CN103675525B - 基于多svdd模型的dc‑dc变换器健康监测与故障预测方法 - Google Patents
基于多svdd模型的dc‑dc变换器健康监测与故障预测方法 Download PDFInfo
- Publication number
- CN103675525B CN103675525B CN201310581057.0A CN201310581057A CN103675525B CN 103675525 B CN103675525 B CN 103675525B CN 201310581057 A CN201310581057 A CN 201310581057A CN 103675525 B CN103675525 B CN 103675525B
- Authority
- CN
- China
- Prior art keywords
- circuit
- svdd
- fault
- changer
- characteristic parameters
- 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
- Testing Of Individual Semiconductor Devices (AREA)
- Dc-Dc Converters (AREA)
Abstract
本发明公开一种基于多SVDD模型的DC‑DC变换器健康监测与故障预测方法:首先,采集健康DC‑DC变换器的状态信号(输入电压、输入电流、输出电压、输出电流),并计算多组性能参数(输出电压平均值Uo、输出纹波电压Upp和效率η);然后,构造3个训练样本集,获取电路健康状态下的3个SVDD模型,计算电路健康基准值最后,对待测DC‑DC变换器进行实时监测,计算各性能参数(Uo、Upp和η)到对应SVDD模型的相对距离,并加权求和,获取电路故障特征参数Hk,比较Hk与的大小,当时,表明电路发生异常,采用高斯过程模型对电路进行故障预测。本发明综合考虑DC‑DC变换器多个性能参数的变化情况,弥补单一信息的缺陷,获取可全面评估电路性能状况的故障特征参数,可有效实现电路的准确故障预测。
Description
技术领域
本发明涉及一种基于多SVDD模型的DC-DC变换器健康监测与故障预测方法,属于可靠性评估及故障预测领域。
背景技术
随着飞机用电设备的日益增多,机载电子设备的用电量大幅增加,对飞机电源系统的供电品质提出了更高的要求。DC-DC变换器作为飞机电源系统的重要组成部分,为各种机载电子设备提供直流工作电源。DC-DC变换器长期运作在高空恶劣环境下,其发生故障的潜在可能性相对较大,一旦发生故障将对整个飞机电源系统造成重大损失。因此,需要对DC/DC变换器进行故障预测技术研究,以便及时预知故障的发生,并采取相应维护措施,降低故障损失。
DC-DC变换器的故障可分为结构性和参数性故障。结构性故障主要指开路或短路故障,其发生的时间较短暂,所表现的征兆没有确定性发展趋势。参数性故障主要由各元器件性能退化所引起,退化过程可以通过某些信息量的变化来表现。国内外对DC/DC变换器故障诊断技术进行了较多研究,尤其是针对开路和短路故障,提出了一系列检测、诊断方法。而关于DC-DC变换器故障预测技术的研究多以变换器中关键元器件为目标对象,虽然目前存在少数关于DC-DC变换器系统级故障预测方法的研究,但是仅以单一性能参数(如输出纹波电压等)来评估电路性能退化状况,并未全面考虑所有元器件的性能退化对DC/DC变换器特性的影响。虽然采用单一信息也可以对DC-DC变换器进行故障,但得到的预测结果往往具有很强的不确定性,无法实现准确的DC-DC变换器故障预测。
因此,可利用信息融合技术综合DC-DC变换器多个性能退化数据,消除各信息之间的冗余和矛盾,并利用各性能参数的差异性和互补性弥补单一信息的缺陷,得到可全面评估与预测DC-DC变换器健康状况的特征参数,从而降低预测的不确定性。
发明内容
本发明为了解决目前DC-DC变换器故障特征参数多为单信息参数,无法全面、准确反映电路性能退化状况的问题,提出基于多支持向量数据描述(Support Vector DataDescription,SVDD)模型的DC-DC变换器故障特征参数提取方法,并将其用于健康监测与故障预测中。
SVDD方法是在支持向量机(Support Vector Machine,SVM)基础上发展起来的单值分类方法,可有效处理小样本或故障数据缺失条件下的故障预测问题,具有计算速度快、鲁棒性强等优点。在对DC-DC变换器进行健康监测与故障预测的过程中,研究的关注点不仅局限于电路是否发生异常或故障,还包括对故障程度的预测与判决。因此,在仅存在电路健康样本数据的情况下,可利用健康样本训练SVDD模型,并通过计算待测样本到健康SVDD的距离来评估电路的性能退化程度。
