Feature evaluation and extraction based on neural network in analog circuit fault diagnosis

Choosing the right characteristic parameter is the key to fault diagnosis in analog circuit. The feature evaluation and extraction methods based on neural network are presented. Parameter evaluation of circuit features is realized by training results from neural network; the superior nonlinear mapping capability is competent for extracting fault features which are normalized and compressed subsequently. The complex classification problem on fault pattern recognition in analog circuit is transferred into feature processing stage by feature extraction based on neural network effectively, which improves the diagnosis efficiency. A fault diagnosis illustration validated this method.

基于IWOA-ELM的模拟电路故障诊断方法

针对模拟电路故障诊断中非线性和高维度输出信号带来的诊断困难问题,提出一种基于改进鲸鱼算法(IWOA)优化极限学习机(ELM)的模拟电路故障诊断方法。首先,采用主成分分析(PCA)法对初始故障电路特征进行降维;其次,在鲸鱼算法的基础上引入Tent映射来初始化种群,并且加入了非线性时变因子、自适应权重以及随机差分变异策略;再利用改进后的鲸鱼算法对ELM进行优化;最后将降维后的故障特征向量输入ELM中得到故障诊断结果。通过Sallen-Key带通滤波器电路以及CSTV滤波器电路仿真测试实例表明:IWOA优化ELM的故障诊断方法具有更优的故障诊断性能,故障诊断准确率高达99.41%。

基于主成分分析的多域特征融合轴承故障诊断

针对复杂工况下难以区分轴承故障状态的问题,提出一种基于主成分分析的多域特征融合轴承故障诊断方法。采集轴承振动加速度信号,提取轴承时域新量纲一化特征、频域幅值谱特征和时频域经验模态分解特征共13维特征用于完整表征轴承状态;利用主成分分析方法对所提取特征融合与降维,降低诊断模型复杂度与数据分析难度;最后,选择合适的卷积神经网络进行分类,通过石化机组故障诊断实验平台进行验证。结果表明:多域融合特征相对于单域特征诊断效果更好,卷积神经网络分类模型相对于其他经典分类模型诊断准确率更高,融合诊断分类方法整体诊断准确率达到86%。

基于二维卷积神经网络的模拟电路故障诊断方法

传统的基于机器学习的模拟电路故障诊断方法依赖复杂的信号处理技术和专业知识来进行故障特征提取,其故障诊断过程复杂。针对上述问题,提出一种基于二维卷积神经网络(2D-CNN)的模拟电路故障诊断方法,将被测电路的原始输出电压转换成故障灰度图(faultgrayimage,简称FGI),作为2D-CNN模型的输入,使用模型的卷积层自动提取故障的深层特征,并在模型中通过添加批量归一化(BatchNormalization,简称BN)层对数据分布进行正则化,以减小数据分布偏移带来的影响。该方法在Sallen-Key带通滤波器电路和四阶二运放高通滤波器电路的故障诊断实验中分别实现了100%和99.46%的故障诊断率。该方法不仅简化了故障诊断流程,还保证了故障诊断精度,并具有较强的泛化能力。

基于PCA和PNN的模拟电路故障诊断

为了解决模拟电路故障识别困难的问题,提出一种基于主成分分析和概率神经网络的模拟电路故障诊断方法。该方法对采集到的模拟电路故障信息进行特征提取,将提取的故障特征归一化处理后输入概率神经网络,进行训练和故障模式的分类识别。实验结果表明,该方法是有效的,具有较高的故障诊断率。

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。

基于主元分析与神经网络的模拟电路故障诊断

主元分析具有数据压缩及特征提取的特性,而神经网络具有非线性映射和学习推理的优点。将二者结合起来,提出基于主元分析与神经网络的模拟电路故障诊断方法。通过对模拟电路的阶跃响应特征参数进行主元分析,提取主要参数,然后利用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。对标准电路仿真结果表明:该方法能够实现快速故障检测与定位,具有准确率高的特点。

基于小波包能量熵的低压串联故障电弧诊断

为了实现低压串联故障电弧的有效诊断,基于ULI699标准搭建了交流电压为220 V、频率为50 Hz的串联故障电弧实验平台,并对不同负载回路正常工作电流以及串联故障电弧电流进行数据采集,提出基于小波包能量熵的低压串联故障电弧诊断方法.通过对电流信号进行4层小波包分解,提取小波包能量熵作为特征向量描述故障电弧电流信号在不同频段的能量分布.采用主元分析(PCA)法提取特征向量的主元作为BP神经网络的输入,实现样本最优压缩以简化神经网络结构.仿真结果表明,该方法故障诊断准确率较高,能够有效地识别串联故障电弧.

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KPCA-PNN的复杂工业过程集成故障辨识方法

针对核主元分析方法在复杂工业在线监控过程中易出现的核矩阵K难以计算和初始故障源难以辨识的问题,提出了一种基于核主元分析和概率神经网络的集成故障辨识方法.首先通过特征样本提取方法预处理工业数据集,然后采用核函数主元分析的Hotelling统计量T^2和SPE方法检测故障,采用核函数梯度算法定义了两个新的统计量C_(T^2)和C_(SPE),计算了每个监控变量对统计量T^2和SPE的贡献程度,并提取了故障特征.最后,利用概率神经网络技术进一步从关联故障特征中辨识出初始故障源.将上述故障诊断方法应用到Tennessee Eastman(TE)化工过程;多种故障模式下的仿真结果显示,该方法能够有效地检测并辨识出多种故障类型.

