CN105044590B - 一种单测量节点模拟电路故障诊断方法 - Google Patents
一种单测量节点模拟电路故障诊断方法 Download PDFInfo
- Publication number
- CN105044590B CN105044590B CN201510482994.XA CN201510482994A CN105044590B CN 105044590 B CN105044590 B CN 105044590B CN 201510482994 A CN201510482994 A CN 201510482994A CN 105044590 B CN105044590 B CN 105044590B
- Authority
- CN
- China
- Prior art keywords
- mtd
- fault mode
- mrow
- msub
- fault
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/316—Testing of analog circuits
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/316—Testing of analog circuits
- G01R31/3161—Marginal testing
Abstract
一种单测量节点模拟电路故障诊断方法，包括如下实施步骤：（1）获取各故障模式下的先验样本数据向量；（2）计算各故障模式下的先验样本向量的统计平均值；（3）信号的haar正交小波滤波器组分解；（4）先验样本故障模式特征因子提取；（5）待测故障模式特征因子提取；（6）计算待测故障模式特征因子与先验样本故障模式特征因子之间的互相关系数矩阵、相关程度衡量参数（7）比较相关程度衡量参数，按最大相关原则判断故障模式。本发明能在不丢失原始测量信息的前提下，把单路信号转化为多路信号,提取故障模式独立性特征因子，使其具有反映不同故障模式下电路结构的变化情况，再研究相关的模式判决规则，完成电路故障模式的成功归类。
Description
技术领域
本发明涉及一种单测量节点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与模式判据函数关系的寻找。因此，如何从看似繁杂的测量数据中，寻找其潜在的故障特征因子，并依此为依据，对故障模式进行正确的判断与识别，称为模拟电路测试领域的一大重要研究课题。
模拟电路故障诊断经过了几十年的发展，已有的该方面的成果多种多样，且新的研究成果不断涌现。总结故障诊断过程中所采用的各种技术，现较为广泛使用的主要有基于统计理论、小波分析故障特征提取方法，基于神经网络、支持向量机的故障模式识别方法等。这些方面对于促进模拟电路故障诊断技术的发展起了重大的推动作用，但由于模拟电路故障诊断设计的知识领域范围大、故障模型的缺失以及方法本身的约束性，导致到目前为止，模拟电路故障诊断技术还处于发展状态。
由于模拟电路的可测节点数目有限，多数情况下仅有输出端一个节点为可测节点，这种情形下采集到的测量数据，通常是各类独立源的混合数据，其特征因子隐含较深，对这类电路进行诊断时，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。由于来自系统底层的独立因子不单一，且对于终端用户来说，这些都是不可见的独立源，即盲源。目前针对盲源处理方面的技术主要应用于语音识别领域，且其应用前提为多通道测量数据源。因此，单测量节点的电路不能直接应用盲源分离技术实现特征因子的提取。
发明内容
本发明要解决的技术问题是，克服现有技术存在的上述缺陷，提供一种误判率低的单测量节点模拟电路故障诊断方法。
本发明之单测量节点模拟电路故障诊断方法的实质在于通过一组正交小波分析滤波器组把单测量节点信号转化为多路信号，从而应用盲源分离技术进行故障特征提取，通过计算电路特定节点待测故障独立特征与已知样本故障独立特征间的互相关系数矩阵，通过相关程度衡量参数来估计电路特定节点待测故障类型。由统计学知识可知，两个随机向量的互相关系数越大，那么这两个随机向量相关性就越大，也就是说这两个随机向量的相似程度越高，在误差允许的范围内，我们取一种近似，把已知样本的故障模式近似看成是待测故障的类型。
本发明解决其技术问题所采用的技术方案是：
单测量节点模拟电路故障诊断方法，包括如下步骤：
(1)获取各故障模式下的先验样本数据向量：利用计算机仿真软件获取待测模拟电路每种故障模式Fi下的M组电压样本向量Vij，i＝1,2,…,N，j＝1,2,3,…,M，其中N为电路故障模式总数，i代表电路工作在第i类故障模式，j为采集到的第j组样本，Vij代表电路工作在第i类故障模式下采集到的第j组电压样本向量；
(2)计算各故障模式下的先验样本向量的统计平均值：i＝1,2,…,N,Vi为电路工作在故障模式Fi下的电压样本统计平均值向量；