本发明通过对健康状态下的DC-DC变换器的多个关键性能参数进行训练,获取多个SVDD模型,确定健康基准值,并计算待测DC-DC变换器性能参数到相应SVDD模型球心的相对距离加权之和,提取DC-DC变换器故障特征参数,对变换器进行健康监测及故障预测。
本发明为解决其技术问题,采用如下技术方案:
基于多SVDD模型的DC-DC变换器健康监测与故障预测方法,包括以下步骤:
步骤1、针对DC-DC变换器进行故障模式、机理及影响分析(Failure modes,Mechanisms,and effects analysis,FMMEA),根据分析结果得到DC-DC变换器电路主要的故障模式及故障元件,确定需监测的电路状态信号为输入电压ui、输入电流ii、输出电压uo、输出电流io,需计算的性能参数为输出电压平均值Uo、输出纹波电压Upp和效率η;将每个故障模式的严重性、发生概率划分为了5个等级,依次用1-5表示故障严重性和发生概率的程度,计算二者乘积得到风险系数(Risk Priority Number,RPN),以风险系数的大小表示故障模式风险等级的高低;
步骤2、将性能指标均满足设计要求的DC-DC电路变换器定义为健康DC-DC电路,采集健康DC-DC电路的状态信号,计算电路性能参数,并进行归一化操作,获取训练样本集,基于多SVDD模型对样本集进行训练,并提取健康DC-DC电路的故障特征参数,确立DC-DC变换器健康基准值,具体步骤如下:
步骤2.1、通过对健康DC-DC电路进行多次蒙特卡洛分析,得到电路在无故障容差范围内的多组状态信号,计算电路性能参数Uo、Upp和η,并进行归一化操作,由此获取3个训练样本集。
步骤2.2、基于步骤2.1中获取的样本集训练SVDD模型,得到健康DC-DC电路的3个SVDD模型,定义由输出电压平均值Uo训练得到的SVDD模型为S1,球心为a1,球体半径为R1;由输出纹波电压Upp训练得到的SVDD模型为S2,球心为a2,球体半径为R2;由效率η训练得到的SVDD模型为S3,球心为a3,球体半径为R3。
步骤2.3、为消除SVDD模型的半径对故障预测的结果影响,并同时考虑DC-DC变换器多性能参数的变化情况,定义DC-DC变换器故障特征参数为各性能参数(Uo、Upp和η)到对应的健康SVDD模型球心的相对距离加权之和,即为:
其中,rl为待测DC-DC变换器电路性能参数Uo、Upp和η到对应健康SVDD模型Sl球心的距离,即r1为Uo到SVDD模型S1的球心的距离,r2为Upp到SVDD模型S2的球心的距离,r3为η到SVDD模型S3的球心的距离;wl为对应性能参数Uo、Upp和η的权重,性能参数对应的故障模式的风险系数越大,表明该性能参数越能反映电路的性能退化状况,则其权重越大。
步骤2.4、由于步骤2.2中获取的R1、R2、R3是对健康DC-DC电路训练所得,因此,利用R1、R2、R3计算所得故障特征参数值即可作为DC-DC变换器电路的健康基准值,定义为。
步骤3、对DC-DC变换器进行实时监测,实时获取DC-DC变换器电路故障特征参数,并进行健康监测及故障预测,具体步骤如下:
步骤3.1、采集待测DC-DC变换器的状态信号,实时获取DC-DC变换器电路输出电压平均值Uo、输出纹波电压Upp以及效率η,并进行归一化操作。分别计算Uo、Upp和η到步骤2.2中健康SVDD模型的球心的距离,根据步骤2.3中的故障特征参数计算方法,实时获取电路的故障特征参数值。
步骤3.2、比较电路故障特征参数Hk与基准值的大小,若表明当前电路状态良好,未发生异常,继续对电路进行健康监控;反之,若表明当前电路出现异常现象,则执行步骤3.3。
步骤3.3、根据电路当前及历史时刻的故障特征参数,基于高斯过程模型对其进行时间序列预测,获取k+p时刻故障特征参数,将故障特征参数与失效阈值Hf进行比较,若故障特征参数小于失效阈值Hf,表明电路未达到失效状态,继续对其进行故障预测;若故障特征参数大于失效阈值Hf,表明电路达到失效状态,对应的时间点即为电路总寿命,将总寿命减去已使用寿命,即可获取当前时刻的电路剩余使用寿命。
本发明综合考虑DC-DC变换器不同故障模式对电路性能退化的影响性能,以待测DC-DC变换器多个性能参数到健康状态SVDD模型的相对距离加权之和来评估电路整体健康状况,并结合健康基准值对电路进行健康监测与故障预测。本发明利用各性能参数的差异性和互补性弥补单一信息的缺陷,从而获取了可全面评估DC-DC变换器健康状况的故障特征参数,降低了预测的不确定性,可有效实现DC-DC变换器准确的故障预测。
