CN101819253A - 一种基于概率神经网络的容差电路故障诊断方法 - Google Patents
一种基于概率神经网络的容差电路故障诊断方法 Download PDFInfo
- Publication number
- CN101819253A CN101819253A CN201010150381A CN201010150381A CN101819253A CN 101819253 A CN101819253 A CN 101819253A CN 201010150381 A CN201010150381 A CN 201010150381A CN 201010150381 A CN201010150381 A CN 201010150381A CN 101819253 A CN101819253 A CN 101819253A
- Authority
- CN
- China
- Prior art keywords
- fault
- circuit
- wavelet
- wavelet packet
- amplitude
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 title claims abstract description 18
- 230000004044 response Effects 0.000 claims abstract description 19
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000007257 malfunction Effects 0.000 claims description 5
- 238000010494 dissociation reaction Methods 0.000 claims description 3
- 230000005593 dissociations Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 abstract description 10
- 238000011002 quantification Methods 0.000 abstract 2
- 238000013213 extrapolation Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 10
- 238000012360 testing method Methods 0.000 description 9
- 230000010355 oscillation Effects 0.000 description 5
- 238000011056 performance test Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Images
Landscapes
- Tests Of Electronic Circuits (AREA)
Abstract
一种基于概率神经网络的容差电路故障诊断方法,其包括以下步骤:选取脉冲信号源作为待测故障电路的激励;故障电路进行蒙特卡罗分析,获取待测故障电路幅频响应信号;对电路幅频响应信号进行三层小波包分解,获得幅频响应信号低频、高频系数,对小波包分解系数进行阈值量化,再根据最低层的低频小波包分解系数和经过阈值量化处理的高频小波包系数,进行小波包重构,完成小波包消噪处理;根据小波包重构后得到的低、高频系数,求出响应信号的频带能量,并以频带能量构成故障特征向量;故障特征向量输入概率神经网络故障分类器,实现电路故障诊断。本发明故障诊断正确率高,结构简单,训练时间短,容错性高,外推能力强。
Description
技术领域
本发明涉及一种容差电路故障诊断方法,尤其是涉及一种基于概率神经网络的容差电路故障诊断方法。
背景技术
在过去的几十年中,数字电子电路的故障诊断理论和方法已经发展得比较成熟,而对于模拟电子电路,由于元件具有容差以及电路广泛存在的非线性和噪声问题,使其发展比较缓慢。然而,随着科学技术的飞速发展,电子电路的集成化程度日益提高,模拟电子电路和数字/模拟混合信号电路的广泛使用,以及对现代电子系统提出的高可靠性要求,使模拟电子电路的测试与故障诊断成为一个急需解决的问题。
小波分析作为一种新的时频分析方法已被应用于模拟电子电路故障诊断中的特征提取,但通常的处理方法是只对信号低频分量进行分解,忽略了高频分量,因此,在提取信号的低频系数作为故障特征时,损失了高频分量中的许多有用信息,导致故障诊断正确率不高。
神经网络具有并行处理、自适应、自学习和联想记忆等能力,将其应用于故障诊断已成为智能诊断技术中的一个重要方法。通常的模拟电子电路故障诊断中采用常规前向反馈神经网络(BP神经网络)作为故障分类器,但对于多故障特征输入的诊断问题,常规前向反馈神经网络(BP神经网络)存在结构复杂、训练时间长、收敛速度慢和易陷入局部最优等缺点,致使诊断时间长,故障辨识率不高。
