动态模拟电路故障特征提取方法研究

合集下载

基于频率特性的模拟电路故障分析

Hale Waihona Puke 【摘要】在分析神经网络模型的特点的基础上，提出基于频率特征进行神经网络模型的模拟电路诊断方法，通过模拟电路能量故障特征的提取、完成构造样本集、对输入
按照电路中发生故障时损坏的元器件的数目来划分，可以将故障类型分为单故障和多产业和社会生产的发展，电子系统的规模越来故障。单故障是指电路中只有一个元器件发生越大，结构越来越复杂，性能要求越来越高，故障的情况，多故障是指电路中有两个或者体积尺寸要求越来越小，模拟电路电子元件的两个以上元器件同时发生故障的情况据有密集度和布线密度要求越来越高，当电路发生关数据显示，模拟电路中７Ｏ％一８Ｏ％的故障为单故障时，由于各种元器件精度存在误差，导致故障形式。发生单故障的电路，是整个故障电路故障现象复杂多变，常规的检测仪器例如诊断的首要任务，对于多故障电路，由于是两万用表、示波器等已经无法满足模拟电路故障个以上的元件故障同时发生，这种故障的组
Ｉ丝．皇王研霾…………………………一
基于频率特性的模拟电路故障分析
杭州建德市工业技术学校
输出数据进行灵敏度处理，不断完善神经网络设计，优化算法，结果表明基于频率特性的模拟电路故障测试达到预期效果。【关键词】神经网络；模拟电路；频率特性；故障分析
许
俊
近年来，电子技术、自动化技术得到了突飞迅猛的发展，模拟器件广泛应用于各种集成电路为核心的电子系统，随着科技进步、电子

基于BP神经网络的模拟电路诊断系统研究

基于ＢＰ神经网络的模拟电路诊断系统研究作者：郝俊寿丁艳会来源：《现代电子技术》2009年第02期摘要：以现代测试技术、信号处理、信息融合等理论为基础，以神经网络在模拟电路故障诊断中的应用为主线，详细讨论BP神经网络在模拟电路故障诊断中的应用和故障特征提取方法。

采用多频组合法建立了故障样本集。

对选定的待测电路在元件存在容差的条件下，仿真验证了BP神经网络应用于模拟电路故障诊断的可行性。

关键词：故障诊断；模拟电路；BP神经网络；故障特征提取中图分类号：TP183文献标识码：A文章编号：1004 373X(2009)02 142 03Research of Analog Circuit Fault Diagnosis Based on BP Neural NetworkHAO Junshou,DING Yanhui(Inner Mongolia Electronic Information Vocational Technology College,Huhhot,010011,China)Abstract：Based on the application of BP neural network in analog circuit fault diagnosis and the fault features extraction are discussed in detail.The fault sample set is established by using the multi－frequency combination method.Academic foundation is modern test technology,signal processing,information fusion and testability analysis,etc.The analog circuit soft fault diagnosis is realized to select test electric circuit by using BP neural network under the components existence tolerance condition.Keywords：fault diagnosis；analog circuit；BP neural network；fault features extraction0 引言随着电子工业的发展，电子设备越来越复杂，其中的模拟器件和电路不可缺少。

基于分区定位的电路故障诊断新方法

电路存在故障集中的一个故障时的响应（作电即路仿真）最后将所得到的电路响应作必要的处理。（响应压缩、编码等）如，作为对应的故障特征，将它们编辑成一部故障与特征对应的字典。在利
目前，电路故障诊断理论的研究已成为电网络理论的重要研究领域之一。模拟电路的故障诊断大多是通过测量可及节点的电压来抽取故障特征。于大规模模拟电路，功能往往比较复杂，对其所含元件较多，节点数也很多。对于这类电路建立一个统一的直流故障字典要求每次诊断都要提供所有节点的测试值，这对于人工或半自动测试的情况，必然有测试时间过长的问题。不过一般大规模电路虽然复杂，但其往往可以分成若干在功能上相对独立的模块。当某一模块内部发生故障时，其他模块的状态变化不明显，甚至没有变化。各功能模块之间有可能是相互独立的，也可能是相互连接、互影响的。如果是相互独立的，相
用这部字典作实际电路的故障诊断时，对被测电路施加与测前模拟时完全相同的激励和工作条件，取得相应的特征，最后在字典中查得与此特
分析，结合对整个电路的故障字典进行计算机辅助分析，以电路功能连接最紧密为原则，将电路的元件划分为不同的故障诊断区域；最后剩下的是连接不同功能模块的元件，将它们划分到与其