(3)信号的haar正交小波滤波器组分解：对各故障模式的电压样本统计平均值向量Vi，i＝1,2,…,N利用一个K层的haar正交小波分析滤波器组，使Vi分解为K+1条滤波输出信号；
(4)先验样本故障模式特征因子提取：将故障模式Fi下的K+1条滤波输出信号利用盲源处理技术，提取K+1个先验样本故障模式特征因子si,d，其中d表示故障特征因子的序号，其取值为d＝1,2,…,K+1，si,d表示故障模式Fi下的电压样本信号的第d个先验样本故障模式特征因子；
(5)待测故障模式特征因子提取：采集M组待测故障模式下电压测量向量，取电压测量向量的统计平均值，利用步骤(3)中的Haar正交小波滤波器组进行分解，通过步骤(4)中的盲源处理技术，得待测故障模式下电压测量向量的K+1个特征因子sT,h，T表示待测，为Test首字母，目的是用来区分待测故障模式与先验故障模式的；h表示特征因子的序号，h＝1,2,…,K+1，sT,h代表待测故障模式电压测量信号的第h个特征因子；
(6)分别计算待测故障模式特征因子与所有故障模式Fi,i＝1,2,…,N的先验样本故障模式特征因子之间的互相关系数矩阵Ri、相关程度衡量参数δi：
其中ρhd＝E((sT,h-E(sT,h))·(si,d-E(si,d))),i＝1,2,…,N,E(·)表示求期望值，sT,h,h＝1,2,…,K+1代表待测故障模式电压测量信号的第h个特征因子，si,d,d＝1,2,…,K+1表示故障模式Fi下的电压样本信号的第d个先验样本故障模式特征因子，ρhd的物理含义为待测故障模式电压测量信号的第h个特征因子与故障模式Fi下的电压样本信号的第d个先验样本故障模式特征因子的相关系数；代表h不变，d＝1,2,…,K+1时的ρhd最大值；
(7)比较所有δi，i＝1,2,…,N，若则判为第k类故障模式，其中Index(·)代表求索引。
进一步，所述步骤(3)中，K层的haar小波分析滤波器组的特征为：滤波器组的每一层由一个低频滤波器g(n)和一个高通滤波器h(n)构成，对高频滤波器h(n)的输出部分进行2倍下采样进入下一层小波滤波器组，对每层的低频滤波器g(n)的输出进行2倍下采样后直接输出，且低通滤波器高通滤波器
进一步，所述步骤(3)中，K层Haar小波分析滤波器组的层数K的确定方法为：设滤波器组的输入信号为x，第K层的高通滤波器和低通滤波器的输出分别为yK,H和yK,L，则K值的确定步骤如下：
(3.1)初始化：K＝1；β0＝Th,其中K为滤波层数，β0为能量比率阈值，Th为预设的能量比率阈值初始值，其值可为大于0小于1的任一实数；
(3.2)计算能量比率其中<，>代表求内积；
(3.3)若β>β0，则K＝K+1，返回执行步骤(3.2)，否则，输出滤波层数K。
进一步，所述步骤(4)中，利用盲源处理技术提取特征因子的方法为：设需要利用盲源技术处理的信号矩阵为Yi，提取的特征因子矩阵为Si＝[si,1 si,2 … si,d … si,(K+1)]，si,d表示故障模式Fi下的电压样本信号的第d个先验样本故障模式特征因子，其中Yi与Si的维数相等；
(4.1)初始化：特征提取矩阵W0、更新步长μ，并让W1←W0，“←”表示将W0的值赋给W1，其中W0为任意单位矩阵，μ取(0,0.3)之间的实数；
(4.2)计算：Si＝W0Yi；
(4.3)更新W1：W1←W0+μ[I-f[Si]]gT[Si]，这里函数f(·)与g(·)的形式分别取f[Si]＝Si,gT(·)代表取矩阵转置；I表示标准单位矩阵；
(4.4)标准化W1：||·||表示矩阵范数，为对W1进行标准化处理，“←”表示将W1标准化后赋给W1；
(4.5)判断收敛性：即判断的乘积是否无限接近单位矩阵I，“→”表示“无限接近”，如果是，则输出Si；否则W0←W1，“←”表示赋值，并返回(4.2)；I表示标准单位矩阵。
本发明能在不丢失原始测量信息的前提下，把单路信号转化为多路信号,利用盲信号技术提取故障模式独立性特征因子，使其具有反映不同故障模式下电路结构的变化情况，再研究相关的模式判决规则，从而完成电路故障模式的成功归类。
附图说明
图1为单测量节点模拟电路故障诊断方法框图；
图2为小波滤波器组结构示意图；
图3为滤波器组层数确定流程；
图4为单测量节点特征因子提取流程。
具体实施方式
以下结合附图对本发明进行详细的说明。
参照图1，单测量节点模拟电路故障诊断方法，包括如下步骤：
(1)获取各故障模式下的先验样本数据向量：利用计算机仿真软件获取待测模拟电路每种故障模式Fi下的M组电压样本向量Vij，i＝1,2,…,N，j＝1,2,3,…,M，其中N为电路故障模式总数，i代表电路工作在第i类故障模式，j为采集到的第j组样本，Vij代表电路工作在第i类故障模式下采集到的第j组电压样本向量。在图1中表示为：采集M组第1类故障模式下电压样本向量；采集M组第2类故障模式下电压样本向量；……；采集M组第N类故障模式下电压样本向量。
(2)计算各故障模式下的先验样本向量的统计平均值：i＝1,2,…,N,Vi为电路工作在故障模式Fi下的电压样本统计平均值向量；
