模拟电路几种故障的诊断方法

为解决故障特征样本分批加入时分类模型的在线更新问题, 提出一种限定样本序贯极端学习机(LSSELM). LSSELM 通过逐步添加新样本, 同时剔除与其相似度最高的同类别旧样本来提高模型的动态适应能力

提出了一种新的方法来进行模拟电路故障诊断。该方法包括Haar的小波分解，对数据的归一化处理，以及用狼群算法优化RBF神经网络。用Haar小波对所得的电路原始故障数据集进行变换，然后对变换后的数据进行归

针对模拟电路故障与特征间存在的模糊组及交叠、分类效果不理想的情况，提出基于Fisher准则函数的最佳聚类数自适应估计方法和基于稀疏贝叶斯相关向量机（RVM）理论的模拟电路故障诊断模型，采用模糊核聚类选

基于灰关联神经网络的模拟电路故障诊断研究，牛丽华，李志华，神经网络具有分辨故障类型的能力，是一种模拟电路故障诊断有效方法。BP网络是目前应用最为广泛的神经网络之一，但隐层节点数一般�

首先介绍了基于数据驱动的故障诊断方法研究动机和国内外发展现状, 以新的视角将现有故障诊断方法分 为基于数据驱动的方法、基于分析模型的方法和基于定性经验的人工智能方法, 说明了该方法在整个体系中的地位,

针对现有故障诊断方法难以诊断涵盖多种不同类型故障的问题, 提出一种基于分层DSmT 的多故障诊断方法. 利用主元凝聚层聚类方法实现证据聚类, 将辨识框架分成若干个子框架; 利用证据主元将BP 神经网络

自动化设备的故障诊断方法:检查所有电源,气源,液压源,检查传感器位置是否出现偏移,检查继电器,流量控制阀,压力控制阀,检查电气,气动和液压回路连接。

传感器故障主要包括:完全失效故障、固定偏差故障、漂移偏差故障和精度下降四类。

主要介绍了一些诊断电气设备故障的方法，如能及时排除电气设备故障，可以减少巨大的经济损失。

针对化工故障诊断所设计的一些程序，包括故障诊断算法的选择，数据处理方法和界面设计等方面，为化工行业提供更有效的故障诊断解决方案。