CN102323535B - 一种模拟电路故障诊断方法 - Google Patents
一种模拟电路故障诊断方法 Download PDFInfo
- Publication number
- CN102323535B CN102323535B CN201110145524.6A CN201110145524A CN102323535B CN 102323535 B CN102323535 B CN 102323535B CN 201110145524 A CN201110145524 A CN 201110145524A CN 102323535 B CN102323535 B CN 102323535B
- Authority
- CN
- China
- Prior art keywords
- variable
- direction vector
- test
- big
- gauss
- 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.)
- Expired - Fee Related
Links
Landscapes
- Complex Calculations (AREA)
- Tests Of Electronic Circuits (AREA)
Abstract
一种模拟电路故障诊断方法,其包括如下步骤:(1)数据采集,即测试变量的采集,对待测电路两个或两个以上的可测试节点处进行电压或者电流变量采集;(2)测试变量的极大信息熵特征方向向量逼近;(3)寻找测试变量的极大非高斯性特征方向向量;(4)计算各测试变量在其极大非高斯性特征方向向量处的投影值。本发明实现简单,误判率较低,解决了观测变量在基于高斯性假设基础上,所设计出的系统会出现性能下降或失效的问题,尤其适用于非高斯性分布情况。
Description
技术领域
本发明涉及一种模拟电路故障诊断方法。
背景技术
模拟电路故障诊断在本质上等价于模式识别问题,其关键在于特征提取技术的寻找,因此,研究如何把电路状态的原始特征从高维特征空间压缩到低维特征空间,并提取有效故障特征以提高故障诊断率就成了重要的研究课题。
在对模拟电路故障进行诊断时,对于具体的模式识别问题,倘若直接把采集到的原始数据送往分类器进行分类,往往会使得分类的计算量非常大,实现困难,且分类效果也不好,误判比率高。因此,在具体的执行过程中,往往需要首先对原始数据进行一定的预处理,即特征选择与特征提取。所谓的特征选择是在所有采集的数据集中,选取最能区分不同模式的那些特征,也就是最有效的特征来降低特征空间的维数,其他的特征作为冗余特征舍弃。特征提取指的是对原始的数据集经过一定的数据处理,从而使高维的数据集映射到低维的数据集。特征选择与特征提取的最终目的都是在保证区分所有模式的基本上,尽可能的降低原始数据的维数,并产生最优的数据特征。在具体应用的时候,特征选择与特征提取并不是独立存在的,两者相辅相成,相互渗透,相互补充,往往一个完整的模式识别系统,即存在特征选择,也存在特征提取。
模拟电路故障诊断经过几十年的发展,其特征提取技术也多种多样,有关这方面的成果层出不迭,总结故障诊断过程中所采用的各种特征提取技术,现较为广泛使用的主要有基于统计理论的特征提取方法、基于小波分析等技术的特征提取方法。其中基于统计理论的特征提取方法在进行模拟电路故障诊断的过程中发挥了重要的作用,常用的手段包括主成份分析、因子分析等,但是这些方法在具体的应用过程中,常常因为概率密度函数的分布问题使最优变换矩阵的计算陷入困境。而利用小波变换进行模拟电路故障特征提取时,其关键在于选择何种类型的小波基,目前还没有完善的理论指导,多根据经验或实验来确定,往往会存在误差,误判率较高。
发明内容
为了克服现有技术存在的上述缺陷,本发明提供一种实现简单,误判率较低的模拟电路故障诊断方法。
本发明之模拟电路故障诊断方法的实质在于寻找数据的最大非高斯性特征方向。信息论理论告诉我们,在所有的信号中,高斯信号是一种最混乱无序的信号;反之,非高斯性越强,意味着信号越有序,其结构特征越明显。此外,高斯信号具有最大的信息熵,信号的非高斯性越强,其信息熵越小,所以信息熵可以作为信号是否有序的一种度量。
尽管基于高斯假定的信号处理理论和方法得到了非常广泛的重视和应用,但是,由于高斯信号完全可以由其一阶矩或二阶矩进行描述,从而无法体现数据内部的结构特征。且在多模式电路系统中,所遇到的信号和噪声往往是非高斯分布的,如果采用高斯模型来描述这些信号和噪声,并基于二阶统计量来设计信号处理系统,则在非高斯条件下,系统往往会出现性能退化,甚至失效。因此,高斯分布是最不值得关注的一种“无趣”分布。在所有分布中,高斯分布的熵值最大,而熵则认为是“缺乏结构”的一种度量,熵越大,说明数据越混乱无序。所以,在特征提取中,寻找揭示数据内部结构或其它系统结构的某些因子的投影方向时,高斯分布并不适用,而应从非高斯性方向着手。从而,如何寻找数据的最大非高斯性方向成为解决多模式系统聚类问题的关键。
