CN102636742A - 基于小波神经网络的大规模模拟电路故障诊断方法 - Google Patents

基于小波神经网络的大规模模拟电路故障诊断方法 Download PDF

Info

Publication number
CN102636742A
CN102636742A CN2012101499145A CN201210149914A CN102636742A CN 102636742 A CN102636742 A CN 102636742A CN 2012101499145 A CN2012101499145 A CN 2012101499145A CN 201210149914 A CN201210149914 A CN 201210149914A CN 102636742 A CN102636742 A CN 102636742A
Authority
CN
China
Prior art keywords
neural network
fault
wavelet
layer
wavelet neural
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
Application number
CN2012101499145A
Other languages
English (en)
Other versions
CN102636742B (zh
Inventor
何怡刚
齐蓓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ningbo Lidou Intelligent Technology Co.,Ltd.
Original Assignee
CHANGSHA HEYE ELECTRIC SCIENCE AND TECHNOLOGY Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by CHANGSHA HEYE ELECTRIC SCIENCE AND TECHNOLOGY Co Ltd filed Critical CHANGSHA HEYE ELECTRIC SCIENCE AND TECHNOLOGY Co Ltd
Priority to CN201210149914.5A priority Critical patent/CN102636742B/zh
Publication of CN102636742A publication Critical patent/CN102636742A/zh
Application granted granted Critical
Publication of CN102636742B publication Critical patent/CN102636742B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Tests Of Electronic Circuits (AREA)

Abstract

基于小波神经网络的大规模模拟电路故障诊断方法，包括以下步骤：对待测电路进行功能模块的划分，并对待测电路进行至少两次交叉撕裂，使得任意两个功能模块在交叉撕裂中至少有一次被分别包含在不同的子网络中，并确定每次撕裂节点；对样本撕裂节点进行电压采样，得到故障特征向量；对应每次撕裂分别建立一个小波神经网络，将待测电路的正常状态与不同故障状态下得到的电压特征向量输入小波神经网络，对所有小波神经网络进行训练；对小波神经网络的输出进行逻辑诊断即实现故障模块定位。本发明对大规模模拟电路的硬故障、软故障以及多故障状态能进行快速准确的模块级故障定位,具有较高的工程应用价值。

