CN101900789A - 基于小波变换与分形维数的容差模拟电路故障诊断方法 - Google Patents
基于小波变换与分形维数的容差模拟电路故障诊断方法 Download PDFInfo
- Publication number
- CN101900789A CN101900789A CN 201010220492 CN201010220492A CN101900789A CN 101900789 A CN101900789 A CN 101900789A CN 201010220492 CN201010220492 CN 201010220492 CN 201010220492 A CN201010220492 A CN 201010220492A CN 101900789 A CN101900789 A CN 101900789A
- Authority
- CN
- China
- Prior art keywords
- circuit
- fault
- tolerance
- wavelet
- sample
- 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
Images
Abstract
本发明提出了一种基于小波变换与分形维数的容差模拟电路故障诊断方法,包括以下步骤:针对元件容差、电路噪声与测量误差而带来的模拟电路误诊断的问题,使用小波变换来对电路的响应信号进行消噪处理;针对模拟电路的采样信号的横轴和纵轴是两种的物理量的问题,使用对横轴和纵轴分别归一化的方法来提高故障诊断的正确率。针对直接提取小波分解后的系数作为故障特征可能会出现特征重叠而造成误诊断的问题,使用对小波分解后的信号计算盒维数作为故障特征。这些特征再输入BP网络进行故障定位。其中,BP网络权值的调整是采用成批处理的方式实现的。采用本发明能提高故障诊断的速度和准确率。
Description
技术领域
本发明涉及一种基于小波变换与分形维数的容差模拟电路故障诊断方法。
技术背景
模拟电路故障诊断技术自20世纪60年代开始研究以来,取得了不少成就,研究者们提出了很多方法,其中人工神经网络在构成原理和功能特点等方面更加接近人脑,与传统的故障诊断分析方法相比,不需要建立对象的精确数学模型,避免了繁杂的数学运算,因而在故障诊断中得到了越来越广泛的应用。
利用神经网络进行故障的模式识别时,故障特征的提取具有非常重要的作用。分形理论是一门以不规则事物为研究对象的科学,并已广泛应用于机械、电力等动态系统的突变故障诊断,但是,将它应用于模拟电路故障诊断的报道还不多见。有关文献将分形理论应用于模拟电路故障特征的提取,取得较好的效果,但是,由于模拟电路的采样信号的横轴是时间或频率,而纵轴是电压信号或转移函数幅值,这是两种不同的物理量,因此,如果对信号不加处理而直接采用正方形网格覆盖的方法来计算盒维数作为故障特征,可能会降低诊断正确率甚至出现误诊断。考虑电路容差与噪声的影响,如果对被测电路提取的信号直接进行盒维数计算作为特征时,是难以满足工程实际需要的。有关文献的研究表明,小波变换是信号消噪处理方面的一个有力的工具,而且有关研究也发现,分形理论与小波变换在自相似的本质上和认识事物由粗到细的过程上是一致的。
发明内容
本发明的目的是提出一种基于小波变换与分形维数的容差模拟电路故障诊断方法,该基于小波变换与分形维数的容差模拟电路故障诊断方法进行故障诊断的正确率高。
本发明的技术解决方案如下:
一种基于小波变换与分形维数的容差模拟电路故障诊断方法,包括以下步骤:
1)对元件无容差情况下的电路在各种故障状态下进行瞬态分析,提取电路的冲击响应,对响应信号进行小波去噪以及分解,分解后得到能量值,在各频带内计算能量值的盒维数,以元件无容差情况下的盒维数与对应的故障状态的对应关系为样本,获得无容差样本;
2)对元件有容差情况下的电路在各种故障状态下进行瞬态分析与Monte Carlo分析,提取电路的冲击响应,对响应信号进行小波去噪以及分解,分解后得到能量值,在各频带内计算能量值的盒维数,以元件有容差情况下的盒维数与对应的故障状态的对应关系为样本,获得容差样本;
