一、神经网络在电路故障诊断中的应用（论文文献综述）
张书婷[1]（2021）在《电力电子电路故障诊断及预测方法研究》文中进行了进一步梳理电力电子电路广泛应用于电力、机械、航天等领域,一直是电力系统中不可或缺的部分。随着科技的发展和各行各业用户需求的上升,电力电子电路越来越集成化、自动化以及智能化,其结构也越来越复杂。这就使电力电子设备的故障带有非线性、并发性和不确定性的特点。电力电子电路发生故障时,会导致设备无法正常运行,直接影响整个系统的稳定性,当发生特大故障时,将会引起系统停摆、宕机,导致巨大的损失。电力电子电路故障诊断及预测技术的研究,不但可以提高工作人员的工作效率,还能够缩短故障时间。因此,采用合适的电力电子电路故障诊断及预测方法,对故障进行早预报,发生故障时,可以快速准确地判断故障性质和位置,及时排除故障,避免因故障引起的经济损失、重大事故具有重大意义。针对电力电子电路中,电路结构复杂,出现故障时间短且故障诊断耗时长等问题,本文主要采用了深度学习方法,进行故障特征提取算法以及诊断网络和预测网络的搭建。以电力电子电路中的150WDC-DC升压电路作为实验电路,以电路中电容退化的不同程度为标准,设置故障模式,采集电路的输出电压作为故障信号。在故障特提取方面,针对电力电子电路故障参数为时间序列,参数冗长且奇异性不强,故障提取耗时长等问题,文章选择了一种小波散射网络进行故障特征提取。又介绍了一种改进的VMD算法,与之进行对比。首先,先后阐述了改进的VMD算法和小波散射的原理和优点。然后,将这两种方法应用到DC-DC电路的故障特征提取中。最后,为了对比方法的有效性及优劣性,又选用了小波、VMD进行比较,以SOM神经网络作为分类器,最终得出小波散射在DC-DC电路故障特征提取方面具有更大的优势。在故障诊断方面,针对电力电子电路中故障原因复杂,故障诊断实时性不强等问题,本课题选择了卷积神经网络作为分类器,详细介绍了卷积神经网络的原理与优点,并且结合小波散射网络特征提取,组合成前置小波散射后置卷积神经网络的故障诊断方法,又与BP神经网络、SOM神经网络做对比,最后得出CNN神经网络在故障诊断方面具有一定的优势。在故障预测方面,针对故障预测过程中,梯度消失,不能有效结合历史状态等问题,以及预测结果过于依赖预测值的缺点,本课题选择了基于观测值更新的LSTM神经网络作为预测方法,选择输出电压的峰-峰值与DTW距离,作为特征参数。并且与基于预测值更新的LSTM网络进行对比,验结果显示,基于观测值更新的LSTM网络的DC-DC电路故障预测精度良好。图47表8参91
陈皓[2]（2021）在《基于小波神经网络的输电线路故障诊断研究》文中认为向广大电力用户提供高质量的能源供给服务,是电力系统的首要任务。当电力系统发生故障时,需要借助于继电保护,尽可能地缩短故障发生的时间,减轻故障所带来的危害。传统继电保护使用的设备功能较为单一,容易受到诸如环境等因素的干扰,精确度不高,且消耗较多的人力。因此如何在保障电力系统安全运行同时节约成本,便成为现代继电保护技术的一个研究重点。人工神经网络技术的迅速发展,给继电保护技术提供了一种全新的发展方向。将人工神经网络技术应用于继电保护,可以提高系统的智能化,有效地节约成本,提高继电保护装置的抗干扰能力。BP神经网络是目前技术最成熟、应用最广泛的神经网络,所以在相关应用方案的研究中人们多以BP神经网络作为研究对象。而BP神经网络容易陷入局部最优的情况,训练时间过长,诊断结果误差较大。因此为了提高神经网络在输电线路故障诊断中的性能,本文以110KV中性点接地的电力系统作为研究对象,将神经网络和小波理论相结合的方法应用于电力系统的故障诊断中。首先,本文针对最常见、危害性最大的短路故障进行建模分析,将大量的实测数据应用于建立短路故障类型判别,筛选出正确的不同故障类型。在分析神经网络和小波理论的基础上,构建了小波神经网络,并将归一化共轭梯度法用于优化小波神经网络,提高了输电线路故障诊断的精确度。文中采用Matlab软件建立小波神经网络,使用从某110KV电力系统获取的故障数据完成对小波神经网络训练和测试。用相同的故障数据去训练BP神经网络。通过将BP神经网络和小波神经网络的训练结果进行对比,表明小波神经网络可以满足输电线路故障诊断要求,且性能优于传统BP神经网络。最后,在构建的小波神经网络基础上,从考虑迭代次数和误差等因素的角度出发,对小波神经网络提出了多种改进方案。通过对比各自的训练结果,采用归一化共轭梯度法对小波神经网络进行了优化,提高了小波神经网络在输电线路故障诊断上的性能。
迮良佳[3]（2021）在《模拟电路信号特征分析及故障诊断算法优化》文中研究指明随着电子系统的应用领域日渐广泛,电子电路的复杂性和集成度不断加深,对电路测试技术的要求也越来越高。模拟电路作为电子电路系统的重要组成部分,对其故障诊断技术的优化是提高电子电路测试技术的必要途径。然而,由于模拟电路元件的容差性和非线性,以及可测节点有限等特性,以往的故障诊断方法难以取得理想的测试结果,因此有必要探索更高效的测试诊断方法。本文基于神经网络技术,结合小波包分析方法,针对模拟电路中的软故障问题,引入粒子群算法、杂草算法等智能算法,对BP神经网络进行了一系列的优化,旨在提高其故障诊断的精度和效率。本文主要从以下几项展开研究:1、探索小波包分析和神经网络在模拟电路故障诊断领域的应用方法。小波包分析具有良好的时频分析特性,能提取得到优质的故障特征;神经网络具有出色的泛化学习能力和非线性映射性能。本文先用小波包分析实现模拟电路的故障特征提取,再结合神经网络的分类识别能力,实现模拟电路的故障定位。2、构建基于粒子群算法优化BP网络参数（PSO-BP）的模拟电路故障诊断模型,提高基于BP网络分类模型的诊断精度和收敛速度;其次,针对粒子群算法易陷入局部收敛的不足进行改进,引入变异算子的同时结合非线性递减权值策略,提出了一种基于改进粒子群（IPSO）算法优化BP网络参数（IPSO-BP）的改进型分类模型,分别采用Sallen-key和CTSV滤波电路进行故障诊断的仿真和实验,结果表明IPSO-BP分类模型的诊断效果优于BP网络、PSO-BP分类模型,具有较快的收敛速度和较高的诊断精度。3、构建基于入侵杂草算法优化BP网络参数（IWO-BP）的模拟电路故障诊断模型,进一步提升基于BP网络分类模型的诊断精度和收敛速度。接着引入自适应参数选择策略,同时融入差分进化算法的交叉、变异、选择算子,提出一种自适应杂草混合算法（AIWODE）优化BP网络参数（AIWODE-BP）的改进型分类模型,分别采用两个典型电路验证其分类效果,结果表明AIWODE-BP分类模型能有效地防止局部收敛,缩短故障分类时间,获得更高的故障诊断精度。4、提出一种杂草粒子群混合算法（HPSO）来优化BP网络参数的改进型分类模型。对三种典型电路进行仿真分析,并与IPSO-BP、AIWODE-BP、CS-BP和IWOBP以及PSO-BP分类模型进行对比,结果表明HPSO-BP分类模型能够获得最优的故障分类效果。本文工作是对智能化故障诊断方法的有益探索,在一定程度上丰富了模拟电路故障诊断的研究成果。
