基于双神经网络的模拟电路故障诊断

对模拟电路故障诊断提出了一种双神经网络的诊断方法,该方法通过将电路故障模式分类的预处理,再用双神经网络分别对不同的故障模式类进行诊断.仿真实验表明,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BP神经网络的模拟电路故障诊断研究

在简要介绍标准BP神经网络基本原理的基础上。详细说明了基于改进BP神经网络算法的模拟电路故障诊断方法和设计步骤，根据网络总误差来自适应调节网络的学习率，加速网络的收敛过程。此算法应用于电路的故障诊断，能够对被测电路的故障进行有效并且精确的分类。以折线式有效值测量电路为例，设计了基于改进BP神经网络算法的模拟电路故障诊断系统，以实际测试数据作为训练样本进行学习训练后，对其它实际测量数据进行诊断，结果正确，验证了算法的有效性。     

BP神经网络在模拟电路故障诊断中的应用

模拟电路故障诊断有很多方法,介绍一种基于BP神经网络的智能诊断方法。     

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.     

模拟电路故障诊断的多小波神经网络算法

提出了基于多小波变换和能量归一化预处理的模拟电路故障诊断多小波神经网络算法.这种方法能够有效提取故障信号特征,从而减少小波网络训练时输入层和隐层节点的个数,减小网络的规模,降低计算的复杂度,也加快了训练速度.最后在Matlab和模拟电路仿真软件IsSpice4下对算法的收敛性能进行了仿真比较,结果表明基于多小波变换的算法能够对模拟电路的故障进行有效诊断和定位,而且收敛速度比小波包变换更快一些.     

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。     

基于神经网络训练样本优选算法的模拟电路软故障诊断

为了解决非线性模拟电路软故障不易诊断的难题 ,根据模拟电路软故障的特点 ,提出了基于σ判据的训练样本优选算法 ,保证训练样本在数量较少的情况下 ,充分包含电路软故障特征。诊断实例证明 ,应用此优选算法对样本进行筛选 ,神经网络的训练速度快 ,对于模拟电路软故障的诊断正确率高。     

模糊理论与神经网络结合对模拟电路进行分层故障诊断

文中提出了用神经网络和基于模糊规则的神经网络联合对模拟电路进行分层故障诊断的方法。利用模糊规则将故障定位于某几个元件再用神经网络确定故障元件，针对某些数据对网络收敛不利的情况提出用神经网络进行数据的预处理。仿真结果说明这种神经网络模块化结构和分层测试方法不仅构造简单，便于进行模拟电路的自动测试，而且提高了模拟电路故障诊断的正确率。     

基于移民算子遗传BP神经网络的模拟电路故障诊断

针对传统BP神经网络实现模拟电路故障诊断时存在的缺陷:容易收敛于局部最优值且训练时间过长等,提出了利用遗传算法(GA)优化的BP神经网络来对模拟电路进行故障诊断的方法.实验结果证明,优化后的BP网络可有效地避免收敛于局部最优值,大大地缩短了训练时间.同时为了提高遗传优化的收敛速度和精度,避免"早熟"现象,本文提出了一种引入移民算子的遗传算法,仿真结果表明了该算法的有效性.     

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。     

基于交叉算法的神经网络模拟电路特性分析

本文利用基于交叉算法的神经网络训练方法对模拟电路进行性能分析.前馈神经网络的监督学习通常是一种从上到下(top-down)的学习模式,具有单隐层结构的前馈神经网络也可采用从下到上(bottom-up)学习模式的非监督学习算法来进行,基于交叉算法的复值神经网络训练方法突破以往算法的各种局限,其学习过程将从下到上的非监督学习和从上到下的监督学习相结合,网络性能更优.模拟电路特性分析的仿真研究表明该算法行之有效.     

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.     

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.     

支持向量机在模拟电路故障诊断中应用

支持向量机是建立在统计学习理论基础上的机器学习方法,结构简单,泛化能力强,对小样本分类具有良好的识别效果.本文提出了基于支持向量机的模拟电路故障诊断新方法,描述了电路故障特征的选取过程,建立了以支持向量机为基础的模拟电路故障诊断模型.并以双二次滤波电路为诊断实例,实验结果表明,该方法故障诊断准确率大于96.5%,优于传统方法.