检索结果-内蒙古大学图书馆

作者：欧银涛四川师范大学

学位级别：硕士

模拟电路是电子电路系统重要组成部分,其性能对整个系统是否正常工作具有决定性作用。但模拟电路由于自身的非线性、元件容差性及易受环境干扰等因素,使得模拟电路故障诊断具有复杂性、不可预测性等,并且传统的人工检测与故障诊断方法... 详细信息

模拟电路是电子电路系统重要组成部分,其性能对整个系统是否正常工作具有决定性作用。但模拟电路由于自身的非线性、元件容差性及易受环境干扰等因素,使得模拟电路故障诊断具有复杂性、不可预测性等,并且传统的人工检测与故障诊断方法需要依靠检测人员丰富的经验、娴熟的技能等,在复杂的模拟电路中要快速找到故障原因具有一定挑战性。因此研究适用且高效的模拟电路故障诊断方法,并能准确、快速定位模拟电路发生故障位置和元件故障参数等具有十分重要的意义。早期的模拟电路故障诊断常用的有故障字典法、专家系统法等,近年来伴随人工智能的迅速发展和深度学习的广泛应用,为模拟电路的故障诊断理论与方法提供了新思路。目前基于神经网络,以电路响应作为测试信号的模拟电路故障诊断方法常用的有三种方式:(1)将时域信号转换为二维图像后输入神经网络进行训练与测试,但由于网络自身的结构特点使得训练过程中会丢失部分特征信息并且模型收敛速度较慢,这对电路故障的诊断速度和效果有一定影响;(2)直接从原始时间序列信号中提取故障特征,将模拟电路时域响应信号输入一维卷积神经网络进行训练与测试。但一维卷积神经网络泛化性较差,当层数过高时,过度挖掘深层特征,很容易陷入梯度爆炸;(3)将时域信号通过数字信号处理方法提取特征后输入神经网络进行训练与测试,该方法可减少输入神经网络的数据量,提高诊断的速度。为此,提出了一种基于一维卷积神经网络,融合时域时间序列和频域特征提取的模拟电路故障诊断方法。该方法采用脉冲信号作为待测模拟电路激励信号,同时采集输出响应信号,并将采集到的响应信号时间序列和将时间序列进行快速傅里叶变换后的两路信号分别进行卷积运算,提取响应信号的时域和频域的特征,融合后再送入一维卷积神经网络进行训练和测试。在一维卷积神经网络基础上引入残差块,实现在深化网络的同时减轻训练负担,完成故障特征的深度提取,最后送入SOFTMAX层完成故障分类诊断。为验证所提出诊断方法的可行性,通过Pspice和Python平台对模拟滤波电路中典型Sallen-Key带通滤波器电路、四运放双二阶高通滤波器电路以及二级四运放双二阶低通滤波器电路进行了仿真分析,仿真结果验证了所提出的方法具有很好的可行性。在仿真可行分析基础上,搭建了基于A/D+FPGA(Field Programmable Gate Array)和千兆网接口的系统硬件测试平台。硬件测试平台将采集到的数据通过千兆网口传送到上位机,上位机利用接收的数据进行模型训练与诊断,并将诊断结果显示在上位机界面。实测结果表明,使用所提出的基于一维残差神经网络,融合时域时间序列和频域特征提取的模拟电路故障诊断方法可较好的对电路进行故障诊断,对于复杂的二级四运放双二阶低通滤波器电路实测平均准确率可达94.07%。

关键词：模拟滤波电路故障诊断特征提取一维残差神经网络

来源：评论

学校读者我要写书评

暂无评论

基于双分支并联的特征融合电能质量扰动分类方法

引用

电力系统保护与控制 2024年第5期52卷 178-187页

作者：王飞王立辉周少武赵才张志飞佛山科学技术学院机电工程与自动化学院广东佛山528000 湖南科技大学机电工程与自动化学院湖南湘潭411201

为了提高对电能质量扰动信号(power quality disturbance signal,PQDs)在受到噪声和异常数据干扰时的分类准确率,提出了一种双分支并联特征融合网络的PQDs分类方法。首先,采用一维残差神经网络和一维卷积神经网络两个分支进行特征提取... 详细信息