阮济民[4]（2021）在《矩阵模型优化的模拟电路故障诊断方法研究》文中研究表明随着时代在不停的进步,我国自主研发芯片越来越成为重中之重。芯片热也是近几年的关键词,但是在自主研发芯片的时候就会出现很多问题,因为现在的芯片越来越集成化了,所以当芯片一旦出现问题就会造成重大损失,并且在很多地方,投入电路测试中的成本也逐渐高于电路实际的研发成本;尤其是模拟电路集成芯片,被运用于医疗、航天、通讯等各种领域。尽管学者们对模拟电路故障诊断进行了深入研究与探讨,在未来仍将面临越来越多挑战,但是到目前为止,仍然没有一种成熟有效的方法能广泛的应用到实际电路中,因为模拟电路本身存在很多的制约条件,如:容差、阻差、非线性、有源和无源器件,这些条件都将会影响模拟电路本身;当模拟电路发生故障,没有一种能够有效的解决所有问题的方法。目前发表研究模拟电路故障诊断的论文有很多,人工智能方法居多,其主要依靠大量数据来完成模拟电路故障诊断。本文主要对输出电压进行测量,将测量的电压值作为矩阵模型来对电路进行故障诊断,以两个国际标准电路Sallen＿key、CTSV电路以及对数放大器电路作为实验研究对象;通过时间的不同,测量输出电压值,利用电压值的不同组成输出矩阵,然后以矩阵为模型基础,对矩阵的优化进行一系列的研究,从矩阵的特性和矩阵的降维、分类两方面着手,这能够更好的对模拟电路进行故障诊断,并且故障能够精确定位。本文涉及的工作和方法创新如下:（1）针对现有模拟电路故障诊断方法的人工神经网络、支持向量机（SVM）等人工智能算法,这些人工智能算法需要大量的训练样本,如果训练样本不够多或者训练时间不够,则会导致故障诊断率下降,所以本文提出了一种利用矩阵特征分析进行模拟电路故障诊断方法。该方法建立了一个输出响应方阵,当电路发生故障时,方阵中的元素会发生变化。根据矩阵理论,在对矩阵理论深入研究发现,矩阵里面的元素发生变化时,矩阵的谱半径和最大奇异值也会随之而改变,但是也可能发生两个矩阵拥有相同谱半径的情况,所以本文使用谱半径和最大奇异值来寻找矩阵之间的差异,在谱半径和最大奇异值共同的作用下,描述矩阵的特性。Sallen＿Key电路、对数放大器电路和CTSV电路的实验结果表明,该方法能够很好的判断模拟电路是否发生故障以及故障定位。本文中方法的有效性在Sallen＿Key电路、对数放大器电路、CTSV电路上得到了验证,并且在这三个电路中,故障诊断率高达100%。（2）本文进一步提出了一种将矩阵模型与机器学习相结合的方法,与传统的机器学习相对比,诊断率有所提高,同时也验证了矩阵模型对模拟电路故障诊断方法的可行性与有效性。针对模拟电路故障诊断特征提取和特征分类问题,提出了一种基于优化矩阵随机森林算法（Random Forest algorithm,RF）的模拟电路故障诊断方法,该方法建立在优化矩阵基础上,然后通过三个激励建立特殊的优化矩阵模型。此外,在仿真软件中,根据不同时间测量输出节点的电压值,由测量的电压值共同构建一个输出电压值矩阵。当电路发生故障时,随着激励的输入,输出响应矩阵中的元素会随之发生变化,通过使用局部均值分解生成一个新的优化矩阵,然后将优化矩阵输入到随机森林算法（RF）中,利用多维向量能够具有不同的有效特征,将优化的矩阵模型通过bagging和决策树的共同作用,能够准确的进行单故障和多故障的模拟电路故障诊断的研究。这与其他类型的人工智能算法相比,优化矩阵随机森林算法（RF）不仅能够同时满足特征提取和特征分类的效果,而且故障诊断率达到99.5%。
范勇[5]（2021）在《转膛自动机驱动机构故障检测与诊断系统研究》文中研究表明自动机驱动机构是高射速武器正常运行的关键,由于长时间处于高温、高压等极端环境下,所以也是故障发生率最高的部件。自动机驱动机构故障类型主要集中在三个方面:转膛衬套闭气性、关重件强度、滑板滑动位移。因此,对于转膛自动机驱动机构的故障检测与诊断方面的研究就显得尤为重要。本文针对转膛自动机驱动机构部分的各类故障,并结合其系统的功能需求与技术指标,完成了转膛自动机驱动机构故障检测与诊断系统总体方案的设计,其中包括信号采集设备的研发和故障检测与诊断系统平台的搭建。在本系统中,主要从以下几个方面进行研究:1、完成了信号采集设备的硬件设计。针对以往检测设备的检测功能性单一、采集信号精度低与操作复杂等问题,研发了一种多功能检测的信号采集设备,该设备不仅能进行多种信号的同步采集与传输,而且便于安装。该设备的硬件部分主要是根据系统的功能需求从而分为信号调理模块、有线/无线传输模块、存储模块、电源模块五大模块。2、完成了转膛自动机驱动机构故障检测与诊断系统的软件设计。系统的软件设计可分为信号采集设备的软件设计和故障检测与诊断系统平台的软件设计。其中信号采集设备的软件设计主要是对其硬件部分进行驱动作用;故障检测与诊断系统平台软件设计主要是为了合理的控制与调节整个系统的正常运行,其中包括信号的采集、存储、传输与处理等功能,该平台一方面控制信号采集设备进行被测信号的采集、存储与传输,另一方面对试验数据进行分析与处理,从而判断整个系统的故障状态。3、完成了转膛自动机驱动机构故障检测方法的研究,其主要包含两个方面:（1）针对自动机驱动机构采集的非平稳、非线性信号的特征,并且结合试验环境的影响,提出一种改进的EEMD特征提取方法,从而消除了 EEMD信号分解过程中的虚假分量;（2）为了判断正常信号与故障信号的相似程度,传统的马氏距离协方差的判断方式已不能满足实际需求,针对这类问题,本文采用一种马氏距离敏感阈值的判断方法,从而对转膛自动机驱动机构的故障状态进行检测,并且结果验证了该检测方法的可行性。4、完成了转膛自动机驱动机构故障诊断方法的研究。针对以往故障诊断方法中出现的收敛速度慢、非线性性能差、网络结构复杂、初始参数敏感等问题,则采用了一种SOM神经网络的故障诊断方法,从而对转膛自动机驱动机构进行故障分类,并且结果证明了该诊断方法的可行性。
陈涛[6]（2021）在《三相电压源逆变器功率管开路故障诊断方法研究》文中研究表明三相电压源逆变器在轨道交通、电力系统、航空航天、机器人、电动汽车及工业通用变频器等领域被广泛应用,其可靠性能已经成为保证系统安全运行的关键技术。三相电压源逆变器的故障表现主要分为开路故障和短路故障,现阶段针对短路故障一般采用成熟的硬件电路进行处理,而开路故障诊断技术尚处于研究和发展之中。本文针对三相电压源逆变器功率管开路故障问题,从多个角度对故障特征分析、故障影响机理、故障检测和定位技术等方面进行了深入研究,提出了四种不同的故障诊断方法,主要研究内容和研究成果如下:（1）提出了基于电流矢量相位的三相电压源逆变器功率管开路故障诊断方法。详细分析三相电压源逆变器健康状态、单管故障、单相故障、异相同侧双管故障、异相异侧双管故障下的电流矢量相位变化特征,归纳电流矢量相位在不同故障下的变化规律,为利用电流矢量相位进行故障诊断提供依据。设计基于电流矢量相位标准差的故障检测算法和基于电流矢量相位特征值的故障定位算法,实现仅利用电流矢量相位信息完成功率器件开路故障的在线快速检测和定位。（2）提出了基于故障在线模拟的三相电压源逆变器功率管开路故障诊断方法。剖析电力电子电路的混杂动态特性,归纳基于混杂自动机的电力电子电路一般建模步骤及分析三相电压源逆变器-电机系统运行机理,并在此基础上利用混杂自动机建立逆变器-电机系统的混杂模型。