CN103592595B - 一种开关电流电路故障诊断方法 - Google Patents
一种开关电流电路故障诊断方法 Download PDFInfo
- Publication number
- CN103592595B CN103592595B CN201310422658.7A CN201310422658A CN103592595B CN 103592595 B CN103592595 B CN 103592595B CN 201310422658 A CN201310422658 A CN 201310422658A CN 103592595 B CN103592595 B CN 103592595B
- Authority
- CN
- China
- Prior art keywords
- current circuit
- wavelet
- data
- cloud
- failure
- 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.)
- Active
Links
Landscapes
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明公开了一种开关电流电路故障诊断方法,包括以下步骤:首先对开关电流电路元件进行灵敏度分析,设定故障类型,采集故障信息;其次对获取的信息进行预处理,得到降维特征向量和云模型数字特征量;再用鱼群算法寻优小波神经网络结构权值、阈值;最后对参数数据进行诊断分析,得出故障类型。使用本发明,数据处理方式更合理,网络结构更稳定,诊断准确率更高,收敛速度更快。
Description
技术领域
本发明涉及一种开关电流电路故障诊断方法,特别是涉及一种基于云模型与智能群体算法的开关电流电路故障诊断方法。
背景技术
基于双层多晶硅工艺的开关电容电路对电路激励要求高,且需要非线性浮置电容支撑,而开关电流元件是基于MOS晶体管存储在开路状态下的栅极氧化电容电流维持漏极电流,相对降低了对电容依赖,从而实现了与数字COMS工艺电路兼容。
随着大规模集成电路的发展,开关电流电路的低电压低功耗特性优势日益显露并得到初步发展;容差范围外的软故障诊断也是制约集成电路发展的一大瓶颈问题。
近年来,研究者们在数字工艺的模拟技术故障诊断方面取得了不少的成就,其中如神经网络的开关电流电路故障诊断、遗传算法的开关电流电路故障诊断等,但这些诊断方法只针对解决特定问题,效果不理想。至今,很少有文献提出解决开关电流电路数据定性与定量间的数据转换问题。
发明内容
本发明要解决的技术问题是提供一种开关电流电路故障诊断方法,使用本方法:数据处理方式更合理,网络结构更稳定,诊断准确率更高,收敛速度更快。
为达到上述目的,本发明的技术方案如下:
一种开关电流电路故障诊断方法,包括以下步骤:
步骤1):对开关电流电路的电流数据采集;
步骤2):针对步骤1)中采集的电流数据依次进行主元分析处理及数据X信息逆云化处理;
步骤3):对步骤2)中处理完毕的数据进行小波网络模型搭建,随后对小波网络模型结构的权值、阈值进行鱼群算法寻优;
步骤4):经步骤2)处理后得到的参数数据矩阵输入步骤3),所得最优小波网络模型进行训练测试,对照元件理论容差范围字典表,根据X逆云化层输出量,实现故障元件的定位。
在本发明的一个优选实施例中,所述步骤1)中,开关电流电路数据采集步骤如下:
1)对输入的模拟信号进行时频域分解与变换,把模拟信号离散化处理为时频域序列;
2)离散化处理时频域序列方法为卷积运算,实现时频转换。设序列x(n)、h(n)具有相同自变量n,则衍生相同自变量序列函数若序列x(n)、h(n)Z变换为 则式中,C为与H[υ]收敛域重叠部分的逆向围线,收敛域至少
在本发明的一个优选实施例中,所述步骤2)中,数据主元分析处理及数据X信息逆云化处理如下:
1)对高维特征向量信息进行主元分析处理,获取低维特征向量信息;
2)基于X逆向云模型,对处理后低维特征向量信息实现定量云滴(xi,μi)值到定性数字特征(Ex,En,He)的估计,其中:xi为定性概念量化值,μi为xi的隶属度函数值,i=1,2,…,n。
在本发明的一个优选实施例中,所述步骤3)中,寻优小波神经网络的结构权值、阈值步骤如下:
1)小波网络模型确定原则:云化输入层数目λ,输出逆云化层数目η,则隐层个数为
2)鱼群算法寻优小波网络结构权值、阈值;
3)隐含层函数取小波函数动态实现尺度、平移变换,其中a≠0,b∈R,a-尺度参数,b-平移参数。
通过上述技术方案,本发明的有益效果是:
1)对电路特征向量的关联降维预处理,数据量得到简化,便于运算处理;
2)X云处理突出了模糊理论的简捷与直接特点,完善了隶属关系的随意性,符合人工智能处理特性;
3)智能群体算法寻优小波网络结构,避免网络陷入局部极优,网络结构更稳定;
4)故障诊断准确率更高,收敛速度更快。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明中开关电流电路故障诊断方法实施流程框图;
图2为本发明中开关电流电路MOS元件的电路结构图;
图3为本发明中开关电流电路接线图(以BP6BSI电路为例);
图4为本发明中云模型结构图;
图5为本发明中小波神经网络结构示意图(小波函数取morlet小波);
图6为本发明中鱼群算法公告板记录;
图7(a)为小波神经网络的训练误差曲线图;
图7(b)为本发明中改进小波神经网络的训练误差曲线图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体图示,进一步阐述本发明。
参照图1,本发明具体实施过程如下:
步骤1)首先对开关电流电路元件进行灵敏度分析,设定故障类型,采集不同故障类型的开关电流电路输出数据;
步骤2)其次对获取的不同故障类型的开关电流电路输出电流数据进行主元分析处理得到降维特征向量,以及对降维特征向量云处理得到云模型数字特征量;
步骤3)再用鱼群算法寻优小波神经网络结构权值、阈值;
步骤4)最后对步骤2)预处理参数数据进行诊断分析,得出故障类型。
一、开关电流电路数据采集:
双二次滤波器结构图2中,i0为电流输出,J为电流源,α为系数,双二次滤波器结构的传递函数表达式其中
以BP6BSI电路(开关电流电路)为例,搭建网络电路图3,通过对BP6BSI电路进行元件灵敏度分析及电路稳定性分析,获取稳定开关电流电路;
设定电路故障状况类型(栅源短路、栅漏短路、漏源短路、漏极开路、源极开路、栅极开路及参数故障),对开关电路元件分别进行各种故障状况类型设定,采集各种故障状态的数据矩阵,完成数据信息的采集。
二、主元分析及信息X逆云化处理:
结合主元分析对采集的高维关联向量信息进行数据降维处理;再结合图4,对应的云模型,进一步预处理低维特征向量信息,实现定量云滴(xi,μi)值到定性数字特征(Ex,En,He)的估计,其中:xi为定性概念量化值,μi为xi的隶属度函数值,i=1,2,…,n。
X逆向云算法(目的是定量到定性转化)得到了图5中云化层与逆云化层的数字特征值。
三、网络结构权值、阈值寻优:
图5中,一次输入含有p个估计元素的数据序列,即云化层包含p个X正态云发生器,形成云滴drop(xi,μi)输入到包含m个小波基神经元的隐含层;拟合后进入包含q个Y正态云发生器逆云化层,即输出q个估计值。ωij是云化层的神经元i到隐含层的神经元j之间的权值,ωjk为隐含层的神经元j到逆云化层的神经元k之间的权值,θj,λk分别是隐含层和逆云化层的网络阈值。
本发明采用智能群体算法中的鱼群算法寻优图5的网络结构权值、阈值;鱼群算法的觅食、群聚和追尾行为特征进行全局迭代寻优网络结构权值、阈值。
图6为本发明鱼群觅食、群聚和追尾后的公告板记录,对比环境状态(ρ,θ)下的食物浓度得出最优结构参数。
四、故障识别器诊断:
参照图7(a)为小波神经网络的训练误差曲线图;图7(b)为本发明中改进小波神经网络的训练误差曲线图。
本发明方法克服了小波网络易陷入局部极优缺陷,且本发明的故障诊断准确率更高,收敛速度更快。
本发明原理是:首先对所采集信号进行关联降维的主元分析处理,以及对主元分析处理后的特征向量进行逆云化处理,获取云模型的数字特征值,同时根据电路诊断需要确定网络结构;再结合智能群体算法中的鱼群算法实现网络结构权值、阈值的最优化;最后在本发明优化的小波网络结构中测试诊断电路数据,对照元件理论容差范围字典表,根据X逆云化层输出量,实现故障元件的定位。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (4)
1.一种开关电流电路故障诊断方法,包括以下步骤:
步骤1):对开关电流电路的电流数据采集;
步骤2):针对步骤1)中采集的电流数据依次进行主元分析处理及数据X信息逆云化处理;
步骤3):对步骤2)中处理完毕的数据进行小波网络模型搭建,随后对小波网络模型结构的权值、阈值进行鱼群算法寻优;
步骤4):经步骤2)处理后得到的参数数据矩阵输入步骤3),所得最优小波网络模型进行训练测试,对照元件理论容差范围字典表,根据X逆云化层输出量,实现故障元件的定位。
2.根据权利要求1所述的一种开关电流电路故障诊断方法,其特征在于:所述步骤1)中,开关电流电路数据采集步骤如下:
1)对输入的模拟信号进行时频域分解与变换,把模拟信号离散化处理为时频域序列;
2)离散化处理时频域序列方法为卷积运算,实现时频转换;设序列x(n)、h(n)具有相同自变量n,则衍生相同自变量序列函数:
若序列x(n)、h(n)Z变换为
则
式中,C为与H[υ]收敛域重叠部分的逆向围线,收敛域至少
3.根据权利要求1所述的一种开关电流电路故障诊断方法,其特征在于:所述步骤2)中,数据主元分析处理及数据X信息逆云化处理如下:
1)对高维特征向量信息进行主元分析处理,获取低维特征向量信息;
2)基于X逆向云模型,对处理后低维特征向量信息实现定量云滴(xi,μi)值到定性数字特征(Ex,En,He)的估计,其中:xi为定性概念量化值,μi为xi的隶属度函数值,i=1,2,…,n。
4.根据权利要求1所述的一种开关电流电路故障诊断方法,其特征在于:所述步骤3)中,寻优小波神经网络的结构权值、阈值步骤如下:
1)小波网络模型确定原则:云化输入层数目λ,输出逆云化层数目η,则隐层个数为
2)鱼群算法寻优小波网络结构权值、阈值;
3)隐含层函数取小波函数动态实现尺度、平移变换,其中a≠0,b∈R,a-尺度参数,b-平移参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310422658.7A CN103592595B (zh) | 2013-09-16 | 2013-09-16 | 一种开关电流电路故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310422658.7A CN103592595B (zh) | 2013-09-16 | 2013-09-16 | 一种开关电流电路故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103592595A CN103592595A (zh) | 2014-02-19 |
CN103592595B true CN103592595B (zh) | 2016-05-18 |
Family
ID=50082809
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310422658.7A Active CN103592595B (zh) | 2013-09-16 | 2013-09-16 | 一种开关电流电路故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103592595B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106405390B (zh) * | 2015-07-28 | 2019-03-08 | 中国电力科学研究院 | 一种配电开关设备运行可靠性与运行寿命的量化判定方法 |
CN105589037A (zh) * | 2016-03-16 | 2016-05-18 | 合肥工业大学 | 基于集成学习的电力电子开关器件网络故障诊断方法 |
CN108828437B (zh) * | 2018-06-27 | 2020-09-08 | 桂林电子科技大学 | 基于云关联系数矩阵的模拟电路故障特征提取方法 |
TWI694386B (zh) * | 2018-12-04 | 2020-05-21 | 中原大學 | 田口法與人工神經網路進行微電網靜態開關之故障偵測、分類與定位之方法 |
CN110286279B (zh) * | 2019-06-05 | 2021-03-16 | 武汉大学 | 基于极端树与堆栈式稀疏自编码算法的电力电子电路故障诊断方法 |
CN114372693B (zh) * | 2021-12-31 | 2024-05-14 | 新疆大学 | 一种基于云模型和改进ds证据理论的变压器故障诊断方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5440566A (en) * | 1991-09-23 | 1995-08-08 | Southwest Research Institute | Fault detection and diagnosis for printed circuit boards |
