PSO优化LS-SVM在模拟电路故障预测中的应用

针对模拟电路故障预测的特点,提出一种基于PSO优化LS-SVM惩罚因子和核参数的模拟电路故障预测方法。利用小波包分解重构构造能量特征向量,通过计算PPMCC和欧氏距离来表征电路中元件的健康程度,定义为健康度,由此推导出电路发生故障时该元件的故障阈值。应用PSO优化的LS-SVM模型来实现模拟电路的故障预测,预测各个时间点的健康度变化轨迹并估计模拟电路的剩余寿命。通过仿真实验得知,该方法简单便捷,能够有效实现模拟电路的故障预测,具有较好的实用性。     

基于小波分析的最优故障特征提取研究

针对因模拟电路的故障模型复杂、有容差、非线性等导致的模拟电路故障特征提取难度大、严重依赖于专家的经验的现状,对基于小波分析的模拟电路最优故障特征提取技术进行了研究。以四运放电路为实验基础,采用Morlet和Haar两种小波基分别从不同的维度上做数据预处理,能量化、归一化后组成故障特征,而后通过克隆选择算法的诊断结果分析对比特征提取的效果。实验结果为通过两种小波基提取的故障特征在不同的情况下达到最高故障诊断率均接近89%,表明基于两种小波基的故障特征提取技术都是优秀可用的,以及单点采样数据的有效性;同时实验结果还反映了模拟电路故障特征的详细程度与诊断正确率成正比例关系。这对实际复杂模拟电路的故障特征提取具有指导性的意义。     

基于Treelet变换的模拟电路故障诊断

针对模拟电路故障诊断中特征向量冗余的问题,提出一种基于Treelet变换的模拟电路故障诊断方法.Treelet变换是一种自适应的多尺度的数据分析方法,适用于对高维数据降维和特征选择。文中首先对被测电路的输出信号采样,将采集到的信号进行Treelet变换,提取故障特征向量,最后将得到的特征向量输入BP神经网络进行故障模式识别。仿真实验结果表明,该方法能够有效地提取电路故障特征。与其他故障特征提取方法相比较,基于Treelet变换的模拟电路故障诊断方法具有较高的故障诊断率和收敛速度。     

基于HMM-SVM的模拟电路早期故障诊断

针对模拟电路在故障预测与健康管理（PHM）系统中早期故障识别率不高的问题,提出了一种基于隐马尔科夫模型（HMM）和支持向量机（SVM）相结合的模拟电路故障诊断方法,利用HMM对动态连续信号的较强识别能力和SVM良好的模式分类能力解决模拟电路早期故障诊断问题。采用主成分分析（PCA）和K-means聚类算法对故障数据进行数据降维和特征提取,建立HMM与 SVM相结合的诊断模型进行故障诊断。仿真实验表明,HMM-SVM能很好地识别模拟电路早期故障,并对模拟电路中元件小范围参数变化的状态识别,相较单一HMM模型具有更高的准确率。     

一种模拟滤波器电路的故障诊断方法

针对模拟滤波器电路,提出了一种基于测前仿真和测后仿真相结合的故障诊断方法。在测前仿真环节,通过仿真获取电路正常状态及故障状态的幅频响应曲线,引入“区别度”计算电路故障状态和正常状态的区分程度,从而确定电路的可测故障集,并通过频率选择建立可测故障集的故障字典。在测后仿真环节,通过不同频率的激励获得电路故障状态的测试数据,再利用“区别度”计算测试数据与故障字典中各故障特征的区分程度,通过最小“区别度”实现故障检测及故障元件的定位。最后通过一个滤波器电路仿真实例,基于PSpice仿真和Matlab程序计算实现了基于测前仿真的可测故障集确定和故障字典建立,以及基于测后仿真的故障检测和故障元件定位,验证了本文提出方法的实用性。     

多信号模型在虚拟故障建模与仿真中的应用

在分析虚拟维修训练需求和故障机理的基础上,提出基于多信号模型的电子装备故障建模方法,研究了虚拟环境中故障数据生成与实时检测、故障现象模拟及仿真运行流程等问题;在VC++环境下开发虚拟仪表,并借助实时通信模块获取Virtools环境中虚拟样机上的测试信号;最后,在Virtools中实现了某型无人机飞行指挥与控制系统故障建模与仿真,验证了该方法的可行性;多信号模型可以完整地描述故障的传递轨迹,高效、灵活地构建故障故障机理模型,为受训人员提供了一个实施诊断逻辑的良好训练环境。     

模拟测试交换格式的研究与实现

为提高自动测试系统对模拟电路故障诊断的效率和水平,研究定义一种模拟电路测试交换机制,为基于模拟仿真测试程序集(TPS)开发和数据的传递提供信息和数据格式;通过Spice对电路进行仿真,将仿真数据进行小波分析提取特征,并由BPN、SVM、AIS进行知识生成与评价,最终实现ATIF文件自动生成;实验将ATIF文件解析导入到后处理环境中由测试程序执行检测故障,验证了测试格式的有效性。     

基于节点导纳矩阵的模拟电路故障诊断

针对模拟电路故障诊断中的容差问题,提出了基于节点导纳矩阵(NAM)的模拟电路故障诊断方法。该方法以NAM为基础,提取被测电路(CUT)的故障特征向量。测试前,用仿真的方法生成被测电路中某一故障对应的故障样本子集,所有类别的故障样本子集构成故障样本集。测试时,测量被测电路的故障特征向量,并根据其与故障样本集中样本的相似性来判断电路发生的故障类型。由于电路的NAM对元件容差不敏感,所以可以很好地克服模拟电路故障诊断中的容差问题。实验结果证明了该方法的有效性。     

基于GA特征选择和BP神经网络的模拟电路故障检测

针对模拟电路故障检测中存在测试节点数较多的问题,提出遗传算法与BP神经网络相结合的方法;利用遗传算法的全局、并行寻优能力对模拟电路的系统特征进行优化选择,从而减少BP神经网络输入层节点数;用MATLAB软件对仿真实例数据进行编程实验,直接使用BP神经网络,检测率为66.7%,采用遗传算法与BP神经网络结合的方法,检测率可为100%;结果表明,相对于传统的BP神经网络方法,该方法提高了模拟电路故障检测的平均正确率。     

电压补偿型超导限流器在三相电网中的故障限流特性

基于电压补偿型超导故障限流器(SFCL)的单相电路结构和工作原理,提出了一种关于电压补偿型超导故障限流器的三相电路结构,并对其在三相电力系统发生不同故障时的运行特性进行了分析。利用Matlab/simulink建立仿真模型,仿真结果表明该电压补偿型SFCL的三相拓扑结构具有一定的可行性,对系统中发生不同短路故障时的短路电流都具有良好的限制作用。     

复杂机载电子系统故障综合诊断技术研究

故障综合诊断技术一直是复杂机载电子系统研发过程中的关键部分,当前的故障诊断技术同时需要机内测试（BIT）和场外自动化测试设备（ATE）的测试结果才能得出诊断结果,诊断效率低,时间长并且不能在线诊断。针对新一代战斗机将更加依赖航空电子系统的趋势,迫切需要一种诊断时间短,且能够实现在线诊断的故障诊断技术。因此,一种基于模型的故障诊断方法被提出。该方法通过融合多信号模型和整数编码故障字典模型,模块间采用多信号模型,单个模块中采用整数编码故障字典模型,克服了多信号模型对测试信息的浪费和整数编码故障字典模型建模困难的缺点,并提出一种多目标测试优选方法,通过优化检测方案,充分发挥BIT的检测性能。该方法通过充分使用BIT的测试信息,摆脱了对场外ATE的依赖,实现了在线快速定位故障并识别故障模式。     

基于极限学习机与规则推理的NPC三电平逆变器二级故障诊断方法

针对NPC三电平逆变器故障诊断问题,提出一种基于极限学习机与规则推理的二级故障诊断方法。分析了依据输出电流诊断故障的可区分性,以及故障模式的分类。然后对输出电流提取故障特征,并采用极限学习机完成故障初级分类。对于初级分类结果为电流不可区分故障情况,再根据桥臂电压信息运用规则推理法实现故障二级精确诊断。诊断实验表明,该方法能够实现NPC三电平的多模式故障诊断,且故障诊断方法简单、定位精确、快速、鲁棒性强。     

高功率聚变磁体电源桥臂直通故障分析及仿真

高功率聚变磁体电源采用三电平中点钳位型(NPC)电压源变流器(VSC)拓扑，在变流器桥臂直通故障情况下，其直流侧电容的充放电使故障暂态过程较为复杂，为变流器故障分析带来挑战。针对这一问题，以3kV、6kA三电平IGCT大功率VSC为背景，建立了桥臂直通故障暂态等效数学模型。将整个故障过程分为直流侧电容放电和二极管导通两个阶段，详细分析了该故障情况下电压及电流的变化趋势，为后期保护方案的设计奠定基础。Matlab仿真结果表明了该分析方法的可靠性。     

基于重要度的分级贝叶斯网络诊断模型研究

为了提高复杂系统故障检测和诊断的准确性,从数据的不确定性、诊断的不确定性以及特征参数选择的不确定性三方面展开研究。在贝叶斯网络解决不确定性问题优势的基础上,提出了基于重要度的分级贝叶斯网络模型。以往基于贝叶斯网络的方法无法做到系统地选择参数,建立的模型都是全模型。虽然全模型没有遗漏关键的参数,但包含了很多不必要的参数,这些多余参数不仅会对诊断造成不良影响,导致拖尾效应。仿真结果表明,提出方法可以获得更佳的故障特征,有利于提高故障识别能力,验证了模型的有效性。     

一种可用于分析任意介电常数张量的各向异性波导导模的二维时域有限差分模型

为分析具有任意介电常数张量的各向异性波导的导模，本文通过把简化的二维时域有限差分（２－ＤＦＤＴＤ）法扩展至任意各向异性介质，提出了一种以Ｄ、Ｅ和Ｈ场为基础的统一的简化２－ＤＦＤＴＤ模型．利用该模型，研究了简化的复数２－ＤＦＤＴＤ方法与实变数２－ＤＦＤＴＤ方法之间的关系．文中还讨论了复变数方法和实变数方法的激励技术．     

