基于智能优化深度网络的轨道电路故障诊断研究

针对无绝缘轨道电路故障的随机性和复杂性,采用单一诊断模型存在提取特征片面,且模型结构经验设计不合理的问题,提出一种智能优化深度网络的故障诊断方法。首先以轨道电路信号集中监测系统的6个电压检测量建立故障特征集,使用卷积神经网络(CNN)提取特征空间信息,长短期记忆网络(LSTM)提取时间特征信息,从而让轨道电路故障诊断所提取的特征兼具时空信息;同时,引入遗传算法(GA)优化上述深度神经网络的结构及参数,并结合强化学习中的Q-learning方法对两个组合网络特征级的输出权重进一步优化;最后,使用多层感知器(MLP)对深度网络的分类误差进行拟合修正,提高模型对轨道电路的故障诊断精度。仿真结果表明,利用智能优化的深度网络模型对轨道电路的故障诊断相较于单一模型、精炼设计的组合模型识别率可达99.28%,评价指标等均有所提升,具有更高的故障诊断准确度,证明了智能优化深度网络能进一步提高轨道电路的故障诊断性能。

基于分数阶Hilbert变换的电路故障诊断研究

为了解决非平稳信号频谐分析引起的频谱成分重叠问题,以及滚动轴承故障信号的多载波调制特性,结合轴承故障特点,采用一种基于希尔伯特包络和阶次分析的调制阶次提取方法。首先,利用希尔伯特变换求出了一种具有异响问题的车辆的加速度状态,对包络进行等角度的重新取样,得到与速度无关的包络线,并在角域频谱分析中求出调制阶,并根据各个轴承的故障特性,找出故障的根源;其次,利用分数阶希尔伯特变换对被测信号进行弹性特性和细节特性的提取,利用分数阶希尔伯特变换对二次损伤进行特征提取,并利用分数阶希尔伯特变换对待测信号进行幅度、相位和瞬时频率的提取;再次,利用Fisher的序列和遗传算法,找到了一个最优的pn分类值,在抽取了特征点后,利用两种不同的参数向量机对正常的样品进行了诊断;最后,利用相同的方法,找到具有最大识别能力的最优等级p2值,并据此对各种类型的故障进行分类。试验结果证明:所提出的方法能有效地提高系统的故障诊断精度。

多信息融合电路故障诊断系统设计与开发

基于多源信息融合的电路故障诊断,当融合的信息源数目增加时,计算量变得越来越大,采用手工方式融合多源信息,具有劳动强度大、诊断结果准确率低等问题。针对这些问题,设计开发了基于信息融合的电路故障诊断系统。系统以MATLAB7.0和Microsoft Access2003为开发工具,采用模块化设计思想,具有使用方便、稳定性好、通用性强、易扩展等特点。同时,给出了系统的体系结构及用到的融合算法流程图,并以一具体实验电路检测数据为对象,进行故障诊断,说明了系统的特点及功能。

基于改进支持向量机的仿真电路故障诊断研究

研究电路的故障问题,应提高快速性和准确性。为提高仿真电路故障诊断效率,给出了一种基于改进支持向量机的仿真电路故障诊断方法。首先通过小波包变换实现了信号的能量特征提取,根据主元分析完成了特征压缩;其次针对支持向量机多分类一对一方法存在的不可分类区,将其与最近邻分类法相结合,实现了电路的故障诊断,并提出了一种混合遗传算法实现了小波函数和支持向量机参数的同步选择;最后通过一仿真电路的仿真实验,与BP,RBF和PNN等神经网络对比,结果显示基于支持向量机的方法诊断精度最高,达到98%,为设计提供参考依据。

基于BP-ART混合神经网络的电路故障诊断新方法

建立了基于误差反向传播(back propagation,BP)神经网络和自适应共振理论(adaptive resonatetheory,ART)神经网络的电路故障诊断模型,提出了BP神经网络和ART神经网络相结合的电路故障诊断方法,以ART网络为主,识别新故障,以BP网络为辅,识别多类故障,并对传统的ART神经网络竞争机制加以改进,有效地解决了复杂电路故障诊断的难题。实验表明,基于BP和改进ART神经网络相结合的电路故障诊断方法具有自适应性好、训练时间短、准确性高等特点。

