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。     

基于虚拟仪器系统的多功能信号发生器设计

信号发生器是许多电子设备特别是测试设备必备的一部分,用以输入基准源信号给被测设备,通过接收被测设备返回的信息分析研究被检测设备的情况。传统的信号发生器主要靠硬件来实现,其功能单一,维护费用高,这里研究的虚拟信号发生器基于虚拟仪器技术实现。该虚拟信号发生器不但界面友好,而且功能强大、操作简便,而且可以进行频谱分析。经仿真实验表明,它能够产生实验室常用的正弦波、三角波、方波、锯齿波等波形,频率范围较宽,相关参数可调。     

HMM-SVM混合模型在模拟电路故障诊断中的应用

针对单一的隐马尔科夫模型(HMM)或支持向量机(SVM)在模拟电路早期的软故障中识别率不高的特点,将HMM-SVM混合模型应用到模拟电路早期的软故障识别中。首先通过主成分分析(PCA)将原始数据样本降维实现初步划分;接着利用HMM计算测试样本与各故障状态的匹配程度形成特征向量;最后由SVM做故障状态判别。实验结果表明,HMM-SVM混合模型的早期故障识别率优于单一的HMM或SVM模型,将平均故障识别率提高到95%以上。     

基于MHMM模拟电路早期故障诊断

MHMM模型是一种基于高斯混合密度的连续隐马尔科夫模型,具有很好的模式识别能力,对于高混叠样本优势明显。模拟电路结构复杂,早期软故障呈现多样化,故障样本混叠严重,难以辨识。针对这个特点,提出了将MHMM模型应用于模拟电路早期故障诊断的新思路。首先,通过线性判别分析(LDA)技术将由仿真电路采集的数据样本进行降维处理,产生低维观测序列,并对样本初步划分;然后,使用高斯混合模型(GMM)对观测序列逼近,并完成MHMM模型的参数训练;最后,通过实例验证,并与BP网络进行比较。结果表明,MHMM对于早期故障的检测更具有优越性。