基于广域信息的电网故障诊断方法

数据处理主要包括数据清洗、数据转换和数据聚合三个步骤。数据清洗旨在去除异常值和缺失值；数据转换将原始数据转换为适合分析的指标；数据聚合则将各个设备的数据进行整合，以便于综合分析。
实证结果展示
• 结果展示：基于广域信息的电网故障诊断方法，我们获得了电网故障的监测数据，并对其进行了实证分析。通过绘制故障发生时刻的电网状态图，我们可以清楚地看到故障对电网的影响范围和程度。此外，我们还计算了故障发生前后电网的各项指标，如电压稳定性、电流不平衡度等，以量化评估电网的运行状态。
基于广域信息的电网故障诊断方法
2023-11-13
目录
• 引言 • 电网故障诊断方法概述 • 基于广域信息的电网故障诊断模型 • 实证分析与比较 • 方法优势与不足 • 研究展望与未来发展
01
引言
研究背景与意义
电力系统的安全稳定运行对于保障人们的正常生活和国家经济的持续发展具有重要意义。电网故障诊断是电力系统中重要的研究方向之一，对于提高电力系统的安全性和稳定性具有重要作用。传统的电网故障诊断方法主要基于本地测量信息，然而由于电网规模的扩大和复杂性的增加，基于本地信息的故障诊断方法已经难以满足需求。因此，基于广域信息的电网故障诊断方法逐渐成为研究的热点。
目前的研究现状表明，基于广域信息的电网故障诊断方法在理论和实践上均取得了一定的成果。然而，仍需要进一步的研究和改进以满足实际应用的需求。
研究内容与方法
01
02
03
04
05
基于广域信息的电网故障诊断方法的研究内容主要包括以下几个方面
1. 研究适用于广域信息的故障诊断算法：针对电网的实际情况和需求，研究适用于广域信息的故障诊断算法，充分利用广域信息进行故障识别和定位。

基于优选小波包和ELM的模拟电路故障诊断

Ａｎａｌｏｇｃｉｒｃｕｉｔｆａｕｌｔｄｉａｇｎｏｓｉｓｍｅｔｈｏｄｂａｓｅｄｏｎｐｒｅｆｅ！ｒｒｅｄｗａｖｅｌｅｔｐａｃｋｅｔａｎｄＥＬＭ
ＨｅＸｉｎｇ，ＷａｎｇＨｏｎｇｌｉ，ＬｕＪｉｎｇｈｕｉ，ＪｉａｎｇＷｅｉ（ＤｅｐａｒｔｍｅｎｔｏｆＣｏｎｔｒｏｌｅｎｇｉｎｅｅｒｉｎｇ，ＴｈｅＳｅｃｏｎｄＡｒｔｉｌｌｅｒｙＥｎｇｉｎｅｅｒｉｎｇＵｎｉｖｅｒｓｉｔｙ，Ｘｉ ’ ａｎ７１００２５，Ｃｈｉｎａ）
征能够得到更高的诊断精度，而极端学习机在测试时间和诊断精度上都优于其他３种神经网络方法，能够在不到１ｍｓ时间内实现９４．４４％的诊断精度，说明了所提方法在模拟电路故障诊断中的有效性。
关键词：小波包变换；极端学习机；模拟电路；故障诊断；特征偏离度中图分类号：ＴＰ１８１文献标识码：Ａ国家标准学科分类代码：５１０．１０１０
合的模拟电路故障诊断新方法。为获取最优故障特征，提出了特征偏离度的概念，可作为评价小波包变换在不同小波基函数下获取的故障特征的一种测度，可据此选择特征偏离度最大的小波基进行故障特征提取；在此基础上，引入极端学习机对故障进
行分类识别，并将诊断结果与目前几种主要神经网络方法进行了比较。仿真实验结果表明：利用优选小波包提取的最优故障特