基于支持向量机的信息融合模拟电路故障诊断方法研究

为提高模拟电路故障诊断效率,克服依据单一信息进行诊断的不足,提出了一种支持向量机信息融合的模拟电路故障诊断方法;首先构建了基于支持向量机的信息融合诊断模型,其次给出了基于小波包变换的能量特征提取和基于主元分析特征压缩方法,分析了支持向量机一对一多分类方法,最后通过模拟电路的仿真实验,与未进行信息融合,以及BP、RBF和PNN等神经网络对比,结果显示,基于支持向量机信息融合方法的诊断精度最高,约为97.3%。

基于小波神经网络的模拟电路故障诊断方法研究

小波变换是一种时频分析方法,具有多分辨率特性,被誉为数学显微镜,而BP神经网络具有较好的泛化能力,很适合于判断电路状态属于哪种故障类型的分类问题。本文将二者结合起来,采用基于小波神经网络的模拟电路故障诊断方法。应用小波变换对模拟电路幅频响应的采样信号进行故障特征提取,然后利用BP神经网络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。通过对电路进行仿真,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。

基于人工神经网络的电路故障诊断专家系统

分析了电路故障的复杂性。针对传统电路专家诊断系统的不足 ,结合人工神经网络用于故障诊断的优点 ,构造了一种新型神经网络电路故障诊断专家系统。该系统采用数据表格形式表示测试诊断知识 ,使知识表达更为清晰 ,推理过程更具智能性 ,在实际运用中 ,诊断效率有很大提高。着重介绍了该系统的设计思想、组成结构和工作原理。

模拟电路故障诊断的信息融合新方法

针对测试信息不足造成模拟电路故障诊断准确率较低的问题,为充分利用有限测试信息,提出一种模拟电路故障诊断信息融合新方法.首先,将采集的故障样本集变换到不同特征空间,然后利用所提出的马氏距离分布熵求取各特征空间的相对优势分类集,在此基础上,定义相对优势属性约简提取各特征空间的局部最佳可分性信息,最后,对基分类器结合所提出的自适应类模糊密度赋值方法进行模糊积分融合.国际标准电路故障诊断实例表明,所提方法能有效提高模拟电路的故障诊断率.

基于多级神经网络的指挥仪电路故障诊断

针对某指挥仪电路故障诊断专家系统的不足之处 ,用层次结构的多级人工神经网络进行电路的故障诊断 ,用专家知识对学习样本进行筛选 .通过对该电路中差分电路模块的诊断实验表明 ,可以克服专家系统对某些故障无法诊断的不足 。

基于神经网络方法的模拟电路故障诊断研究

小波变换是一种时频分析方法,具有多分辨率特性,被誉为数学显微镜;而BP神经网络具有较好的泛化能力,很适合判断电路状态属于哪种故障类型的分类问题。将二者结合起来,采用基于小波神经网络的模拟电路故障诊断方法,应用小波变换对模拟电路幅频响应的采样信号进行故障特征提取,然后利用BP神经网络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。通过对电路进行仿真,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。

基于脊波网络的模拟电路故障诊断

将脊波与神经网络进行有机的结合,构造了一种新型的用于模拟电路故障诊断的脊波网络系统,并给出了基于最速梯度下降法与动量法相结合的训练算法和电路故障诊断的方法及步骤。由于脊波能有效地处理高维函数直线状和超平面状的奇异性,因此将脊波作为神经网络隐层的激活函数从而构成的脊波网络能有效地处理复杂的电路故障信息从而对故障做出正确的分类。实验结果证实了这种新型方法的有效性。

基于同步优化的支持向量机模拟电路故障诊断方法研究

支持向量机模拟电路故障诊断涉及到特征提取、特征选择和支持向量机的参数优化等问题,它们都对诊断结果有直接的影响。针对这一问题,提出了一种基于改进的离散粒子群算法的同步优化方法。该算法采用非线性惯性权重和遗传操作相结合的方法,提高了粒子群前期迭代的探索能力和后期迭代的开发能力,同时降低了粒子群陷入局部最优的风险。通过模拟电路的仿真实验,验证了同步优化方法和改进的离散粒子群算法的有效性。