(3)信号的haar正交小波滤波器组分解：对各故障模式的电压样本统计平均值向量Vi，i＝1,2,…,N利用一个K层的haar正交小波分析滤波器组，使Vi分解为K+1条滤波输出信号；
(4)先验样本故障模式特征因子提取：将故障模式Fi下的K+1条滤波输出信号利用盲源处理技术，提取K+1个先验样本故障模式特征因子si,d，其中d表示故障特征因子的序号，其取值为d＝1,2,…,K+1，si,d表示故障模式Fi下的电压样本信号的第d个先验样本故障模式特征因子；
(5)待测故障模式特征因子提取：采集M组待测故障模式下电压测量向量，取电压测量向量的统计平均值，利用步骤(3)中的Haar正交小波滤波器组进行分解，通过步骤(4)中的盲源处理技术，得待测故障模式下电压测量向量的K+1个特征因子sT,h，T表示待测，为Test首字母，目的是用来区分待测故障模式与先验故障模式的；h表示特征因子的序号，h＝1,2,…,K+1，sT,h代表待测故障模式电压测量信号的第h个特征因子；
(6)分别计算待测故障模式特征因子与所有故障模式Fi,i＝1,2,…,N的先验样本故障模式特征因子之间的互相关系数矩阵Ri、相关程度衡量参数δi：
其中ρhd＝E((sT,h-E(sT,h))·(si,d-E(si,d))),i＝1,2,…,N,E(i)表示求期望值，sT,h,h＝1,2,…,K+1代表待测故障模式电压测量信号的第h个特征因子，si,d,d＝1,2,…,K+1表示故障模式Fi下的电压样本信号的第d个先验样本故障模式特征因子，ρhd的物理含义为待测故障模式电压测量信号的第h个特征因子与故障模式Fi下的电压样本信号的第d个先验样本故障模式特征因子的相关系数；代表h不变，d＝1,2,…,K+1时的ρhd最大值；
(7)比较所有δi，i＝1,2,…,N，若则判为第k类故障模式，其中Index(·)代表求索引。
参照图2，所述步骤(3)中，K层的haar小波分析滤波器组的特征为：滤波器组的每一层由一个低频滤波器g(n)和一个高通滤波器h(n)构成，对高频滤波器h(n)的输出部分进行2倍下采样进入下一层小波滤波器组，对每层的低频滤波器g(n)的输出进行2倍下采样后直接输出，且低通滤波器高通滤波器图2中，ycL(c＝1,2,…,K)代表滤波器组的第c层低通滤波器的输出，下标c代表滤波器的滤波层数序号，L表示低通的意思；yKH代表滤波器组的第K层高通滤波器的输出，下标K代表滤波器的滤波层数序号，H表示高通的意思。
参照图3，所述步骤(3)中，K层Haar小波分析滤波器组的层数K的确定方法为：设滤波器组的输入信号为x，第K层的高通滤波器和低通滤波器的输出分别为yK,H和yK,L，则K值的确定步骤如下：
(3.1)初始化：K＝1；β0＝Th,其中K为滤波层数，β0为能量比率阈值，Th为预设的能量比率阈值初始值，其值可为大于0小于1的任一实数；
(3.2)计算能量比率其中<，>代表求内积；
(3.3)若β>β0，则K＝K+1，返回执行步骤(3.2)，否则，输出滤波层数K。
参照图4，所述步骤(4)中，利用盲源处理技术提取特征因子的方法为：设需要利用盲源技术处理的信号矩阵为Yi，提取的特征因子矩阵为Si＝[si,1 si,2 … si,d … si,(K+1)]，si,d表示故障模式Fi下的电压样本信号的第d个先验样本故障模式特征因子，其中Yi与Si的维数相等；
(4.1)初始化：特征提取矩阵W0、更新步长μ，并让W1←W0，“←”表示将W0的值赋给W1，其中W0为任意单位矩阵，μ取(0,0.3)之间的实数；
(4.2)计算：Si＝W0Yi；
(4.3)更新W1：W1←W0+μ[I-f[Si]]gT[Si]，这里函数f(·)与g(·)的形式分别取f[Si]＝Si,gT(·)代表取矩阵转置；I表示标准单位矩阵；
(4.4)标准化W1：||·||表示矩阵范数，为对W1进行标准化处理，“←”表示将W1标准化后赋给W1；
(4.5)判断收敛性：即判断的乘积是否无限接近单位矩阵I，“→”表示“无限接近”，如果是，则输出Si；否则W0←W1，“←”表示赋值，并返回(4.2)；I表示标准单位矩阵。
Claims (4)
1.一种单测量节点模拟电路故障诊断方法，其特征在于，包括如下步骤：
(1)获取各故障模式下的先验样本数据向量：利用计算机仿真软件获取待测模拟电路每种故障模式Fi下的M组电压样本向量Vij，i＝1,2,…,N，j＝1,2,3,…,M，其中N为电路故障模式总数，i代表电路工作在第i类故障模式，j为采集到的第j组样本，Vij代表电路工作在第i类故障模式下采集到的第j组电压样本向量；
(2)计算各故障模式下的先验样本向量的统计平均值：i＝1,2,…,N,Vi为电路工作在故障模式Fi下的电压样本统计平均值向量；
(3)信号的haar正交小波滤波器组分解：对各故障模式的电压样本统计平均值向量Vi，i＝1,2,…,N利用一个K层的haar正交小波分析滤波器组，使Vi分解为K+1条滤波输出信号；