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 |
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 |
-
2013
- 2013-09-16 CN CN201310422658.7A patent/CN103592595B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5440566A (en) * | 1991-09-23 | 1995-08-08 | Southwest Research Institute | Fault detection and diagnosis for printed circuit boards |
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 |
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 |
Non-Patent Citations (1)
Title |
---|
基于遗传算法的云小波寻优;余汉华;《电子技术应用》;20121231;第38卷(第3期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN103592595A (zh) | 2014-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103592595B (zh) | 一种开关电流电路故障诊断方法 | |
Graf et al. | Forecasting river water temperature time series using a wavelet–neural network hybrid modelling approach | |
Gao et al. | Hourly forecasting of solar irradiance based on CEEMDAN and multi-strategy CNN-LSTM neural networks | |
Le Bagousse-Pinguet et al. | Phylogenetic, functional, and taxonomic richness have both positive and negative effects on ecosystem multifunctionality | |
Guimarães Santos et al. | Daily streamflow forecasting using a wavelet transform and artificial neural network hybrid models | |
Peng et al. | Negative correlation learning-based RELM ensemble model integrated with OVMD for multi-step ahead wind speed forecasting | |
CN110307983B (zh) | 基于CNN-Bagging的无人机轴承故障诊断方法 | |
CN110705456A (zh) | 一种基于迁移学习的微型电机异常检测方法 | |
CN102288843A (zh) | 一种电能质量扰动信号检测方法 | |
CN104504403B (zh) | 一种基于散射变换的旋转机械故障预测方法 | |
CN113191240A (zh) | 轴承故障诊断的多任务深度神经网络方法及装置 | |
CN101385645A (zh) | 基于量子简单递归神经网络心电图智能检测法 | |
CN105426822A (zh) | 基于双树复小波变换的非平稳信号多重分形特征提取方法 | |
Weiß et al. | Chain binomial models and binomial autoregressive processes | |
CN106502850B (zh) | 一种稀疏紧框架字典学习模型的多故障辨识方法与装置 | |
CN103728135A (zh) | 一种非负矩阵分解的轴承故障特征提取和诊断方法 | |
CN108805206A (zh) | 一种用于模拟电路故障分类的改进型lssvm建立方法 | |
Ye et al. | Single pole‐to‐ground fault location method for mmc‐hvdc system using wavelet decomposition and dbn | |
Kuyumani et al. | A hybrid model based on CNN-LSTM to detect and forecast harmonics: a case study of an eskom substation in South Africa | |
Chen et al. | Prediction of regional wind power generation using a multi-objective optimized deep learning model with temporal pattern attention | |
Schirmer et al. | Low-frequency energy disaggregation based on active and reactive power signatures | |
Lu et al. | Estimation of time-varying long memory parameter using wavelet method | |
CN105515857A (zh) | 一种基于rbf的城域数据网流量测算方法 | |
CN114745299B (zh) | 基于序列延时重构csp卷积神经网络的非侵入式负荷监测方法 | |
Lei et al. | Applying wavelet support vector machine to analog circuit fault diagnosis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |