组合网络与证据理论相结合的电路故障诊断

针对神经网络中两种常用的网络类型BP和Elman,在模拟电路故障诊断中的应用过程的特点——各自网络都有自身缺陷,提出基于BP-Elman神经网络与证据理论相结合的故障诊断方法.首先BP-Elman网络得出其各自的初步诊断结果,经过必要的转换将其转换成证据理论的概率赋值,作为证据组合的依据;证据理论组合规则将初步诊断结果融合得出决策级诊断结果.通过对某装备位置调节器板的故障诊断过程表明,该模型经过尽可能融合有效故障信息,大大提高了系统的诊断精度和诊断正确率,而且有效降低了系统不确定性.     

基于多信号模型的装甲车辆电源系统诊断策略

针对装甲车辆电源系统模块失效和信号失效不统一的特点,提出了一种多信号模型的改进方法,在此基础上,通过电源系统故障模式影响分析,建立了电源系统测试性模型。基于故障熵理论,利用诊断信息量和费用优化的启发式函数,确立了系统的诊断策略。计算结果表明:该方法对诊断策略的优化是有效的。该方法对装甲车辆电源系统诊断策略的研究具有一定参考意义。     

基于CAN总线的装甲车辆电源系统在线检测设计

提出了一种装甲车辆故障在线检测方案,采用C8051F040单片机作为控制单元,通过相应的接口电路对装甲车辆电源系统的各路信号进行实时采集,并将结果通过CAN总线传入上位机,与其它检测子系统构成装甲车辆在线故障检测系统.     

神经网络技术在智能BIT故障诊断系统中的应用

论述了智能BIT的智能设计、智能检测、智能诊断和智能决策,构建了基于神经网络的某高炮装备随动系统的智能BIT故障诊断系统。用Multisim进行电路仿真,提取输出信号的均值、峭度、偏斜度构成三维向量,以它作为特征向量利用神经网络进行模拟电路的故障诊断。通过比较BP神经网络、SOM神经网络和小波神经网络的诊断结果,得知利用均值、峭度和偏斜度作为特征,BP神经网络和SOM神经网络能够有效识别故障状态模式。     

基于Matlab／Simulink的三相桥式整流电路仿真

电力电子器件的应用已十分广泛，对其仿真尤其是进行故障仿真，有利于电力电子器件的故障诊断。建立了基于Matlab／Simulink的三相桥式整流电路的仿真模型，对正常工作及故障时的电路进行了分类及编码。仿真表明了Simulink仿真的简单及快速性，仿真结果中所含的信息可用于电力电子装置的故障诊断。并对用神经网络实现电力电子装置的故障诊断时,如何采集神经网络的样本进行了讨论。     

基于Elman网络的火控系统传感器故障诊断方法研究

Elman动态递归神经网络具有很强的记忆能力,特别适用于火控系统传感器的故障诊断.提出了一种收敛速度快、精度高、可靠性好的PRP(Polak-Ribiere-Polyak)网络训练方法,增强网络在线学习能力.将该方法运用于Elman动态递归神经网络,并运用该网络对火控系统传感器量测信号进行预测和故障诊断.仿真实验和实际应用表明,提出的Elman动态递归神经网络火控系统传感器系统故障诊断方法有效性好,故障诊断率高.     

模拟电路的DCNN-ELM软故障诊断

为提高模拟电路的软故障诊断能力,提出一种基于深度卷积神经网络(DCNN)特征提取的极限学习机(ELM)诊断方法.先利用DCNN在特征提取方面的优势,从含有电路故障信息的信号中自主提取有辨识力的特征;利用ELM出色的分类性能,构建获取特征的故障诊断模型;通过Sallen-Key带通滤波器电路的故障诊断实验对提出方法进行了验证.仿真结果表明,提出的基于DCNN的故障特征提取方法优于传统KPCA与KSLPP方法,与ELM分类器集成后得到的诊断准确率达到98.2％,有助于改善模拟电路的故障诊断精度,从而验证了其可行性和有效性.     

基于BP神经网络装甲车辆电气设备故障诊断的研究

研究了装甲车辆电气设备故障的智能诊断,设计了基于BP网络的故障智能诊断系统。采用C8051F040单片机完成数据的采集和预处理,上位机应用C+ +builder和MATLAB的混合编程完成故障利用BP网络的诊断过程。研究结果表明,提高了设备故障诊断的准确度,实现了装甲车辆电气系统故障诊断的自动化、智能化。     

混合推理在某型雷达故障诊断中的应用

传统诊断方法各有优缺点,对于大型装备的故障诊断来说,由于故障的复杂性、故障信息的多样性,单一的诊断方法满足不了实际应用的要求。为此,在介绍基于案例、模型、神经网络专家系统诊断推理方法的基础上,论述了基于案例、模型和神经网络的混合推理策略,给出了建立混合推理系统的方法,并在某型雷达的故障诊断系统中得到了应用。     

基于形态分量分析和EEMD样本熵的自动机故障诊断

针对自动机故障诊断过程中振动信号故障特征较难提取的问题,提出了结合形态分量分析(MCA)和总体经验模态分解(EEMD)的自动机故障特征提取方法。根据自动机振动信号组成成分的形态差异,利用形态分量分析方法构建不同的稀疏字典对各组成成分进行分离,消除噪声分量,提取出反映主要故障特征的冲击分量;对所提取的冲击分量进行EEMD分解并计算各IMF分量的样本熵值,以此作为故障特征向量输入基于离子群优化的支持向量机(PSO-SVM)进行识别。通过自动机典型故障诊断试验表明:形态分量分析方法可有效分离出自动机振动信号中的冲击成分;同时,所提出的特征提取方法能够有效地进行自动机故障诊断。