发明内容
本发明的目的在于克服现有技术存在的上述缺陷,提供一种故障诊断正确率高,结构简单,训练时间短,容错性高,外推能力强的基于概率神经网络的容差电路故障诊断方法。
本发明的技术方案包括以下步骤:
(1)选取脉冲信号源作为待测故障电路的激励源,电路中故障元件采用故障模型代替,非故障元件在容差范围内变化;
(2)利用HSPICE软件对故障电路进行蒙特卡罗(Monte Carlo)分析,获取待测故障电路的幅频响应信号;
(3)对电路的幅频响应信号进行三层小波包分解,获得幅频响应信号的低频系数和高频系数,对小波包分解系数进行阈值量化,再根据最低层的低频小波包分解系数和经过阈值量化处理的高频小波包系数,进行小波包重构,完成小波包消噪处理;
(4)根据小波包重构后得到的低频系数和高频系数,求出各故障状态下输出响应信号的频带能量,并以频带能量构成故障特征向量;
(5)将故障特征向量输入概率神经网络故障分类器,实现对电路故障诊断。
所述步骤(3)中的小波函数为:
un(t)=2-j/2un(2-jt-k),n∈Z+,j,k∈Z (1)
式中j,k分别为尺度因子和平移量,t为函数变量,un(t)为小波函数,n为调制参数或振荡参数,Z+为正整数域,Z为整数域。
步骤(4)中各故障状态下输出响应信号的频带能量E3j(j=0,1,…,7)计算公式为:
式中S3j为三层小波包重构后的信号,j为小波包重构信号的个数,k为重构信号的离散点幅值求和变量,t为积分变量,xjk为S3j的离散点的幅值,n为三层小波重构信号S3j的离散点总个数。
定义E′3j=(E3j)1/2(j=0,1,…,7),则故障特征向量T的构造为:
T=[E′30,E′31,E′32,E′33,E′34,E′35,E′36,E′37] (3)
小波包分析是从小波分析延伸出来的一种同时对信号高、低频分量进行分解的方法。
本发明将信号的高、低频分量作为故障特征,以提高故障的辨识精度。由于模拟电子电路发生故障时,电路输出信号经小波包分解后各尺度函数空间的频带能量会发生相应的变化,本发明在小波分析信号处理技术的基础上,采用小波包分析对模拟电子电路的输出信号进行分解和重构,获取信号的高、低频系数并滤除信号中的噪声,求取相应频带的频带能量作为电路的故障特征,建立基于“小波包频带能量-故障特征”的概率神经网络(PNN)故障诊断系统辨识方法,克服应用小波分析时通常只对低频分量进行处理而忽略高频分量致使信息丢失的问题,利用概率神经网络(PNN)构建故障模式分类器,结构简单、训练快捷,容错性高,外推能力强,检测与定位准确率高,速度快,克服了电路故障诊断BP神经网络故障分类器结构复杂、训练时间长、收敛速度慢和易陷入局部最优等缺点。
本发明方法能够对待测电路可及节点电压或支路电流信号进行处理,适合于电路复杂、可及节点少甚至只有一个输出节点可及的电子电路故障诊断问题。
附图说明
图1为本发明实施例诊断方法流程框图;
图2为三层小波包分解结构图;
图3为概率神经网络(PNN)结构框图;
图4为本发明的应用实例1电子电路;
图5为本发明的应用实例2电子电路。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
参照图1,本实施例包括以下步骤:
(1)首先执行步骤101,选取脉冲信号源作为待测电路的激励源,电路中故障元件采用故障模型代替,非故障元件在容差范围内变化:
(2)执行步骤102,利用HSPICE软件对故障电路进行蒙特卡罗(MonteCarlo)分析,获取待测故障电路的幅频响应信号;
(3)执行步骤103,对电路的幅频响应信号进行三层小波包分解,获得幅频响应信号的低频系数和高频系数;再对每一个小波包分解系数,选择一个恰当的阈值并对系数进行阈值量化,根据最低层的低频小波包分解系数(一般不做阈值化处理)和经过阈值量化处理的高频小波包系数,进行小波包重构,完成小波包消噪处理;
小波包分析是小波分析的进一步发展,在信号分解过程中对高、低频信号进行同时分解,其中小波函数为:
un(t)=2-j/2un(2-jt-k),n∈Z+,j,k∈Z (1)
式中j,k分别为尺度因子和平移量,t为函数变量,un(t)为小波函数,n为调制参数或振荡参数,Z+为正整数域,Z为整数域。
un(t)满足下列表达式:
式中j,k分别为尺度因子和平移量,n为调制参数或振荡参数,l为小波包变换的平移量。
图2为三层小波包分解结构,图中Xi、j表示第i层的第j个结点,其中i=0,1,2,3,j=0,1,2,…,7,每个结点都代表一定的信号特征。其中,X0,0结点代表原始信号,X1,0代表小波包分解的第一层低频系数,X11小波包分解的第一层的高频系数,其它依次类推。
(4)执行步骤104,利用小波包重构后的低、高频系数,求出各故障状态下输出响应信号的频带能量,并以频带能量构成故障特征向量;