附图说明
图1是DC-DC变换器健康监测与故障预测流程图;
图2是基于多SVDD模型的DC-DC变换器故障特征参数提取流程图。
具体实施方式
下面结合附图对本发明的技术方案进行详细说明:
如图1所示,本发明提出一种DC-DC变换器健康监测与故障预测方法,综合考虑电路多性能参数退化规律,基于多SVDD模型提取电路故障特征参数,并建立电路健康基准值,对电路进行健康监测,当监测出异常时,利用高斯过程模型对故障特征参数进行时间序列预测,从而实现电路的故障预测。具体实施方式如下:
步骤1、对DC-DC变换器进行FMMEA分析,根据分析结果得到主要的故障模式及故障元件,分别将每个故障模式的严重性、发生概率划分为了5个等级,依次用1-5表示严重性和发生概率的程度,将二者相乘得到风险系数(Risk Priority Number,RPN),用来表示相应故障模式风险等级的高低。最终,确定电路的监测状态信号为输入电压ui、输入电流ii、输出电压uo、输出电流io,待计算的性能参数为输出电压平均值Uo、输出纹波电压Upp、效率η。输出纹波电压指输出电压信号的峰峰值,效率指输出有功功率与输入有功功率之比,可采用式(1)计算得到:
其中,Io、Ui、Ii分别表示输出电流、输入电压、输入电流的平均值。
步骤2、将性能指标均满足设计要求的DC-DC电路定义为健康DC-DC电路,通过对健康DC-DC电路构建训练样本、训练SVDD模型及提取故障特征,确立DC-DC变换器健康基准值,具体步骤如下:
步骤2.1、采用PSpice工具对健康DC-DC电路进行仿真,设置电路中各元器件的容差范围,对电路进行n次Monte Carlo分析,获取n组健康DC-DC电路的状态信号,计算得到n组性能参数,并进行归一化操作:
其中,Xmin、Xmax分别为待归一化向量的最小值和最大值,X(i)为待归一化向量的第i个值,为归一化后得到的值,通过归一化处理,所有样本数据落入区间[0,1]之间。
通过对性能参数的归一化操作,消除量纲和数量级差别的影响。根据归一化结果构造3个训练样本集合分别为
步骤2.2、基于步骤2.1中获取的样本集训练SVDD模型,SVDD的基本思想就是通过选择最小化的R来定义一个最小超球体,使其尽可能包含所有的训练样本可通过求解下列最优二次规划问题获取SVDD模型:
其中,C是惩罚系数,ξ是松弛变量,a是球心,R为球体半径。
将式(3)的最小化问题转化为求其对偶形式的最大化问题,内积采用核函数代替:
通过求式(5)的最小值获取αi的最优解,满足0≤αi≤C条件的样本即为支持向量,从而获取SVDD超球体的球心a和半径R。
定义由输出电压平均值Uo训练得到的SVDD模型为S1,球心为a1,球体半径为R1;由输出纹波电压Upp训练得到的SVDD模型为S2,球心为a2,球体半径为R2;由效率η训练得到的SVDD模型为S3,球心为a3,球体半径为R3。
步骤2.3、为消除SVDD模型半径对故障预测的结果影响,并同时考虑DC-DC变换器多性能参数的变化情况,定义DC-DC变换器故障特征参数为各性能参数(Uo、Upp、η)到对应的健康SVDD模型球心的相对距离加权之和,即为:
其中,rl为待测DC-DC变换器电路性能参数Uo、Upp和η到对应健康SVDD模型Sl球心的距离,即r1为Uo到SVDD模型S1的球心的距离,r2为Upp到SVDD模型S2的球心的距离,r3为η到SVDD模型S3的球心的距离;wl为对应性能参数Uo、Upp和η的权重,性能参数对应的故障模式的风险系数越大,表明该性能参数越能反映电路的性能退化状况,则其权重越大。
若与输出电压平均值Uo相关的故障模式的风险系数为RPN1,与输出纹波电压Upp相关的故障模式的风险系数为RPN2,与效率η相关的故障模式的风险系数为RPN3,则权重的计算公式如式(8)所示:
步骤2.4、由于步骤2.2中获取的R1、R2、R3是对健康DC-DC电路训练所得,因此,将采用R1、R2、R3计算所得故障特征参数值作为DC-DC变换器的健康基准值,定义为根据式(7)可知
步骤3、对待测DC-DC变换器进行实时监测,依图2所示流程提取DC-DC变换器电路故障特征参数,并进行异常检测及故障预测,具体步骤如下:
步骤3.1、每隔y分钟采集电路的状态信号,获取电路输出电压平均值Uo、输出纹波电压Upp以及效率η,并进行归一化操作。分别计算Uo、Upp和η到步骤2.2中训练所得SVDD模型的球心距离:
其中,为待测DC-DC变换器电路的输出电压平均值Uo,为待测DC-DC变换器电路的输出纹波电压Upp,为待测DC-DC变换器电路的效率η。
步骤3.2、根据步骤2.3中的故障特征参数计算方法,获取待测DC-DC变换器电路k时刻的故障特征参数值Hk,比较Hk与基准值的大小,若表明当前电路状态良好,未发生异常,继续对电路进行健康监控;反之,若表明当前电路出现异常现象,则执行步骤3.3。
步骤3.3、根据DC-DC变换器电路当前及历史时刻的故障特征参数,利用高斯过程模型(Gaussian Process,GP)对其进行时间序列预测,获取未来时刻故障特征参数,并结合失效阈值,获取电路剩余使用寿命,具体步骤为:
a)获取故障特征参数时间序列值:经过y*k分钟,获取连续k+1个时刻电路的健康评估指标{H(0),H(1),…,H(k)}。
b)构造预测模型及训练样本:构造预测模型H(t+q)=f(H(t-1),H(t-2),H(t-3))(t=1,2,…k-q),即设定t+q时刻的序列值与t-1、t-2、t-3三个时刻的序列值相关,{H(t-1),H(t-2),H(t-3)}为输入样本,H(k+q)为输出样本。
c)确定模型参数并训练GP模型:选择有理二次协方差函数构造GP模型,进行模型训练。
d)进行q步预测:得到GP预测模型后,输入预测向量即可得到预测输出实现q步预测。
e)定义DC-DC变换器失效阈值为:设置待测DC-DC变换器电路性能参数值到对应SVDD模型球心的距离rl为120%Rl时,计算得到的故障特征参数即为失效阈值Hf。将故障特征参数与失效阈值Hf进行比较,若故障特征参数小于失效阈值Hf,表明电路未达到失效状态,继续对其进行故障预测;若故障特征参数大于失效阈值Hf,表明电路达到失效状态,对应的时间点即为电路总寿命,将总寿命减去已使用寿命,即可获取当前时刻的电路剩余寿命。
Claims (4)
1.基于多SVDD模型的DC-DC变换器健康监测与故障预测方法,其特征在于该方法包括如下步骤:
步骤1、针对DC-DC变换器进行故障模式、机理及影响分析,根据分析结果得到DC-DC变换器电路主要的故障模式及故障元件,确定需监测的电路状态信号为输入电压ui、输入电流ii、输出电压uo、输出电流io,需计算的性能参数为输出电压平均值Uo、输出纹波电压Upp和效率η,其中效率η为电路输出有功功率与输入有功功率之比;将每个故障模式的严重性、发生概率划分为了5个等级,依次用1-5表示故障严重性和发生概率的程度,计算二者乘积得到风险系数(Risk Priority Number,RPN),以风险系数的大小表示故障模式风险等级的高低;
步骤2、将性能指标均满足设计要求的DC-DC变换器定义为健康DC-DC电路,采集健康DC-DC电路的状态信号,计算电路性能参数Uo、Upp、η,进行归一化操作,获取训练样本集,训练多SVDD模型,并基于信息融合方法获取健康DC-DC电路的故障特征参数,作为健康基准值
步骤3、对待测DC-DC变换器进行实时监测,依据步骤2中故障特征参数计算方法,实时获取待测DC-DC变换器电路当前k时刻的故障特征参数值Hk,通过比较Hk与健康基准值的大小,对电路进行健康监测,若电路发生异常,则对电路进行故障预测。
2.如权利要求1所述的基于多SVDD模型的DC-DC变换器健康监测与故障预测方法,其特征在于,所述步骤2中,通过对健康DC-DC电路进行数据采集、构建训练样本、训练SVDD模型及提取故障特征参数,确立DC-DC变换器健康基准值,具体步骤如下:
步骤2.1、对健康DC-DC电路进行多次蒙特卡洛分析,得到电路在无故障容差范围内的多组状态信号,计算电路性能参数Uo、Upp和η,针对每个性能参数,获取对应训练样本集;
步骤2.2、基于步骤2.1中获取的样本集训练SVDD模型,得到健康DC-DC电路的3个SVDD模型,定义由输出电压平均值Uo训练得到的SVDD模型为S1,球心为a1,球体半径为R1;由输出纹波电压Upp训练得到的SVDD模型为S2,球心为a2,球体半径为R2;由效率η训练得到的SVDD模型为S3,球心为a3,球体半径为R3;
步骤2.3、定义DC-DC变换器故障特征参数为各性能参数Uo、Upp和η到对应的健康SVDD模型球心的相对距离加权之和,即为:
其中,rl为待测DC-DC变换器电路性能参数Uo、Upp和η到对应健康SVDD模型Sl球心的距离,即r1为Uo到SVDD模型S1的球心的距离,r2为Upp到SVDD模型S2的球心的距离,r3为η到SVDD模型S3的球心的距离;wl为对应性能参数Uo、Upp和η的权重,性能参数对应的故障模式的风险系数越大,表明该性能参数越能反映电路的性能退化状况,则其权重越大;