(4)先验样本故障模式特征因子提取：将故障模式Fi下的K+1条滤波输出信号利用盲源处理技术，提取K+1个先验样本故障模式特征因子si,d，其中d表示故障特征因子的序号，其取值为d＝1,2,…,K+1，si,d表示故障模式Fi下的电压样本信号的第d个先验样本故障模式特征因子；
(5)待测故障模式特征因子提取：采集M组待测故障模式下电压测量向量，取电压测量向量的统计平均值，利用步骤(3)中的Haar正交小波滤波器组进行分解，通过步骤(4)中的盲源处理技术，得待测故障模式下电压测量向量的K+1个特征因子sT,h，T表示待测，为Test首字母，目的是用来区分待测故障模式与先验故障模式的；h表示特征因子的序号，h＝1,2,…,K+1，sT,h代表待测故障模式电压测量信号的第h个特征因子；
(6)分别计算待测故障模式特征因子与所有故障模式Fi,i＝1,2,…,N的先验样本故障模式特征因子之间的互相关系数矩阵Ri、相关程度衡量参数δi：
<mrow>
<msub>
<mi>R</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>&rho;</mi>
<mn>11</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>&rho;</mi>
<mn>12</mn>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>&rho;</mi>
<mrow>
<mn>1</mn>
<mrow>
<mo>(</mo>
<mi>K</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>&rho;</mi>
<mn>21</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>&rho;</mi>
<mn>22</mn>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>&rho;</mi>
<mrow>
<mn>2</mn>
<mrow>
<mo>(</mo>
<mi>K</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>&rho;</mi>
<mrow>
<mo>(</mo>
<mi>K</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
<mn>1</mn>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>&rho;</mi>
<mrow>
<mo>(</mo>
<mi>K</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
<mn>2</mn>
</mrow>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>&rho;</mi>
<mrow>
<mo>(</mo>
<mi>K</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
<mo>(</mo>
<mi>K</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
<msub>
<mi>&delta;</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>h</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>K</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</munderover>
<mrow>
<mo>(</mo>
<munder>
<mrow>
<mi>M</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<mi>d</mi>
</munder>
<mo>(</mo>
<msub>
<mi>&rho;</mi>
<mrow>
<mi>h</mi>
<mi>d</mi>
</mrow>
</msub>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中ρhd＝E((sT,h-E(sT,h))·(si,d-E(si,d))),i＝1,2,…,N,E(·)表示求期望值，sT,h,h＝1,2,…,K+1代表待测故障模式电压测量信号的第h个特征因子，si,d,d＝1,2,…,K+1表示故障模式Fi下的电压样本信号的第d个先验样本故障模式特征因子，ρhd的物理含义为待测故障模式电压测量信号的第h个特征因子与故障模式Fi下的电压样本信号的第d个先验样本故障模式特征因子的相关系数；代表h不变，d＝1,2,…,K+1时的ρhd最大值；