响应信号的频带能量计算公式为:
式中S3j为小波包分解系数X3j的重构信号,j为小波包重构信号的个数,k为重构信号的离散点幅值求和变量,t为积分变量,xjk为S3j的离散点的幅值,n为三层小波重构信号S3j的离散点总个数。
定义E′3j=(E3j)1/2(j=0,1,…,7),因电路发生故障时,其输出信号的小波包频带能量值也会发生变化,因此,采用频带能量构成故障特征向量为:
T=[E′30,E′31,E′32,E′33,E′34,E′35,E′36,E′37] (3)
(5)将故障特征向量输入概率神经网络故障分类器,实现对电路故障诊断;
参照图3,概率神经网络(PNN)由输入层、模式层、求和层和输出层组成,输入层待分类样本向量X{xl,l=1,2,…p}(其中l为下标量,p为输入样本维数)直接连接到模式层,通过模式层的加权求和并经过激励函数求得输出为:
其中,zij为模式层第i类第j个样本的输出,i为模式类别数,m为模式类别总量,j为某一类模式的样本数,T表示矩阵转置,Ni为属i类训练样本向量总个数,p为输入样本向量的维数,σ为平滑参数,xij为i类第j个样本向量,在网络中作为权值。求和层将对应于训练样本中同一类模式层传来的变量进行累加,其表达式为:
输出层根据Bayes决策准则对输入样本向量X判别类别,其表达式为:
C(X)=argmax{fi(X)},i=1,2,…,m (9)
式中i为模式类别数,m为模式类别总量。
本发明应用实施例:
应用实施例1 参照图4,Sallen-Key带通滤波器电路,电阻和电容值的容差范围分别为5%和10%,故障元件为C1,C2,R2和R3,设置故障类别为NF(No-fault),C1↑,C1↓,C2↑,C2↓,R2↑,R2↓,R3↑和R3↓,其中↑和↓表示元件故障值大于或小于标称值的50%,其它元件在容差范围内变化。采用幅度为10V,脉冲宽度为10μs单脉冲作为电路激励,通过本发明中提出的故障特征提取方法求得不考虑容差时的频带能量特征值如表1所示,由表可知,该方法能够有效地区分不同故障。对每种故障模式及正常模式各进行80次蒙特卡罗分析,其中40次蒙特卡罗分析获得的频带能量值对PNN进行训练,余下40次对诊断系统进行性能测试,测试结果表明故障诊断的正确率达到100%。
表1Sallen-Key带通滤波器不考虑容差时的频带能量
故障元件 | 标称值 | 故障值 | E′3,0 | E′3,1 | E′3,2 | E′3,3 | E′3,4 | E′3,5 | E′3,6 | E′3,7 |
NF | - | - | 19.4606 | 0.5604 | 0.2799 | 0.0183 | 0.1399 | 0.0091 | 0.0046 | 0.0005 |
C1↑ | 5nF | 8nF | 24.8703 | 0.7246 | 0.3619 | 0.0238 | 0.1809 | 0.0119 | 0.0059 | 0.0006 |
C1↓ | 5nF | 2nF | 10.7919 | 0.2709 | 0.1353 | 0.0078 | 0.0676 | 0.0039 | 0.0019 | 0.0002 |
C2↑ | 5nF | 10nF | 12.8194 | 0.3467 | 0.1732 | 0.0101 | 0.0866 | 0.0051 | 0.0025 | 0.0002 |
C2↓ | 5nF | 2nF | 29.7314 | 0.8211 | 0.4101 | 0.0267 | 0.2050 | 0.0133 | 0.0067 | 0.0007 |
R2↑ | 3kΩ | 5kΩ | 18.5354 | 0.4490 | 0.2243 | 0.0113 | 0.1121 | 0.0056 | 0.0028 | 0.0002 |
R2↓ | 3kΩ | 2kΩ | 21.2713 | 0.7757 | 0.3870 | 0.0363 | 0.1934 | 0.0181 | 0.0090 | 0.0015 |
R3↑ | 2kΩ | 4kΩ | 38.5568 | 1.5960 | 0.7955 | 0.0890 | 0.3974 | 0.0444 | 0.0220 | 0.0044 |
R3↓ | 2kΩ | 1kΩ | 10.1145 | 0.2173 | 0.1086 | 0.0052 | 0.0543 | 0.0026 | 0.0013 | 0.0001 |
应用实施例2本例将考虑一个复杂电路,四运放高通滤波器电路如图5所示,电阻和电容的容差范围分别为5%和10%,设置故障类型为NF(No-fault),C1↑,C1↓,C2↑,C2↓,R1↑,R1↓,R2↑,R2↓,R3↑,R3↓,R4↑和R4↓,其中↑和↓表示元件故障值大于或小于标称值的50%,其它元件在容差范围内变化。仍采用与示例1中相同的激励源,利用本发明中的特征提取方法获得不考虑容差时的频带能量值为表2所示,由表可看出,频带能量特征值能够有效区别不同的故障类型。同样对各故障模式及正常模式进行80次蒙特卡罗分析,40次蒙特卡罗分析对应求得的故障特征用于训练PNN,其余40次用于性能测试,诊断正确率为99.3%,其中R4↓故障类出现4次误诊断为C2↓故障类,但整体诊断性能仍然比较好。