Description

基于小波神经网络的大规模模拟电路故障诊断方法
技术领域
本发明涉及一种大规模模拟电路故障诊断方法，特别是涉及一种基于小波神经网络的大规模模拟电路的故障诊断方法。
背景技术
随着当代科学技术的飞速发展，模拟集成电路的网络规模和结构日益功能化和模块化，一旦集成电路的一些功能块发生故障，只需及时发现并更换故障模块就可确保网络的正常运行，此时对其内部进行元件级诊断已经没有必要，因此用智能诊断技术对大规模模拟电路进行快速准确的模块级故障定位是当前实际工程迫切需要解决的课题，也是故障诊断理论走向实际应用的关键步骤。
近年来，研究学者们在大规模模拟电路故障诊断方面已取得了不少成就并提出了很多诊断方法，如区间诊断法、网络撕裂法、神经网络方法等，但这些现有诊断方法大多只适用于对单故障状态以及少数多硬故障状态的诊断，且效果并不理想，其主要原因在于受到网络撕裂和网络规模的限制，至此，很少有文献对故障模块的硬故障、软故障以及多故障状态提出有效地诊断方法。
发明内容
本发明解决的技术问题是，克服现有技术存在的上述缺陷，提供一种能对大规模模拟电路进行快速准确的模块级故障定位的基于小波神经网络的大规模模拟电路故障诊断方法。
本发明解决其技术问题所采用的技术方案是：基于小波神经网络的大规模模拟电路故障诊断方法，包括以下步骤：
1）对待测电路进行功能模块的划分，并对待测电路进行至少两次交叉撕裂，每次撕裂得到S个子网络，每个子网络包含N个功能模块，直至使得任意两个功能模块在交叉撕裂中至少有一次被分别包含在不同的子网络中，同时，确定每次撕裂节点；
 2）针对硬故障、软故障和多故障情况，对样本撕裂节点进行电压采样，然后对采样电压进行主元分析和归一化处理，得到故障特征向量；
3）对应每次撕裂分别建立一个小波神经网络，将待测电路的正常状态与不同故障状态下得到的电压特征向量输入小波神经网络，对所有小波神经网络进行训练；
 4）对小波神经网络的输出进行逻辑诊断即实现故障模块定位。
进一步，所述步骤2）中，对样本撕裂节点进行电压采样时，可利用电路分析软件PSPICE分别对每次撕裂节点进行电压采样，用作测量与分析。
进一步，所述步骤3）中的小波神经网络是用非线性小波函数来代替神经网络中间层结点的非线性传递函数构造而成。
进一步，所述步骤4）中的逻辑诊断即构造逻辑诊断矩阵D；矩阵D的行对应于撕裂次数                                                ，矩阵D的列对应于各功能模块，其元素为“1”或“0”；如果第j个功能模块
Figure 2012101499145100002DEST_PATH_IMAGE002
在第i次撕裂时，被判为无故障，则D的第i行第j列的元素为0；若有故障则为l，由此可实现故障模块定位。
在当前工程实践中，大规模模拟电路的功能模块化日益明显，对应不同元件实现的功能不同对，所以可对待测电路进行功能模块的划分。
所述步骤3）中，小波神经网络训练如下：
1）用非线性小波函数来代替神经网络中间层结点的非线性传递函数，小波函数的尺度伸缩因子和时间平移因子代替传统BP网络中输入层到隐含层的权值，及隐含层的阈值，网络输出可表示为：
；
其中
Figure 2012101499145100002DEST_PATH_IMAGE004
为输入样本,R为输入样本个数，
Figure 441564DEST_PATH_IMAGE005
表示第R个输入与隐层第S个神经元之间连接的权值，h为小波函数，a, b分别为小波函数的尺度参数和平移参数，
Figure 2012101499145100002DEST_PATH_IMAGE006
表示隐层第S个神经元与输出层第n个神经元之间连接的权值，
Figure 459942DEST_PATH_IMAGE007
表示输出层传递函数；
 2）对小波神经网络提供输入向量
Figure 2012101499145100002DEST_PATH_IMAGE008
和期望响应
Figure 398948DEST_PATH_IMAGE009
，训练过程中网络的权值和偏差根据网络的误差性能进行调整，采用批处理学习算法，其中权值的调整量与输出相对于期望响应的误差能量对权值的偏微分大小成正比，符号相反，由此可得的修正量为：
Figure 972143DEST_PATH_IMAGE011
；
其中
Figure 2012101499145100002DEST_PATH_IMAGE012
为学习步长，
Figure 986979DEST_PATH_IMAGE010
表示隐层第S个神经元与输出层第n个神经元之间连接的权值, 
Figure 811978DEST_PATH_IMAGE013
为输出相对于期望响应的误差能量，是输出层对应的局部梯度，
Figure 605490DEST_PATH_IMAGE015
为隐层第j个神经元的输出；
则可修改网络参数
Figure 2012101499145100002DEST_PATH_IMAGE016
，
Figure 245461DEST_PATH_IMAGE010
，
Figure 62107DEST_PATH_IMAGE017
和
Figure 2012101499145100002DEST_PATH_IMAGE018
：
Figure 923753DEST_PATH_IMAGE019
；
其中
Figure 2012101499145100002DEST_PATH_IMAGE020
为第m次迭代后隐层第S个神经元与输出层第n个神经元之间连接的权值，为第m+1次迭代权值的修正量，
Figure 2012101499145100002DEST_PATH_IMAGE022
为第m+1次迭代后的权值，
Figure 627715DEST_PATH_IMAGE023
为第m次迭代后隐层第S个神经元的小波函数的尺度参数，为第m+1次迭代尺度参数的修正量，
Figure 554826DEST_PATH_IMAGE025
为第m+1次迭代后小波函数的尺度参数，为第m次迭代后隐层第S个神经元的小波函数的平移参数，
Figure 518365DEST_PATH_IMAGE027
为第m+1次迭代平移参数的修正量，
Figure 2012101499145100002DEST_PATH_IMAGE028
为第m+1次迭代后小波函数的平移参数。
本发明采用交叉撕裂搜索法的原理对大规模模拟电路进行多次交叉撕裂，每次撕裂构造多个不同子网络集，每个子网络集又包含不同电路模块，对大规模模拟电路的故障诊断从而变成了对子网络集的故障诊断，减少了神经网络的输入，简化了网络的结构。本发明通过交叉撕裂搜索法，对大规模电路进行多次撕裂后，对撕裂结果进行逻辑故障分析。在对大规模电路进行N次撕裂后，分别把每次撕裂信息作为对应的小波神经网络的输入，进行测试与仿真。构造小波神经网络时，用非线性小波函数来代替神经网络中间层结点的非线性传递函数构造而成，结合了小波变换良好的时频局部性质和传统神经网络的自学习功能，解决了传统BP神经网络隐层节点数难以确定的问题，具有较强的逼近和容错能力，能有效的对故障信息进行分析，提高诊断正确率。对应每次撕裂建立相应的小波神经网络，并行处理撕裂信息，对小波神经网络的输出结果进行逻辑诊断，达到快速模块级故障诊断的效果。
本发明在对大规模模拟电路进行多次交叉撕裂的基础上，利用小波神经网络的时频局部化特性对多次撕裂信息进行并行分析，得出各模块发生故障的隶属度值，从而进行模块级故障诊断。此方法对大规模模拟电路的硬故障、软故障以及多故障状态能进行快速准确的模块级故障定位,具有较高的工程应用价值。
附图说明
图1为本发明中待测视频放大电路图；
图2（a）为本发明中大规模网络N划分子网络示意图；
图2（b）为本发明中待测视频放大电路的撕裂诊断图TG；
图3为本发明中视频放大电路的模块撕裂图；
图4为本发明中小波神经网络结构示意图；
图5为本发明中小波神经网络误差性能变化图；
图6为本发明中基于小波神经网络的大规模模拟电路故障诊断方法的方框图。
具体实施方式
以下结合附图和实施例对本发明作进一步详细说明。
图1为视频放大电路图，以下将图1所示视频放大电路作为实际待测电路进行测试与诊断说明。
对于大规模网络N，假设其包含12个功能模块，依次用来标示，如图2所示，这里可以把每个模块看成是网络N的子网络，假设对网络N进行第一次撕裂
Figure 2012101499145100002DEST_PATH_IMAGE030
，子网络集为
Figure 2012101499145100002DEST_PATH_IMAGE031
，
Figure 2012101499145100002DEST_PATH_IMAGE032
，
Figure 2012101499145100002DEST_PATH_IMAGE033
和
Figure 2012101499145100002DEST_PATH_IMAGE034
，（
Figure 2012101499145100002DEST_PATH_IMAGE035
、
Figure 2012101499145100002DEST_PATH_IMAGE036
、、
Figure 2012101499145100002DEST_PATH_IMAGE038
分别表示第一次撕裂时得到的四个子网络)，进行第二次撕裂
Figure 2012101499145100002DEST_PATH_IMAGE039
，子网络集为
Figure 2012101499145100002DEST_PATH_IMAGE040
，
Figure 2012101499145100002DEST_PATH_IMAGE041
，
Figure 2012101499145100002DEST_PATH_IMAGE042
和
Figure 2012101499145100002DEST_PATH_IMAGE043
，（
Figure 2012101499145100002DEST_PATH_IMAGE044
、
Figure 2012101499145100002DEST_PATH_IMAGE045
、
Figure 2012101499145100002DEST_PATH_IMAGE046
、
Figure 2012101499145100002DEST_PATH_IMAGE047
分别表示第二次撕裂时得到的四个子网络），由此可对网络进行多次撕裂，则网络N中的任意两个功能模块
Figure 2012101499145100002DEST_PATH_IMAGE048
和
Figure 595124DEST_PATH_IMAGE002
在k次交叉撕裂中，至少有一次分别包含在不同的子网络集中。
如图3所示，为视频放大电路的模块撕裂图，图中把电路划分为12个模块，对电路进行多次撕裂有：
第一次撕裂
Figure 992608DEST_PATH_IMAGE030
，子网络集
Figure 2012101499145100002DEST_PATH_IMAGE049
,
Figure 2012101499145100002DEST_PATH_IMAGE050
,
Figure 846163DEST_PATH_IMAGE033
,;
第二次撕裂
Figure 2012101499145100002DEST_PATH_IMAGE051
，子网络集
Figure 2012101499145100002DEST_PATH_IMAGE052
,
Figure 2012101499145100002DEST_PATH_IMAGE053
,
Figure 2012101499145100002DEST_PATH_IMAGE054
,
Figure 2012101499145100002DEST_PATH_IMAGE055
;
第三次撕裂
Figure 2012101499145100002DEST_PATH_IMAGE056
，子网络集
Figure 2012101499145100002DEST_PATH_IMAGE057
，
Figure 859173DEST_PATH_IMAGE058
，，
Figure 253989DEST_PATH_IMAGE060
。
由此得出第一次网络撕裂的测试电压节点为4,7,12,13,14,15,18；第二次网络撕裂的测试电压节点为3,4,7,8,12,13,14,15,18,19；第三次网络撕裂的测试电压节点为3,7,8,12,13,14,15,18。
对应三次撕裂分别建立三个小波神经网络，小波神经网络结构如图4所示，其信号表述是通过将所选取的小波基函数进行线性叠加来实现的，给定输入样本
Figure 204628DEST_PATH_IMAGE004
，R为输入样本个数， 
Figure 149450DEST_PATH_IMAGE005
为第R个输入与隐层第S个神经元之间连接的权值， 
Figure 2012101499145100002DEST_PATH_IMAGE061
为隐层神经元激励函数，其中h为小波函数，
Figure 564251DEST_PATH_IMAGE062
，
Figure 2012101499145100002DEST_PATH_IMAGE063
分别为小波函数的尺度参数和平移参数，x为输入与隐层连接权值的积，为隐层第S个神经元与输出层第n个神经元之间连接的权值，
Figure 570832DEST_PATH_IMAGE007
为输出层传递函数。小波神经网络输出可表示为：
Figure 53766DEST_PATH_IMAGE003
    (1)
小波神经网络（WNN）的学习过程是有监督学习，训练过程需要提供输入向量
Figure 588653DEST_PATH_IMAGE008
和期望响应
Figure 764419DEST_PATH_IMAGE009
，训练过程中网络的权值和偏差根据网络的误差性能进行调整，最终得到期望的结果，一般采用批处理学习算法。其中权值的调整量与输出相对于期望响应的误差能量对权值的偏微分大小成正比，符号相反，则对任一训练样本P有：
Figure 689650DEST_PATH_IMAGE064
   （2）
其中为输出相对于期望响应的误差能量，
Figure 598623DEST_PATH_IMAGE010
表示隐层第S个神经元与输出层第n个神经元之间连接的权值，表示输出层第n个神经元的输出误差，
Figure 945291DEST_PATH_IMAGE066
表示输出层第n个神经元网络输出，
Figure 2012101499145100002DEST_PATH_IMAGE067
表示输出层第n个神经元输入。
由误差能量定义以及各变量之间的关系可知：
，
Figure 2012101499145100002DEST_PATH_IMAGE069
，
Figure 74232DEST_PATH_IMAGE070
，
Figure 2012101499145100002DEST_PATH_IMAGE071
；
其中为输出层第n个神经元的输入相对于输出层第n个神经元传递函数的倒数，
Figure 570122DEST_PATH_IMAGE015
为隐层 第j个神经元的输出。
定义局部梯度为：
Figure 2012101499145100002DEST_PATH_IMAGE073
  (3) 
Figure 116551DEST_PATH_IMAGE010
的修正量为：
Figure 682662DEST_PATH_IMAGE011
  (4)
其中
Figure 46647DEST_PATH_IMAGE012
为学习步长，
Figure 469538DEST_PATH_IMAGE010
表示隐层第S个神经元与输出层第n个神经元之间连接的权值, 
Figure 420439DEST_PATH_IMAGE013
为输出相对于期望响应的误差能量，
Figure 790240DEST_PATH_IMAGE014
是输出层对应的局部梯度，为隐层第j个神经元的输出。
由此可修改网络参数
Figure 602524DEST_PATH_IMAGE016
，
Figure 211360DEST_PATH_IMAGE010
，
Figure 447169DEST_PATH_IMAGE017
和
Figure 18703DEST_PATH_IMAGE018
：
Figure 48976DEST_PATH_IMAGE019
     (5) 
其中
Figure 145108DEST_PATH_IMAGE020
为第m次迭代后隐层第S个神经元与输出层第n个神经元之间连接的权值，为第m+1次迭代权值的修正量，
Figure 846533DEST_PATH_IMAGE022
为第m+1次迭代后的权值，
Figure 985391DEST_PATH_IMAGE023
为第m次迭代后隐层第S个神经元的小波函数的尺度参数，
Figure 132600DEST_PATH_IMAGE024
为第m+1次迭代尺度参数的修正量，
Figure 444633DEST_PATH_IMAGE025
为第m+1次迭代后小波函数的尺度参数，为第m次迭代后隐层第S个神经元的小波函数的平移参数，
Figure 801982DEST_PATH_IMAGE027
为第m+1次迭代平移参数的修正量，
Figure 935023DEST_PATH_IMAGE028
为第m+1次迭代后小波函数的平移参数。
小波神经网络误差性能变化图如图5所示。
对多个小波神经网络的输出进行逻辑故障诊断则能达到模块级故障定位的效果。当对大规模网络N进行k次交叉撕裂后，对每次撕裂的子网络集
Figure 549282DEST_PATH_IMAGE074
，，和
Figure 2012101499145100002DEST_PATH_IMAGE077
（i=1,2,…,k表示交叉撕裂次数）进行逻辑诊断，确定各子网络集的逻辑诊断值。首先构造逻辑诊断矩阵D。D的行对应于撕裂次数i(i=1,2,…,k)，它的列对应于各模块，其元素为“1”或“0”。如果第j个模块
Figure 994356DEST_PATH_IMAGE002
在第i次撕裂时，被判为无故障，则D的第i行第j列的元素为0；若可能有故障则为l。例如网络N第一次撕裂诊断为
Figure 349114DEST_PATH_IMAGE078
有故障，第二次撕裂诊断为
Figure 2012101499145100002DEST_PATH_IMAGE079
有故障，则可得诊断矩阵
Figure 832310DEST_PATH_IMAGE080
由此可推断出是模块
Figure 2012101499145100002DEST_PATH_IMAGE081
发生故障，则可进行模块级故障定位。
根据以上分析，基于小波神经网络的大规模模拟电路故障诊断是对大规模模拟电路进行模块划分以及多次撕裂成包含不同模块的子网络集，通过小波神经网络并行处理故障信息实现对不同子网络集的故障诊断从而对模块级故障进行快速准确的定位。
诊断流程图如图6所示，主要包括以下内容：
（1）模块划分与撕裂准则：对待诊断大规模电路进行结构与功能分析，依据制作工艺，把大规模电路划分为若干功能模块，以每个模块分别至少一次独立存在于一个子网络集为准则，对待诊断电路进行k次撕裂;
（2）故障信息特征提取：分别测试每次撕裂的节点电压，对其进行主元分析和归一化处理，得到故障特征向量，作为神经网络输入；
（3）小波神经网络输出：根据每次撕裂节点的不同，建立不同输入层神经元个数的小波神经网络，经过训练，分别输入故障特征向量，进行并行分析处理，输出为“1”所对应的子网络集则包含故障模块；
（4）逻辑诊断与模块级故障定位：当所有包含一个模块的子网络集都诊断为故障，则可得出此模块为故障模块的结论。

Claims (5)

1.基于小波神经网络的大规模模拟电路故障诊断方法，其特征在于，包括以下步骤：
1）对待测电路进行功能模块的划分，并对待测电路进行至少两次交叉撕裂，每次撕裂得到S个子网络，每个子网络包含N个功能模块，直至使得任意两个功能模块在交叉撕裂中至少有一次被分别包含在不同的子网络中，同时，确定每次撕裂节点；
 2）针对硬故障、软故障和多故障情况，对样本撕裂节点进行电压采样，然后对采样电压进行主元分析和归一化处理，得到故障特征向量；
  3）对应每次撕裂分别建立一个小波神经网络，将待测电路的正常状态与不同故障状态下得到的电压特征向量输入小波神经网络，对所有小波神经网络进行训练；
 4）对小波神经网络的输出进行逻辑诊断即实现故障模块定位。
2.根据权利要求1所述的基于小波神经网络的大规模模拟电路故障诊断方法，其特征在于，所述步骤2）中，对样本撕裂节点进行电压采样时，利用电路分析软件PSPICE分别对每次撕裂节点进行电压采样，用作测量与分析。
3.根据权利要求1或2所述的基于小波神经网络的大规模模拟电路故障诊断方法，其特征在于，所述步骤3）中的小波神经网络是用非线性小波函数来代替神经网络中间层结点的非线性传递函数构造而成。
4.根据权利要求1或2所述的基于小波神经网络的大规模模拟电路故障诊断方法，其特征在于，所述步骤4）中的逻辑诊断即构造逻辑诊断矩阵D；矩阵D的行对应于撕裂次数                                                
Figure 2012101499145100001DEST_PATH_IMAGE001
，矩阵D的列对应于各功能模块，其元素为“1”或“0”；如果第j个功能模块在第i次撕裂时，被判为无故障，则D的第i行第j列的元素为0；若有故障则为l，实现故障模块定位。
5.根据权利要求1或2所述的基于小波神经网络的大规模模拟电路故障诊断方法，其特征在于，所述步骤3）中，小波神经网络训练如下：
1）用非线性小波函数来代替神经网络中间层结点的非线性传递函数，小波函数的尺度伸缩因子和时间平移因子代替传统BP网络中输入层到隐含层的权值，及隐含层的阈值，网络输出可表示为：
Figure 2012101499145100001DEST_PATH_IMAGE003
；
其中
Figure 2012101499145100001DEST_PATH_IMAGE004
为输入样本,R为输入样本个数，表示第R个输入与隐层第S个神经元之间连接的权值，h为小波函数，a, b分别为小波函数的尺度参数和平移参数，
Figure 2012101499145100001DEST_PATH_IMAGE006
表示隐层第S个神经元与输出层第n个神经元之间连接的权值，
Figure 2012101499145100001DEST_PATH_IMAGE007
表示输出层传递函数；
 2）对小波神经网络提供输入向量和期望响应
Figure 2012101499145100001DEST_PATH_IMAGE009
，训练过程中网络的权值和偏差根据网络的误差性能进行调整，采用批处理学习算法，其中权值的调整量与输出相对于期望响应的误差能量对权值的偏微分大小成正比，符号相反，由此可得的修正量为：
Figure 2012101499145100001DEST_PATH_IMAGE011
；
其中
Figure 2012101499145100001DEST_PATH_IMAGE012
为学习步长，
Figure 83599DEST_PATH_IMAGE010
表示隐层第S个神经元与输出层第n个神经元之间连接的权值, 
Figure 2012101499145100001DEST_PATH_IMAGE013
为输出相对于期望响应的误差能量，
Figure 2012101499145100001DEST_PATH_IMAGE014
是输出层对应的局部梯度，
Figure 2012101499145100001DEST_PATH_IMAGE015
为隐层第j个神经元的输出；
则能修改网络参数
Figure 2012101499145100001DEST_PATH_IMAGE016
，
Figure 876106DEST_PATH_IMAGE010
，
Figure 2012101499145100001DEST_PATH_IMAGE017
和
Figure 2012101499145100001DEST_PATH_IMAGE018
：
Figure 2012101499145100001DEST_PATH_IMAGE019
；
其中
Figure 2012101499145100001DEST_PATH_IMAGE020
为第m次迭代后隐层第S个神经元与输出层第n个神经元之间连接的权值，
Figure 2012101499145100001DEST_PATH_IMAGE021
为第m+1次迭代权值的修正量，
Figure 2012101499145100001DEST_PATH_IMAGE022
为第m+1次迭代后的权值，
Figure 2012101499145100001DEST_PATH_IMAGE023
为第m次迭代后隐层第S个神经元的小波函数的尺度参数，
Figure 2012101499145100001DEST_PATH_IMAGE024
为第m+1次迭代尺度参数的修正量，为第m+1次迭代后小波函数的尺度参数，
Figure 2012101499145100001DEST_PATH_IMAGE026
为第m次迭代后隐层第S个神经元的小波函数的平移参数，为第m+1次迭代平移参数的修正量，
Figure 2012101499145100001DEST_PATH_IMAGE028
为第m+1次迭代后小波函数的平移参数。
CN201210149914.5A 2012-05-15 2012-05-15 基于小波神经网络的大规模模拟电路故障诊断方法 Active CN102636742B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210149914.5A CN102636742B (zh) 2012-05-15 2012-05-15 基于小波神经网络的大规模模拟电路故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210149914.5A CN102636742B (zh) 2012-05-15 2012-05-15 基于小波神经网络的大规模模拟电路故障诊断方法

Publications (2)

Publication Number Publication Date
CN102636742A true CN102636742A (zh) 2012-08-15
CN102636742B CN102636742B (zh) 2015-04-22

Family

ID=46621210

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210149914.5A Active CN102636742B (zh) 2012-05-15 2012-05-15 基于小波神经网络的大规模模拟电路故障诊断方法

Country Status (1)

Country Link
CN (1) CN102636742B (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN105158679A (zh) * 2015-09-14 2015-12-16 电子科技大学 基于传输函数的滤波电路故障诊断方法
CN105445646A (zh) * 2015-12-14 2016-03-30 国家电网公司 基于神经网络专家系统的模数电路故障诊断的测试方法
CN106022471A (zh) * 2016-05-12 2016-10-12 大连海事大学 基于粒子群优化算法的小波神经网络模型船舶横摇实时预测方法
CN106470122A (zh) * 2016-09-20 2017-03-01 北京汇通金财信息科技有限公司 一种网络故障定位方法及装置
CN107203807A (zh) * 2016-03-16 2017-09-26 中国科学院计算技术研究所 神经网络的计算方法、系统及其装置
CN107632258A (zh) * 2017-09-12 2018-01-26 重庆大学 一种基于小波变换和dbn的风机变流器故障诊断方法
CN107894564A (zh) * 2017-11-09 2018-04-10 合肥工业大学 一种基于交叉小波特征的模拟电路故障诊断方法
CN108196161A (zh) * 2018-01-10 2018-06-22 哈尔滨理工大学 一种异步化超高压同步发电机失磁故障诊断方法
CN109782157A (zh) * 2019-01-22 2019-05-21 北京旋极信息技术股份有限公司 一种机内测试设计方法及系统
CN110231529A (zh) * 2019-06-11 2019-09-13 山东科技大学 一种控制柜智能故障诊断系统及故障诊断方法
CN110780188A (zh) * 2019-10-18 2020-02-11 合肥工业大学 一种igbt驱动电路故障诊断方法
CN111337819A (zh) * 2020-03-02 2020-06-26 武汉大学 基于优选小波基函数的模拟电路故障特征提取方法及系统
CN113985261A (zh) * 2021-07-07 2022-01-28 四川大学锦城学院 一种基于神经网络的模拟电路故障诊断方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6401227B1 (en) * 1997-11-13 2002-06-04 Fujitsu Limited Timing fault diagnosis method and 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

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6401227B1 (en) * 1997-11-13 2002-06-04 Fujitsu Limited Timing fault diagnosis method and 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

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
刘美容: "基于遗传算法、小波与神经网络的模拟电路故障诊断方法", 《中国博士学位论文全文数据库 信息科技辑》 *
厉芸等: "基于BP神经网络的大规模电路模块级故障快速诊断方法", 《电路与系统学报》 *
蔡金锭 等: "大规模网络故障的快速诊断法", 《电路与系统学报》 *
谭阳红等: "模拟电路故障诊断的小波方法", 《电工技术学报》 *
韩宝如: "模拟电路故障诊断的小波与模糊神经网络方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN105158679A (zh) * 2015-09-14 2015-12-16 电子科技大学 基于传输函数的滤波电路故障诊断方法
CN105158679B (zh) * 2015-09-14 2017-12-05 电子科技大学 基于传输函数的滤波电路故障诊断方法
CN105445646A (zh) * 2015-12-14 2016-03-30 国家电网公司 基于神经网络专家系统的模数电路故障诊断的测试方法
CN107203807A (zh) * 2016-03-16 2017-09-26 中国科学院计算技术研究所 神经网络的计算方法、系统及其装置
CN107203807B (zh) * 2016-03-16 2020-10-02 中国科学院计算技术研究所 神经网络加速器的片上缓存带宽均衡方法、系统及其装置
CN106022471A (zh) * 2016-05-12 2016-10-12 大连海事大学 基于粒子群优化算法的小波神经网络模型船舶横摇实时预测方法
CN106470122B (zh) * 2016-09-20 2019-04-02 北京汇通金财信息科技有限公司 一种网络故障定位方法及装置
CN106470122A (zh) * 2016-09-20 2017-03-01 北京汇通金财信息科技有限公司 一种网络故障定位方法及装置
CN107632258A (zh) * 2017-09-12 2018-01-26 重庆大学 一种基于小波变换和dbn的风机变流器故障诊断方法
CN107894564A (zh) * 2017-11-09 2018-04-10 合肥工业大学 一种基于交叉小波特征的模拟电路故障诊断方法
CN108196161A (zh) * 2018-01-10 2018-06-22 哈尔滨理工大学 一种异步化超高压同步发电机失磁故障诊断方法
CN109782157A (zh) * 2019-01-22 2019-05-21 北京旋极信息技术股份有限公司 一种机内测试设计方法及系统
CN110231529A (zh) * 2019-06-11 2019-09-13 山东科技大学 一种控制柜智能故障诊断系统及故障诊断方法
CN110780188A (zh) * 2019-10-18 2020-02-11 合肥工业大学 一种igbt驱动电路故障诊断方法
CN111337819A (zh) * 2020-03-02 2020-06-26 武汉大学 基于优选小波基函数的模拟电路故障特征提取方法及系统
CN111337819B (zh) * 2020-03-02 2021-02-19 武汉大学 基于优选小波基函数的模拟电路故障特征提取方法及系统
CN113985261A (zh) * 2021-07-07 2022-01-28 四川大学锦城学院 一种基于神经网络的模拟电路故障诊断方法

Also Published As

Publication number Publication date
CN102636742B (zh) 2015-04-22

Similar Documents

Publication Publication Date Title
CN102636742A (zh) 基于小波神经网络的大规模模拟电路故障诊断方法
CN112051481B (zh) 一种基于lstm的交直流混联电网故障区域诊断方法和系统
CN112149316A (zh) 基于改进的cnn模型的航空发动机剩余寿命预测方法
CN105548862A (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
CN103267941B (zh) 一种集成开关电流电路故障模式测试方法
CN110766143A (zh) 基于人工神经网络的设备故障智能诊断方法
CN106483449B (zh) 基于深度学习与复数特征的模拟电路故障诊断方法
CN108228716A (zh) 基于加权极限学习机的SMOTE_Bagging集成污水处理故障诊断方法
CN104155574A (zh) 基于自适应神经模糊推理系统的配电网故障分类方法
CN101871994B (zh) 多分数阶信息融合的模拟电路故障诊断方法
CN102663495B (zh) 一种用于非线性器件建模的神经网络数据生成方法
CN103064008A (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
CN112101085A (zh) 一种基于重要性加权域对抗自适应的智能故障诊断方法
CN114779015A (zh) 基于超分辨率和图神经网络的配电网故障诊断与定位方法
CN115081316A (zh) 基于改进麻雀搜索算法的dc/dc变换器故障诊断方法及系统
CN105572572A (zh) 基于wknn-lssvm的模拟电路故障诊断方法
CN111256965A (zh) 多尺度信息融合的堆叠稀疏自编码旋转机械故障诊断方法
CN104268338B (zh) 一种复杂产品故障影响传递关系模型的分析与评价方法
WO2019178930A1 (zh) 一种机械设备故障诊断方法
CN113533945A (zh) 一种基于二维卷积神经网络的模拟电路故障诊断方法
CN115062538A (zh) 基于注意力机制和卷积nn的变换器故障诊断方法及系统
CN103592595A (zh) 一种开关电流电路故障诊断方法
Lin et al. N-diagnosability for active on-line diagnosis in discrete event systems
CN111783335B (zh) 一种基于迁移学习的少样本结构频响动力学模型修正方法
CN115019129B (zh) 基于时序成像与图像融合的双有源桥变换器故障诊断方法及系统

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
TR01 Transfer of patent right

Effective date of registration: 20220218

Address after: Haiqi street, Ningbo City, Zhejiang Province

Patentee after: Ningbo Lidou Intelligent Technology Co.,Ltd.

Address before: 410082 No. 528 Lujing Road, Yuelu District, Changsha City, Hunan Province

Patentee before: Changsha Heye Electrical Technology Co.,Ltd.

TR01 Transfer of patent right