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。     

基于核方法的模拟电路故障诊断

核方法通过非线性映射将原始数据嵌入到高维特征空间,然后进行线性分析和处理,为基于知识的数据分析带来新的方法和模式;传统方法无法解决故障特征数据维数高、在故障样本交叠严重时多分类性能较差的问题,因此在电路故障特征数据预处理阶段,提出了分步骤分别在时域对电路输出电压波形进行小波包分析和在频域测量电路幅频特性的方法来提取电路故障特征;预处理后的故障特征向量只是8维向量,减少了SVM的训练时间;将该方法应用于国际标准电路中的CTSV滤波器电路的故障诊断,结果表明:该方法能突出不同故障的特性,故障诊断正确率达到98.57%(414/420)。     

经验模态分解与样本熵在并网型光伏逆变器故障诊断中的应用

摘要：针对光伏并网逆变器电路中故障信号的非线性、非平稳特点,提出一种基于经验模态分解(EMD)和样本熵(SampEn)的故障诊断方法。首先,利用经验模态分解对逆变器的三相输出电压进行分解,得到有限个本征模式分量(IMF),从中选取包含故障主要信息的前几个本征模式分量提取故障信息。然后,计算本征模式分量的样本熵,从而得到用于故障诊断的特征向量;最后,将逆变器开路故障进行分类和编码,将故障特征向量输入BP神经网络进行模式识别,从而达到故障诊断的目的。在Matlab环境下对光伏并网逆变器的故障诊断进行了实验,实验结果证明了文中方法能实现对光伏并网逆变器的故障诊断,且与小波包变换相比,该方法具有诊断效率高和准确度高等特点。     

基于LabVIEW与Multisim的火控系统半实物联合仿真方法

针对当前装甲装备火控系统电路组成与功能特点,对火控系统维修保养过程中的故障诊断方法与测试需求进行了研究,提出了一种火控系统半实物联合仿真方法,介绍了该仿真建模方法的设计思路与实现方法。该方法可充分发挥LabVIEW和Multisim软件的优势,通过半实物联合仿真的方法,以仿真模型代替部分或者全部火控系统部组件,能够很好地实现火控系统不同级别的电路功能模拟、故障复现,快速完成故障诊断分析,解决了当前装甲装备火控系统维修诊断设备通用性差、规范化程度低、开放性差,难以真实的模拟系统级、部件级功能、故障注入和故障检测等问题,为装甲装备火控系统故障诊断与测试设备开发提供了有效平台,为基层部队开展维修训练和维护保障提供了有效途径。     

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。     

多分类SVDD混叠域识别的模拟电路故障诊断

针对多分类支持向量域数据描述(SVDD)方法中混叠样本诊断精度差的问题,提出了一种带异类样本的多分类SVDD算法。该方法在普通SVDD超球模型基础上,对于存在混叠区域的类别,以该类所有样本为目标类,其他类与之混叠的样本为异类,利用带异类样本的SVDD算法重新训练,直至所有超球优化完毕。仿真实验验证了本文算法消除混叠和提高精度的能力,并将该算法应用于模拟电路故障诊断中。相较与SVDD多分类算法、一对一和一对多SVM算法,本文方法在模拟电路故障诊断中具有更高的诊断精度。     

基于拉普拉斯分值和超球支持向量机的轴承故障诊断方法设计

针对轴承振动信号中的故障信息往往很微弱,同时振动样本数据分布不平衡即故障样本占总样本数的比例低,从而导致故障诊断模型训练不精确而影响诊断精度的问题,提出了一种基于拉普拉斯分值和超球大间隔支持向量机的故障诊断方法。首先,采用有标签的训练样本数据和拉普拉斯分值法提取原始振动信号中的微弱故障信息,并降低其数据维数,从而得到用于故障诊断的特征向量,然后设计了一种改进的超球大间隔支持向量机的故障诊断模型,通过最小化超球体积和最大化超球边界和故障样本之间的间隔来实现故障诊断,以解决样本的不均衡问题,最终通过将测试样本数据代入决策方程并通过投票机制确定其故障类别。在Matlab环境下对轴承故障诊断进行实验,实验结果证明了文中方法能有效解决样本的不均衡情况下的故障诊断,且相对其它方法,具有诊断精度高和收敛速度快的优点。     

基于主元分析与动态时间弯曲的故障诊断方法及应用研究

轴承是工程实际中常用而又极易损坏的部件,特别是对其早期微弱响应的辨识,具有重要的社会价值和意义。为提高运转轴承的安全可靠性和可维护性,提出了基于主元分析与动态时间弯曲距离的故障诊断方法,它可以准确对早期微弱动态响应辨识、诊断。该方法首先将典型故障样本信号与待测信号小波去噪并EMD分解,并对若干固有模态分量主元分析求取主元,然后对主元分量进行分析,获得相关特征值组成特征向量,计算待测信号与已知故障样本信号特征向量的弯曲距离,弯曲距离越小表明两信号越相似,从而辨识故障。此外,还可将其应用于转子、碰磨、齿轮故障诊断中,工程应用实例表明该方法可以准确故障分类,高效故障诊断。     

