基于小波包变换的模拟电路故障诊断

把小波包变换用于模拟电路故障诊断中。由于输出信号的各频率成分能量的变化表征了电路中某些元器件的损坏情况,因此,利用小波包变换有效地提取故障特征信息,提出了“能量——故障”的故障诊断方法。计算和实验结果表明：该方法可以快速高效地进行模拟电路故障诊断与定位。     

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。     

基于小波包和自组织网络的模拟电路故障诊断

提出了一种基于小波包变换和SOFM网络相结合的模拟电路故障诊断方法.利用小波包分解作为预处理和消噪工具,对电路采样信号进行多尺度分解和消噪,然后进行能量特征提取、归一化,作为样本输入给神经网络.用SOFM网络竞争层的神经元,对样本数据进行故障识别分类,克服了BP网络隐层神经元选取困难的缺点.详细叙述了诊断原理和步骤,并给出了诊断实例.     

紧致型小波网络在模拟电路故障诊断中的应用

提出了一种新的基于紧致型小波神经网络的模拟电路故障诊断方法。该法首先利用小波包变换对故障信号进行预处理,减少了紧致型小波神经网络的输入数目,简化了紧致型小波神经网络结构,然后对紧致型小波神经网络进行训练和测试。仿真试验表明,该方法比普通BP神经网络方法训练速度更快,诊断准确率更高,容错能力强,非常适用于模拟电路故障诊断。     

模拟电路故障诊断的小波包预处理神经网络改进算法

提出了基于小波包预处理的神经网络模拟电路故障诊断方法的两种改进方法:最优小波包变换(OWPT)预处理和不完全小波包变换(IWPT)预处理BP神经网络算法。首先对模拟电路的响应信号用这两种方法进行预处理,然后计算预处理后信号各个频段上的归一化能量,把归一化的能量作为训练样本送给BP网络进行训练,有效减少了BP网络的输入节点和隐层节点的个数,从而减小了神经网络的规模,降低了计算的复杂度,加快了网络的训练和收敛速度。仿真实验表明此方法能够快速有效的对模拟电路的故障进行诊断和定位。     

模拟电路故障诊断的小波方法

利用小波变换与神经网络相结合的(WNT)方法,将小波作为消噪工具,对信号进行消噪和小波多尺度分解,提取特征信息。并从函数型和权值型小波神经网络中寻找最优故障辨识器,提出了模拟电路故障诊断的系统方法。本文详述了其诊断原理及诊断步骤,并给出了诊断实例。     

基于小波包神经网络的开关电源电路故障诊断研究

针对开关电源电路常见故障,提出一种基于小波包神经网络的开关电源电路故障诊断方法。利用小波分析对开关电源输出电压进行分析处理,依据小波多分辨分析的特点,获得信号各频段的细节系数及其能量,再利用小波包分析对小波分析中没有细分的高频信号进行分解,提高频率分解率,将各频段能量进行归一化处理后,构造故障特征向量作为神经网络的输入进行分类。将Multisim13与Matlab可以实现开关电源电路的故障诊断。     

模拟电路故障诊断的小波神经网络方法

利用小波和改进型BP神经网络相结合的方法,进行模拟电路故障诊断;通过分析被测电路的冲激响应,来识别电路中的故障元件;用小波对冲激响应信号进行多尺度分解,进行归一化后,提取特征信息作为神经网络的输入而进行分类。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。实验仿真结果表明:该方法能准确实现故障定位且准确率高。     

基于小波变换与BP神经网络的模拟电路故障诊断

利用小波与改进算法的BP神经网络相结合的方法进行模拟电路故障诊断,该方法使用小波分解作为预处理工具,对信号进行消噪和小波分解,然后提取特征信息,进行归一化处理,并作为BP神经网络的输入样本进行模式识别。该方法减少了神经网络的输入维数,提高了收敛速度和辨识故障的能力。仿真结果表明,该方法能准确快速地定位故障,且可有效地进行故障识别、改善神经网络结构以及提高故障诊断精度与速度。     

基于小波神经网络的模拟电路故障诊断研究

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。这种方法采用正弦信号作为被测电路的输入激励,在时域中对输出信号采样来构造神经网络的训练和测试样本,将自适应学习率及附加动量BP算法训练后的小波神经网络应用于容差模拟电路故障诊断中。仿真试验表明,该方法减少了故障诊断时间和提高了网络的平均诊断正确率。     

基于改进小波包分析的导航设备故障诊断的特征提取

针对故障诊断信号特征提取问题,提出了小波包分析的改进算法,该算法通过对小波包分解系数的重新排序,解决了小波包分析的频带混叠问题,给出了应用改进小波包分析进行故障诊断特征提取的算法,并在此基础上提出了基于改进小波包分析预处理的神经网络故障字典法．通过仿真比较,该方法剔除了样本信号的冗余成分,大幅度地减少了神经网络的规模,加快了网络的收敛速度,为导航设备故障诊断的特征提取提供了行之有效的手段。     

一种基于小波神经网络的故障诊断方法

在阐述了小波变换和BP(反向传播)神经网络概念的基础上,根据小波神经网络故障诊断的基本思想,提出了一种基于"能量-故障"的小波预处理神经网络故障诊断方法.实验仿真结果表明,使用该方法提取故障特征加快了神经网络的训练速度,能迅速地进行故障的检测和定位.     

基于小波神经网络的模拟电路故障诊断方法及LabVIEW实现

采用虚拟仪器开发平台实现了基于小波神经网络的故障诊断系统,以蔡氏电路为例进行故障诊断,通过采用不同的数据处理方法以及不同的神经网络模型,验证了文中所提方法的可行性.人性化的交互界面,可以方便的从虚拟仪器前面板中得到故障的类型和故障的位置.由此可以看出基于虚拟仪器的故障诊断技术具有很强的实用价值.     

模拟电路软故障诊断的研究

分析了模拟电路软故障诊断的重要性及现有的各种软故障诊断方法。对模拟电路软故障诊断字典法中基于支路屏蔽原理、电路参数随元件参数变化轨迹、节点电压灵敏度序列守恒定理和节点电压增量关系方程的四个研究方向各自的基本原理和优缺点进行了探讨;介绍了基于神经网络,结合模糊理论、小波变换的现代模拟电路软故障诊断的两个方向的研究现状;同时从通用的软故障诊断方法、大规模模拟电路的诊断策略和数模混合集成电路的诊断需求三方面指出了模拟电路软故障诊断的发展趋势和亟待解决的问题。     

一种基于小波-神经网络的模拟电路故障诊断方法

小波分析具有数据压缩和特征提取的特性,神经网络具有非线性映射和学习推理的优点。结合两者的特点,提出了一种基于小波与神经网络的模拟电路故障诊断方法,该方法用小波变换对电路响应信号进行特征提取,从而简化神经网络的结构,降低计算的复杂度,加快了训练速度。对实例仿真表明,该法能有效地对模拟电路进行故障诊断。     

小波包分析在滚动轴承故障诊断中应用

根据小波包多分辨原理,对齿轮减速器JZQ250内的轴承振动信号进行处理,在分析滚动轴承振动机理的基础上,利用小波包进行多尺度分解,根据信号与噪声随尺度增加的不同传播特性,低频部分代表信号的发展趋势,正常状态信号趋势单调递增,故障状态信号趋势则单调递减,初步判定轴承的运行状态是否正常。当判定为故障时,选择小波包分解重构后特殊层的信息进行频谱分析,提取其故障特征频率。经对大量实测数据的处理和分析,能够比较准确地识别和诊断出减速器的正常运行状态,内圈、外圈和保持架故障运行状态,具有一定的工程实用价值。     

基于小波分析和神经网络的模拟电路故障诊断方法

提出了一种基于神经网络和小波分析的模拟电路故障诊断的系统方法。该方法通过对电路的可测性测度计算，选择电路的最佳测试节点，然后利用小波分析作为特征提取手段提取电路的故障特征向量，经归一化和主元分析（PCA）处理后。得到最优特征向量，最后输入到神经网络实现电路故障诊断。计算机仿真结果表明该方法具有更好的故障分辨率。     

高阶统计量在传动系统故障诊断中的应用

对小波包分解和高阶统计量理论进行了阐述,提出一种基于高阶统计量特征和小波包分析相结合的雷达伺服传动系统故障诊断方法。当传动系统故障发生时,振动信号一般是非平稳和非高斯分布的信号,通常包含较强的噪声。用小波包分析对故障信号进行有针对性分解,并提取出故障特征频率带,然后运用高阶谱对故障特征信号进行分析,能够有效地实现故障诊断。