基于差值信号的故障特征提取及应用

１故障特征的提取及预处理
１１小波包分析［． “
小波包分析是在小波分析理论的基础上发展起来的
一
种适合工程实际应用的数学物理方法，能够为信号提供
种更加精细的分析方法。它将频带进行多层次划分，对
一
使电路的输出产生很明显的变化，故障更易发现。软故硬障指元件性能参数的偏离，与整个电路性能的降低之间关
ｍｅｈｄｔｅｖｒｆｅｔｖ．ｔｏｏｂｅｙｅｆｃｉｅＫｅｗｏｄ：ｄｆｅｅｔｌｓｇａ；ｆａｕｅｅｔａｔｏｙｒｓｉｒｎｉｉｎＩｅｔｒｘｒｃｉｎ；ｆｕｉｇｏｉｆａａｈｄａｎｓｓ
Ｏ引言
细微的，且不易诊断。如果用小波变化直接提取特征，两
小波包的分解算法为：由尺度Ｊ基下的系数｛计算
出下一层尺度＋１下的系数钟ｄ讲，：基。和即
种信号之间的差别也只是反映在高频部分，果直接将但如它们送到分类器训练，断效果并不理想，主要因为分诊这类器训练起主要作用是数据比较大的低频部分。标准信号波形是被测电路重要的理想参考信号，因此，以利用可这一标准信号波形与该电路在有容差的正常状态下和各
故障特征提取是故障诊断最重要、键而且也是最最关困难的瓶颈问题［。针对模拟电路故障诊断的问题，１］常常根据电路输出的波形曲线来识别对应的故障模式。一般

心电信号滤波与特征提取算法研究

心电信号滤波与特征提取算法研究心电信号是一种重要的医学信号，包含了人体心脏活动的信息，对于疾病的诊断和监测具有重要意义。

然而，由于环境噪声和电极质量等因素的影响，心电信号中常常包含有各种干扰噪声，这影响了信号质量和准确性。

因此，心电信号滤波与特征提取算法的研究变得至关重要。

心电信号滤波是指通过滤波器对心电信号进行去除干扰噪声的过程。

常用的滤波方法包括模拟滤波和数字滤波。

模拟滤波器通过电子元件对心电信号进行滤波处理，但由于其需要复杂的硬件电路，成本较高。

因此，数字滤波方法得到广泛应用。

数字滤波方法根据系统函数的特性将信号分为低频、高频和带通滤波。

常用的数字滤波器有FIR滤波器和IIR滤波器。

其中FIR滤波器具有线性相位特性、抗干扰能力强等优点，常用于心电信号的滤波处理。

而IIR滤波器具有更高的通带增益和更好的滚降特性，适用于信号频带较窄且对时间延迟要求较高的场合。

除了滤波外，心电信号的特征提取也是心电信号分析的重要步骤。

特征提取是指从原始心电信号中提取出具有医学意义的特征参数。

常用的特征参数包括R峰、QRS波形、T波和P波等。

R峰代表心脏收缩的峰值，用于计算心率；QRS波形是心室肌收缩的电活动，用于诊断心律失常；T波和P波则用于评估心室和心房的电活动。

特征提取算法有多种方法，包括传统的时间域和频域分析方法，以及现代的基于机器学习和深度学习的方法。

时间域分析方法通过统计指标来描述信号的特点，如均值、方差、标准差等。

频域分析方法通过将信号转换为频域，分析信号的频谱特征，如功率谱密度、能量谱密度等。

随着机器学习和深度学习的发展，越来越多的研究将其应用于心电信号特征提取。

这些方法通过构建模型学习心电信号的特征表示，提高了特征提取的准确性和效率。

常用的机器学习方法包括支持向量机（SVM）、随机森林（Random Forest）和人工神经网络（Artificial Neural Networks）等。

而深度学习方法则包括卷积神经网络（Convolutional Neural Networks）和递归神经网络（Recurrent Neural Networks）等。

