一种容差模拟电路的分级故障诊断方法

In this paper, a tolerance analog circuit fault diagnosis method based on hierarchical fault dictionary is proposed. During the simulation before test, firstly, the Worse-Case Analysis is used to get the normal characteristics output interval of the circuit under test and the output interval is saved as the first class fault dictionary, which will be used to fault detection; secondly, node-voltage sensitivity sequence is used as fault characteristics to build the second class fault dictionary for locating fault component; thirdly, based on simulation before test according to dividing the component parameters into seven segments, the third class fault dictionary is built to identify the parameter interval of components. In the fault diagnosis stage, based on the established three-class fault dictionary, fault detection, fault locating and component parameter interval identification can be realized respectively according to practical application. The proposed method can improve the efficiency of diagnosis after test and the solution will be a meaningful reference for practical applications. Finally, the simulation experiment demonstrates the effectiveness of the proposed method.     

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。     

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。     

复杂模拟电路知识表示的关键技术研究

在装备中应用复杂模拟和数模混合电路,可大幅度提升装备性能,但同时对电路故障诊断提出了更高的要求;研究故障特征优选、测试节点优化等关键技术,实现了最优测试点集构造和基于故障特征提取的知识表示自动生成功能,可有效解决当前模拟和数模电路故障诊断存在的问题,提高故障诊断效率;采用典型装备电路的试验验证,实现了多类型知识表示的生成,并且所构造最优测试点集数量为全部测试点的32%,试验表明,所述技术具有很好的实用与推广价值。     

基于小波神经网络的模拟电路故障诊断技术

文章提出了一种基于小波神经网络的模拟电路故障诊断方法:通过分析被测电路的冲激响应来识别电路中的故障元件,利用小波理论中的多分辨率分析的方法提取出相应信号中的故障特征,组成特征向量后输入神经网络进行训练,实现故障诊断;该方法减少了神经网络的输入、简化了其结构、并缩短了训练和处理时间,文中分别用小波神经网络和传统的BP神经网络对实例电路进行故障诊断,仿真结果发现:小波神经网络相比BP网络方法收敛速度更快,诊断率更高。     

基于AdaBoost与GABP的模拟电路软故障诊断方法

针对容差模拟电路软故障诊断精度较低的问题,提出了一种基于AdaBoost与GABP的组合分类器诊断方法;首先,在Pspice中对故障模式进行Monte-Carlo分析,并利用波形有效点提取法提取故障特征,在此基础上,做归一化处理构建神经网络的原始样本;其次,利用GA算法与L-M算法组合优化BP网络构建GABP分类器;最后,利用AdaBoost算法对GABP单分类器进行迭代提升,构建AdaBoost-GABP组合分类器;诊断实例的结果表明,该方法比传统的单分类器诊断方法具有更高的诊断精度、更低的绝对误差,能够克服单分类器容易陷入局部最优,诊断结论不可信的缺陷。     

基于IEEE1232的模拟电路TPS自动生成系统开发

目前在模拟电路故障诊断及测试过程中存在两个问题：测试信号的连续性及容差特性造成的测试信号数量巨大,故障知识表示复杂,测试程序（Test Program,简称TP）的编写多用基于决策知识的人工生成方法。通过对IEEE1232标准的体系结构和诊断推理机要求的分析,论文对IEEEE1232模型体系进行扩充,提出一种包含特征提取技术和多种AI诊断方法的诊断知识库生成协议,设计并实现了符合1232标准知识库的TPS自动生成测试系统。提高了诊断知识的移植性,实现了TPS的自动生成。仿真结果证明了该方案的可行性     

一种复杂系统的快速故障诊断方法

为提高复杂系统的故障诊断效率,基于故障诊断树原理,提出并实现了一种快速故障方法。实现该方法主要包括六个关键步骤,分别是故障诊断树的梳理、诊断节点代码的编写录入、Labwindows CVI软件与数据库的通信连接、故障诊断树显示及故障诊断推理、故障诊断节点的编辑、故障结论的存储与显示。在此基础上,设计开发了相应的故障诊断软件,并利用该软件对某型装甲车辆炮控系统进行故障诊断。结果表明,该型软件人机交互性好、操作便捷,基于故障诊断树原理的故障诊断方法可较大的提高故障诊断效率,工程应用前景广阔。     