利用健康混杂模型构建电流估计器实现故障检测,有效消除转速和负载突变的影响及提高对误警报的抗扰度;利用电流矢量相位信息实现故障类判断以减小计算负担及提高诊断可靠度;提出基于故障在线模拟技术的故障定位方法,利用混杂模型在线模拟可能发生的故障,再根据模拟电流残差完成故障定位,并将电流矢量相位特征应用于逆变器故障类判断,有效地提高诊断速度和可靠性。（3）提出了基于输出线电压残差分析的三相电压源逆变器功率管开路故障诊断方法。建立单相和双相开路故障下输出线电压残差的数学描述,并分析不同开路故障条件下输出线电压残差的特性规律。推导线电流残差与相应输出线电压残差正负极性的一致性关系,从而通过对输出线电压残差分析实现基于线电流残差信息的故障检测和定位方法,在避免使用额外的传感器的同时提高了故障诊断速度。（4）提出了基于卷积神经网络的三相电压源逆变器功率管开路故障诊断方法。选取电流矢量相位作为故障特征量以降低故障数据维度,并建立逆变器22种功率管故障类型（含健康状态）的数据集。通过引入大卷积核的第一层卷积构建适用于一维信号特征提取的ConvNet模型,从而提高网络诊断准确率,基于该模型实现逆变器开路故障的分类诊断,并进行可视化分析和验证。通过在改进版残差块中增加最大池化层构建的ResNet模型实现网络运算加快和特征信息筛选强化,基于该模型实现扰动下逆变器开路故障诊断,并将其与ConvNet、VGGNet模型进行对比分析,说明了 ResNet模型在实际中应用的可行性和有效性。本文从不同的角度深入探究了三相电压源逆变器功率器件单管、单相和双管开路的故障特征和影响机理,为三相电压源逆变器功率管状态监测和开路故障诊断提供了新的解决方案和技术支撑。
叶志伟[7]（2021）在《基于深度置信网络的模拟电路间歇故障检测》文中提出随着计算机技术的高速发展,电路系统所占的比例越来越大。在数模混合电路中的大部分故障来源于模拟电路部分。模拟电路由于其连续性,非线性及元件参数的容差性等特点,使得诊断过程十分复杂。通常大家所认为的故障是永久故障,其实还有更为特殊的瞬时故障和间歇故障,其中瞬时故障和间歇故障的表现非常类似,因此它们之间没有严格的区别。在此,可以将两者统称为间歇故障。恶劣的工作条件会导致模拟电路间歇故障经常发生,间歇故障具有难复现、难测试、难诊断等问题。对模拟电路故障和间歇故障的诊断也是许多学者研究的重点。论文分析研究了模拟电路故障诊断中故障的特征提取和模式分类等两方面的关键技术:对于模拟电路故障特征提取的问题,提出两种方法。一种是提出利用时域分析统计量（如样本极差,均值,标准差,偏斜度,峭度和熵等）作为模拟电路故障的特征向量。另一种方法是提出一种小波包变化的时频分析方法来进行故障特征的提取。通过对电路的原始信号进行多层小波包分解,再对分解系数进行重构后求得小波包能量熵,最后使用当前主流的主成分分析方法（PCA）来进行特征选择,进一步降维后得到模拟电路的故障特征向量。对于模拟电路故障识别分类的问题,研究了深度置信网络（DBN）模型的构造方法。DBN作为深度学习中的一种模型,具有很好特征识别和分类能力,同时还具有强大的处理高维非线性数据和自学习的能力,能够有效准确的定位故障。搭建模拟电路模型收集到原始数据集后,对其进行时域特征提取,然后作为DBN网络的输入,经实验结果表明此方法有良好的故障诊断效果可以达到较高的识别率。为了进一步提高模拟电路的故障识别率并且降低网络模型的迭代次数,对原始数据进行小波包能力熵的提取,然后使用PCA方法进行降维得到特征向量,将其作为模拟电路的特征向量输入到DBN网络模型中,对DBN网络模型进行训练学习后完成故障的诊断。最后,将提出的方法与常见的模拟电路故障诊断方法进行比较,结果表明所提方法具有更高的故障识别率。针对模拟电路系统间歇故障发生的时间、频率、概率及故障强度等随机性强,难以建模和检测这一工程实际问题。搭建模拟电路间歇故障的电路模型进行数据的收集,将小波包能量熵与DBN相结合的方法运用在更为特殊的模拟电路间歇故障诊断中,该方法通过样本集训练出有效的DBN模型,实现了对间歇故障的诊断。与BP反向传播算法进行对比,实验结果表明提出的DBN方法在模拟电路间歇故障诊断中表现依旧优异。
李旭彤[8]（2020）在《基于神经网络的信号联锁系统故障诊断研究》文中研究表明铁路信号联锁系统是铁路信号领域的关键系统之一,其工作状态直接影响列车的运行安全和乘客的生命安全。现有情况下,对信号联锁系统的故障定位主要基于信号集中监测系统采集的联锁系统相关信息,工作人员通过人工分析此信息来定位故障点,对监测信息的智能化分析程度不高。随着高速列车运行速度的提升和运行间隔的缩小,实现铁路信号联锁系统智能化故障诊断是铁路运营长久发展的迫切需求。近年来,随着人工智能技术的发展,神经网络技术也取得很大进步。神经网络具有良好的非线性和自学习性,它可以通过自身学习逼近任何非线性系统,在处理复杂系统问题时具有极大的优势。由于联锁系统的结构复杂,系统建模困难等特点,将神经网络引入联锁系统智能故障诊断中,必然可以提高信号联锁系统故障诊断的效率,是实现信号联锁系统智能化故障诊断的重要研究方向。本文主要基于三类不同结构和原理的神经网络对信号联锁系统故障诊断方法进行研究,并以五线制道岔和调整状态下的25HZ相敏轨道电路的常见故障模式为例验证方法有效性。本文的主要内容如下:（1）对铁路信号联锁系统的结构进行划分,简要分析系统的工作原理及故障高频发生部位。基于信号集中监测系统采集的各项联锁相关信息分析故障类型,以五线制道岔和25HZ相敏轨道电路为例进行智能化故障诊断方法的深入研究;（2）基于信号集中监测系统采集的正常工作监测曲线及故障曲线,以信号时域特征量提取故障基本特征,建立初始诊断特征集。分别利用CDET算法和K-means算法两种方法分析敏感特征,综合确定故障诊断最优特征组合,降低特征维数并作为后续神经网络故障分类器的输入特征;（3）基于RBF网络,Hopfield网络及SOM网络各自的结构特点和工作原理,分别设计实现各网络的故障诊断功能,说明各网络在故障诊断方面的实现过程及原理,并简要分析各网络在网络训练过程中存在的算法缺陷;（4）针对三类网络在训练过程中存在的缺陷,引入人工蜂群算法对各网络的训练过程进行优化,详细分析蜂群算法在各网络中的优化原理和优化流程,最后基于各网络中相同样本的诊断结果对优化前后的网络模型性能进行比较评估;（5）以信号集中监测中采集的ZYJ7交流转辙机三相电流动作曲线和25HZ相敏轨道电路电压监测曲线为例验证算法有效性,并为其它信号监测设备实现神经网络智能故障诊断实现提供思路。本文基于三类神经网络设计实现铁路信号联锁系统故障诊断,研究表明,相比于其它故障诊断算法,基于神经网络的故障诊断方式在复杂系统中可以快速、准确的判断故障类别并定位故障发生点,三类神经网络均可以不同形式有效完成故障模式的诊断识别,对神经网络技术在铁路信号系统智能故障诊断领域的应用提供参考。