基于小波包分析与RBF神经网络的模拟电路故障诊断

（ＢＮ的模拟电路故障诊断方法。该方法首先利用小波包分解，ＲＦＮ）归一化作为预处理提取模拟电路的故障特征向量，再将故障特征向量输入到ＲＦ神经网络进行故障诊断。仿真结果表明本方法能够对模拟电路的故障进行有效诊断和定位。Ｂ关键词小波包分析模拟电路故障诊断ＲＦ神经网络Ｂ
据信号特征，自适应地选择频带，使之与信号频谱相匹配，以提高时间一频率分辨率［。在多分辨分析８】
中，和满足二尺度方程：
（＝∑ｈ＇ｔ．，拙 ∈ ｚ１ｆ）ｋ（一）２ｉ４｝Ｚ∈ （）
ＥＺ
模型使用梯度下降算法训练，须事先已知其结构及
（）对Ｖｍ＞０函数系｛：（ — ），∈Ｚ与２，ｕｔｋ）ｌ｛＋（ — ） ∈Ｚ是相互正交的。Ｍ。ｔｋ
小波包分析与ＲＦ神经网络的模拟电路故障诊断Ｂ方法。首先利用小波包分解对电路故障信号进行预处理，得到故障特征向量，再作为ＲＦ神经网络Ｂ
中心。
是ＲＦ网络的输出节点：Ｂ
表１诊断电路神经网络期望输出
电路状态正常工作
Ｊ！ｌｆ
设ＲＦ网络的训练样本对为｛，ｎ。其中Ｂｙ｝ｄ
为网络输入向量，ｄｙｎ为期望输出。根据线性回归模型有：
Ｙｏ１
ｆ）＝ ∑ｈ２一｝ “（：￡ｋ．（１）【州（＝ ∑ｇ￡Ｉｔ：）ｋ（一｝ “２ｊ）
（）３
则函数系｛（）ｎ∈Ｚ，为由正交尺度函数ｔ）称确定的正交小波包，有两种正交性：它具（）对Ｖｍ＞，１０函数系｛ｔｋ ∈Ｚ是标Ｍ（ — ）准正交系；

PSPICE结合MATLAR在模拟电路故障诊断中的应用研究

［要］摘本文将ＭＴＡ与ＰＰＣ有效的结合在一起，ＡＬＢＳＩＥ着重通过一个模拟电路实例说明了ＰＰＣ和ＭＴＡ的数据通信在模拟电路故障诊断中的应用方法。ＳＩＥＡＬＢ实验结果表明，ＰＰＣ将ＳＩＥ仿真所得的数据输入给ＭＴＡ进行分析处理，ＡＬＢ能够进一步对仿真结果提取更有效的故障特征。［键词］ＳＩＥ模拟电路ＭＴＡ小波分析关ＰＰＣＡＬＢ中图分类号：４７２Ｕ６．文献标识码：Ａ文章编号：１０— １Ｘ２１）５０１一ｌ１０９９４（００１— ３６Ｏ
应用技术
Ｉ ■
ｃａｉｅｄｃｌｉｈｅｈｏＲｅｉＳｎａＴｎｇｅｗｎＣｃｎｅｏｙｖ
ＰＰＣＳＩＥ结合ＭＡＬＴＡＢ在模拟电路故障诊断中的应用研究①
李清改董爱华康洪超
（河南理工大学电气工程与自动化学院河南焦作
＾
４４０）５０３
不；
性问题，使得模拟电路故障诊断成为网络理论中一个十分困难的研究课题：利用ＰＰＣ进行故障模拟，回避了非线性系统的复杂计算问题，ｏｔＣｒｏＳＩＥＭｎｅａｌ分析解决电路的容差问题，又利用小波分析，取其能反映故障信号特征的成分做为电路故障特征，提高了故障识别的准确性。随着模拟电路故障诊断研究的不断深入发展，ＰＰＣ和ＭＴＡＳＩＥＡＬＢ的完美结合，不仅将被越来越广泛的用来完成模拟电路的故障特征提取工作：且稍作修改，即可应用于其它研究领域的数据通信，具有相当的实际工作价值。参考文献［］戚新波，宏飞，１刘郑先锋，电路的计算机辅助分析一ＭＴＡ与ＰｐｃＡＬＢｓｉｅ应用技术［］电子工业出版社，０６５Ｍ．２０．．［］吴昊，２宁元中，颖，ａｌｂ与Ｐｐｃ梁Ｍｔａｓｉｅ的数据接口技术［］电气Ｊ．电子教学学报，０５２２０．．［］王欣，３赵建，王海丽．一种实现Ｐｐｃ与ＭＴＡ波形数据通信的方法ＳｉｅＡＬＢ［］电子科技，０７４Ｊ，２０．．［］谢宏，４何怡月，０周应堂．波神经网络在模拟电路故障诊断中的应用小研究［］湖南大学学报：Ｊ．自然科学版．［］谭阳红，５叶佳卓．模拟电路故障诊断的小波方法［］电子信息学报．Ｊ．

一种新的模拟电路故障诊断小波神经网络方法

ｐｓｄｏｅ．Ｓｎｓｉａｎｕｏｔｅａａｏｉｃｉｗａｉｌｔｄａｄｉｓｏｔｕｓｓｍｐｅｎｔｏｉｏｃｌｃｉｕｏｄｌｉｐｔｔｈｎｌｇｃｒｕｔｓｓｍｕａｅｎｔｕｐｔｗａａｌｄｉｉｍｅｄｍａｎｔｏｌｔｅ
ｔｎｌｎａｒｍａｉｇａｄｅｒｌｉｈｅｎｏｉｅｐｐｎｎｇｎｅａｉｎｇｏｆＮｅｕａｅｗｏｒｚｒｌＮｔｋ，ａｍｅｈｏｆｆｕｌａｏｓｓｉｎａｏｅｃｒｕｉｓｉｏｔｄｏａｔｄｉｇｎｉｎａｌｇｕｉｃｔｓｐｒ —
２Ｓｈｏｆｏｕｅｎｏ．ｃｏｌｍｐｔｒｄＣｍｍｕｉａｉｎ，ＨｕａｉｅｓｔｏＣａｎｃｔｏｍｎＵｎｖｒｉｙ，Ｃａｇｈ１０２Ｍｍ）பைடு நூலகம்ｈｎｓａ４０８，Ｃ
ＡｂｔａｔＣｏｉｉｇｔｅｔ —ｒｑｅｃｏａｉｎａｄｍｕｔｌ・ｃｌｎｌｚｔｎｏａｅｅｒｎｆｒ（Ｔ）ｗｉｓｒｃ：ｍｂｎｎｈｉｆｅｕｎｙｌｃｔｎｌｉｅｓａｅａａｙａｉｆＷｖｌｔｔａｓｏｍＷｍｅｏｐｏｔｈ
ｔａｉｎｇｄａａｆｕａｔｏｋ．ＴｈｏｌｃｅｔａｏｅｓｄｂＷＴｏｄｒｗｎｇｙｆａｕｒｓ，ｉ．，ｇｅｅａｅｒｎｉｔｏｒｎｅｒｌｎｅｗｒｅｃｌｅｔｄｄａａｗｓｐｒｃｓｅｙｔａｅｅｒｅｔｅｅｎｒｔｆｕｌｅｔｅ．ＦｅｕｅｖｃｏｒｎｄｅｔｉｓａｅｏｕｄｂｌｓｉｉｄｓｎｇｎｅｒｌｎｅｗｏｋｗｉｈｍｐｒｅａｔｆａｕｒｓａｔｒｅｔｓｕｅｒｃｒａｎｔｔｓｃｌｅｃａｓｆｅｕｉｕａｔｒｔｉｏｖｄＢＰｌｏ— ａｇｒｔ．ＵｓｎｉｈｍｉｇｗａｖｌｔｄｅｏｍｐｉｉｏｐｒｅｓｔｍｐｓｅｐｏｎｅｄａｔｃｌｙｅｅｅｃｏｓｔｏｎｔｏｓｈｅｉｕｌｅｒｓｃｓｒｓｉａｌｒｄｕｃｈｅｔｅｎｕｍｂｅｎｒｏｆｉｐｕｔｆｄｔｅｏｔｅａｔｈｅＮｕｒｌＮｅｗｏｒｋ，ｓｍｐｌｙｉｔｃｔｃｕｒｎｄｍｉｎｉｉｔｒｉｎｇａｄｐｒｃｓｉｉｅ．Ｓｉｕａｉｎｅｕｔｉｉｎｇｉｓａｒｈｉｅｔｅａｎｉｚｎｇｉｓｔａｎｉｎｏｅｓｎｇｔｍｆｍｌｔｏｒｓｌｓ

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

动态模拟电路故障特征提取方法研究
摘要：介绍了现有的动态模拟电路故障特征提取方法，概述了网络分析法、频率特性分析法、节点电压灵敏度分析法、Volterra频域核提取法等动态模拟电路故障特征提取方法的发展现状并总结了其研究成果，并对各种方法的基本原理和优缺点进行了分析探讨。

结合电路故障诊断的发展过程和趋势，指出了动态模拟电路故障特征提取的研究和发展方向。

关键词：动态模拟电路；故障特征提取；网络分析；频率特性；节点电压灵敏度；Volterra频域核电子技术的迅猛发展以及相关应用领域中近乎苛刻的可靠性要求，推动着电路故障诊断理论与研究的不断发展。

目前，数字电路故障诊断方法已经得到快速发展与广泛应用，但模拟电路故障诊断方法却发展缓慢，未取得突破性的进展，这是由于模拟电路自身属性即：输入输出均是连续量、元器件容差、非线性及反馈的存在所决定的[1]。

动态模拟电路是模拟电路的重要部分，然而，现有许多模拟电路故障特征提取方法的研究对象仅局限于静态模拟电路，或者仅对动态模拟电路进行稳态分析，因此针对动态模拟电路很难形成较为完整和体系化的故障诊断方法。

然而在实际的系统中，动态电路的暂态过程往往包含能够反映间歇性故障、软故障以及电容充放电过程中故障的信息，而一旦进入稳态后，这些信息将消失；电路分析理论也需要对动态电路的暂态过程进行分析，因此寻求高效的动态模拟电路故障诊断方法成为人们必须面对和解决的问题。

而电路故障诊断的关键是故障特征的提取，要求故障特征不仅包含丰富的故障信息量，而且与故障状态间具有明确的对应关系[2]。

动态模拟电路故障诊断的研究发展缓慢，很大程度上是针对动态模拟电路的故障特征提取方法研究发展缓慢所致。

含有动态元件即电容或电感及其他动态元件的模拟电路称为动态模拟电路[3]。

对动态模拟电路的故障特征提取不但要研究其稳态特征，还要研究其暂态特征。

按故障特征提取依据的理论，现有的动态模拟电路故障诊断特征提取方法可分为网络分析法、频率特性分析法、节点电压灵敏度分析法和Volterra频域核提取法。

1 现有的动态模拟电路故障特征提取方法一直以来，针对动态模拟电路的故障特征提取问题的研究都包含在一般的模拟电路故障特征提取问题的研究中，而针对一般的模拟电路故障特征提取问题往往只关注其稳态特征，而忽视其暂态特征，这些暂态特征通常就是对动态模拟电路中动态元件参数的具体反应。

一旦电路进入稳态，这些暂态特征就会消失。

针对动态模拟电路故障诊断的故障特征提取方法必须同时包含能够反应电路稳态信息和暂态信息的量，才能实现对电路中动态元件进行全面诊断的目的。

1.1 网络分析法网络分析法是指基于电路网络分析理论，利用动态电路结构约束的KCL、KVL方程以及端口电压、电流的约束关系，构建故障特征提取方程的一类方法的统称。

此类方法借助成熟的电路网络分析理论，在研究的初期获得了快速发展，其中比较典型的研究成果有：将验证割集KCL一致性作为提取动态电路故障的方法[4]；。