基于KLLDA和ELM的新型模拟电路故障诊断方法
发布时间：2021-11-25 19:19
模拟电路是工业设备中最重要的元器件,其故障可能造成重大的人员伤亡,甚至造成巨大的经济损失。针对这一问题,提出一种基于核局部线性判别分析（Kernel Local Linear Discriminant Analysis,KLLDA）的故障诊断方案。利用小波分析和统计分析对原始信号进行预处理,得到原始特征集;利用KLLDA方法进行降维,并与核主成分分析（Kernel Principal Component Analysis,KPCA）和核线性判别分析（Kernel Linear Discriminant Analysis,KLDA）方法进行比较;采用极限学习机（Extreme Learning Machine,ELM）对测试电路的故障进行定位。对两个故障诊断案例的实验结果表明了该方法的有效性,并表明KLLDA在降维方面总体上优于KPCA和KLDA。
【文章来源】：计算机应用与软件. 2020,37(03)北大核心
【文章页数】：7 页
【部分图文】：
Sallen-Key带通滤波器
图2描绘了四运算放大器双四阶高通滤波器(CUT2)。图2给出了每个分量的正常值和容差,选择C1、C2、R1、R2、R3和R4作为实验对象。关于故障设置的细节如表2所示。表2 CUT 1的故障类别、公称和故障分量值 故障码 故障类 正常值 故障值 F0 NF - - F1 C1↑ 5 nF 6.25 nF F2 C1↓ 5 nF 3.75 nF F3 C2↑ 5 nF 6.25 nF F4 C2↓ 5 nF 3.75 nF F5 R1↑ 6.2 kΩ 7.75 kΩ F6 R1↓ 6.2 kΩ 4.65 kΩ F7 R2↑ 6.2 kΩ 7.75 kΩ F8 R2↓ 6.2 kΩ 4.65 kΩ F9 R3↑ 6.2 kΩ 7.75 kΩ F10 R3↓ 6.2 kΩ 4.65 kΩ F11 R4↑ 1.6 kΩ 2 kΩ F12 R4↓ 1.6 kΩ 1.2 kΩ
信号采集后,对原始信号集进行三级Harr小波变换,得到小波能量特征。此外,增加峰度、熵、偏度、最大值和最小值来构成统计特征向量。然后,形成小波特征和统计特征九个特征。最后,通过KLLDA提取特征作为训练和测试所提出的分类器的样本。在示例1中,调谐因子K和膨胀参数为4和1.12。通过CUT2,调谐因子K和膨胀参数等于6和1.69。在执行KLLDA之后,我们得到了所有CUT1和CUT2的故障情况的2D表示,如图3-图8所示。图4 KLDA的CUT1断层散点图
本文编号：3518632
【文章来源】：计算机应用与软件. 2020,37(03)北大核心
【文章页数】：7 页
【部分图文】：
Sallen-Key带通滤波器
图2描绘了四运算放大器双四阶高通滤波器(CUT2)。图2给出了每个分量的正常值和容差,选择C1、C2、R1、R2、R3和R4作为实验对象。关于故障设置的细节如表2所示。表2 CUT 1的故障类别、公称和故障分量值 故障码 故障类 正常值 故障值 F0 NF - - F1 C1↑ 5 nF 6.25 nF F2 C1↓ 5 nF 3.75 nF F3 C2↑ 5 nF 6.25 nF F4 C2↓ 5 nF 3.75 nF F5 R1↑ 6.2 kΩ 7.75 kΩ F6 R1↓ 6.2 kΩ 4.65 kΩ F7 R2↑ 6.2 kΩ 7.75 kΩ F8 R2↓ 6.2 kΩ 4.65 kΩ F9 R3↑ 6.2 kΩ 7.75 kΩ F10 R3↓ 6.2 kΩ 4.65 kΩ F11 R4↑ 1.6 kΩ 2 kΩ F12 R4↓ 1.6 kΩ 1.2 kΩ
信号采集后,对原始信号集进行三级Harr小波变换,得到小波能量特征。此外,增加峰度、熵、偏度、最大值和最小值来构成统计特征向量。然后,形成小波特征和统计特征九个特征。最后,通过KLLDA提取特征作为训练和测试所提出的分类器的样本。在示例1中,调谐因子K和膨胀参数为4和1.12。通过CUT2,调谐因子K和膨胀参数等于6和1.69。在执行KLLDA之后,我们得到了所有CUT1和CUT2的故障情况的2D表示,如图3-图8所示。图4 KLDA的CUT1断层散点图
本文编号：3518632
本文链接：https://www.wllwen.com/kejilunwen/dianzigongchenglunwen/3518632.html