3)由上述的无容差样本与容差样本组成特征向量并作为神经网络的输入,进行故障的分类。
所述的盒维数的计算过程为:采样信号进行小波分解后得到小波系数-时间曲线,然后对小波系数-时间曲线的横轴和纵轴分别归一化,然后对归一化后的小波系数-时间曲线采用正方形网格覆盖的方法来计算盒维数,包括以下步骤:
1)对采样信号的横轴和纵轴分别进行归一化,然后,将归一化后的小波系数-时间曲线嵌入一个单位正方形内;
2)选择一组边长为δm的正方形,m=1,2,L,M,δm的最大值为0.2,最小值为2/N,N为所研究曲线的采样点数,M为正方形的个数;
3)用边长为δm的正方形覆盖单位正方形,计算覆盖整条归一化后的小波系数-时间曲线所需的正方形数目Nm;
4)画出m=1,2,L,M时的ln(Nm)-ln(δm)曲线,对该曲线按照最小二乘法拟合成直线,直线的斜率即为所求的盒维数。
所述的神经网络的连接权的调整采用成批处理方式,即将全部N个样本依次输入,累加N个输出误差后对连接权进行一次调整,连接权矩阵各行的权值调整量计算公式为:
本发明的技术构思如下:
本发明为解决元件容差、电路噪声以及测量误差等问题,所采用的技术手段为:对电路的响应信号进行小波分解,将高频系数置0后再重构,从而实现消噪处理。
本发明针对在模拟电路故障诊断中,采样信号的横轴和纵轴是两种不同的物理量,即横轴是时间或频率,而纵轴是电压信号或转移函数幅值,所采用的技术手段是:首先对采样信号的横轴和纵轴分别进行归一化,然后,把所研究的采样信号嵌入一个单位正方形内,再计算盒维数。
本发明针对BP神经网络权值调整的速度较慢的问题,所采用的技术手段是:对连接权值的调整采用成批处理的方式,即将全部N个样本依次输入,累加N个输出误差后对连接权进行一次调整。
本发明所具有的有益效果有:
本发明对电路输出节点的信号进行处理,有效地解决了电路测试节点不足的问题。采用小波分解与重构,有效地解决了元件参数容差、电路噪声和测量误差的影响而带来的故障特征不确定而造成误诊断的问题。采用对小波分解后的信号的横轴和纵轴分别进行归一化,有效地解决了信号横纵坐标是两种不同物理量,直接采用正方形覆盖而造成故障特征提取出错的问题。采用成批处理的方法来调整神经网络的权值,克服神经网络训练时间慢的问题。相对于传统的基于BP网络与传统的基于小波变换与BP网络结合的方法来说,本发明所提方法简化了网络的结构,加快了故障诊断的速度,提高了故障诊断的正确率。实例表明,采用本发明的基于小波变换与分形维数的容差模拟电路故障诊断方法,明显优越于现有的故障诊断方法,故障诊断的正确率最低能达到98.5%。
附图说明
图1为本发明的集F的盒维数的估计;
图2为本发明的故障特征提取的框图;
图3为本发明的BP网络结构框图;
图4为本发明的被测电路;
(a)为本发明的25kHzSallen-Key带通滤波器被测电路;
(b)为本发明的四运放高通滤波器被测电路;
图5为本发明的幅频响应;
(a)为本发明的图4(a)电路的幅频响应;
(b)为本发明的图4(b)电路的幅频响应;
图6为本发明的图4(a)电路部分故障状态的响应与消噪信号以及各层小波分解信号;
(a)为本发明的图4(a)电路处于无故障状态NF时的输出响应信号与消噪后的信号;
(b)为本发明的图4(a)电路处于无故障状态NF时采用haar小波进行5层分解后的各频段信号;图6的图b1-b6分别对应ca5、cd5、cd4、cd3、cd2、cd1的曲线图。
(c)为本发明的图4(a)电路R2↑故障时的输出响应信号与消噪后的信号;
(d)为本发明的图4(a)电路R2↑故障时采用haar小波进行5层分解后的各频段信号;图6的图d1-d6分别对应ca5、cd5、cd4、cd3、cd2、cd1的曲线图。
图7为本发明的图4(b)电路部分故障状态的响应与消噪信号以及各层小波分解信号;
(a)为本发明的图4(b)电路R1↑状态电路响应信号与消噪后的信号;
(b)为本发明的图4(b)电路R1↑故障时采用haar小波进行5层分解后的各频段信号;图7的图b1-b6分别对应ca5、cd5、cd4、cd3、cd2、cd1的曲线图.
(c)为本发明的图4(b)电路的R4↓故障时状态电路响应信号与消噪后的信号;
(d)为本发明的图4(b)电路R4↓故障时采用haar小波进行5层分解后的各频段信号;图7的图d1-d6分别对应ca5、cd5、cd4、cd3、cd2、cd1的曲线图。
图8为本发明的神经网络的训练曲线;
(a)为本发明的对图4(a)电路进行诊断时的网络训练曲线;
(b)为本发明的对图4(b)电路进行诊断时的网络训练曲线;
图9为本发明的诊断误差与输入噪声间的关系;
(a)为本发明的图4(a)电路诊断误差率与输入噪声间的关系;
(b)为本发明的图4(b)电路诊断误差率与输入噪声间的关系。
具体实施方式
以下将结合图和具体实施过程对本发明做进一步详细说明。
实施例:
被测电路与故障类型
参见4(a)与(b),电路的元件参数标称值分别如图中所示,标称值是指用以标示或识别元件,器件或设备的适当近似值,即铭牌上的值,不是实际测量的值。。当元件参数分别取其标称值时,对电路进行交流分析获得的频率响应分别如图5(a)与(b)所示。同时,分别对这两个电路进行电路性能指标分析,得中心频率与高通滤波器的3db截止频率分别为25kH与17.60667kHz。设电阻与电容的容差分别为5%和10%。当电路元件都在其容差范围内取值时,电路处于无故障状态NF。
对图4(a)电路进行灵敏度分析可知,元件R3、C2、R2与C1的参数变化对电路中心频率有较大的影响,因此考虑的故障类型为:元件R3、C2、R2与C1分别偏离标称值的50%,其它元件在其容差范围内取值时所获得的9种故障类型(包括无故障类型NF):R3↑、R3↓、C2↑、C2↓、R2↑、R2↓、C1↑、C1↓、NF,其中,↑与↓分别表示高于和低于元件标称值的50%。对电路施加起始电压V1=0V,脉动值V2=5V,初始时延TD=0μs,上升时间TR=0.1us,下降时间TF=1μs,脉冲宽度PW=10μs,周期PER=3μs的冲激激励,并进行瞬态分析,提取输出节点out时域响应并进行小波消噪与分解,然后再对小波分解后的信号在各频段内计算盒维数来构成故障的特征。
再考虑图4(b)所示的容差模拟电路,元件参数的标称值如图中所示,电阻与电容的容差分别为5%和10%。当元件C1、C2、R1、R2、R3与R4参数分别偏离其标称值的50%时,构成的13种故障类型(包括无故障类型)为:C1↑、C1↓、C2↑、C2↓、R1↑、R1↓、R2↑、R2↓、R3↑、R3↓、R4↑、R4↓与NF。对电路施加起始电压V1=0V,脉动值V2=5V,初始时延TD=0μs,上升时间TR=0.1us,下降时间TF=1μs,脉冲宽度PW=10μs,周期PER=3μs的冲激激励,在电路的输出节点out中提取其瞬态响应进行小波消噪与分解,然后再对分解后的信号在各频段内计算盒维数来构成故障的特征。
故障特征的提取
当某一元件的参数偏离其标称值的50%,其他元件在其容差范围内取值时,测量该故障状态的瞬态响应信号进行分析以提取故障特征,这些故障特征主要由两部分组成:
(1)考虑元件无容差情况下的电路,在各种故障状态下,对电路做瞬态分析以提取电路的响应信号,然后进行小波消噪与分解,再在各频段内采用Matlab7.1编写程序来计算盒维数,组成无容差候选样本;
所述的盒维数的计算过程为:
1)对采样信号的横轴和纵轴分别进行归一化,然后,将采样信号嵌入一个单位正方形内;
2)选择一组边长为δm的正方形,m=1,2,L,M,δm的最大值为0.2,最小值为2/N,N为所研究曲线的采样点数,M为正方形的个数。
3)用边长为δm的正方形覆盖单位正方形,计算覆盖整条曲线所需的正方形数目Nm;
4)画出m=1,2,L,M时的ln(Nm)-ln(δm)曲线,如果所研究的曲线是分形的,那么该曲线在最小二乘法意义下是一条直线,直线的斜率即为所求的盒维数。
(2)考虑元件有容差情况下的电路,对电路进行Monte Carlo分析与瞬态分析相结合,同样地,提取电路的响应信号,然后进行小波消噪与分解,再在各频段内采用Matlab7.1编写程序来计算盒维数,组成容差电路候选样本;
将(1)和(2)所获得的盒维数采用主元分析与归一化处理后,组成了神经网络样本,一部分作为训练样本来训练神经网络,另一部分作为检验样本,用来检验已训练好的神经网络的分类性能。
神经网络结构的设计
基于前面的分析可知,图4(a)与(b)电路所需要的网络结构分别为6-18-9与6-26-13。设神经网络的目标输出为T={0,…,0,1,0,…,0},即当电路处于第j种故障类型时,Tj=1,其余元素均为0。对图4(a)与(b)电路的各种故障类型分别作一次无容差情况下的瞬态分析与40次MonteCarlo分析来提取故障特征,神经网络的连接权的调整采用成批处理的方式,即将全部N个样本依次输入,累加N个输出误差后对连接权进行依次调整,连接权矩阵各行的调整方程可表示为
仿真结果与结果分析
采用本发明所提的方法对图4所示的两个被测电路进行故障的诊断。当元件无容差时,对图4(a)所示电路,用haar小波对这9种故障分别发生时的电路响应进行小波软阈值消噪与5层分解。部分故障状态的电路响应信号以及对应的小波分解系数(即ca5,cd5,cd4,cd3、cd2和cd1)如图6所示,能量值如表1所示,表中的↑与↓分别表示高于和低于元件标称值的50%。
表1.电路无容差时各故障状态的能量值
(a)图4(a)电路无容差时各故障状态的能量值
(b)图4(b)电路无容差时各故障状态的能量值
从图6和图7可以看出,采用haar小波对电路的输出信号进行消噪取得了较好的效果,另外,分解后的信号具有分形的特点,因而可以采用分形理论进行研究。其中,图6和图7所示的小波分解后的信号的横轴与纵轴是进行了归一化的。从表1还可以看出,NF、R2↑与C1↓的能量值是一样的,从而采用单独采用小波分解法来提取故障特征时,这三种故障类型是不能准确定位的。另外,C2↑与C1↑的能量值与上述三种故障类型也接近,难以很好地定位这两种故障。为此,本发明对每频段利用Matlab7.1编写盒维数(即直线的斜率)的计算程序来计算盒维数作为各故障类型的特征,不考虑容差时,图3(a)电路在各故障状态下电路效应的盒维数如表2所示。表2.小波分解后各频段的盒维数
(a)图3(a)电路小波分解后各频段的盒维数
(b)图3(b)电路小波分解后各频段的盒维数
从表2可以看出,不同故障类型对应盒维数是不同的,因此,根据数据建立起来的故障特征是能够准确地定位故障的。当考虑元件容差时,电路的特征将是在一定区间范围内的数值即具有模糊集。如前所述,考虑图4(a)与(b)电路中的电阻和电容元件的容差分别为5%和10%。在各种故障状态下,分别对这两个电路进行40次Monte Carlo分析来获取故障特征。对图4(a)所示的被测电路来说,不同的故障类型所测试获得的故障特征模糊集是不同的,电路的故障诊断正确率达到了100%。对图4(b)所示的被测电路来说,不同的故障类型所测试获得的故障特征模糊集是不同的,电路的故障诊断正确率能达到100%。文献(F Aminian,M.Aminian,and H.W.Collins,“Analog fault diagnosis of actual circuits using neural networks”,IEEE Trans.Instrum.Meas.,Vol.51,No.3,pp.544-550,Jun.2002.)中不能准确定位的NF与R2↑,采用本发明的方法,所提取的故障特征模糊集是不一样的,可以准确定位这两类故障类型,从而提高了故障诊断的分辨率。图8给出了将上述Monte Carlo分析所获得的故障样本用来训练神经网络时的训练曲线。
从图8可以看出,对图4(a)与(b)电路进行MonteCarlo分析所获得的训练样本,神经网络分别经过436步和2848步达到了训练目标,即的误差分别为0.00983203、0.000999928,低于目标误差0.001。误诊断率随噪声变化之间的关系如图9所示。
从图9可以看出,诊断误差率随着噪声的增大而增大。这是因为神经网络的输入为归一化后的数值,当噪声增大时,有可能会覆盖了实际的故障特征信号,从而造成误诊断误差,因此,采用小波分解来进行信号消噪是很有必要的。采用本发明的方法,当输入噪声为0.3时对图4(a)与(b)电路的故障类型进行诊断,故障诊断的正确率仍达到了99%和98.5%。
在文献(Robert Spina,Shambhu Upadhyaya,“Linear circuit fault diagnosis using neuromorphic anlayzers”,IEEE transactions on circuits and systems-II:analog and digital signal processing,Vol.44,No.3,March 1997,pp188-196.)中,对图4(a)电路进行诊断,BP网络的输入是没有经过预处理的,网络结构为49-10-10,因此,所需训练的参数有49X10+10X10+49+10+10=659个。而本发明所需的网络的结构为6-18-9,即需要被训练的参数有6X18+18X9+6+18+9=303个。可以看出,本发明的方法相对于文献(Robert Spina,Shambhu Upadhyaya,“Linear circuit fault diagnosis using neuromorphic anlayzers”,IEEE transactions on circuits and systems-II:analog and digital signal processing,Vol.44,No.3,March 1997,pp188-196.)来说,简化了网络的结构,减少了所需要训练的网络权值和偏置数,从而可以加快网络训练。
对图4(a)所示的电路,文献(F.Aminian,M.Aminian,and H.W.Collins,“Analog fault diagnosis of actual circuits using neural networks”,IEEE Trans.Instrum.Meas.,Vol.51,No.3,pp.544-550,Jun.2002.)不能准确定位的R1↑故障与NF、C2↓与R4↑,而本发明方法所采用的训练后的网络能够对检验样本进行99%的诊断;对于图4(b)所示的电路,文献(F.Aminian,M.Aminian,and H.W.Collins,“Analog fault diagnosis of actual circuits using neural networks”,IEEE Trans.Instrum.Meas.,Vol.51,No.3,pp.544-550,Jun.2002.)方法所获得的故障诊断正确率为97%,而本发明方法仅在诊断R4↑故障时,其40个检验样本中有3个被误诊断为C2↑,这是因为Monte Carlo分析可提取出来的盒维数出现了重叠,但训练后的网络对检验样本的诊断正确率仍达到98.5%。显然,本发明的方法具有更高的故障诊断正确率。
Claims (3)
1.一种基于小波变换与分形维数的容差模拟电路故障诊断方法,其特征在于,包括以下步骤:
1)对元件无容差情况下的电路在各种故障状态下进行瞬态分析,提取电路的冲击响应,对响应信号进行小波去噪以及分解,分解后得到能量值,在各频带内计算能量值的盒维数,以元件无容差情况下的盒维数与对应的故障状态的对应关系为样本,获得无容差样本;
2)对元件有容差情况下的电路在各种故障状态下进行瞬态分析与Monte Carlo分析,提取电路的冲击响应,对响应信号进行小波去噪以及分解,分解后得到能量值,在各频带内计算能量值的盒维数,以元件有容差情况下的盒维数与对应的故障状态的对应关系为样本,获得容差样本;
3)由上述的无容差样本与容差样本组成特征向量并作为神经网络的输入,进行故障的分类。
2.根据权利要求1所述的基于小波变换与分形维数的容差模拟电路故障诊断方法,其特征在于,所述的盒维数的计算过程为:采样信号进行小波分解后得到小波系数-时间曲线,然后对小波系数-时间曲线的横轴和纵轴分别归一化,然后对归一化后的小波系数-时间曲线采用正方形网格覆盖的方法来计算盒维数,包括以下步骤:
1)对采样信号的横轴和纵轴分别进行归一化,然后,将归一化后的小波系数-时间曲线嵌入一个单位正方形内;
2)选择一组边长为δm的正方形,m=1,2,L,M,δm的最大值为0.2,最小值为2/N,N为所研究曲线的采样点数,M为正方形的个数;
3)用边长为δm的正方形覆盖单位正方形,计算覆盖整条归一化后的小波系数-时间曲线所需的正方形数目Nm;
4)画出m=1,2,L,M时的ln(Nm)-ln(δm)曲线,对该曲线按照最小二乘法拟合成直线,直线的斜率即为所求的盒维数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102204927A CN101900789B (zh) | 2010-07-07 | 2010-07-07 | 基于小波变换与分形维数的容差模拟电路故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102204927A CN101900789B (zh) | 2010-07-07 | 2010-07-07 | 基于小波变换与分形维数的容差模拟电路故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101900789A true CN101900789A (zh) | 2010-12-01 |
CN101900789B CN101900789B (zh) | 2012-05-02 |
Family