分形特征的模拟电路故障诊断方法

针对模拟电路中存在的非线性问题,提出一种以模拟电路分形特征为输入量的故障诊断方法。通过对多测试分量数据进行分形特征提取,输入神经网络建立信息融合中心融合处理各分形特征量,利用多源性互补信息减少模拟电路故障诊断的不确定性。实验结果表明,该故障诊断方法可准确地检测出模拟电路中的故障现象。

MRA-PCA-PSO组合优化BP神经网络模拟电路故障诊断研究

为解决模拟电路故障诊断中的特征提取困难、输入维数过高和故障信号无法进行有效分类等问题,提出一种组合优化反向传播神经网络故障诊断方法。首先采用多分辨率分析提取故障信号特征,用其能量谱构造特征向量,通过主成分分析进行降维,以减少计算规模,然后利用粒子群算法优化神经网络,克服其易陷入局部极小值的缺陷,从而达到准确识别故障类型的目的。最后以四运放高通滤波电路为测试对象,通过仿真验证该方法在模拟电路故障诊断的有效性和可靠性,结果表明能提高约10%的诊断准确率。

常用故障特征提取方法

论述了当前技术人员在实际工作中主要采用的各种故障特征提取方法,根据其处理信息的不同进行了分类,并结合实际应用对各故障特征提取方法进行了评价。

基于PSO-RBF神经网络的模拟电路故障诊断研究

针对模拟电路故障诊断的难点和传统诊断方法的不足之处,提出了一种基于PSO算法优化的RBF神经网络模拟电路故障诊断方法。为了约简网络结构从而提高诊断效率,采用主成分分析方法对故障特征进行有效提取。针对RBF网络传统训练算法中隐层节点中心及基函数宽度选取困难问题,提出采用PSO算法来优化训练RBF网络,以提高网络的训练速度和泛化性能。最后,通过电路仿真对所提方法的有效性进行了验证。

基于KPLS特征提取的WNN模拟电路软故障诊断

为提高模拟电路的软故障诊断能力,提出一种基于KPLS特征提取和WNN的集成诊断方法。首先利用KPLS良好的特征提取能力,构建故障样本集的主元特征集;然后,利用WNN解决复杂非线性问题的优势,建立主元特征集的故障识别模型;最后,由所建模型对各种故障模式进行诊断判定。Sallen-Key带通滤波器的仿真测试表明:该集成方法仅通过不到300次迭代计算即完成模型训练,诊断的总正确率达到96.7%,且9种模式中的6种达到100%正确率,从而验证了其可行性和有效性。

一种基于神经网络的模拟电路故障诊断方法

提出了一种基于模拟电路故障诊断的神经网络方法。这种方法利用小波分解、数据标准化、主成分分析对输入数据进行预处理,采用k个神经元输出的前馈神经网络结构进行有效训练。该方法检测和识别故障准确率高,系统的鲁棒性和稳定性强。

FICA-IPNN集合型滚动轴承故障诊断方法

为了提高滚动轴承故障诊断的准确性和适应性,提出快速独立成分分析(fast independent component analysis,FICA)和增量概率神经网络(incremental probabilistic neural network,IPNN)相结合的FICA-IPNN集合型滚动轴承故障诊断方法。首先,针对滚动轴承的故障振动信号非高斯特点,利用固定点迭代的FICA算法提取出滚动轴承振动信号特征,其次,为了提高概率神经网络分类的适应性,采用在线增量方法,优化概率神经网络结构,训练概率神经网络参数。实验表明,该集合型故障诊断方法较传统概率神经网络有更高的分类准确性和适应性。

模糊神经网络在模拟电路故障诊断中的应用

将模糊理论和神经网络结合起来用于模拟电路的故障诊断是一种有效的方法。首先测得模拟电路在故障状态和正常状态时各测试节点的电压值,并对其电压偏差值模糊化,从而求得不同故障状态下各测试节点的电压偏差值所对应的隶属度;其次,以各测试节点的隶属度和所对应的故障类型作为训练神经网络的样本,来建立从故障特征到故障类型的非线性函数;最后,将该方法用于视频放大电路的故障诊断。仿真结果验证了该方法的有效性。

基于改进型松散小波神经网络的软故障诊断方法

提出了一种基于改进型松散小波神经网络的模拟电路软故障诊断方法.首先应用多分辨率分析和小波包分析将采集得到的电路故障原始数据进行故障特征提取,通过主元分析对提取的故障特征进行降维处理,并作为BP神经网络的输入对其训练,训练的结果即为具有故障模式识别能力的BP神经网络,然后将其应用于待测电路进行电路软故障诊断.仿真实验结果表明,本文提出的改进型松散小波神网络实现了待测电路的故障元件定位,是一种有效的模拟电路软故障诊断方法.

WPA-IGA-BP神经网络的模拟电路故障诊断

针对模拟电路渐变性故障中的特征提取困难和故障信号无法进行有效分类的问题,提出利用免疫遗传算法(immune genetic algorithm,IGA)优化反向传播(back propagation,BP)神经网络中参数寻优过程,从而实现模拟电路故障诊断。首先,采用小波包分析(wavelet package analysis,WPA),对模拟电路输出响应进行4层小波分解和重构,完成特征向量的提取。然后,采用IGA优化BP神经网络进行训练及测试,实现对不同故障进行故障诊断。最后,通过两个模拟电路仿真实验对该方法进行实验验证。实验结果表明,与优化前的BP神经网络相比,所提方法提高故障诊断的准确率约15%。