步骤2.4、由于R1、R2和R3是对健康DC-DC电路样本训练得到的SVDD模型的半径,因此将R1、R2和R3代入步骤2.3所述故障特征参数的计算公式中,将计算结果作为DC-DC变换器电路的健康基准值,记为
3.如权利要求2所述的基于多SVDD模型的DC-DC变换器健康监测与故障预测方法,其特征在于,所述步骤3中,对待测DC-DC变换器进行实时监测,获取故障特征参数,并进行健康监测及故障预测,具体步骤如下:
步骤3.1、采集DC-DC变换器的状态信号,实时获取DC-DC变换器电路输出电压平均值Uo、输出纹波电压Upp以及效率η,并进行归一化操作;分别计算Uo、Upp和η到步骤2.2中健康SVDD模型球心的距离,根据步骤2.3的故障特征参数计算方法,实时获取电路的故障特征参数值;
步骤3.2、比较当前k时刻电路故障特征参数Hk与健康基准值的大小,若表明当前电路状态良好,未发生异常,继续对电路进行健康监测;若表明当前电路出现异常现象,则执行步骤3.3;
步骤3.3、根据电路当前及历史时刻的故障特征参数,基于高斯过程模型对其进行时间序列预测,获取未来q时刻故障特征参数预测值将与失效阈值Hf进行比较,若小于Hf,表明电路未达到失效状态,继续对其进行故障预测;若大于Hf,表明电路达到失效状态,对应的时间点即为电路总寿命,将总寿命减去已使用寿命,即可获取当前时刻的电路剩余使用寿命。
4.如权利要求3所述的基于多SVDD模型的DC-DC变换器健康监测与故障预测方法,其特征在于,所述步骤3.3中DC-DC变换器失效阈值的设定方法为:设置待测DC-DC变换器电路的性能参数Uo、Upp和η到健康SVDD模型球心的距离rl为120%Rl时,计算得到的故障特征参数即为失效阈值Hf。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310581057.0A CN103675525B (zh) | 2013-11-14 | 2013-11-14 | 基于多svdd模型的dc‑dc变换器健康监测与故障预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310581057.0A CN103675525B (zh) | 2013-11-14 | 2013-11-14 | 基于多svdd模型的dc‑dc变换器健康监测与故障预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103675525A CN103675525A (zh) | 2014-03-26 |
CN103675525B true CN103675525B (zh) | 2017-01-18 |
Family
ID=50313687
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310581057.0A Expired - Fee Related CN103675525B (zh) | 2013-11-14 | 2013-11-14 | 基于多svdd模型的dc‑dc变换器健康监测与故障预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103675525B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105699883B (zh) * | 2016-01-22 | 2018-08-14 | 合肥工业大学 | 一种模拟电路健康预测方法 |
FR3052273B1 (fr) * | 2016-06-02 | 2018-07-06 | Airbus | Prediction de pannes dans un aeronef |
TWI623764B (zh) * | 2017-03-27 | 2018-05-11 | 友達光電股份有限公司 | 具偵測功能的電子裝置及顯示裝置 |
CN108919783B (zh) * | 2018-07-13 | 2020-07-21 | 中车青岛四方机车车辆股份有限公司 | 一种驱动机构故障诊断装置及方法 |
CN109214529A (zh) * | 2018-08-31 | 2019-01-15 | 深圳市紫衡技术有限公司 | 一种机电系统预防性维护方法及系统、设备、存储介质 |