本发明之模拟电路故障诊断方法包括如下步骤:
(1)数据采集,即测试变量的采集,对待测电路两个或两个以上的可测试节点处进行电压或者电流变量采集;
(2)测试变量的极大信息熵特征方向向量逼近;
(3)寻找测试变量的极大非高斯性特征方向向量;
(4)计算各测试变量在其极大非高斯性特征方向向量处的投影值。
所述步骤(1)中,数据采集利用数据采集板完成对待测电路可测节点的电压或者电流信号的采集。
所述步骤(2)中,测试变量的极大信息熵特征方向向量逼近的具体实现步骤如下:(a)数据中心化,对所有测试变量进行中心化处理,使均值为零,即 ,,其中代表采集到的某一路测试变量,代表测试变量的期望值,其具体计算方法为:
(a)并行迭代计算个标准化极大信息熵特征方向向量,按顺序执行以下操作:
所述步骤(4)中,计算各测试变量在其极大非高斯性特征方向向量处的投影值,其具体操作如下:
以极大非高斯性特征方向为投影坐标,计算每个测试变量在坐标系内的特征投影值:,其中代表矩阵的转置矩阵,为观测变量在投影空间内的投影特征值,实现将观测数据从高维特征空间映射到低维特征空间,并以此作为模拟电路故障诊断的模式特征。
本发明以最大化观测变量的信息熵为目标函数,探寻观测变量的最佳低维投影方向,最能体现系统内部特征的方向,得到可实现故障模式成功聚类的故障特征投影值。
本发明实现简单,误判率较低,解决了观测变量在基于高斯性假设基础上,所设计出的系统会出现性能下降或失效的问题,尤其适用于非高斯性分布情况。
附图说明
图1为本发明模拟电路故障诊断方法流程框图。
具体实施方式
参照附图,以下结合附图和实施例对本发明作进一步说明。
参照图1,本发明包括如下步骤:
执行步骤10,数据采集,即测试变量的采集,对待测电路两个或两个以上的可测试节点处利用数据采集板进行电压或者电流变量采集。
采集测试变量后,进行测试变量的极大信息熵特征方向向量逼近,具体操作如下:
(b)接着,执行步骤21,数据白化处理,即对经过中心化处理的零均值变量进行白化处理,使其具有单位方差,具体实施方法如下:(b1)执行操作;为变量的转置向量;(b2)求的特征值,并令;(b3)求的单位范数特征向量,并令;(b4)执行操作;
接着,判断收敛性:与的内积是否为单位矩阵,其中代表矩阵的转置矩阵;如果不是,则将赋值给,并返回步骤25;否则,则保存。矩阵的行向量即为数据的个极大非高斯性特征方向向量,将赋值给极大非高斯性特征方向向量,即执行:。
Claims (2)
1.一种模拟电路故障诊断方法,其特征在于,包括如下步骤:
(1)数据采集,即测试变量的采集,对待测电路两个或两个以上的可测试节点处进行电压或者电流变量采集;
(2)测试变量的极大信息熵特征方向向量逼近;
(3)寻找测试变量的极大非高斯性特征方向向量;
(4)计算各测试变量在其极大非高斯性特征方向的投影值;
所述步骤(2)中,测试变量的极大信息熵特征方向向量逼近的具体实现步骤如下:
(a)数据中心化,对所有测试变量进行中心化处理,使均值为零,即x←x-E{x},其中x代表采集到的某一路测试变量,E{x}代表测试变量x的期望值,其具体计算方法为:
(b)数据白化处理,即对经过中心化处理的零均值变量进行白化处理,使其具有单位方差,执行:x←D-1/2ETx,其具体含义如下:
若令Cx=E{xxT},xT为变量x的转置向量,di为Cx的特征值,ei为Cx的单位范数特征向量,则D=diag(d1,d2,…,dn),E=(e1,e2,…,en);
(c)初始化数据,探寻极大信息熵特征方向向量个数m,以及该m个极大信息熵特征方向向量初始值w0i,i=1,2,…,m,其中m取1到5之间的自然数;w0i为单位向量,其形式为:w0i←(0,0,…1,…,0)T,即只有第i个元素为1;
(d)极大信息熵特征方向向量更新,用w1i,i=1,2,…,m表示更新后的向量,更新规则为:w1i←E{xg(w0i Tx)}-E{g'(w0i Tx)}w0i,
其中函数g(x)的形式为:g(x)=-exp(-x2/2),
g'(x)代表函数g(x)的一阶导,其形式为:g(x)=-xexp(-x2/2);
(e)对极大信息熵特征方向向量进行标准化处理,即对每个w1i,i=1,2,…,m执行操作:
(f)判断w1i是否收敛,其具体方法如下:
判断向量w0i,w1i的内积是否为1;
若不是,则执行w0i←w1i,将w1i赋值给w0i,返回步骤(d);
若是,则进入所述步骤(3);
所述步骤(3)中,寻找测试变量的极大非高斯性特征方向向量W的具体操作如下:
(a)并行迭代计算m个标准化极大信息熵特征方向向量,按顺序执行以下操作:
W(0)=(w11,w12,…,w1m)T,
(b)判断收敛性:判断[W(1)]T[W(1)]是否为单位矩阵I,其中[W(1)]T[W(1)]代表矩阵[W(1)]T与[W(1)]的积,[W(1)]T为[W(1)]的转置矩阵,I代表单位矩阵;如果不是,则将W(1)赋值给W(0),即执行操作:W(0)←W(1),并返回步骤(2)中进行向量收敛性判断的步骤(f);否则,保存W(1);
(c)对极大非高斯性特征方向向量W进行赋值,即执行:W←W(1);
所述步骤(4)中,计算各测试变量在其极大非高斯性特征方向向量处的投影值,其具体操作如下:
以极大非高斯性特征方向为投影坐标,计算每个测试变量在W坐标系内的特征投影值:P=WT*x,其中WT代表矩阵W的转置矩阵,P为观测变量x在投影空间W内的投影特征值,实现将观测数据从高维特征空间映射到低维特征空间,并以此作为模拟电路故障诊断的模式特征。
2.根据权利要求1所述的模拟电路故障诊断方法,其特征在于,所述步骤(1)中,数据采集利用数据采集板完成对待测电路可测节点的电压或者电流信号的采集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110145524.6A CN102323535B (zh) | 2011-06-01 | 2011-06-01 | 一种模拟电路故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110145524.6A CN102323535B (zh) | 2011-06-01 | 2011-06-01 | 一种模拟电路故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102323535A CN102323535A (zh) | 2012-01-18 |
CN102323535B true CN102323535B (zh) | 2014-01-08 |
Family
ID=45451315
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110145524.6A Expired - Fee Related CN102323535B (zh) | 2011-06-01 | 2011-06-01 | 一种模拟电路故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102323535B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104198923B (zh) * | 2014-08-29 | 2017-02-08 | 电子科技大学 | 一种线性模拟电路故障诊断方法 |
CN105467305B (zh) * | 2016-01-13 | 2018-06-26 | 安徽理工大学 | 一种变工况下Buck-Boost电路故障特征提取方法 |
CN108020769A (zh) * | 2016-10-28 | 2018-05-11 | 深圳市中兴微电子技术有限公司 | 一种集成电路测试的方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6047114A (en) * | 1997-08-05 | 2000-04-04 | Institute For Information Industry | Method of constructing testing procedures for analog circuits by using fault classification tables |
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 |
CN101813747A (zh) * | 2009-06-19 | 2010-08-25 | 哈尔滨理工大学 | 基于维纳核和神经网络的非线性模拟电路故障诊断方法 |
CN101819252A (zh) * | 2009-11-23 | 2010-09-01 | 电子科技大学 | 一种模拟电路故障诊断方法 |
-
2011
- 2011-06-01 CN CN201110145524.6A patent/CN102323535B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6047114A (en) * | 1997-08-05 | 2000-04-04 | Institute For Information Industry | Method of constructing testing procedures for analog circuits by using fault classification tables |