ID=43226488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010102204927A Active CN101900789B (zh) | 2010-07-07 | 2010-07-07 | 基于小波变换与分形维数的容差模拟电路故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101900789B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567783A (zh) * | 2012-02-10 | 2012-07-11 | 广西电网公司电力科学研究院 | 并联混合型电能质量调节器专家故障分析与诊断方法 |
CN102867132A (zh) * | 2012-10-16 | 2013-01-09 | 南京航空航天大学 | 基于分数阶小波变换的航空直流变换器在线故障组合预测方法 |
CN103439647A (zh) * | 2013-08-28 | 2013-12-11 | 深圳华越天芯电子有限公司 | 一种动态电源电流监测的模拟电路故障诊断方法 |
CN105578373A (zh) * | 2014-10-14 | 2016-05-11 | 天津职业技术师范大学 | 一种基于图像分形的扬声器纯音检测方法 |
CN109872291A (zh) * | 2019-02-21 | 2019-06-11 | 中国科学技术大学 | 一种对抗ann中汇聚噪声的正则化方法及系统 |
CN110287853A (zh) * | 2019-06-20 | 2019-09-27 | 清华大学 | 一种基于小波分解的暂态信号去噪方法 |
CN110308386A (zh) * | 2019-03-26 | 2019-10-08 | 电子科技大学 | 基于多项式拟合与状态监测的模拟电路故障诊断方法 |
CN110427918A (zh) * | 2019-08-15 | 2019-11-08 | 国网重庆市电力公司电力科学研究院 | 一种电子式电力互感器的故障分类方法及可读存储介质 |
CN111610428A (zh) * | 2020-04-26 | 2020-09-01 | 哈尔滨工业大学 | 一种基于响应混叠性度量小波包分解算法的参数优化方法 |
CN112729816A (zh) * | 2020-12-22 | 2021-04-30 | 中国工程物理研究院机械制造工艺研究所 | 一种行星减速器故障模式识别方法 |
CN112989580A (zh) * | 2021-02-25 | 2021-06-18 | 中国人民解放军海军航空大学 | 一种考虑双向尺度的电路故障特征提取方法 |
CN113095170A (zh) * | 2021-03-29 | 2021-07-09 | 天地(常州)自动化股份有限公司 | 一种基于可调q小波电机故障诊断方法 |
CN113092083A (zh) * | 2021-02-03 | 2021-07-09 | 中国船级社 | 一种基于分形维数和神经网络的机泵故障诊断方法和装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5952674A (en) * | 1998-03-18 | 1999-09-14 | International Business Machines Corporation | Topography monitor |
CN101231672A (zh) * | 2008-02-02 | 2008-07-30 | 湖南大学 | 基于改进型bp神经网络的模拟电路软故障诊断方法 |
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 |
US20090168277A1 (en) * | 2007-12-28 | 2009-07-02 | Sriram Changali | Series arc fault current interrupter apparatus |
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 |
CN101614787A (zh) * | 2009-07-07 | 2009-12-30 | 南京航空航天大学 | 基于M-ary结构分类器的模拟电子电路故障诊断方法 |
-
2010
- 2010-07-07 CN CN2010102204927A patent/CN101900789B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5952674A (en) * | 1998-03-18 | 1999-09-14 | International Business Machines Corporation | Topography monitor |
US20090168277A1 (en) * | 2007-12-28 | 2009-07-02 | Sriram Changali | Series arc fault current interrupter apparatus |
CN101231672A (zh) * | 2008-02-02 | 2008-07-30 | 湖南大学 | 基于改进型bp神经网络的模拟电路软故障诊断方法 |
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 |
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 |
CN101614787A (zh) * | 2009-07-07 | 2009-12-30 | 南京航空航天大学 | 基于M-ary结构分类器的模拟电子电路故障诊断方法 |
Non-Patent Citations (8)
Title |
---|
《微电子学》 20100228 阳辉,罗琨,何怡刚 模拟电路故障诊断的小波神经网络方法 第50-53,57页 1-3 第40卷, 第1期 * |
《微电子学》 20100228 阳辉,罗琨,何怡刚 模拟电路故障诊断的小波神经网络方法 第50-53,57页 1-3 第40卷, 第1期 2 * |
《湖南大学学报》 20090331 刘美容,何怡刚,方葛丰等 遗传小波神经网络在模拟电路故障诊断中的应用 第40-44页 1-3 第36卷, 第3期 * |
《湖南大学学报》 20090331 刘美容,何怡刚,方葛丰等 遗传小波神经网络在模拟电路故障诊断中的应用 第40-44页 1-3 第36卷, 第3期 2 * |
《电工技术学报》 20090331 彭敏放,沈美娥,贺建飚等 容差电路软故障检测与定位 第222-228页 1-3 第24卷, 第3期 * |
《电工技术学报》 20090331 彭敏放,沈美娥,贺建飚等 容差电路软故障检测与定位 第222-228页 1-3 第24卷, 第3期 2 * |
《电工技术学报》 20091130 祝文姬,何怡刚 容差模拟电路软故障诊断的神经网络方法 第184-191页 1-3 第24卷, 第11期 * |
《电工技术学报》 20091130 祝文姬,何怡刚 容差模拟电路软故障诊断的神经网络方法 第184-191页 1-3 第24卷, 第11期 2 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567783A (zh) * | 2012-02-10 | 2012-07-11 | 广西电网公司电力科学研究院 | 并联混合型电能质量调节器专家故障分析与诊断方法 |
CN102867132A (zh) * | 2012-10-16 | 2013-01-09 | 南京航空航天大学 | 基于分数阶小波变换的航空直流变换器在线故障组合预测方法 |
CN102867132B (zh) * | 2012-10-16 | 2015-10-21 | 南京航空航天大学 | 基于分数阶小波变换的航空直流变换器在线故障组合预测方法 |
CN103439647A (zh) * | 2013-08-28 | 2013-12-11 | 深圳华越天芯电子有限公司 | 一种动态电源电流监测的模拟电路故障诊断方法 |
CN105578373A (zh) * | 2014-10-14 | 2016-05-11 | 天津职业技术师范大学 | 一种基于图像分形的扬声器纯音检测方法 |
CN105578373B (zh) * | 2014-10-14 | 2019-01-15 | 天津职业技术师范大学 | 一种基于图像分形的扬声器纯音检测方法 |
CN109872291A (zh) * | 2019-02-21 | 2019-06-11 | 中国科学技术大学 | 一种对抗ann中汇聚噪声的正则化方法及系统 |
CN109872291B (zh) * | 2019-02-21 | 2021-04-23 | 中国科学技术大学 | 一种对抗ann中汇聚噪声的正则化方法及系统 |
CN110308386A (zh) * | 2019-03-26 | 2019-10-08 | 电子科技大学 | 基于多项式拟合与状态监测的模拟电路故障诊断方法 |