基于RFM的机载余度计算机软件快速测试平台

现代飞机普遍采用电传飞行控制系统,飞行控制计算机是该系统的核心。为了提升飞控计算机的可靠性,普遍采用余度技术构建余度飞控计算机,该计算机由多个通道构成,每个通道有一个CPU,互相构成备份。但是,这给飞控计算机的软件调试和测试带来的巨大的困难,因为各个通道的机载软件之间相互同步、通信和交叉监控,必须并行调试和测试,这就造成了机载软件调试和测试的滞后,必须等待真实的飞控计算机开发出来之后才能开展工作。本文提出了一种基于RFM(反射内存)的余度计算机快速原型测试平台设计方法。该平台使用商用货架产品构成余度计算机的多个冗余通道,使用RFM模拟多通道间的通信、同步过程,通过对底层驱动封装实现硬件故障模拟和余度功能模拟,方便实现软件调试和从性能、功能测试,大大提高了开发效率,减少了研制周期。     

一种无虚通道NoC负载均衡容错路由算法

随着芯片复杂度的不断增大,设计一个高效的片上网络容错路由算法面临着巨大的挑战。由于芯片面积开销的限制,拥有低面积开销的无虚通道片上网络路由器受到学术界的广泛关注。但目前对无虚通道片上网络容错路由算法的研究却停留在容错性能上,而忽略了容错路由算法的路由路径过于单一所造成的负载不均、数据包平均延迟较大等问题。文章在借鉴已有的奇偶转向容错路由算法的基础上,对算法的故障模型和故障绕行策略进行优化,并在算法中融入负载均衡策略,以形成新的容错算法缓解上述问题。在9x9的2D mesh网络中对新提出的算法和参考算法的仿真结果表明：与参考算法相比,新算法在降低数据延迟和吞吐量方面有着明显的优势,在最优情况下能减少8.92%数据延迟和增加10.46%的吞吐量。     

Low-Pass Filtering Empirical Wavelet Transform Machine Learning Based Fault Diagnosis for Combined Fault of Wind Turbines

Fault diagnosis of wind turbines is of great importance to reduce operating and maintenance costs of wind farms. At present, most wind turbine fault diagnosis methods are focused on single faults, and the methods for combined faults usually depend on inefficient manual analysis. Filling the gap, this paper proposes a low-pass filtering empirical wavelet transform (LPFEWT) machine learning based fault diagnosis method for combined fault of wind turbines, which can identify the fault type of wind turbines simply and efficiently without human experience and with low computation costs. In this method, low-pass filtering empirical wavelet transform is proposed to extract fault features from vibration signals, LPFEWT energies are selected to be the inputs of the fault diagnosis model, a grey wolf optimizer hyperparameter tuned support vector machine (SVM) is employed for fault diagnosis. The method is verified on a wind turbine test rig that can simulate shaft misalignment and broken gear tooth faulty conditions. Compared with other models, the proposed model has superiority for this classification problem.     

A wavelet approach to fault diagnosis of a gearbox under varying load conditions

Varying load can cause changes in a measured gearbox vibration signal. However, conventional techniques for fault diagnosis are based on the assumption that changes in vibration signal are only caused by deterioration of the gearbox. There is a need to develop a technique to provide accurate state indicator of gearbox under fluctuating load conditions. This paper presents an approach to gear fault diagnosis based on complex Morlet continuous wavelet transform under this condition. Gear motion residual signal, which represents the departure of time synchronously averaged signal from the average tooth-meshing vibration, is analyzed as source data due to its lower sensitiveness to the alternating load condition. A fault growth parameter based on the amplitude of wavelet transform is proposed to evaluate gear fault advancement quantitatively. We found that this parameter is insensitive to varying load and can correctly indicate early gear fault. For a comparison, the advantages and disadvantages of other measures such as kurtosis, mean, variance, form factor and crest factor, both of residual signal and mean amplitude of continuous wavelet transform waveform, are also discussed. The effectiveness of the proposed fault indicator is demonstrated using a full lifetime vibration data history obtained under sinusoidal varying load.     

基于信息融合的模拟电路故障的特征提取与融合方法

在模拟电路故障诊断中,故障特征的提取是一个非常重要的环节,其提取结果的好坏将直接影响最终的诊断正确率。对现有文献研究发现,每种特征提取方法单独使用时都有一定的局限性,为了能够更加充分的提取模拟电路故障特征,提出了小波包分析与主元分析并行应用的方法,并将两种方法提取的特征向量依据不同规则进行了三种类型的融合,方便对比实验。为获取最优小波特征,提出了特征偏离度,并以此为标准选择最优小波基。最后,通过设计一种改进的神经网络分类器模型,将融合后的三种特征向量送入其中进行仿真验证,得出最终诊断结果。结果表明,该方法能够有效克服单一特征提取方法提取不充分的缺点,提高故障诊断的正确率,并且融合因子 适中时诊断正确率最高。