为了提高对电能质量扰动信号(power quality disturbance signal,PQDs)在受到噪声和异常数据干扰时的分类准确率,提出了一种双分支并联特征融合网络的PQDs分类方法。首先,采用一维残差神经网络和一维卷积神经网络两个分支进行特征提取。然后,通过特征融合模块将这些特征融合在一起。最终,通过分类模块对PQDs进行准确分类。相对于串联神经网络,所提方法融合特征向量,增强了特征的区分度,同时适用于并行计算,进一步提高了识别速度。仿真结果表明,所提方法在叠加信噪比为13 dB、15 dB和18 dB的PQDs分类任务中,识别率均超过95%,此外,该方法对异常数据的分类效果也具有一定的鲁棒性。

关键词：一维卷积神经网络一维残差神经网络特征提取扰动分类

来源：评论

学校读者我要写书评

暂无评论

基于声信号的传动齿轮箱故障诊断研究

基于声信号的传动齿轮箱故障诊断研究

引用

作者：王利津石家庄铁道大学

学位级别：硕士

传动齿轮箱是最常使用的机械设备,直接关系到工业生产的各个方面,开展对该类设备故障诊断与状态监测研究具有重要理论价值和实践意义。针对传统的振动信号故障诊断方法的不足,结合声信号的非接触式检测、信号易于收集、易于发现早期故... 详细信息

传动齿轮箱是最常使用的机械设备,直接关系到工业生产的各个方面,开展对该类设备故障诊断与状态监测研究具有重要理论价值和实践意义。针对传统的振动信号故障诊断方法的不足,结合声信号的非接触式检测、信号易于收集、易于发现早期故障、可对目标设备进行在线实时监测等优点,作者展开了基于声信号的传动齿轮箱故障诊断研究。首先,对传动齿轮箱常见故障类型及机理进行了介绍。从声学的理论基础出发,表明声音与振动的关系,并通过文献的分析与研究,阐述了声信号在故障诊断方面的优势。介绍现有几种技术成熟的声信号故障诊断的方法,以及原理和特点。同时,针对传动齿轮箱的声信号的特点进行了分析说明。其次,基于研究目的以及研究内容,在现有实验设备的基础上设计了实验方案,开展了声信号的采集实验,并同步采集振动信号,以便对比基于声信号传动齿轮箱的故障诊断效果。在实验中,主要采集分析对象包括传动齿轮箱的滚动轴承故障信号和齿轮箱齿轮啮合故障信号。再次,对传动齿轮箱的声信号的降噪和特征提取预处理方法进行了研究。创建信号降噪性能指标体系:通过信噪比、信噪比增益进行仿真信号降噪性能评价,根据对实测信号处理结果发现,小波包分解降噪对声信号降噪效果要优于小波分解降噪。并且对比研究了经验模态分解算法及其优化算法的特征模态提取效果,通过经验模态分解算法(EMD)和集合经验模态分解算法(EEMD)计算得到的固有模态分量均存在“模态混叠”现象,选择其中的特定模态分量进行故障分类效果不佳,使用自适应噪声完备集合经验模态分解算法(CEEMDAN)能够有效分解提取出包含均匀尺度特征频段的时域波形数据,且不存在“模态混叠”现象,在振动信号与声信号的模态分量图中得到验证,实现了声信号的去噪以及目标特征的精确提取。最后,对传动齿轮箱的故障声信号进行分类方法的研究,采用一维残差神经网络这种深度学习方法对经过预处理的故障声信号进行深层特征提取,实现传动齿轮箱的故障分类。通过对比实验,将传动齿轮箱声信号进行小波包分解降噪与CEEMDAN特征模态提取预处理,并结合一维残差神经网络进行故障识别分类,其样本分类准确率达到95.1%。因此,运用提出的方法,成功地使用声信号对传动齿轮箱进行了故障分类。

关键词：传动齿轮箱声信号故障诊断特征提取一维残差神经网络

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：