表2四运放高通滤波器不考虑容差时的频带能量
故障元件 | 标称值 | 故障值 | E′3,0 | E′3,1 | E′3,2 | E′3,3 | E′3,4 | E′3,5 | E′3,6 | E′3,7 |
NF | - | - | 75.9550 | 3.9864 | 1.9727 | 0.4939 | 0.9837 | 0.2434 | 0.1143 | 0.0331 |
C1↑ | 5nF | 10nF | 81.3699 | 6.2266 | 3.0653 | 1.1224 | 1.5258 | 0.5483 | 0.2479 | 0.1110 |
C1↓ | 5nF | 2.5nF | 73.0208 | 2.5777 | 1.2806 | 0.2108 | 0.6393 | 0.1048 | 0.0513 | 0.0143 |
C2↑ | 5nF | 15nF | 63.3632 | 2.0268 | 1.0091 | 0.1324 | 0.5040 | 0.0660 | 0.0325 | 0.0076 |
C2↓ | 5nF | 1.5nF | 94.4157 | 9.4192 | 4.4798 | 1.3196 | 2.2140 | 0.6585 | 0.3407 | 0.3634 |
R1↑ | 6.2kΩ | 15kΩ | 108.2834 | 11.4333 | 5.7556 | 5.0606 | 2.8859 | 2.3931 | 0.8798 | 0.4966 |
R1↓ | 6.2kΩ | 3kΩ | 58.2101 | 1.4221 | 0.7092 | 0.0724 | 0.3544 | 0.0361 | 0.0179 | 0.0034 |
R2↑ | 6.2kΩ | 18kΩ | 159.9909 | 5.2123 | 2.5955 | 0.3351 | 1.2964 | 0.1670 | 0.0823 | 0.0193 |
R2↓ | 6.2kΩ | 2kΩ | 36.0779 | 3.3226 | 1.6344 | 0.8163 | 0.8138 | 0.3950 | 0.1701 | 0.0896 |
R3↑ | 6.2kΩ | 12kΩ | 39.2434 | 2.0596 | 1.0193 | 0.2552 | 0.5082 | 0.1257 | 0.0591 | 0.0171 |
R3↓ | 6.2kΩ | 2.7kΩ | 174.4150 | 9.1539 | 4.5300 | 1.1341 | 2.2588 | 0.5588 | 0.2625 | 0.0760 |
R4↑ | 1.6kΩ | 2.5kΩ | 70.3936 | 3.0084 | 1.4918 | 0.2801 | 0.7444 | 0.1390 | 0.0675 | 0.0212 |
故障元件 | 标称值 | 故障值 | E′3,0 | E′3,1 | E′3,2 | E′3,3 | E′3,4 | E′3,5 | E′3,6 | E′3,7 |
R4↓ | 1.6kΩ | 500Ω | 93.7584 | 8.5492 | 4.1569 | 1.7873 | 2.0646 | 0.8726 | 0.3990 | 0.2879 |
为了比较采用BP和PNN构建故障诊断辨识器的性能,表3对这两种不同网络构成的故障诊断系统进行了训练和辨识时间以及诊断正确率的比较,其结果如表3所示,其中Data1为示例1中的测试数据,Data2为示例2中的测试数据,由表可知,对于测试数据Data1,虽然诊断正确率相同,但PNN的训练和诊断时间比BP少很多,诊断速度更快;对于测试数据Data2,PNN的诊断正确率以及训练和诊断时间都优于BP,因此,采用PNN构建故障诊断系统是比较好的选择。示例中的诊断结果表明了本发明的有效性,而且本发明特别适合于被测电路可及节点少,甚至只有输出节点可及的电路故障诊断问题。
表3BP与PNN诊断性能比较
Claims (3)
1.一种基于概率神经网络的容差电路故障诊断方法,其特征在于,包括以下步骤:
(1)选取脉冲信号源作为待测故障电路的激励源,电路中故障元件采用故障模型代替,非故障元件在容差范围内变化;
(2)利用HSPICE软件对故障电路进行蒙特卡罗分析,获取待测故障电路的幅频响应信号;
(3)对电路的幅频响应信号进行三层小波包分解,获得幅频响应信号的低频系数和高频系数,对小波包分解系数进行阈值量化,再根据最低层的低频小波包分解系数和经过阈值量化处理的高频小波包系数,进行小波包重构,完成小波包消噪处理;
(4)根据小波包重构后得到的低、高频系数,求出各故障状态下输出响应信号的频带能量,并以频带能量构成故障特征向量;
(5)将故障特征向量输入概率神经网络故障分类器,实现对电路故障诊断。
2.根据权利要求1所述的基于概率神经网络的容差电路故障诊断方法,其特征在于,所述步骤(4)中各故障状态下输出响应信号的频带能量E3j(j=0,1,…,7)计算公式为:式中S3j为三层小波包重构后的信号,j为小波包重构信号的个数,k为重构信号的离散点幅值求和变量,t为积分变量,xjk为S3j的离散点的幅值,n为三层小波重构信号S3j的离散点总个数。
3.根据权利要求1或2所述的基于概率神经网络的容差电路故障诊断方法,其特征在于,定义E′3j=(E3j)1/2(j=0,1,…,7),则故障特征向量T的构造为:T=[E′30,E′31,E′32,E′33,E′34,E′35,E′36,E′37]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010150381 CN101819253B (zh) | 2010-04-20 | 2010-04-20 | 一种基于概率神经网络的容差电路故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010150381 CN101819253B (zh) | 2010-04-20 | 2010-04-20 | 一种基于概率神经网络的容差电路故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101819253A true CN101819253A (zh) | 2010-09-01 |
CN101819253B CN101819253B (zh) | 2013-10-23 |
Family
ID=42654421
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201010150381 Expired - Fee Related CN101819253B (zh) | 2010-04-20 | 2010-04-20 | 一种基于概率神经网络的容差电路故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101819253B (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102172849A (zh) * | 2010-12-17 | 2011-09-07 | 西安交通大学 | 基于小波包和概率神经网络的刀具破损自适应报警方法 |
CN102253327A (zh) * | 2011-06-16 | 2011-11-23 | 长沙河野电气科技有限公司 | 开关电流电路故障诊断方法 |
CN102749572A (zh) * | 2012-06-26 | 2012-10-24 | 南京航空航天大学 | 基于iecmac参数辨识的功率电子电路故障预测方法 |
CN102749573A (zh) * | 2012-07-27 | 2012-10-24 | 重庆大学 | 基于小波包分析和Hopfield网络的模拟电路故障诊断方法 |
CN103064009A (zh) * | 2012-12-28 | 2013-04-24 | 辽宁大学 | 基于小波分析和有限高斯混合模型em方法的模拟电路故障诊断方法 |
CN103603794A (zh) * | 2013-11-19 | 2014-02-26 | 中国石油天然气集团公司 | 一种储气库注采压缩机组自适应故障诊断方法及设备 |
CN104318305A (zh) * | 2014-10-30 | 2015-01-28 | 东北电力大学 | 一种基于小波与神经网络的逆变器低频噪声故障诊断方法 |
CN106295023A (zh) * | 2016-08-15 | 2017-01-04 | 南京航空航天大学 | 一种异步电机转子复合故障的诊断方法 |
CN107202952A (zh) * | 2017-07-06 | 2017-09-26 | 北京信息科技大学 | 基于小波神经网络的回转窑故障诊断方法、故障诊断gui及系统 |
CN108259099A (zh) * | 2018-01-25 | 2018-07-06 | 湘潭大学 | 一种td-scdma基站电磁辐射预测方法 |
CN108345863A (zh) * | 2018-03-05 | 2018-07-31 | 西南交通大学 | 一种基于深度学习的计轴器故障监测方法 |
WO2018223865A1 (zh) * | 2017-06-08 | 2018-12-13 | 京东方科技集团股份有限公司 | 一种电路的工作状态的检测方法及检测装置 |