基于多种群量子粒子群聚类的模拟电路故障诊断算法设计

为了提高传统模拟电路故障诊断算法的故障诊断精确度和故障诊断效率,设计了一种基于多种群量子粒子群聚类的模拟电路故障诊断算法。首先,采用多种群量子粒子群算法实现特征参数优化,将最优粒子中的非0维度作为选择的最优特征属性,得到最优特征选择集,然后采用马氏距离作为数据样本相似度的度量方式,设计了基于马氏距离的聚类方法实现对模拟电路的故障进行有效诊断,该诊断方法能在线样本不断增加的情况,自适应地增加聚类的个数即故障诊断的类别数,且无需训练参数。仿真实验表明,文中方法能有效实现模拟电路的故障诊断,尤其是能满足在线故障诊断需求,与其它方法相比,具有故障诊断精度和效率高的优点。     

基于遗传粒子群算法的模拟电路故障诊断方法研究

提出一种基于小波包分解、归一化处理、遗传粒子群优化算法(GAPSO)和BP神经网络相结合的模拟电路故障诊断新方法。该方法使用小波包分解获取各尺度函数空间上的能量特征信息作为特征向量输入神经网络。利用遗传粒子群算法优化BP神经网络的权值和阀值,有效克服BP神经网络极易陷入局部极小等缺陷。通过Multisim仿真电路实例,比较GAPSO-BP和BP神经网络的诊断结果,验证了该方法的有效性。     

融入模糊推理的新型故障树诊断方法

在以预防为主、准确、高效武器装备故障诊断的指导思想下,针对故障树诊断法固有的优缺点属性,本文将产生式规则和模糊理论引入故障树中,设计了故障树的确定性诊断和不确定性推理的故障诊断推理方法,将模糊故障机理以“故障树”的方式进行表达,使故障树诊断从确定性诊断领域扩展到模糊诊断领域,并构建了相应诊断算法流程。通过仿真对比,说明了该故障诊断推理方法的正确性,同时还证明了该方法具备快速性、准确性,以及处理模糊故障机理问题的能力。     

基于多种群混沌遗传神经网络的模拟电路故障诊断

针对标准遗传算法优化BP神经网络收敛慢,易陷入局部最优的问题,提出了改进的多种群协同进化遗传算法,该算法改变了以往的随机初始化方法,采用了附加混沌扰动的tent映射初始化均匀分布的种群,提高了初始解的质量;每个种群采用自适应交叉率和变异率,引入移民算子实现种群间的横向联系;算法通过多种群的协同进化和种群间的个体移植提高了算法的搜索均匀性和效率;仿真实验表明该算法误差小,收敛速度快,诊断正确率高,较好地解决了模拟电路的软故障诊断问题。     

A Machine Learning Approach for Gearbox System Fault Diagnosis

This study proposes a fully automated gearbox fault diagnosis approach that does not require knowledge about the specific gearbox construction and its load. The proposed approach is based on evaluating an adaptive filter’s prediction error. The obtained prediction error’s standard deviation is further processed with a support-vector machine to classify the gearbox’s condition. The proposed method was cross-validated on a public dataset, segmented into 1760 test samples, against two other reference methods. The accuracy achieved by the proposed method was better than the accuracies of the reference methods. The accuracy of the proposed method was on average 9% higher compared to both reference methods for different support vector settings.     

基于噪声滤波的非线性系统故障诊断方法研究

随着复杂系统故障诊断的要求不断增加,非线性滤波技术复杂系统诊断已越来越成为研究的热点与难点问题之一;针对传统的粒子滤波进行系统突变故障诊断的问题,文章提出了一种改进的噪声粒子滤波故障诊断新方法;方法给出了噪声粒子滤波统计模型,通过粒子滤波得到状态估计值,并得到全概率分布信息用于故障检测中;最后通过仿真实验以及数值模拟验证了文章提出的方法在复杂系统故障诊断中是有效的,同时具有较高的精确性。