(7)比较所有δi，i＝1,2,…,N，若则判为第k类故障模式，其中Index(·)代表求索引。
2.根据权利要求1所述的单测量节点模拟电路故障诊断方法，其特征在于，所述步骤(3)中，K层的haar小波分析滤波器组的特征为：滤波器组的每一层由一个低频滤波器g(n)和一个高通滤波器h(n)构成，对高频滤波器h(n)的输出部分进行2倍下采样进入下一层小波滤波器组，对每层的低频滤波器g(n)的输出进行2倍下采样后直接输出，且低通滤波器高通滤波器
3.根据权利要求1或2所述的单测量节点模拟电路故障诊断方法，其特征在于，所述步骤(3)中，K层Haar小波分析滤波器组的层数K的确定方法为：设滤波器组的输入信号为x，第K层的高通滤波器和低通滤波器的输出分别为yK,H和yK,L，则K值的确定步骤如下：
(3.1)初始化：K＝1；β0＝Th,其中K为滤波层数，β0为能量比率阈值，Th为预设的能量比率阈值初始值，其值可为大于0小于1的任一实数；
(3.2)计算能量比率其中<，>代表求内积；
(3.3)若β>β0，则K＝K+1，返回执行步骤(3.2)，否则，输出滤波层数K。
4.根据权利要求1所述的单测量节点模拟电路故障诊断方法，其特征在于，所述步骤(4)中，利用盲源处理技术提取特征因子的方法为：设需要利用盲源技术处理的信号矩阵为Yi，提取的特征因子矩阵为Si＝[si,1si,2…si,d…si,(K+1)]，si,d表示故障模式Fi下的电压样本信号的第d个先验样本故障模式特征因子，其中Yi与Si的维数相等；
(4.1)初始化：特征提取矩阵W0、更新步长μ，并让W1←W0，“←”表示将W0的值赋给W1，其中W0为任意单位矩阵，μ取(0,0.3)之间的实数；
(4.2)计算：Si＝W0Yi；
(4.3)更新W1：W1←W0+μ[I-f[Si]]gT[Si]，这里函数f(·)与g(·)的形式分别取f[Si]＝Si,gT(·)代表取矩阵转置；I表示标准单位矩阵；
(4.4)标准化W1：||·||表示矩阵范数，为对W1进行标准化处理，“←”表示将W1标准化后赋给W1；
(4.5)判断收敛性：即判断的乘积是否无限接近单位矩阵I，“→”表示“无限接近”，如果是，则输出Si；否则W0←W1，“←”表示赋值，并返回(4.2)；I表示标准单位矩阵。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510482994.XA CN105044590B (zh) | 2015-08-07 | 2015-08-07 | 一种单测量节点模拟电路故障诊断方法 |
| PCT/CN2015/095475 WO2017024692A1 (zh) | 2015-08-07 | 2015-11-25 | 一种单测量节点模拟电路故障诊断方法 |
| US15/555,076 US10539613B2 (en) | 2015-08-07 | 2015-11-25 | Analog circuit fault diagnosis method using single testable node |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510482994.XA CN105044590B (zh) | 2015-08-07 | 2015-08-07 | 一种单测量节点模拟电路故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105044590A CN105044590A (zh) | 2015-11-11 |
| CN105044590B true CN105044590B (zh) | 2017-08-25 |
Family
ID=54451273
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510482994.XA Active CN105044590B (zh) | 2015-08-07 | 2015-08-07 | 一种单测量节点模拟电路故障诊断方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US10539613B2 (zh) |
| CN (1) | CN105044590B (zh) |
| WO (1) | WO2017024692A1 (zh) |
Families Citing this family (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105044590B (zh) * | 2015-08-07 | 2017-08-25 | 合肥工业大学 | 一种单测量节点模拟电路故障诊断方法 |
| CN107730494A (zh) * | 2017-10-24 | 2018-02-23 | 河海大学 | 一种基于变分模态分解的锚杆检测方法 |