CN109074516A (zh) * | 2016-05-24 | 2018-12-21 | 索尼公司 | 计算处理装置和计算处理方法 |
CN109657789A (zh) * | 2018-12-06 | 2019-04-19 | 重庆大学 | 基于小波神经网络的风机齿轮箱故障趋势预测方法 |
CN110244216A (zh) * | 2019-07-01 | 2019-09-17 | 桂林电子科技大学 | 基于云模型优化pnn的模拟电路故障诊断方法 |
CN110908365A (zh) * | 2019-12-25 | 2020-03-24 | 西北工业大学 | 一种无人机传感器故障诊断方法、系统及可读存储介质 |
CN112041693A (zh) * | 2018-05-07 | 2020-12-04 | 美国映翰通网络有限公司 | 一种基于混合录波的配电网故障定位系统 |
CN112433176A (zh) * | 2020-11-17 | 2021-03-02 | 上海大学 | 一种电力电子变换器故障诊断系统及方法 |
CN113655370A (zh) * | 2021-08-13 | 2021-11-16 | 海光信息技术股份有限公司 | 确定芯片异常测试工况的方法、装置、系统及相关设备 |
CN114091540A (zh) * | 2021-11-23 | 2022-02-25 | 山东大学 | 柴油机冷试智能检测模型构建方法、检测方法及系统 |
WO2022198899A1 (zh) * | 2021-03-24 | 2022-09-29 | 国网河北省电力有限公司沧州供电分公司 | 一种海底电缆故障诊断方法、装置及设备 |
CN115356599A (zh) * | 2022-10-21 | 2022-11-18 | 国网天津市电力公司城西供电分公司 | 一种多模态城市电网故障诊断方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101221213A (zh) * | 2008-01-25 | 2008-07-16 | 湖南大学 | 基于粒子群算法的模拟电路故障诊断神经网络方法 |
CN101246200A (zh) * | 2008-03-10 | 2008-08-20 | 湖南大学 | 一种基于神经网络的模拟pcb智能测试系统 |
CN101251576A (zh) * | 2008-04-02 | 2008-08-27 | 湖南大学 | 一种基于神经网络的电路故障诊断方法 |
CN101299055A (zh) * | 2008-06-16 | 2008-11-05 | 湖南大学 | 基于小波-神经网络的模拟集成开关电流电路测试方法 |
CN101477172A (zh) * | 2009-02-18 | 2009-07-08 | 湖南大学 | 一种基于神经网络的模拟电路故障诊断方法 |
-
2010
- 2010-04-20 CN CN 201010150381 patent/CN101819253B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101221213A (zh) * | 2008-01-25 | 2008-07-16 | 湖南大学 | 基于粒子群算法的模拟电路故障诊断神经网络方法 |
CN101246200A (zh) * | 2008-03-10 | 2008-08-20 | 湖南大学 | 一种基于神经网络的模拟pcb智能测试系统 |
CN101251576A (zh) * | 2008-04-02 | 2008-08-27 | 湖南大学 | 一种基于神经网络的电路故障诊断方法 |
CN101299055A (zh) * | 2008-06-16 | 2008-11-05 | 湖南大学 | 基于小波-神经网络的模拟集成开关电流电路测试方法 |
CN101477172A (zh) * | 2009-02-18 | 2009-07-08 | 湖南大学 | 一种基于神经网络的模拟电路故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
张洪波: "基于主成分的概率神经网络模拟电路故障诊断的研究", 《中国优秀硕士学位论文全文数据库(信息科技辑)》 * |
李云红,谭阳红: "基于量子神经网络的模拟电路的软故障诊断", 《微计算机信息》 * |
李云红: "一种诊断容差模拟电路软故障的新方法", 《机电产品开发与创新》 * |
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102172849A (zh) * | 2010-12-17 | 2011-09-07 | 西安交通大学 | 基于小波包和概率神经网络的刀具破损自适应报警方法 |