CN109165472A (zh) * | 2018-10-11 | 2019-01-08 | 北京航空航天大学 | 一种基于变拓扑自组织网络的电源健康评估方法 |
CN109271741B (zh) * | 2018-10-25 | 2023-06-27 | 北京航空航天大学 | 一种降压型dc-dc电源模块剩余使用寿命预测与健康评估方法 |
CN109522657B (zh) * | 2018-11-20 | 2023-01-13 | 未必然数据科技(北京)有限公司 | 一种基于相关性网络和svdd的燃气轮机异常检测方法 |
CN109623489B (zh) * | 2018-12-10 | 2020-05-19 | 华中科技大学 | 一种改进的机床健康状态评定方法及数控机床 |
CN110046423B (zh) * | 2019-04-12 | 2023-01-17 | 合肥哈工慈健智能科技有限公司 | 一种上楼辅助装置的故障预警方法及系统 |
TWI708197B (zh) | 2019-04-26 | 2020-10-21 | 國立成功大學 | 生產機台組件的預測保養方法與其電腦程式產品 |
CN110222399B (zh) * | 2019-05-29 | 2022-12-09 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 一种电源健康评估方法及装置 |
CN112034826B (zh) * | 2020-09-11 | 2021-09-24 | 江苏科技大学 | 基于最小二乘法的水下推进器故障程度辨识方法 |
CN113865873B (zh) * | 2021-12-02 | 2022-02-18 | 中国空气动力研究与发展中心设备设计与测试技术研究所 | 一种轴承组的健康监测方法 |
CN114800036B (zh) * | 2022-06-24 | 2022-10-25 | 成都飞机工业(集团)有限责任公司 | 一种设备健康状态评估方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080047915A (ko) * | 2006-11-27 | 2008-05-30 | 포항공과대학교 산학협력단 | 서포트 벡터 도메인 묘사를 이용한 다범주 분류 방법 및장치와 그에 사용되는 컴퓨터 판독가능 저장매체 |
CN101458522A (zh) * | 2009-01-08 | 2009-06-17 | 浙江大学 | 基于主元分析和支持向量数据描述的多工况过程监控方法 |
CN101907681A (zh) * | 2010-07-15 | 2010-12-08 | 南京航空航天大学 | 基于gsd_svdd的模拟电路动态在线故障诊断方法 |
KR20130002107A (ko) * | 2011-06-28 | 2013-01-07 | 고려대학교 산학협력단 | 정면 얼굴 검출 장치 |
CN102879728A (zh) * | 2012-10-16 | 2013-01-16 | 南京航空航天大学 | Dc-dc变换器健康评估指标与故障预测方法 |
-
2013
- 2013-11-14 CN CN201310581057.0A patent/CN103675525B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080047915A (ko) * | 2006-11-27 | 2008-05-30 | 포항공과대학교 산학협력단 | 서포트 벡터 도메인 묘사를 이용한 다범주 분류 방법 및장치와 그에 사용되는 컴퓨터 판독가능 저장매체 |
CN101458522A (zh) * | 2009-01-08 | 2009-06-17 | 浙江大学 | 基于主元分析和支持向量数据描述的多工况过程监控方法 |
CN101907681A (zh) * | 2010-07-15 | 2010-12-08 | 南京航空航天大学 | 基于gsd_svdd的模拟电路动态在线故障诊断方法 |
KR20130002107A (ko) * | 2011-06-28 | 2013-01-07 | 고려대학교 산학협력단 | 정면 얼굴 검출 장치 |
CN102879728A (zh) * | 2012-10-16 | 2013-01-16 | 南京航空航天大学 | Dc-dc变换器健康评估指标与故障预测方法 |
Non-Patent Citations (2)
