CN103064008A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN103064008A CN103064008A CN2012105738342A CN201210573834A CN103064008A CN 103064008 A CN103064008 A CN 103064008A CN 2012105738342 A CN2012105738342 A CN 2012105738342A CN 201210573834 A CN201210573834 A CN 201210573834A CN 103064008 A CN103064008 A CN 103064008A
- Authority
- CN
- China
- Prior art keywords
- circuit
- hilbert
- fault
- huang transform
- method based
- 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
Landscapes
- Test And Diagnosis Of Digital Computers (AREA)
- Tests Of Electronic Circuits (AREA)
Abstract
本发明公开了一种基于希尔伯特-黄变换的非线性模拟电路软故障诊断方法。给待测电路施加一个交变激励信号,以电路的输出端作为可及测试点,通过对输出电压信号进行希尔伯特-黄变换,得到输出电压信号的n阶固有模态函数分量和希尔伯特边际谱,以固有模态函数分量的能量和希尔伯特边际谱总能量组成判别故障存在与否的特征向量。针对各种故障模式,通过仿真训练BP神经网络,然后将实际测试得到的特征向量输入训练好的神经网络,即可定位故障元件。本发明不仅可以诊断单个元件的软故障,并且可以诊断两个或三个元件同时发生软故障的情况,故障诊断率高,且只需一个测试点,诊断条件宽松,实用性较强。
Description
技术领域
本发明涉及一种模拟电路软故障诊断方法,特别涉及一种基于希尔伯特-黄变换(Hilbert-Huang Transform,HHT)的非线性模拟电路软故障诊断方法,属于模拟电路故障诊断和性能退化检测技术领域。
背景技术
在电路故障诊断研究领域,经实际经验表明,虽然模拟电路部分通常只占整个电子系统的20%左右,但80%以上的故障来自模拟电路部分,并且模拟电路的测试成本占总测试成本的90%以上。相对于数字电路,模拟电路的故障诊断研究进展缓慢且困难重重,在理论上和实际应用中都尚未成熟完善,究其原因有以下几点:(1)模拟电路的结构及故障情况复杂;(2)可用诊断信息不充分;(3)可及测试节点有限;(4)模拟元件参数容差的影响;(5)普遍存在的非线性特性,等等。总之,模拟电路的故障诊断已经成为电路故障诊断领域的瓶颈问题,为了确保系统的可靠性和可维护性,该问题已成为一个亟待解决的重要课题。
模拟电路故障诊断技术发展至今,对于故障定位的研究已经取得了较为成熟的研究成果,形成了很多行之有效的诊断策略,传统模拟电路故障诊断法主要有:故障字典法、概率统计法、故障验证法和参数辨识法;现代模拟电路故障诊断方法主要有:专家系统法、模糊理论法、小波变换法、神经网络法、遗传算法、支持向量机法、多种智能技术的混合诊断方法,等等。传统诊断方法中的故障字典法需要大量的测前模拟,一般只适用于无容差电路的单、硬故障的诊断;故障验证法和参数辨识法都需要足够的独立数据,且测后计算量非常大,实施较为困难。传统模拟电路故障诊断方法无法很好地解决元件容差带来的诊断困难,且不适应于非线性模拟电路的故障诊断,现代模拟电路故障诊断方法较好地克服了传统模拟电路故障诊断方法的不足,成为模拟电路故障诊断研究领域的主要方向,具有广阔的发展前景,但是在非线性电路的软故障诊断问题上,现有的方法仍存在不足之处。
现代模拟电路故障诊断方法的一个关键环节在于故障特征的提取,而如何从系统输出的有限信息中提取出足以准确定位故障元件的故障特征却是研究的难点。目前,通常是采取施加多个不同频率的激励源的方法,或者在一组经过优化选择的测试点采集信号,然后通过行之有效的信号分析技术对输出信号进行处理,得到足以准确定位故障元件的故障特征。但是实际电路中往往没有足够的可及测试点,并且施加多个激励信号的方法实施起来相对比较麻烦。
发明内容
为了克服现有技术的不足,本发明提供一种基于希尔伯特-黄变换(Hilbert-Huang Transform,HHT)的非线性模拟电路软故障诊断方法。
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,步骤如下:
(1)根据被测电路的灵敏度分析结果和元件发生故障的概率建立故障模式集合,给定电路各个元件的容差均为5%;
(2)激励源作用于无故障的非线性模拟电路,提供激励信号,对电路进行多次容差条件下的蒙特卡罗仿真分析,将每次蒙特卡罗分析的可及测试节点电压信号做希尔伯特-黄变换,得到可及测试节点电压信号的n阶固有模态函数分量和希尔伯特边际谱,求出n阶固有模态函数分量的能量,记为ESi,其中i=1,…,n,和希尔伯特边际谱总能量,记为ES,并由ESi和ES组成判别电路无故障的特征向量,作为BP神经网络的训练样本;
(3)激励源分别作用于各种故障模式下的非线性模拟电路,提供激励信号,在考虑元件容差的条件下,分别对各种故障模式下的电路采集多次可及测试节点电压信号,将每次采集的可及测试节点电压信号做希尔伯特-黄变换,得到信号的n阶固有模态函数分量和希尔伯特边际谱,求出n阶固有模态函数分量的能量,记为ESj,j=1,…,n和希尔伯特边际谱总能量,记为ES,并由ESj和ES组成判别电路发生哪一类故障的特征向量,作为BP神经网络的训练样本;
(4)将步骤(2)和(3)中的训练样本归一化后作为输入向量训练BP神经网络;训练样本的输出向量确定方法为:设电路有K种故障模式,即模式1、模式2、…、模式j、…、模式K,网络输出向量为(y1,y2,…,yj,…,yK),若电路状态处于模式j,则令yj=1,其余为0,网络输出向量为(0,0,…,1,…,0);
(5)测量待测电路的可及测试节点的电压信号,经希尔伯特-黄变换后得到由n阶固有模态函数分量的能量ESm,m =1,…,n和希尔伯特边际谱总能量ES组成的特征向量,将特征向量归一化后输入步骤(4)中训练好的BP神经网络,神经网络的输出即可判定故障模式,完成了故障元件的定位。
所述的待测电路的拓扑结构已知。
所述的待测电路的输出端为唯一的可及测试点。
给待测电路施加的激励源为一个不少于三个频率的多频复合信号。
所述的待测电路的各个元件的容差均为5%。
对待测电路进行灵敏度仿真分析,只考虑测试节点电压灵敏度较高的元件发生故障的情况。
所述的软故障只会引起电路性能发生退化,而不会引起电路发生功能性故障。
本发明的有益效果在于:本发明通过对测试节点的电压信号进行HHT分析,由n阶IMF分量的能量ESi和Hilbert边际谱总能量ES组成特征向量,实现了在测试节点有且仅有一个的前提下提取足以定位故障元件的故障特征,通过训练好的BP神经网络实现单个和多个软故障元件的定位,对于元件发生性能退化型故障的情况,本发明的诊断率较高,单故障的平均诊断率可达96%,多故障的平均诊断率可达91.3%,适合于解决实际工程问题。
附图说明
图1是基于希尔伯特-黄变换的非线性模拟电路软故障诊断方法的流程图。
图2是晶体管单管共射级放大电路的电路原理图。
图3是希尔伯特-黄变换的经验模态分解算法流程图。
图4是希尔伯特-黄变换的Hilbert能量谱算法流程图。
具体实施方式
下面结合附图和实施例,对本发明做进一步说明。
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,步骤如图1所示:
(1)根据被测电路的灵敏度分析结果和元件发生故障的概率建立故障模式集合,给定电路各个元件的容差均为5%;
(2)激励源作用于无故障的非线性模拟电路,提供激励信号,对电路进行多次容差条件下的蒙特卡罗仿真分析,将每次蒙特卡罗分析的可及测试节点电压信号做希尔伯特-黄变换,得到可及测试节点电压信号的n阶固有模态函数分量和希尔伯特边际谱,求出n阶固有模态函数分量的能量,记为ESi,其中i=1,…,n,和希尔伯特边际谱总能量,记为ES,并由ESi和ES组成判别电路无故障的特征向量,作为BP神经网络的训练样本;
(3)激励源分别作用于各种故障模式下的非线性模拟电路,提供激励信号,在考虑元件容差的条件下,分别对各种故障模式下的电路采集多次可及测试节点电压信号,将每次采集的可及测试节点电压信号做希尔伯特-黄变换,得到信号的n阶固有模态函数分量和希尔伯特边际谱,求出n阶固有模态函数分量的能量,记为ESj,j=1,…,n和希尔伯特边际谱总能量,记为ES,并由ESj和ES组成判别电路发生哪一类故障的特征向量,作为BP神经网络的训练样本;
(4)将步骤(2)和(3)中的训练样本归一化后作为输入向量训练BP神经网络;训练样本的输出向量确定方法为:设电路有K种故障模式,即模式1、模式2、…、模式j、…、模式K,网络输出向量为(y1,y2,…,yj,…,yK),若电路状态处于模式j,则令yj=1,其余为0,网络输出向量为(0,0,…,1,…,0);
(5)测量待测电路的可及测试节点的电压信号,经希尔伯特-黄变换后得到由n阶固有模态函数分量的能量ESm,m =1,…,n和希尔伯特边际谱总能量ES组成的特征向量,将特征向量归一化后输入步骤(4)中训练好的BP神经网络,神经网络的输出即可判定故障模式,完成了故障元件的定位。
所述的待测电路的拓扑结构已知。
所述的待测电路的输出端为唯一的可及测试点。
给待测电路施加的激励源为一个不少于三个频率的多频复合信号。
所述的待测电路的各个元件的容差均为5%。
对待测电路进行灵敏度仿真分析,只考虑测试节点电压灵敏度较高的元件发生故障的情况。
所述的软故障只会引起电路性能发生退化,而不会引起电路发生功能性故障。
实施例
其具体过程如下:
(1)如图2所示,选取晶体管单管共射级放大电路验证本发明的软故障诊断方法。晶体管单管共射级放大电路的各元件参数的标称值如图2所示,元件RL为负载,各个元件参数的容差均为5%,激励信号为一组幅值42mV/频率1KHZ、幅值30mV/频率2.4KHZ、幅值20mV/频率0.8KHZ的复合正弦信号,节点out为输出测试点。仿真平台为Multisim11.0和Matlab7.11.0。
(2)根据被测电路的输出节点灵敏度分析结果和可能发生的主要元件故障建立由11种故障模式组成的电路状态模式,加上无故障模式,共有12种电路状态集合,如表1所示。
表1 待测电路各状态模式下的元件参数值
(3)激励源作用于无故障状态的待测模拟电路,提供激励信号,所选取的激励信号为一组幅值42mV/频率1KHZ、幅值30mV/频率2.4KHZ、幅值20mV/频率0.8KHZ的复合正弦信号。对电路进行100次容差条件下的Monte-Carlo仿真分析,将每次Monte-Carlo分析的测试节点电压信号做希尔伯特-黄变换(Hilbert-Huang Transform,HHT),可得到信号的3阶固有模态函数分量(Intrinsic Mode Function,IMF)和Hilbert边际谱,求出3阶IMF分量的能量(记为ESi,i=1,…,3)和Hilbert边际谱总能量(记为ES),并由ESi和ES组成判别电路无故障的特征向量(ES1,ES2,ES3,ES),一共可得到100个无故障时的特征向量,作为BP神经网络的训练样本。
(4)激励源分别作用于各种故障模式的待测模拟电路,提供激励信号,所选取的激励信号同样为一组幅值42mV/频率1KHZ、幅值30mV/频率2.4KHZ、幅值20mV/频率0.8KHZ的复合正弦信号。在考虑元件容差的条件下,分别对各种故障模式的电路采集100次测试节点电压信号,将每次采集的测试节点电压信号做HHT变换,得到信号的3阶固有模态函数分量(Intrinsic Mode Function,IMF)和Hilbert边际谱,求出3阶IMF分量的能量(记为ESj,j=1,…,3)和Hilbert边际谱总能量(记为ES),并由ESj和ES组成判别电路发生哪一类故障的特征向量(ES1,ES2,ES3,ES),一共可得到1100个故障特征向量,也作为BP神经网络的训练样本。
(5)将训练样本归一化后作为输入向量来训练BP神经网络。
(6)诊断效果验证:分别在12种电路状态下各随机采集50次测试节点的电压信号,经HHT变换后共得到600个特征向量,将特征向量归一化后输入训练好的BP神经网络,神经网络的输出即可判定故障模式,完成了故障元件的定位。诊断结果如表2所示,平均诊断率为94.83%。
表2 故障诊断结果
Claims (8)
1.一种基于希尔伯特-黄变换的非线性模拟电路软故障诊断方法,其特征在于,步骤如下:
(1)根据被测电路的灵敏度分析结果和元件发生故障的概率建立故障模式集合,给定电路各个元件的容差均为5%;
(2)激励源作用于无故障的非线性模拟电路,提供激励信号,对电路进行多次容差条件下的蒙特卡罗仿真分析,将每次蒙特卡罗分析的可及测试节点电压信号做希尔伯特-黄变换,得到可及测试节点电压信号的n阶固有模态函数分量和希尔伯特边际谱,求出n阶固有模态函数分量的能量,记为ESi,其中i=1,…,n,和希尔伯特边际谱总能量,记为ES,并由ESi和ES组成判别电路无故障的特征向量,作为BP神经网络的训练样本;
(3)激励源分别作用于各种故障模式下的非线性模拟电路,提供激励信号,在考虑元件容差的条件下,分别对各种故障模式下的电路采集多次可及测试节点电压信号,将每次采集的可及测试节点电压信号做希尔伯特-黄变换,得到信号的n阶固有模态函数分量和希尔伯特边际谱,求出n阶固有模态函数分量的能量,记为ESj,j=1,…,n和希尔伯特边际谱总能量,记为ES,并由ESj和ES组成判别电路发生哪一类故障的特征向量,作为BP神经网络的训练样本;
(4)将步骤(2)和(3)中的训练样本归一化后作为输入向量训练BP神经网络;训练样本的输出向量确定方法为:设电路有K种故障模式,即模式1、模式2、…、模式j、…、模式K,网络输出向量为(y1,y2,…,yj,…,yK),若电路状态处于模式j,则令yj=1,其余为0,网络输出向量为(0,0,…,1,…,0);
(5)测量待测电路的可及测试节点的电压信号,经希尔伯特-黄变换后得到由n阶固有模态函数分量的能量ESm,m =1,…,n和希尔伯特边际谱总能量ES组成的特征向量,将特征向量归一化后输入步骤(4)中训练好的BP神经网络,神经网络的输出即可判定故障模式,完成了故障元件的定位。
2.根据权利要求1所述的基于希尔伯特-黄变换的非线性模拟电路软故障诊断方法,其特征在于,待测电路的拓扑结构已知。
3.根据权利要求1所述的基于希尔伯特-黄变换的非线性模拟电路软故障诊断方法,其特征在于,待测电路的输出端为唯一的可及测试点。
4.根据权利要求1所述的基于希尔伯特-黄变换的非线性模拟电路软故障诊断方法,其特征在于,给待测电路施加的激励源为一个不少于三个频率的多频复合信号。
5.根据权利要求1所述的基于希尔伯特-黄变换的非线性模拟电路软故障诊断方法,其特征在于,待测电路的各个元件的容差均为5%。
6.根据权利要求1所述的基于希尔伯特-黄变换的非线性模拟电路软故障诊断方法,其特征在于:对待测电路进行灵敏度仿真分析,只考虑测试节点电压灵敏度较高的元件发生故障的情况。
8.根据权利要求7所述的基于希尔伯特-黄变换的非线性模拟电路软故障诊断方法,其特征在于,所述的软故障只会引起电路性能发生退化,而不会引起电路发生功能性故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210573834.2A CN103064008B (zh) | 2012-12-26 | 2012-12-26 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210573834.2A CN103064008B (zh) | 2012-12-26 | 2012-12-26 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103064008A true CN103064008A (zh) | 2013-04-24 |
CN103064008B CN103064008B (zh) | 2016-01-20 |
Family
ID=48106714
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210573834.2A Active CN103064008B (zh) | 2012-12-26 | 2012-12-26 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103064008B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104198923A (zh) * | 2014-08-29 | 2014-12-10 | 电子科技大学 | 一种线性模拟电路故障诊断方法 |
CN105467304A (zh) * | 2015-12-26 | 2016-04-06 | 哈尔滨理工大学 | 基于核特征的非线性模拟电路故障诊断仪及故障诊断方法 |
CN107505853A (zh) * | 2017-08-25 | 2017-12-22 | 河海大学 | 一种发电机电刷滑环烧伤故障诊断方法 |
CN107908812A (zh) * | 2017-10-10 | 2018-04-13 | 电子科技大学 | 一种基于hht和神经网络的气阀故障诊断方法 |
CN108491655A (zh) * | 2018-03-30 | 2018-09-04 | 哈尔滨理工大学 | 一种非线性滤波模拟电路智能故障诊断方法 |
CN108563874A (zh) * | 2018-04-17 | 2018-09-21 | 重庆大学 | 一种模拟电路间歇故障诊断方法 |
CN108829912A (zh) * | 2018-04-16 | 2018-11-16 | 浙江工业大学 | 一种基于APHash的电路输入向量特征化方法 |
CN108845247A (zh) * | 2018-06-29 | 2018-11-20 | 哈尔滨工业大学 | 一种模拟电路模块故障诊断方法 |
CN109270917A (zh) * | 2018-08-07 | 2019-01-25 | 浙江大学 | 一种面向智能电厂汽轮机轴承的闭环控制系统故障退化状态预测方法 |
CN110223195A (zh) * | 2019-05-22 | 2019-09-10 | 上海交通大学 | 基于卷积神经网络的配电网故障检测方法 |
CN111459140A (zh) * | 2020-04-10 | 2020-07-28 | 北京工业大学 | 一种基于hht-dcnn的发酵过程故障监测方法 |
CN112505531A (zh) * | 2021-02-04 | 2021-03-16 | 湖南遥光科技有限公司 | 基于支持向量优选的电路故障诊断方法及其装置 |
CN112651147A (zh) * | 2020-09-27 | 2021-04-13 | 中国海洋大学 | 基于希尔伯特黄变换和支持向量机的海洋平台故障诊断方法 |
WO2022067562A1 (zh) * | 2020-09-29 | 2022-04-07 | 西门子股份公司 | 一种故障电弧的诊断方法、装置和计算机可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1222625B1 (de) * | 1999-05-24 | 2006-04-05 | IPCentury AG | Neuronales netz zum computergestützten wissensmanagement |
CN101251579A (zh) * | 2008-03-05 | 2008-08-27 | 湖南大学 | 一种基于支持向量机的模拟电路故障诊断方法 |
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 |
-
2012
- 2012-12-26 CN CN201210573834.2A patent/CN103064008B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1222625B1 (de) * | 1999-05-24 | 2006-04-05 | IPCentury AG | Neuronales netz zum computergestützten wissensmanagement |
CN101251579A (zh) * | 2008-03-05 | 2008-08-27 | 湖南大学 | 一种基于支持向量机的模拟电路故障诊断方法 |
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 |
---|
刘毅华 等: "希尔伯特-黄变换在电力系统故障检测中的应用研究", 《继电器》, vol. 34, no. 14, 16 July 2006 (2006-07-16) * |
周世官 等: "经验模态分解在模拟电路故障诊断中的应用", 《计算机测量与控制》, vol. 17, no. 10, 31 December 2009 (2009-12-31) * |
王承 等: "小波-神经网络在模拟电路故障诊断中的应用", 《系统仿真学报》, vol. 17, no. 8, 31 August 2005 (2005-08-31), pages 1936 - 1938 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104198923A (zh) * | 2014-08-29 | 2014-12-10 | 电子科技大学 | 一种线性模拟电路故障诊断方法 |
CN105467304A (zh) * | 2015-12-26 | 2016-04-06 | 哈尔滨理工大学 | 基于核特征的非线性模拟电路故障诊断仪及故障诊断方法 |
CN107505853A (zh) * | 2017-08-25 | 2017-12-22 | 河海大学 | 一种发电机电刷滑环烧伤故障诊断方法 |
CN107908812A (zh) * | 2017-10-10 | 2018-04-13 | 电子科技大学 | 一种基于hht和神经网络的气阀故障诊断方法 |
CN108491655A (zh) * | 2018-03-30 | 2018-09-04 | 哈尔滨理工大学 | 一种非线性滤波模拟电路智能故障诊断方法 |
CN108829912A (zh) * | 2018-04-16 | 2018-11-16 | 浙江工业大学 | 一种基于APHash的电路输入向量特征化方法 |
CN108563874A (zh) * | 2018-04-17 | 2018-09-21 | 重庆大学 | 一种模拟电路间歇故障诊断方法 |
CN108845247B (zh) * | 2018-06-29 | 2021-02-02 | 哈尔滨工业大学 | 一种模拟电路模块故障诊断方法 |
CN108845247A (zh) * | 2018-06-29 | 2018-11-20 | 哈尔滨工业大学 | 一种模拟电路模块故障诊断方法 |