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 |
CN101813747A (zh) * | 2009-06-19 | 2010-08-25 | 哈尔滨理工大学 | 基于维纳核和神经网络的非线性模拟电路故障诊断方法 |
CN101819252A (zh) * | 2009-11-23 | 2010-09-01 | 电子科技大学 | 一种模拟电路故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
俞雪平,胡云安,郑致刚.基于分层决策的模拟电路故障诊断技术研究.《计算机测量与控制》.2009,第17卷(第02期),全文. * |
基于小波包和自组织网络的模拟电路故障诊断;谢涛等;《微电子学》;20090430;第39卷(第02期);全文 * |
谢涛等.基于小波包和自组织网络的模拟电路故障诊断.《微电子学》.2009,第39卷(第02期),全文. |
Also Published As
Publication number | Publication date |
---|---|
CN102323535A (zh) | 2012-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105044590B (zh) | 一种单测量节点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 | |
CN102855638B (zh) | 基于谱聚类的车辆异常行为检测方法 | |
CN113255078A (zh) | 一种样本不均衡条件下的轴承故障检测方法及装置 | |
CN109948647A (zh) | 一种基于深度残差网络的心电图分类方法及系统 | |
CN103245907B (zh) | 一种模拟电路故障诊断方法 | |
CN109165604A (zh) | 基于协同训练的非侵入式负荷识别方法及其测试系统 | |
CN111178388B (zh) | 基于nsct光电融合图谱的局部放电相位分布检测方法 | |
CN107909118A (zh) | 一种基于深度神经网络的配电网工况录波分类方法 | |
CN102279358B (zh) | 一种基于mcskpca的神经网络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 | |
CN110161343A (zh) | 一种智能列车外部受电装置的非侵入式实时动态监测方法 | |
CN113188807B (zh) | 一种abs结果自动判定算法 | |
CN108171119B (zh) | 基于残差网络的sar图像变化检测方法 | |
CN106874950A (zh) | 一种暂态电能质量录波数据的识别分类方法 | |
CN102323535B (zh) | 一种模拟电路故障诊断方法 | |
CN106271881A (zh) | 一种基于SAEs和K‑means的刀具破损监测方法 | |
Chen et al. | A visualized classification method via t-distributed stochastic neighbor embedding and various diagnostic parameters for planetary gearbox fault identification from raw mechanical data | |
CN115601572A (zh) | 基于半监督CycleGan网络的超声相控阵图像优化重构方法及系统 | |
CN114371009A (zh) | 基于改进随机森林的高速列车轴承故障诊断方法 | |
CN109782158A (zh) | 一种基于多级分类的模拟电路诊断方法 | |
CN112396118A (zh) | 一种基于gm-hmm的驾驶员加速意图建模方法 | |
CN116206203B (zh) | 基于SAR与Dual-EndNet的溢油检测方法 | |
CN106971392A (zh) | 一种结合dt‑cwt和mrf的遥感图像变化检测方法与装置 | |
CN103714385B (zh) | 一种基于改进型克隆选择算法的模拟电路故障诊断方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140108 |