Title |
---|
全样本支持矢量数据描述模拟电路故障分类;李传亮 等;《电工技术学报》;20120831;第27卷(第8期);第215-221页 * |
基于特征参数退化的DC/DC变换器故障预测;吴祎 等;《仪器仪表学报》;20130630;第34卷(第6期);第1380-1387页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103675525A (zh) | 2014-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103675525B (zh) | 基于多svdd模型的dc‑dc变换器健康监测与故障预测方法 | |
WO2022135265A1 (zh) | 气候变化影响下水库调度规则的失效预警分析方法 | |
CN103729550B (zh) | 基于传播时间聚类分析的多模型集成洪水预报方法 | |
CN103136539A (zh) | 接地网腐蚀速率等级预测方法 | |
CN107704953A (zh) | Ewt分位数回归森林的短期风电功率概率密度预测方法 | |
CN105550943A (zh) | 一种基于模糊综合评判的风电机组状态参数异常辨识方法 | |
CN105631578A (zh) | 一种面向风险评估的输变电设备故障概率模型的建模方法 | |
CN105300692A (zh) | 一种基于扩展卡尔曼滤波算法的轴承故障诊断及预测方法 | |
CN104573854A (zh) | 钢铁用电量的预测方法及装置 | |
Zhang et al. | An anomaly identification model for wind turbine state parameters | |
CN103488869A (zh) | 一种最小二乘支持向量机的风力发电短期负荷预测方法 | |
CN103150635B (zh) | 电力设备运维方法 | |
CN106447115A (zh) | 区域电网的风电功率预测的评价方法 | |
CN104156615A (zh) | 基于ls-svm的传感器检测数据点异常检测方法 | |
CN103810328A (zh) | 一种基于混合模型的变压器维修决策方法 | |
CN102289731A (zh) | 一种基于系统风险的输电设备状态检修方法 | |
CN104598734A (zh) | 滚动轴承集成期望最大化和粒子滤波的寿命预测模型 | |
CN103886518A (zh) | 一种基于监测点电能质量数据挖掘的电压暂降预警方法 | |
CN103440410A (zh) | 主变个体缺陷概率预测方法 | |
Hu et al. | A hybrid model for predicting the degradation trend of hydropower units based on deep learning | |
Lin et al. | Electricity theft detection in power consumption data based on adaptive tuning recurrent neural network | |
CN112069666A (zh) | 一种基于概率潮流法的电网短期可靠性评估方法 | |
Zhan et al. | A Two-Stage transient stability prediction method using convolutional residual memory network and gated recurrent unit | |
Wang et al. | Adaptive staged RUL prediction of rolling bearing | |
Zhang et al. | Vibration signal-based defect detection method for railway signal relay using parameter-optimized VMD and ensemble feature selection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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: 20170118 Termination date: 20191114 |