CN102253327A (zh) * | 2011-06-16 | 2011-11-23 | 长沙河野电气科技有限公司 | 开关电流电路故障诊断方法 |
CN102749572B (zh) * | 2012-06-26 | 2015-03-25 | 南京航空航天大学 | 基于iecmac参数辨识的功率电子电路故障预测方法 |
CN102749572A (zh) * | 2012-06-26 | 2012-10-24 | 南京航空航天大学 | 基于iecmac参数辨识的功率电子电路故障预测方法 |
CN102749573B (zh) * | 2012-07-27 | 2015-09-09 | 重庆大学 | 基于小波包分析和Hopfield网络的模拟电路故障诊断方法 |
CN102749573A (zh) * | 2012-07-27 | 2012-10-24 | 重庆大学 | 基于小波包分析和Hopfield网络的模拟电路故障诊断方法 |
CN103064009B (zh) * | 2012-12-28 | 2015-03-11 | 辽宁大学 | 基于小波分析和有限高斯混合模型em方法的模拟电路故障诊断方法 |
CN103064009A (zh) * | 2012-12-28 | 2013-04-24 | 辽宁大学 | 基于小波分析和有限高斯混合模型em方法的模拟电路故障诊断方法 |
CN103603794A (zh) * | 2013-11-19 | 2014-02-26 | 中国石油天然气集团公司 | 一种储气库注采压缩机组自适应故障诊断方法及设备 |
CN103603794B (zh) * | 2013-11-19 | 2016-03-02 | 中国石油天然气集团公司 | 一种储气库注采压缩机组自适应故障诊断方法及设备 |
CN104318305A (zh) * | 2014-10-30 | 2015-01-28 | 东北电力大学 | 一种基于小波与神经网络的逆变器低频噪声故障诊断方法 |
CN104318305B (zh) * | 2014-10-30 | 2017-02-01 | 东北电力大学 | 一种基于小波与神经网络的逆变器低频噪声故障诊断方法 |
CN109074516B (zh) * | 2016-05-24 | 2023-09-19 | 索尼公司 | 计算处理装置和计算处理方法 |
CN109074516A (zh) * | 2016-05-24 | 2018-12-21 | 索尼公司 | 计算处理装置和计算处理方法 |
CN106295023A (zh) * | 2016-08-15 | 2017-01-04 | 南京航空航天大学 | 一种异步电机转子复合故障的诊断方法 |
WO2018223865A1 (zh) * | 2017-06-08 | 2018-12-13 | 京东方科技集团股份有限公司 | 一种电路的工作状态的检测方法及检测装置 |
US11017700B2 (en) | 2017-06-08 | 2021-05-25 | Ordos Yuansheng Optoelectronics Co., Ltd. | Circuit working state testing method and testing device |
CN107202952A (zh) * | 2017-07-06 | 2017-09-26 | 北京信息科技大学 | 基于小波神经网络的回转窑故障诊断方法、故障诊断gui及系统 |
CN108259099A (zh) * | 2018-01-25 | 2018-07-06 | 湘潭大学 | 一种td-scdma基站电磁辐射预测方法 |
CN108345863A (zh) * | 2018-03-05 | 2018-07-31 | 西南交通大学 | 一种基于深度学习的计轴器故障监测方法 |
CN108345863B (zh) * | 2018-03-05 | 2020-06-30 | 西南交通大学 | 一种基于深度学习的计轴器故障监测方法 |
CN112041693A (zh) * | 2018-05-07 | 2020-12-04 | 美国映翰通网络有限公司 | 一种基于混合录波的配电网故障定位系统 |
CN112041693B (zh) * | 2018-05-07 | 2023-10-17 | 美国映翰通网络有限公司 | 一种基于混合录波的配电网故障定位系统 |
CN109657789A (zh) * | 2018-12-06 | 2019-04-19 | 重庆大学 | 基于小波神经网络的风机齿轮箱故障趋势预测方法 |
CN110244216A (zh) * | 2019-07-01 | 2019-09-17 | 桂林电子科技大学 | 基于云模型优化pnn的模拟电路故障诊断方法 |
CN110908365A (zh) * | 2019-12-25 | 2020-03-24 | 西北工业大学 | 一种无人机传感器故障诊断方法、系统及可读存储介质 |
CN112433176A (zh) * | 2020-11-17 | 2021-03-02 | 上海大学 | 一种电力电子变换器故障诊断系统及方法 |
WO2022198899A1 (zh) * | 2021-03-24 | 2022-09-29 | 国网河北省电力有限公司沧州供电分公司 | 一种海底电缆故障诊断方法、装置及设备 |
CN113655370A (zh) * | 2021-08-13 | 2021-11-16 | 海光信息技术股份有限公司 | 确定芯片异常测试工况的方法、装置、系统及相关设备 |
CN114091540A (zh) * | 2021-11-23 | 2022-02-25 | 山东大学 | 柴油机冷试智能检测模型构建方法、检测方法及系统 |
CN114091540B (zh) * | 2021-11-23 | 2024-05-07 | 山东大学 | 柴油机冷试智能检测模型构建方法、检测方法及系统 |
CN115356599A (zh) * | 2022-10-21 | 2022-11-18 | 国网天津市电力公司城西供电分公司 | 一种多模态城市电网故障诊断方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN101819253B (zh) | 2013-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101819253B (zh) | 一种基于概率神经网络的容差电路故障诊断方法 | |
CN105548862B (zh) | 一种基于广义多核支持向量机的模拟电路故障诊断方法 | |
CN101477172B (zh) | 一种基于神经网络的模拟电路故障诊断方法 | |
CN103728551B (zh) | 一种基于级联集成分类器的模拟电路故障诊断方法 | |
CN103995237A (zh) | 一种卫星电源系统在线故障诊断方法 | |
CN108414923A (zh) | 一种基于深度置信网络特征提取的模拟电路故障诊断方法 | |
CN107884706A (zh) | 基于向量值正则核函数逼近的模拟电路故障诊断方法 | |
CN103064008B (zh) | 一种基于希尔伯特-黄变换的非线性模拟电路软故障诊断方法 | |
CN101900789B (zh) | 基于小波变换与分形维数的容差模拟电路故障诊断方法 | |
CN104198924A (zh) | 一种新颖的模拟电路早期故障诊断方法 | |
CN101299055B (zh) | 基于小波-神经网络的模拟集成开关电流电路测试方法 | |
CN104750915A (zh) | 一种Buck电路多参数在线辨识方法 | |
CN101221213A (zh) | 基于粒子群算法的模拟电路故障诊断神经网络方法 | |
CN102520697A (zh) | 一种远程协同诊断的现场信息预处理方法 | |
CN104504296A (zh) | 高斯混合隐马尔可夫模型和回归分析的剩余寿命预测方法 | |
CN102208028A (zh) | 一种适用于动态复杂系统的故障预测和诊断方法 | |
Moravej et al. | Wavelet transform and multi‐class relevance vector machines based recognition and classification of power quality disturbances | |
CN106053066A (zh) | 基于经验模态分解和逻辑回归的滚动轴承性能退化评估方法 | |
CN104793124A (zh) | 基于小波变换和ica特征提取的开关电路故障诊断方法 | |
CN109323754A (zh) | 一种列车车轮多边形故障诊断检测方法 | |
CN105973593A (zh) | 一种基于局部特征尺度分解-近似熵和流形距离的滚动轴承健康评估方法 | |
CN103983452A (zh) | 利用混合域特征向量和灰色关联分析对行星齿轮箱进行故障模式识别的方法 | |
CN104052612A (zh) | 一种电信业务的故障识别与定位的方法及系统 | |
CN105973595A (zh) | 一种滚动轴承故障的诊断方法 | |
CN102930149A (zh) | 基于pca和emd的传感器网络感知信息去噪处理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20131023 |
|
CF01 | Termination of patent right due to non-payment of annual fee |