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。     

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。     

列车防滑器主机故障诊断系统设计

SAB型列车防滑制动系统应用于国内T型列车,数量多,为了提高列车防滑器主机故障检测和维修效率,针对SAB WABCO公司的SWKAS20C型列车防滑器主机,设计了元件级故障检测与定位专家系统。通过研究模拟电子电路故障诊断技术,设计了基于支持向量机的多故障分类器,用于主机模拟电路故障样本数据的训练和测试,并通过改进算法寻优向量机参数,提高了故障诊断的准确度。搭建了模拟列车运行环境的测试平台,用以模拟主机在多种状态下的故障模式;使用VS2010开发环境编写了MFC专家系统。     

基于概率盒的电网故障诊断方法研究

针对电网故障信息存在丢失、误动、拒动等不确定性问题,文章采用概率盒理论和支持向量机相结合的方法对电网故障进行诊断,充分利用概率盒在处理不确定问题上的优势。首先利用概率盒对故障录波、电气量等数据建模,然后利用融合规则将得到的多个概率盒进行融合,并提取特征向量。最后,利用支持向量机进行分类,并得出诊断结果。为了验证方法的有效性,采用仿真线路进行概率盒的故障诊断,实验验证该方法合理可行,且有较高的诊断率。     

Composite Multivariate Multi-Scale Permutation Entropy and Laplacian Score Based Fault Diagnosis of Rolling Bearing

As a powerful tool for measuring complexity and randomness, multivariate multi-scale permutation entropy (MMPE) has been widely applied to the feature representation and extraction of multi-channel signals. However, MMPE still has some intrinsic shortcomings that exist in the coarse-grained procedure, and it lacks the precise estimation of entropy value. To address these issues, in this paper a novel non-linear dynamic method named composite multivariate multi-scale permutation entropy (CMMPE) is proposed, for optimizing insufficient coarse-grained process in MMPE, and thus to avoid the loss of information. The simulated signals are used to verify the validity of CMMPE by comparing it with the often-used MMPE method. An intelligent fault diagnosis method is then put forward on the basis of CMMPE, Laplacian score (LS), and bat optimization algorithm-based support vector machine (BA-SVM). Finally, the proposed fault diagnosis method is utilized to analyze the test data of rolling bearings and is then compared with the MMPE, multivariate multi-scale multiscale entropy (MMFE), and multi-scale permutation entropy (MPE) based fault diagnosis methods. The results indicate that the proposed fault diagnosis method of rolling bearing can achieve effective identification of fault categories and is superior to comparative methods.     

EEMD与EFICA在单通道复合故障诊断中的应用

针对转子不对中和滚动轴承微弱损伤的复合故障诊断问题,提出了一种基于平均经验算法(Ensemble Empirical Mode Decomposition,EEMD)和高效快速独立分量分析(Efficient Variant of FastICA,EFICA)的盲源分离故障诊断方法。利用EEMD算法将单通路复合故障信号分解成多个不同信号特征的本征模函数(Intrinsic Mode Function,IMF),解决了盲源分离中的欠定问题。在此基础上利用EFICA算法对各个不同信号特征的IMF进行故障特征分离。通过仿真实验和转子实验台的实验结果,表明该算法可以有效分离出各个不同的故障特征。     

A Non-Contact Fault Diagnosis Method for Bearings and Gears Based on Generalized Matrix Norm Sparse Filtering

Fault diagnosis of mechanical equipment is mainly based on the contact measurement and analysis of vibration signals. In some special working conditions, the non-contact fault diagnosis method represented by the measurement of acoustic signals can make up for the lack of contact testing. However, its engineering application value is greatly restricted due to the low signal-to-noise ratio (SNR) of the acoustic signal. To solve this deficiency, a novel fault diagnosis method based on the generalized matrix norm sparse filtering (GMNSF) is proposed in this paper. Specially, the generalized matrix norm is introduced into the sparse filtering to seek the optimal sparse feature distribution to overcome the defect of low SNR of acoustic signals. Firstly, the collected acoustic signals are randomly overlapped to form the sample fragment data set. Then, three constraints are imposed on the multi-period data set by the GMNSF model to extract the sparse features in the sample. Finally, softmax is used to as a classifier to categorize different fault types. The diagnostic performance of the proposed method is verified by the bearing and planetary gear datasets. Results show that the GMNSF model has good feature extraction ability performance and anti-noise ability than other traditional methods.     

基于CEEMD特征提取的无绝缘轨道电路补偿电容故障诊断

本文利用电路网络理论和传输线理论构建ZPW-2000A轨道电路传输模型,仿真并分析了补偿电容故障对轨面电压的影响,提出基于互补的总体经验模式分解(CEEMD)特征提取的补偿电容故障诊断方法。实验结果表明,相比于传统经验模式分解(EMD)和总体经验模式分解(EEMD),基于CEEMD特征提取的补偿电容故障诊断方法可以有效地克服EMD方法引起的模态混叠和能量泄露现象,减少EEMD方法在信号重构过程中的白噪声残留,为补偿电容的故障诊断提供了一种快速准确的方法,为保证信号传输质量提供了参考依据。     

基于互相关算法的飞机导线故障诊断与定位系统设计

以飞机导线短路故障和断路故障为研究对象,目的在于寻求一种测试方法能够提高应用时域反射测量原理进行故障诊断与定位的精度。按照实际机场工程应用背景,设计了以便携式工控机为控制核心、以LabVIEW为驱动软件的飞机导线故障诊断与定位系统。根据信号传播特性,提出了基于互相关算法的故障定位方法,消除了系统误差的影响。计算机仿真和实物测试结果表明该系统具有测试过程方便、准确性高的优点,为提高民航机务维修质量具有促进作用。