| CN107894564B (zh) * | 2017-11-09 | 2020-02-18 | 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 |
| 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 |
| CN109581204A (zh) * | 2019-01-02 | 2019-04-05 | 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 |
| CN109814026A (zh) * | 2019-01-02 | 2019-05-28 | 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 |
| CN110059413B (zh) * | 2019-04-19 | 2022-11-15 | 中国航空无线电电子研究所 | 一种故障诊断方法 |
| CN110288022A (zh) * | 2019-06-26 | 2019-09-27 | 华北水利水电大学 | 一种提取参数非线性关系的水电机组振动故障诊断算法 |
| CN110880178B (zh) * | 2019-11-27 | 2023-05-09 | 济南大学 | 一种基于改进曼哈顿距离的滚动轴承故障诊断方法 |
| CN111308327B (zh) * | 2019-12-02 | 2021-01-26 | 电子科技大学 | 模拟电路故障定位与故障元件参数辨识方法 |
| CN111427175B (zh) * | 2020-04-23 | 2023-05-02 | 深圳市华星光电半导体显示技术有限公司 | 一种显示面板故障检测方法 |
| US11486925B2 (en) * | 2020-05-09 | 2022-11-01 | Hefei University Of Technology | Method for diagnosing analog circuit fault based on vector-valued regularized kernel function approximation |
| CN112101116A (zh) * | 2020-08-17 | 2020-12-18 | 北京无线电计量测试研究所 | 一种基于深度学习的模拟电路故障诊断方法 |
| CN113449409B (zh) * | 2020-09-03 | 2022-10-04 | 中国绿发投资集团有限公司 | 海上风机故障诊断模型的样本数据的存储方法及设备 |
| CN113408441B (zh) * | 2021-06-24 | 2022-06-10 | 武汉理工大学 | 基于DRSN和person相关系数的道床故障预警方法 |
| CN115575796A (zh) * | 2022-10-08 | 2023-01-06 | 共青科技职业学院 | 数据采集集成电路测试方法、系统、电子设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008051545A (ja) * | 2006-08-22 | 2008-03-06 | Matsushita Electric Ind Co Ltd | アナログフィルタ回路の検査回路及び検査方法 |
| CN101216531A (zh) * | 2007-12-29 | 2008-07-09 | 湖南大学 | 一种模数混合信号电子电路的故障诊断方法 |
| CN103824135A (zh) * | 2014-03-11 | 2014-05-28 | 合肥工业大学 | 一种模拟电路故障预测方法 |
| CN104198924A (zh) * | 2014-09-11 | 2014-12-10 | 合肥工业大学 | 一种新颖的模拟电路早期故障诊断方法 |
| CN104678288A (zh) * | 2015-02-07 | 2015-06-03 | 长沙学院 | 基于信息熵和小波变换的开关电流电路故障字典获取方法 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5469120A (en) | 1994-12-07 | 1995-11-21 | Lsi Logic Corporation | High performance voltage controlled oscillator |
| US6031386A (en) * | 1997-10-31 | 2000-02-29 | Sandia Corporation | Apparatus and method for defect testing of integrated circuits |
| US6621299B1 (en) | 2001-05-04 | 2003-09-16 | Lsi Logic Corporation | Control circuit for power |