小波包变换和支持向量机模拟电路故障诊断方法

为提高模拟电路故障诊断效率,将小波包变换和支持向量机结合起来,提出了一种完整的模拟电路故障快算检测和准确定位的方案。利用小波包变换对电路输出电压信号进行多层分解,提取各频带的能量作为故障特征,给出了具体的特征提取方法;利用支持向量机的多分类一对一方法,完成电路的故障定位,同时实现了小波函数的选择。在一模拟电路的故障仿真实验中,通过与,和等神经网络对比,结果显示该方法的诊断效率是很高的。

结合OCSVM的模拟电路故障诊断方法

基于支持向量机的传统模拟电路故障诊断方法对新故障无检测能力,且可扩展性较差。针对该问题,提出结合一类支持向量机(OCSVM)和多类支持向量机(MCSVM)的故障诊断方法。该方法采用OCSVM对故障数据进行检测和初步分类,采用MCSVM提高分类性能,以弥补OCSVM分类能力的不足。对OCSVM算法进行改进,以提高其检测和分类性能。通过模拟电路故障诊断实验验证OCSVM改进算法和联合故障诊断方法的有效性。

模拟电路故障诊断的约束聚类集成BP网络算法

针对通用BP网络对于高纬度、大数据量训练收敛困难的问题,在使用动量因子、自适应调整学习速率等方法的基础,引入约束聚类,构造集成神经网络,以提高网络的训练速度及诊断效果;首先,采用约束聚类算法将训练样本集划分为若干个规模相当的子样本集,分别训练生成相应子网络;此外,在诊断过程中除各子网络的输出变量外,还加入了诊断数据相对各子训练样本集的隶属度因子;最后通过一个实际电路板25维采样数据、38类故障的BP网络诊断实例验证了算法的可行性。

电路故障诊断方法的研究现状与发展

电路故障诊断方法的研究对武器装备电子学位的维修和设计具有重要意义。在简介电路故障诊断基本方法及其存在问题的基础上,介绍了数字电路、模拟电路和数模混合电路故障诊断方法的研究现状、研究热点、研究难点和发展趋势,指出了电路故障诊断方法在实际工程应用中存在的困难和需要解决的问题。

模拟电路故障诊断的双重扰动支持向量机集成方法

为进一步提高模拟电路故障诊断准确率,提出一种特征和模型参数双重扰动的集成支持向量机新算法.首先在集合覆盖思想下设计基于混沌蚁群算法的属性约简算法将特征样本空间划分成若干子空间,然后针对每个子空间,在"低偏差区域"内进行模型参数扰动,经过两次多数投票法得到最终集成结果.故障诊断实例表明,该方法比多分类支持向量机、Attribute Bagging(AB)算法、Bagging方法等具有更好的故障诊断率.

小波变换和神经网络的电路故障诊断

模拟电路的元件较多,相互之间的耦合性较强,容易发生故障。为了提高电路故障的诊断准确性,提出小波变换和神经网络的电路故障诊断方法。首先采用小波变换方法提取电路故障信息特征,然后采用神经网络分类提取的故障特征量实现对电路故障的诊断和分类识别,最后通过仿真实验进行性能测试,结果表明,该方法提高了电路故障检测的准确度,具有较好的实际应用价值。

LabVIEW及BP神经网络在模拟电路故障诊断中的应用

LabVIEW是一种图形化编程语言,它不光设计界面直观,而且提供了许多与多种编程语言的通信接口,为虚拟仪器设计者提供了一个便捷、轻松的设计环境,被工业界及研究实验室所广泛接受。Matlab有非常强大的矩阵计算能力且有非常成熟的工具箱,适合设计及训练神经网络。若将两者结合起来,即用Matlab实现神经网络的设计训练,而用LabVIEW实现故障的诊断及显示,充分发挥了两者的优势。实验结果表明,两者结合运用于故障诊断系统中,是非常有效的。