马润平[9]（2020）在《基于深度极限学习机的模拟电路故障诊断研究》文中提出随着电子工业的快速发展,电路故障诊断在可靠运行以及良好的工业系统维护中起着非常重要的作用,这可以确保生产更高质量的产品,降低产品报废率并满足日益严格的安全和环境要求。目前,虽然对于数字电路来说,广泛使用的是完全自动化的故障诊断技术,但是对于模拟电路来说,由于故障模型复杂,元件容差和非线性问题,使得故障很难检测和诊断,这造成了电路芯片高成本和集成电路发展的技术瓶颈。因此,在模拟电路中,有效的诊断技术仍然是一个开放的研究课题。近年来,随着深度学习的出现以及智能算法的发展,为模拟电路故障诊断提供了新颖的研究途径。本文以深度学习、GA以及PSO算法为理论基础,非线性电路为被测对象,提出了基于深度极限学习机的模拟电路故障诊断模型,通过分析电路的输出信号,对模拟电路故障诊断进行了研究。主要工作和成果如下:1.针对模拟电路故障诊断中特征提取以及模型训练时间较慢的难题,本文采用了一种基于深度极限学习机（Deep Extreme Learning Machine,简称DELM）的模拟电路故障诊断算法。该算法将自编码器（Auto Encoder,简称AE）的思想引入到极限学习机（Extreme Learning Machine,简称ELM）中,搭建双随机隐层的ELM自编码器（ELM-AE）模型,然后使用原始的ELM作为分类器。ELM-AE是一种尽可能重现输入的神经网络,它可以作为多层学习框架中的特征抽取器,具有特征表示能力,可以实现数据的维度压缩以及稀疏表达。为了进一步增强DELM网络的鲁棒性,采用正则极限学习机（Regularized ELM,简称RELM）代替原始的ELM。将ELM-AE作为训练DELM的基本组成部分,ELM作为诊断器,将底层的故障特征形成更加抽象的高级特征,能自主地学习数据特征,避免了单独对数据进行特征提取和选择的问题,提高了诊断效率。训练DELM首先通过仿真提取出原始故障数据,然后直接作为深度极限学习机的输入,不需要单独的特征提取和选择,就可以快速地对故障进行定位,实现故障诊断。最后以Sallen-Key、四运放高通滤波以及二级四运放双二阶低通滤波器电路为被测对象,分析结果表明了该方法的可行性,能够快速且准确地实现故障识别。2.基于GA和PSO算法优化深度极限学习机的模拟电路故障诊断。针对深度网络隐层节点数难以选择以及人为选择的隐层节点会遗漏数据本身有效的特征信息,进而产生较大的训练误差问题,选择合适的隐藏节点可以有效地降低时间复杂度,使网络具有很好的泛化能力,所以采用遗传算法（Genetic Algorithm,简称GA）来寻找DELM网络每个隐层的最优节点数,并且进一步与粒子群算法（Particle Swarm optimization,PSO）优化的深度极限学习机进行了比较,证明了GA-DELM算法可以自适应地搜索全局最优点,可以避免陷入局部最优。最后通过非线性整流电路进行了验证,诊断结果表明了该算法的可行性。
姚瑶[10]（2020）在《基于深度信念网络和神经网络的模拟电路故障诊断》文中指出自上个世纪六十年代起,相关研究人员与学者就将精力投入到对模拟电路故障诊断方法的研究,经过几代人的努力,该领域取得了令人瞩目的研究理论与技术成果。然而模拟电路本身所具备的特性,即其元器件参数拥有的容差性和电路发生的故障模式复杂多样,导致了诊断方法在实际应用中会出现误差,影响结果的准确率。本文提出了将深度信念网络应用于对故障特征进行提取,并将建立BP神经网络故障分类模型,同时将二者分别与智能优化算法结合,以达到更好的模拟电路故障诊断效果。本文首基于现有的故障诊断理论与方法,提出了一种将深度信念网络用以解决故障诊断中获取深度特征向量问题的方法。深度信念网络作为故障特征提取工具,能够发现故障信号中更深层次的规律,获取最优特征向量,然后将其作为已训练好的BP神经网络的输入从而进行故障分类。深度信念网络克服了其他特征提取方法易于忽略信号中的有用信息以及提取的特征易于发生重叠的问题,从而提取深度和本质特征。通过仿真实例证明了该方法的实施步骤的可行性和诊断效果的有效性。针对现有的理论方法与相应技术的条件下对模拟电路进行故障模式识别会出现的困难,本文提出了将量子粒子群算法用于优化深度信念网络和BP神经网络的模拟电路诊断方法。该法首先用量子粒子群算法优化深度信念网络的结构参数,而后利用其提取电路的故障特征,再通过量子粒子群算法优化BP神经网络的结构参数,确定最佳的网络结构,并将获得的最优特征集作为优化BP神经网络的输入,从而获得最优的分类结果。量子粒子群算法的寻优能力较强,可以做到快速提高网络的泛化能力。此方法消除了在搭建故障诊断模型时对网络结构参数进行选择时的盲目性,从而使网络的收敛速度大大提高。通过仿真实例验证了该方法对故障进行诊断的准确性。
二、神经网络在电路故障诊断中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、神经网络在电路故障诊断中的应用（论文提纲范文）
（1）电力电子电路故障诊断及预测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.1.1 课题研究的背景 |
| 1.1.2 课题研究的意义 |
| 1.2 电力电子电路故障诊断及预测技术的研究现状 |
| 1.2.1 电力电子电路故障诊断技术 |
| 1.2.2 电力电子电路故障预测技术 |
| 1.3 深度学习理论 |
| 1.4 研究的难点及发展趋势 |
| 1.5 本文结构安排 |
| 2 故障特征提取方法 |
| 2.1 基于小波散射的故障提取研究 |
| 2.1.1 小波散射简介 |
| 2.1.2 小波散射的原理 |
| 2.1.3 实验电路原理 |
| 2.1.4 故障设置及数据采集 |
| 2.1.5 基于小波散射的故障特征提取 |
| 2.2 基于改进的VMD算法的故障特征提取 |
| 2.2.1 VMD算法简介 |
| 2.2.2 改进的VMD算法 |
| 2.2.3 基于改进的VMD算法的故障特征提取 |
| 2.3 算法对比 |
| 2.3.1 小波散射网络流程 |
| 2.3.2 改进的VMD算法流程 |
| 2.3.3 实验结果对比 |
| 2.4 本章小结 |
| 3 基于卷积神经网络的故障诊断 |
| 3.1 卷积神经网络的简介 |
| 3.2 卷积神经网络原理 |
| 3.2.1 卷积层 |
| 3.2.2 池化层 |
| 3.2.3 全连接层 |
| 3.3 基于CNN神经网络的故障诊断 |
| 3.4 实验结果 |
| 3.5 本章小结 |
| 4 基于LSTM网络的故障预测 |
| 4.1 特征参数选择 |
| 4.2 LSTM神经网络原理 |
| 4.3 基于LSTM神经网络的故障预测 |
| 4.3.1 实验平台及数据预处理 |
| 4.3.2 基于LSTM神经网络的故障预测 |
| 4.3.3 基于观测值更新的LSTM网络状态 |
| 4.4 结果对比 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介及读研期间主要科研成果 |
（2）基于小波神经网络的输电线路故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 输电线路故障诊断技术的发展及研究现状 |
| 1.2.2 神经网络的发展及研究现状 |
| 1.3 本文研究内容 |
| 2 输电线路故障及其保护原理研究 |
| 2.1 输电线路故障类型及原因 |
| 2.1.1 常见的故障类型 |
| 2.1.2 输电线路故障产生的原因 |
| 2.2 输电线路短路故障分析 |
| 2.2.1 单相接地短路 |
| 2.2.2 三相短路 |
| 2.2.3 两相相间短路 |
| 2.2.4 两相接地短路 |
| 2.2.5 故障相判别流程 |
| 2.3 电力系统接地方式及其故障研究 |
| 2.3.1 中性点接地系统 |
| 2.3.2 110KV中性点接地系统仿真 |
| 2.4 本章小结 |
| 3 基于小波分析的神经网络设计 |
| 3.1 神经网络在输电线路故障诊断中的应用 |
| 3.2 人工神经网络 |
| 3.2.1 人工神经网络的构成 |
| 3.2.2 神经网络结构的选择 |
| 3.3 小波分析 |
| 3.3.1 小波变换 |
| 3.3.2 小波基函数的选取 |
| 3.3.3 小波变换在电力系统中的应用 |
| 3.4 小波神经网络设计 |
| 3.5 小波神经网络的改进 |
| 3.6 本章小结 |
| 4 小波神经网络在故障诊断中的仿真研究 |
| 4.1 用于输电线路故障类型诊断的神经网络建模 |
| 4.1.1 神经网络隐含层节点选取 |
| 4.1.2 神经网络模型的建立 |
| 4.2 神经网络仿真实验及结果分析 |
| 4.2.1 单相接地短路故障 |
| 4.2.2 三相短路故障 |
| 4.2.3 两相相间短路故障 |
| 4.2.4 两相接地短路故障 |
| 4.2.5 仿真结果分析 |
| 4.3 小波神经网络的优化 |
| 4.3.1 小波神经网络优化算法的选择 |
| 4.3.2 小波神经网络优化结果测试 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 本文总结 |
| 5.2 未来展望 |
| 参考文献 |
| 致谢 |
| 读研期间主要科研成果 |
（3）模拟电路信号特征分析及故障诊断算法优化（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| §1.1 课题研究的背景与意义 |
| §1.2 故障诊断发展历程与现状 |
| §1.3 本文主要研究内容和结构安排 |
| §1.3.1 本文主要研究内容 |
| §1.3.2 本文结构安排 |
| 第二章 模拟电路信号特征分析及神经网络诊断算法 |
| §2.1 引言 |
| §2.2 基于小波包分析的故障特征提取 |
| §2.2.1 小波包分析原理 |
| §2.2.2 故障特征提取的小波包分析方法 |
| §2.2.3 小波包基函数的选择 |
| §2.3 BP神经网络诊断算法研究 |
| §2.3.1 BP神经网络算法研究 |
| §2.3.2 BP神经网络模型建立及其故障诊断方法 |
| §2.4 仿真实例分析 |
| §2.4.1 信号特征提取实例分析 |
| §2.4.2 基于BP神经网络的软故障诊断实例分析 |
| §2.5 本章小结 |
| 第三章 基于PSO算法优化神经网络的模拟电路故障诊断 |
| §3.1 引言 |
| §3.2 基于PSO-BP的模拟电路故障诊断模型 |
| §3.2.1 粒子群优化算法(PSO) |
| §3.2.2 PSO算法寻优性能测试 |
| §3.2.3 PSO-BP诊断模型构建 |
| §3.2.4 诊断实例 |
| §3.3 基于IPSO-BP的模拟电路故障诊断 |
| §3.3.1 改进的粒子群算法(IPSO) |
| §3.3.2 IPSO算法寻优性能测试 |
| §3.3.3 IPSO-BP模型构建及诊断实例 |
| §3.4 本章小结 |
| 第四章 基于IWO算法优化神经网络的模拟电路故障诊断 |
| §4.1 引言 |
| §4.2 基于IWO-BP的模拟电路故障诊断模型 |
| §4.2.1 入侵杂草算法(IWO) |
| §4.2.2 IWO算法寻优性能测试 |
| §4.2.3 IWO-BP诊断模型构建 |
| §4.2.4 诊断实例 |
| §4.3 基于AIWODE-BP的模拟电路故障诊断 |
| §4.3.1 差分进化算法(DE) |
| §4.3.2 自适应杂草混合算法(AIWODE) |
| §4.3.3 AIWODE算法寻优性能测试 |
| §4.3.4 AIWODE-BP模型构建及诊断实例 |
| §4.4 本章小结 |
| 第五章 基于HPSO算法优化神经网络的模拟电路故障诊断 |
| §5.1 引言 |
| §5.2 基于HPSO-BP的模拟电路故障诊断模型 |
| §5.2.1 杂草粒子群混合算法 |
| §5.2.2 HPSO算法寻优性能测试 |
| §5.2.3 HPSO-BP诊断模型构建 |
| §5.3 诊断实例 |
| §5.3.1 Sallen-key带通滤波电路 |
| §5.3.2 CTSV滤波电路 |
| §5.3.3 Leapfrog电路 |
| §5.4 本章小结 |
| 第六章 总结与展望 |
| §6.1 总结 |
| §6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者攻读硕士学位期间取得的的研究成果 |
（4）矩阵模型优化的模拟电路故障诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| §1.1 模拟电路故障诊断研究背景及意义 |
| §1.2 国内外研究现状 |
| §1.2.1 国外研究现状 |
| §1.2.2 国内研究现状 |
| §1.3 本文研究内容和结构安排 |
| §1.3.1 本文主要研究内容 |
| §1.3.2 本文结构安排 |
| §1.4 本章小结 |
| 第二章 模拟电路故障诊断概述 |
| §2.1 模拟电路故障诊断理论 |
| §2.1.1 模拟电路故障诊断的提出 |
| §2.1.2 模拟电路故障分类 |
| §2.2 模拟电路故障诊断难点与诊断方法研究 |
| §2.2.1 模拟电路故障诊断SBT与 SAT方法 |
| §2.2.2 模拟电路故障诊断传统方法与人工智能方法 |
| §2.3 模拟电路故障诊断中的特征提取 |
| §2.3.1 主成分分析 |
| §2.3.2 小波分析 |
| §2.3.3 多分辨分析 |
| §2.4 模拟电路故障诊断中的特征分类 |
| §2.4.1 神经网络在模拟电路故障诊断中的分类 |
| §2.4.2 支持向量机在模拟电路故障诊断中的分类 |
| §2.5 矩阵模型方法的可行性分析与有效性研究 |
| §2.6 本章小结 |
| 第三章 基于输出响应矩阵特性分析的模拟电路故障诊断 |
| §3.1 矩阵特性分析的模拟电路故障诊断提出 |
| §3.2 矩阵特性分析 |
| §3.2.1 输出响应矩阵 |
| §3.2.2 矩阵的谱半径 |
| §3.2.3 矩阵的奇异值概念 |
| §3.2.4 故障诊断步骤 |
| §3.3 Sallen_Key电路故障诊断 |
| §3.3.1 Sallen_Key电路故障诊断与分析 |
| §3.3.2 试验数据 |
| §3.4 电路故障诊断 |
| §3.4.1 CTSV电路以及对数放大电路介绍 |
| §3.4.2 数据及对比 |
| §3.5 本章小结 |
| 第四章 基于优化矩阵随机森林算法的模拟电路故障诊断 |
| §4.1 局部均值分解 |
| §4.1.1 局部均值分解概况 |
| §4.1.2 局部均值分解原理 |
| §4.2 随机森林算法 |
| §4.2.1 随机森林算法介绍 |
| §4.2.2 随机森林算法原理 |
| §4.2.3 随机森林算法特征提取 |
| §4.2.4 随机森林算法特征分类 |
| §4.3 Sallen_Key电路故障诊断与实例分析 |
| §4.3.1 故障诊断流程图 |
| §4.3.2 Sallen_Key电路故障诊断 |
| §4.3.3 Sallen_Key电路故障及特征提取 |
| §4.3.4 Sallen_Key电路故障分类及诊断结果 |
| §4.4 CTSV电路故障诊断与实例分析 |
| §4.4.1 CTSV电路多故障诊断 |
| §4.4.2 CTSV电路仿真结果 |
| §4.5 对数放大电路故障诊断与实例分析 |
| §4.5.1 对数放大器电路多故障诊断 |
| §4.5.2 对数放大器电路仿真结果 |
| §4.6 结论 |
| 第五章 总结与展望 |
| §5.1 本文工作总结 |
| §5.2 创新内容 |
| §5.3 研究展望 |
| 参考文献 |
| 致谢 |
| 作者在攻读硕士期间的主要研究成果 |
（5）转膛自动机驱动机构故障检测与诊断系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外发展与研究现状 |
| 1.2.1 转膛武器的研究现状 |
| 1.2.2 故障检测与诊断技术的发展动态 |
| 1.2.3 集合经验模态分解的研究现状 |
| 1.2.4 SOM神经网络研究现状 |
| 1.3 研究内容 |
| 1.4 论文章节安排 |
| 2 转膛自动机驱动机构故障检测与诊断系统总体方案设计 |
| 2.1 引言 |
| 2.2 转膛自动机驱动机构故障检测与诊断系统需求分析 |
| 2.2.1 转膛自动机参数性能 |
| 2.2.2 功能要求 |
| 2.2.3 系统的主要技术与参数指标 |
| 2.3 系统的总体方案设计 |
| 2.4 器件选型 |
| 2.4.1 主控模块选型 |
| 2.4.2 温度传感器 |
| 2.4.3 压力传感器 |
| 2.4.4 位移传感器 |
| 2.4.5 相应传感器的安装和测点位置 |
| 2.5 转膛自动机驱动机构故障机理分析 |
| 2.6 本章小结 |
| 3 信号采集设备硬件电路设计 |
| 3.1 引言 |
| 3.2 信号采集设备总体硬件结构设计 |
| 3.3 电源模块电路 |
| 3.4 存储模块电路 |
| 3.5 有线传输模块电路 |
| 3.6 无线传输模块电路 |
| 3.7 温度信号调理电路 |
| 3.8 压力信号调理电路 |
| 3.9 位移信号调理电路 |
| 3.10 PCB的设计 |
| 3.11 本章小结 |
| 4 转膛自动机驱动机构故障检测与诊断系统软件设计 |
| 4.1 引言 |
| 4.2 信号采集设备的软件程序设计 |
| 4.2.1 主程序设计 |
| 4.2.2 有线传输模块程序设计 |
| 4.2.3 无线传输模块程序设计 |
| 4.2.4 存储模块程序设计 |
| 4.2.5 ADC采集模块程序设计 |
| 4.3 故障检测与诊断系统平台设计 |
| 4.3.1 数据采集模块 |
| 4.3.2 数据管理模块 |
| 4.3.3 实时检测模块 |
| 4.3.4 网络通讯模块 |
| 4.3.5 离线诊断模块 |
| 4.4 本章小结 |
| 5 转膛自动机驱动机构的故障检测方法 |
| 5.1 引言 |
| 5.2 转膛自动机驱动机构的故障检测方法总体框架 |
| 5.3 信号预处理 |
| 5.3.1 小波去噪处理 |
| 5.3.2 实验验证与结果分析 |
| 5.4 基于集合经验模态的特征提取方法 |
| 5.4.1 集合经验模态的原理及算法 |
| 5.4.2 集合经验模态虚假分量的判断方法 |
| 5.5 基于改进的集合经验模态特征提取方法 |
| 5.5.1 K-L散度法的基本理论及求解 |
| 5.5.2 基于改进的集合经验模态的特征提取步骤 |
| 5.5.3 实验验证及结果分析 |
| 5.6 故障检测与诊断系统的特征参数选择 |
| 5.7 基于马氏距离敏感阈值的故障检测 |
| 5.7.1 马氏距离 |
| 5.7.2 马氏距离敏感阈值 |
| 5.7.3 实验验证与结果分析 |
| 5.8 本章小结 |
| 6 转膛自动机驱动机构的故障诊断方法 |
| 6.1 引言 |
| 6.2 SOM神经网络概述 |
| 6.2.1 SOM神经网络结构 |
| 6.2.2 SOM神经网络的参数确定 |
| 6.2.3 SOM神经网络的算法步骤 |
| 6.2.4 基于SOM神经网络的转膛自动机驱动机构故障诊断方法的构建 |
| 6.3 基于SOM神经网络的转膛自动机驱动机构故障诊断方法 |
| 6.3.1 SOM神经网络的构建 |
| 6.3.2 SOM神经网络的训练 |
| 6.3.3 SOM神经网络的验证 |
| 6.4 本章小结 |
| 7 总结与展望 |
| 7.1 论文工作总结 |
| 7.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及成果 |
| 致谢 |
（6）三相电压源逆变器功率管开路故障诊断方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题的研究背景和意义 |
| 1.2 逆变器拓扑结构及故障分析 |
| 1.3 逆变器开路故障诊断研究现状 |
| 1.3.1 基于信号的方法 |
| 1.3.2 基于模型的方法 |
| 1.3.3 基于数据驱动的方法 |
| 1.3.4 诊断方法比较与总结 |
| 1.4 本文的主要内容及结构安排 |
| 2 基于电流矢量相位的故障诊断方法 |
| 2.1 引言 |
| 2.2 系统描述 |
| 2.3 电流矢量相位特征分析 |
| 2.3.1 健康状态 |
| 2.3.2 单管故障 |
| 2.3.3 单相故障 |
| 2.3.4 异相同侧双管故障 |
| 2.3.5 异相异侧双管故障 |
| 2.4 故障诊断方案 |
| 2.4.1 故障检测 |
| 2.4.2 故障定位 |
| 2.5 实验验证 |
| 2.5.1 多类型故障诊断 |
| 2.5.2 瞬态抗扰性分析 |
| 2.5.3 故障诊断的时间 |
| 2.5.4 与同类算法比较 |
| 2.6 本章小结 |
| 3 基于故障在线模拟的故障诊断方法 |
| 3.1 引言 |
| 3.2 混杂系统一般理论概述 |
| 3.2.1 混杂系统基本概念及特点 |
| 3.2.2 混杂系统建模方法与比较 |
| 3.3 基于混杂系统理论的三相电压源逆变器-电机系统建模 |
| 3.3.1 基于混杂自动机的电力电子电路一般建模步骤 |
| 3.3.2 三相电压源逆变器-电机系统运行机理 |
| 3.3.3 逆变器-电机系统的混杂模型 |
| 3.4 逆变器故障在线模拟诊断方法 |
| 3.4.1 故障检测 |
| 3.4.2 故障定位 |
| 3.5 仿真与实验验证 |
| 3.5.1 仿真结果 |
| 3.5.2 实验结果 |
| 3.6 本章小结 |
| 4 基于输出线电压残差分析的故障诊断方法 |
| 4.1 引言 |
| 4.2 输出线电压残差分析 |
| 4.3 故障诊断方案 |
| 4.4 仿真与实验验证 |
| 4.4.1 参数变化的影响 |
| 4.4.2 单管和双管故障 |
| 4.4.3 抗负载扰动性能 |
| 4.4.4 故障诊断的时间 |
| 4.4.5 与以往方法比较 |
| 4.5 本章小结 |
| 5 基于卷积神经网络的故障诊断方法 |
| 5.1 引言 |
| 5.2 卷积神经网络的基础理论 |
| 5.2.1 卷积层 |
| 5.2.2 批标准化 |
| 5.2.3 激活层 |
| 5.2.4 池化层 |
| 5.2.5 舍弃层 |
| 5.2.6 全连接层 |
| 5.2.7 损失函数 |
| 5.3 基于ConvNet模型的故障诊断 |
| 5.3.1 故障数据集 |
| 5.3.2 网络的结构 |
| 5.3.3 超参数设置 |
| 5.3.4 验证与分析 |
| 5.4 基于ResNet模型的故障诊断 |
| 5.4.1 高斯白噪声 |
| 5.4.2 基本残差块 |
| 5.4.3 网络的结构 |
| 5.4.4 验证与分析 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 本文总结 |
| 6.2 未来展望 |
| 参考文献 |
| 作者简历及在学研究成果 |
| 学位论文数据集 |
（7）基于深度置信网络的模拟电路间歇故障检测（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 模拟电路故障诊断国内外研究现状 |
| 1.3 模拟电路故障诊断方法 |
| 1.3.1 传统的模拟电路故障诊断方法 |
| 1.3.2 现代的模拟电路故障诊断方法 |
| 1.4 间歇故障 |
| 1.4.1 间歇故障研究背景及意义 |
| 1.4.2 间歇故障研究综述 |
| 1.5 文章研究内容及安排 |
| 第二章 信号特征提取及模拟电路模型搭建 |
| 2.1 引言 |
| 2.2 传统的信号分析法 |
| 2.2.1 时域信号分析 |
| 2.2.2 频域分析 |
| 2.3 小波分析法 |
| 2.4 小波包分析法 |
| 2.4.1 小波包分解 |
| 2.4.2 小波包基函数选取 |
| 2.4.3 小波包能量熵的特征提取 |
| 2.5 主成分分析法 |
| 2.6 模拟电路模型 |
| 2.6.1 Sallen-key带通滤波器模型 |
| 2.6.2 四运放双二次高通滤波器模型 |
| 2.6.3 模拟电路间歇故障的电路模型 |
| 2.7 本章小结 |
| 第三章 基于深度置信网络的模拟电路故障诊断 |
| 3.1 引言 |
| 3.2 DBN模型 |
| 3.2.1 RBM框架 |
| 3.2.2 训练RBM |
| 3.2.3 DBN模型框架 |
| 3.2.4 DBN模型参数的选取 |
| 3.3 实例 |
| 3.3.1 诊断步骤 |
| 3.3.2 诊断实例 |
| 3.4 本章小结 |
| 第四章 基于小波包能量熵和PCA-DBN的模拟电路故障诊断 |
| 4.1 引言 |
| 4.2 PCA降维 |
| 4.3 诊断步骤 |
| 4.4 Sallen-key带通滤波电路诊断实例 |
| 4.4.1 特征提取 |
| 4.4.2 实验验证 |
| 4.5 四运放双二次高通滤波器诊断实例 |
| 4.5.1 特征提取 |
| 4.5.2 实验验证 |
| 4.6 本章小结 |
| 第五章 基于小波包能量熵和DBN的模拟电路间歇故障诊断 |
| 5.1 引言 |
| 5.2 模拟电路间歇故障实例 |
| 5.2.1 诊断步骤 |
| 5.2.2 诊断实例 |
| 5.3 BP反向传播神经网络 |
| 5.3.1 BP反向传播神经网络原理 |
| 5.3.2 反向传播神经网络计算过程 |
| 5.3.3 实验分析和对比 |
| 5.4 本章小结 |
| 第六章 总结和展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的研究成果 |
（8）基于神经网络的信号联锁系统故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 故障诊断的发展现状 |
| 1.2.2 神经网络技术的发展现状 |
| 1.2.3 信号联锁系统故障诊断的发展现状 |
| 1.3 研究的主要内容及结构安排 |
| 2 铁路信号联锁系统故障机理分析 |
| 2.1 信号联锁系统结构层次分析 |
| 2.1.1 计算机联锁系统结构分析 |
| 2.1.2 计算机联锁系统工作机理分析 |
| 2.2 信号集中监测系统概述 |
| 2.2.1 信号集中监测系统结构概述 |
| 2.2.2 信号集中系统监测曲线分析 |
| 2.3 信号设备故障曲线 |
| 2.3.1 道岔设备故障曲线 |
| 2.3.2 轨道电路故障曲线 |
| 2.4 本章小结 |
| 3 基于数据挖掘技术的故障诊断特征提取 |
| 3.1 基本故障特征提取 |
| 3.1.1 信号时域特征概述 |
| 3.1.2 监测曲线基本特征提取 |
| 3.2 数据挖掘技术概述 |
| 3.2.1 补偿距离评估算法 |
| 3.2.2 K-means聚类算法 |
| 3.3 基于CDET-Kmeans的故障敏感特征分析 |
| 3.3.1 故障敏感特征分析方法设计 |
| 3.3.2 道岔故障诊断敏感特征分析 |
| 3.3.3 轨道电路故障诊断敏感特征分析 |
| 3.4 本章小结 |
| 4 基于神经网络的故障诊断方法设计及优化 |
| 4.1 神经网络结构分类 |
| 4.1.1 神经网络基本概念 |
| 4.1.2 神经网络的结构分类及工作原理 |
| 4.2 人工蜂群算法原理 |
| 4.3 神经网络算法优化 |
| 4.3.1 RBF网络算法优化 |
| 4.3.2 Hopfield网络算法优化 |
| 4.3.3 SOM网络算法优化 |
| 4.4 本章小结 |
| 5 基于改进神经网络的故障诊断方法实现 |
| 5.1 基于RBF网络的故障诊断方法实现 |
| 5.1.1 基于RBF网络的道岔故障诊断 |
| 5.1.2 基于RBF网络的轨道电路故障诊断 |
| 5.2 基于Hopfield网络的故障诊断方法实现 |
| 5.2.1 基于Hopfield网络的道岔故障诊断 |
| 5.2.2 基于Hopfield网络的轨道电路故障诊断 |
| 5.3 基于SOM网络的故障诊断方法实现 |
| 5.3.1 基于SOM网络的道岔故障诊断 |
| 5.3.2 基于SOM网络的轨道电路故障诊断 |
| 5.4 网络诊断性能分析 |
| 5.5 本章小结 |
| 结论 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（9）基于深度极限学习机的模拟电路故障诊断研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 引言 |
| §1.1 选题的背景及意义 |
| §1.2 模拟电路故障诊断的国内外研究现状 |
| §1.2.1 国外研究现状 |
| §1.2.2 国内研究现状 |
| §1.3 本文研究内容和组织结构 |
| §1.3.1 本文研究内容 |
| §1.3.2 本文组织结构 |
| 第二章 模拟电路故障诊断概述及方法分析 |
| §2.1 模拟电路故障诊断的基本理论 |
| §2.1.1 故障产生的原因及诊断难点 |
| §2.1.2 模拟电路故障的类型 |
| §2.1.3 诊断方法分类 |
| §2.2 模拟电路故障诊断中的特征提取 |
| §2.2.1 主成分分析法 |
| §2.2.2 小波分析法 |
| §2.3 模拟电路故障诊断中的模式识别方法 |
| §2.3.1 神经网络在故障诊断中的应用 |
| §2.3.2 支持向量机在模拟电路故障诊断中的应用 |
| §2.4 本章小结 |
| 第三章 基于深度极限学习机的模拟电路故障诊断 |
| §3.1 极限学习机 |
| §3.1.1 ELM的概述 |
| §3.1.2 ELM的学习规则 |
| §3.1.3 ELM的特点 |
| §3.2 基于正则极限学习机的自编码器 |
| §3.2.1 正则极限学习机 |
| §3.2.2 自编码器的概述 |
| §3.2.3 基于ELM-AE的表征学习 |
| §3.3 深度极限学习机的方法研究 |
| §3.4 基于深度极限学习机的模拟电路故障诊断实例分析 |
| §3.4.1 基于DELM的模拟电路故障诊断模型 |
| §3.4.2 诊断实例1 |
| §3.4.2.1 电路描述 |
| §3.4.2.2 故障诊断结果分析 |
| §3.4.3 诊断实例2 |
| §3.4.3.1 电路描述 |
| §3.4.3.2 故障诊断结果分析 |
| §3.4.4 诊断实例3 |
| §3.4.4.1 电路描述 |
| §3.4.4.2 故障诊断结果分析 |
| §3.5 本章小结 |
| 第四章 基于GA和 PSO算法优化DELM的模拟电路故障诊断 |
| §4.1 粒子群算法优化深度极限学习机的诊断模型 |
| §4.1.1 粒子群优化算法基本概念 |
| §4.1.2 PSO优化DELM的方法研究 |
| §4.2 遗传算法优化深度极限学习机的诊断模型 |
| §4.2.1 遗传算法基本概念 |
| §4.2.2 遗传算法的特点 |
| §4.2.3 GA优化DELM的方法研究 |
| §4.3 基于PSO-DELM和 GA-DELM的模拟电路故障诊断实例分析 |
| §4.3.1 基于GA和 PSO算法优化的DELM的模拟电路故障诊断模型 |
| §4.3.2 电路描述 |
| §4.3.3 实例对比与分析 |
| §4.4 本章小结 |
| 第五章 总结与展望 |
| §5.1 结论 |
| §5.2 创新内容 |
| §5.3 研究展望 |
| 参考文献 |
| 致谢 |
| 作者在攻读硕士期间的主要研究成果 |
（10）基于深度信念网络和神经网络的模拟电路故障诊断（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 模拟电路故障诊断技术的发展及现状 |
| 1.3 故障诊断技术的发展趋势 |
| 1.4 本文的主要内容 |
| 第二章 模拟电路故障诊断的基本原理 |
| 2.1 模拟电路故障的分类 |
| 2.2 模拟电路故障诊断的基本方法 |
| 2.3 模拟电路故障诊断的基本流程 |
| 2.3.1 模拟电路故障诊断的模式识别过程 |
| 2.3.2 模拟电路故障诊断的具体步骤 |
| 2.4 本章小结 |
| 第三章 基于深度信念网络的故障特征提取 |
| 3.1 常用的特征提取方法 |
| 3.1.1 基于小波分析的特征提取 |
| 3.1.2 基于主成分分析的特征提取 |
| 3.1.3 基于Hilbert-Huang变换的特征提取 |
| 3.1.4 基于稀疏表示的特征提取 |
| 3.2 基于深度信念网络的特征提取 |
| 3.2.1 受限玻尔兹曼机 |
| 3.2.2 DBN结构 |
| 3.2.3 DBN训练过程 |
| 3.2.4 基于DBN的特征提取过程 |
| 3.3 量子粒子群优化算法 |
| 3.3.1 数学模型 |
| 3.3.2 算法流程 |
| 3.3.3 量子粒子群算法优化DBN |
| 3.4 仿真实例 |
| 3.5 小结 |
| 第四章 基于BP神经网络的模拟电路故障诊断 |
| 4.1 BP神经网络基本理论 |
| 4.1.1 BP神经网络概述 |
| 4.1.2 BP神经网络的训练 |
| 4.2 基于BP神经网络的故障诊断 |
| 4.2.1 故障诊断步骤 |
| 4.2.2 样本集的构造 |
| 4.2.3 BP神经网络故障诊断模型 |
| 4.2.4 QPSO算法优化BP神经网络 |
| 4.3 仿真实例 |
| 4.4 小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 工作展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
四、神经网络在电路故障诊断中的应用（论文参考文献）
- [1]电力电子电路故障诊断及预测方法研究[D]. 张书婷. 安徽理工大学, 2021(02)
- [2]基于小波神经网络的输电线路故障诊断研究[D]. 陈皓. 安徽理工大学, 2021(02)
- [3]模拟电路信号特征分析及故障诊断算法优化[D]. 迮良佳. 桂林电子科技大学, 2021(02)
- [4]矩阵模型优化的模拟电路故障诊断方法研究[D]. 阮济民. 桂林电子科技大学, 2021(02)
- [5]转膛自动机驱动机构故障检测与诊断系统研究[D]. 范勇. 西安工业大学, 2021(02)
- [6]三相电压源逆变器功率管开路故障诊断方法研究[D]. 陈涛. 北京科技大学, 2021(08)
- [7]基于深度置信网络的模拟电路间歇故障检测[D]. 叶志伟. 江西理工大学, 2021(01)
- [8]基于神经网络的信号联锁系统故障诊断研究[D]. 李旭彤. 兰州交通大学, 2020(01)
- [9]基于深度极限学习机的模拟电路故障诊断研究[D]. 马润平. 桂林电子科技大学, 2020(04)
- [10]基于深度信念网络和神经网络的模拟电路故障诊断[D]. 姚瑶. 合肥工业大学, 2020(02)