中的非线性故障进行定位的方法作了具体介绍.并通过使用不同的激励信号激励系统,说明了激励信号的选择对故障诊断的影响.     

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。     

基于偏置经验特征映射的电路故障诊断方法

基于支持向量机的模拟电路故障诊断方法已经成为故障诊断领域的研究热点.然而,在该方法实用化过程中,故障样本集中存在的不平衡分布问题严重影响了该方法的整体诊断性能.针对该问题,提出一种基于偏置经验特征映射的故障诊断方法,该方法将故障样本集映射至经验特征空间,并在该特征空间中使用偏置判别分析准则作为核函数优化的目标函数,最大化所有正常样本同故障样本中心的距离,从而提高故障诊断方法的整体诊断能力.标准数据集以及真实电路上的实验效果表明,提出的方法可以大大缓解由于样本不平衡造成的支持向量机诊断效果下降的问题,从而提高了基于支持向量机的电路故障诊断法方法的适用范围.     

模拟电路故障诊断的新方法

本文提出了用多小波神经网络诊断模拟电路故障的新方法。根据多小波的多分辨率分析思想,构造了一种多小波神经网络,其激励函数为具有紧支撑集、对称性和正交性的多尺度函数和多小波函数。用多小波神经网络和单小波神经网络对实例电路进行故障诊断,仿真结果表明,与单小波神经网络相比,多小波神经网络不仅学习收敛速度快,而且能够更准确地对模拟电路进行故障诊断。     

Fault diagnosis for manifold absolute pressure sensor(MAP) of diesel engine based on Elman neural network observer

Intake system of diesel engine is a strong nonlinear system, and it is difficult to establish accurate model of intake system; and bias fault and precision degradation fault of MAP of diesel engine can’t be diagnosed easily using model-based methods. Thus, a fault diagnosis method based on Elman neural network observer is proposed. By comparing simulation results of intake pressure based on BP network and Elman neural network, lower sampling error magnitude is gained using Elman neural network, and the error is less volatile. Forecast accuracy is between 0.015-0.017 5 and sample error is controlled within 0-0.07. Considering the output stability and complexity of solving comprehensively, Elman neural network with a single hidden layer and with 44 nodes is presented as intake system observer. By comparing the relations of confidence intervals of the residual value between the measured and predicted values, error variance and failures in various fault types. Then four typical MAP faults of diesel engine can be diagnosed: complete failure fault, bias fault, precision degradation fault and drift fault. The simulation results show: intake pressure is observable and selection of diagnostic strategy parameter reasonably can increase the accuracy of diagnosis;the proposed fault diagnosis method only depends on data and structural parameters of observer, not depends on the nonlinear model of air intake system. A fault diagnosis method is proposed not depending system model to observe intake pressure, and bias fault and precision degradation fault of MAP of diesel engine can be diagnosed based on residuals.     

基于卷积神经网络的异步电机故障诊断

由于电机内部结构的复杂性,使得其故障特征与故障类型之间存在较强的非线性关系;目前用于异步电机故障诊断的方法都是人工手动提取特征,这需要大量的先验知识、丰富的信号处理理论和实际经验作为支撑,诊断效率不高;同时用于模式识别时的样本量过少,会导致网络过拟合等问题。针对以上问题,提出了基于短时傅里叶变换(short-time fourier transform,简称STFT)和卷积神经网络(convolutional neural networks,简称CNN)的电机故障诊断方法。该方法以单一振动信号为监测信号,使用STFT将故障信号转换成时频谱图,构建大量不同故障样本,以确保样本多样性,提高网络鲁棒性。将预处理后的样本作为CNN的输入,有监督地调整网络参数,以实现准确的电机故障诊断。将所提出的STFT+CNN算法分别与传统的电机故障诊断方法及堆叠降噪自编码进行比较分析。试验结果表明,该方法能够更有效地进行电机故障诊断。     

齿轮箱复合故障信号的非线性盲源分离算法研究

针对齿轮箱复合故障分析问题,文中提出一种新型非线性盲源分离（Nonlinear Blind Source Separation, NBSS）算法。该算法先利用反向传播（Back Propagation, BP）神经网络逼近非线性混合模型的逆,并对经过BP 神经网络处理后的信号进行独立成分分析（Independent Component Analysis, ICA）;然后以独立成分分析后的信号的负熵作为适应度函数,采用遗传算法对BP神经网络的参数进行寻优;最后利用优化的BP神经网络参数,对观测到的混合信号进行分解,分离出纯净的振源信号。与采用粒子群优化（Particle Swarm Optimization, PSO）算法的核独立成分分析（Kernel ICA, KICA）相比,该方法提取的分离信号具有更高的精度,为齿轮箱复合故障诊断提供了关键技术与有效方法。     

基于小波网络的某放大电路故障检测

为了提高某放大电路故障诊断与故障定位的快速性和准确性,引入了小波网络对电路板进行故障诊断。神经网络具有良好的非线性映射及函数逼近能力,小波分析具有良好的时频局部化性质。将两者结合构成小波网络用于故障诊断,具有自适应分辨性和良好的容错性。实例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--神经网络模拟电路故障诊断方法的研究

对模拟电路提出了一种基于小波神经网络的故障诊断方法 ,该法用小波变换作为故障信号的预处理器 ,大大地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。在简介该法故障诊断的基本原理后对实例电路进行了故障划类 ,小波函数及故障特征选择 ,给出了计算故障类别特征的仿真编程及故障类别的识别方法     

基于小波包神经网络的发动机振动信号分析

为了有效地对发动机运行状态进行监测,提出了一种基于小波包和神经网络相结合的发动机故障诊断方法。以某微型车用汽油发动机为研究对象,建立基于振动信号分析的测试试验系统,采集发动机正常工况和故障工况的振动特征参数。通过小波包对其进行分解和重构,提取出表征发动机工作状况的特征向量,作为训练样本数据和检验样本数据,输入BP神经网络并对其进行训练, 实现了对所设发动机故障类型进行良好识别的预期效果。     

神经网络结构与算法对变压器故障诊断的影响

BP神经网络算法本质上是基于梯度下降的一种迭代学习算法,存在学习收敛速度慢、收敛精度低、易陷入局部极小、学习率难以选取、隐层数及隐层神经元个数难以确定等缺陷。为了选择出更适宜变压器DGA故障诊断的神经网络结构及算法。本文采用了常用的几种智能算法对变压器故障样本进行了诊断性能对比实验。结果得出Levenberg-Marquardt神经网络算法是收敛速度较快的算法,有动量和自适应的梯度下降法是收敛稳定性较佳的算法;网络最优结构设计过程。为用于变压器DGA故障诊断的神经网络的结构和算法提供了系统化的试验方法。     

基于PNN的电力变压器故障诊断方法

对油中溶解气体进行深入分析后,以改良的三比值法为基础,提出一种基于概率神经网络(PNN)的变压器故障诊断方法。该方法利用PNN的强大的非线性分类能力,将故障样本空间映射到故障模式空间中,可形成一个具有较强容错能力和结构自适应能力的诊断网络系统,从而提高故障诊断的准确率。仿真结果表明,实际案例数据验证了此方法准确率高,是一种有效的故障诊断方法。