CN110287853A (zh) * | 2019-06-20 | 2019-09-27 | 清华大学 | 一种基于小波分解的暂态信号去噪方法 |
CN110427918A (zh) * | 2019-08-15 | 2019-11-08 | 国网重庆市电力公司电力科学研究院 | 一种电子式电力互感器的故障分类方法及可读存储介质 |
CN111610428A (zh) * | 2020-04-26 | 2020-09-01 | 哈尔滨工业大学 | 一种基于响应混叠性度量小波包分解算法的参数优化方法 |
CN112729816A (zh) * | 2020-12-22 | 2021-04-30 | 中国工程物理研究院机械制造工艺研究所 | 一种行星减速器故障模式识别方法 |
CN113092083A (zh) * | 2021-02-03 | 2021-07-09 | 中国船级社 | 一种基于分形维数和神经网络的机泵故障诊断方法和装置 |
CN112989580A (zh) * | 2021-02-25 | 2021-06-18 | 中国人民解放军海军航空大学 | 一种考虑双向尺度的电路故障特征提取方法 |
CN113095170A (zh) * | 2021-03-29 | 2021-07-09 | 天地(常州)自动化股份有限公司 | 一种基于可调q小波电机故障诊断方法 |
CN113095170B (zh) * | 2021-03-29 | 2024-04-02 | 天地(常州)自动化股份有限公司 | 一种基于可调q小波电机故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101900789B (zh) | 2012-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN103245907B (zh) | 一种模拟电路故障诊断方法 | |
CN104729853B (zh) | 一种滚动轴承性能退化评估装置及方法 | |
CN106197999B (zh) | 一种行星齿轮故障诊断方法 | |
CN103115789B (zh) | 金属结构损伤剩余寿命的第二代小波支持向量机评估方法 | |
CN101201386B (zh) | 一种模拟集成电路参数型故障的定位方法 | |
CN104198184A (zh) | 基于第二代小波变换与bp神经网络的轴承故障的诊断方法 | |
CN112033463B (zh) | 一种核动力设备状态评估与预测一体化方法和系统 | |
CN104330255A (zh) | 一种基于多传感器信息融合的齿轮故障诊断方法 | |
CN105424359A (zh) | 一种基于稀疏分解的齿轮和轴承混合故障特征提取方法 | |
CN104215456B (zh) | 一种基于平面聚类和频域压缩感知重构的机械故障诊断方法 | |
CN108444696A (zh) | 一种齿轮箱故障分析方法 | |
CN109827777A (zh) | 基于偏最小二乘法极限学习机的滚动轴承故障预测方法 | |
CN110705456A (zh) | 一种基于迁移学习的微型电机异常检测方法 | |
CN101894296B (zh) | 一种基于标准差与偏斜度的模拟电路故障诊断神经网络方法 | |
CN105424366A (zh) | 基于eemd自适应消噪的轴承故障诊断方法 | |
CN111239549A (zh) | 一种基于离散小波变换的配电故障快速定位方法 | |
CN112036042A (zh) | 一种基于变分模态分解的动力设备异常检测方法及系统 | |
CN104807534A (zh) | 基于在线振动数据的设备固有振动模式自学习识别方法 | |
CN103064010B (zh) | 基于希尔伯特-黄变换的模拟电路故障元件参数估计方法 | |
CN105572572A (zh) | 基于wknn-lssvm的模拟电路故障诊断方法 | |
CN102262211A (zh) | 基于回声状态网络动态分类的模拟电路故障诊断方法 | |
CN104949840A (zh) | 一种基于振动分析的柴油机故障诊断方法 | |
CN109976311A (zh) | 一阶定值控制系统传感器故障诊断方法及诊断系统 | |
CN106548031A (zh) | 一种结构模态参数识别方法 |
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 |