CN109270917A (zh) * | 2018-08-07 | 2019-01-25 | 浙江大学 | 一种面向智能电厂汽轮机轴承的闭环控制系统故障退化状态预测方法 |
CN110223195A (zh) * | 2019-05-22 | 2019-09-10 | 上海交通大学 | 基于卷积神经网络的配电网故障检测方法 |
CN111459140A (zh) * | 2020-04-10 | 2020-07-28 | 北京工业大学 | 一种基于hht-dcnn的发酵过程故障监测方法 |
CN111459140B (zh) * | 2020-04-10 | 2021-06-25 | 北京工业大学 | 一种基于hht-dcnn的发酵过程故障监测方法 |
CN112651147A (zh) * | 2020-09-27 | 2021-04-13 | 中国海洋大学 | 基于希尔伯特黄变换和支持向量机的海洋平台故障诊断方法 |
WO2022067562A1 (zh) * | 2020-09-29 | 2022-04-07 | 西门子股份公司 | 一种故障电弧的诊断方法、装置和计算机可读存储介质 |
CN112505531A (zh) * | 2021-02-04 | 2021-03-16 | 湖南遥光科技有限公司 | 基于支持向量优选的电路故障诊断方法及其装置 |
Also Published As
Publication number | Publication date |
---|---|
CN103064008B (zh) | 2016-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN109165504B (zh) | 一种基于对抗生成网络的电力系统虚假数据攻击识别方法 | |
CN109884459A (zh) | 一种电力变压器绕组变形智能在线诊断定位方法 | |
CN108107324A (zh) | 一种基于深度卷积神经网络的配电网故障定位方法 | |
CN103995237A (zh) | 一种卫星电源系统在线故障诊断方法 | |
CN102722471B (zh) | 一种基于综合相关性矩阵的模糊关系矩阵生成方法 | |
CN105129109A (zh) | 一种基于多重分形理论和自组织映射网络的飞机副翼作动器系统健康评估方法 | |
CN104597376A (zh) | 一种考虑实测波速的高压直流输电线路故障测距方法 | |
CN102606557A (zh) | 一种基于故障观测器与som的液压系统健康评估方法 | |
CN105117839A (zh) | 一种基于连锁故障的电力系统薄弱环节辨识方法 | |
CN103018632B (zh) | 基于费歇信息的小电流接地系统单相接地故障选线方法 | |
CN104407273B (zh) | 计及监测可信度的电能质量扰动源定位方法 | |
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 | |
CN104793171A (zh) | 一种基于故障仿真的智能电表故障检测方法 | |
CN101782625B (zh) | 一种基于Gradation-Boosting算法的电力电子系统故障诊断方法 | |
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 | |
CN107036808B (zh) | 基于支持向量机概率估计的风电机组齿轮箱复合故障诊断方法 | |
CN110020637B (zh) | 一种基于多粒度级联森林的模拟电路间歇故障诊断方法 | |
Jiang et al. | Fault localization in smart grid using wavelet analysis and unsupervised learning | |
CN102364490B (zh) | 基于层次分析模型的自动同调识别方法 | |
CN105157821A (zh) | 一种旋转机械振动故障诊断及定量分析方法 | |
CN109061391B (zh) | 一种基于计算机视觉潮流图的电网故障诊断方法及系统 | |
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 | |
CN106154040A (zh) | 一种用于计算电网单点等值时等效谐波阻抗方法 | |
CN109521372A (zh) | 一种分布式新能源并网数据分析诊断系统 |
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 |