| US7139668B2 (en) * | 2003-05-12 | 2006-11-21 | Simmonds Precision Products, Inc. | Wire event detection |
| US7512503B2 (en) * | 2003-05-12 | 2009-03-31 | Simmonds Precision Products, Inc. | Wire fault detection |
| CN101246200B (zh) | 2008-03-10 | 2010-08-04 | 湖南大学 | 一种基于神经网络的模拟pcb智能测试系统 |
| CN102520341B (zh) * | 2011-12-05 | 2013-12-18 | 南京航空航天大学 | 一种基于Bayes-KFCM算法的模拟电路故障诊断方法 |
| CN103439647A (zh) | 2013-08-28 | 2013-12-11 | 深圳华越天芯电子有限公司 | 一种动态电源电流监测的模拟电路故障诊断方法 |
| CN105044590B (zh) | 2015-08-07 | 2017-08-25 | 合肥工业大学 | 一种单测量节点模拟电路故障诊断方法 |
-
2015
- 2015-08-07 CN CN201510482994.XA patent/CN105044590B/zh active Active
- 2015-11-25 WO PCT/CN2015/095475 patent/WO2017024692A1/zh active Application Filing
- 2015-11-25 US US15/555,076 patent/US10539613B2/en active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008051545A (ja) * | 2006-08-22 | 2008-03-06 | Matsushita Electric Ind Co Ltd | アナログフィルタ回路の検査回路及び検査方法 |
| CN101216531A (zh) * | 2007-12-29 | 2008-07-09 | 湖南大学 | 一种模数混合信号电子电路的故障诊断方法 |
| CN103824135A (zh) * | 2014-03-11 | 2014-05-28 | 合肥工业大学 | 一种模拟电路故障预测方法 |
| CN104198924A (zh) * | 2014-09-11 | 2014-12-10 | 合肥工业大学 | 一种新颖的模拟电路早期故障诊断方法 |
| CN104678288A (zh) * | 2015-02-07 | 2015-06-03 | 长沙学院 | 基于信息熵和小波变换的开关电流电路故障字典获取方法 |
Non-Patent Citations (2)
| Title |
|---|
| 童耀南 等.频域逼近优化的开关电流电路小波变换方法.《电子测量与仪器学报》.2014,第28卷(第3期), * |
| 龙英 等.基于信息熵和Haar小波变换的开关电流电路故障诊断新方法.《仪器仪表学报》.2015,第36卷(第3期), * |
Also Published As
| Publication number | Publication date |
|---|---|
| US20180038909A1 (en) | 2018-02-08 |
| US10539613B2 (en) | 2020-01-21 |
| WO2017024692A1 (zh) | 2017-02-16 |
| CN105044590A (zh) | 2015-11-11 |
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 | |
| CN103971124B (zh) | 一种基于相位同步的多类别运动想象脑电信号分类方法 | |
| CN105046279B (zh) | 一种模拟电路故障模式分类方法 | |
| CN105956526B (zh) | 基于多尺度排列熵的低信噪比微震事件辨识方法 | |
| CN107894564A (zh) | 一种基于交叉小波特征的模拟电路故障诊断方法 | |
| CN106483449B (zh) | 基于深度学习与复数特征的模拟电路故障诊断方法 | |
| CN103245907B (zh) | 一种模拟电路故障诊断方法 | |
| CN104198924A (zh) | 一种新颖的模拟电路早期故障诊断方法 | |
| CN104751169B (zh) | 高铁钢轨伤损分类方法 | |
| CN102279358B (zh) | 一种基于mcskpca的神经网络模拟电路故障诊断方法 | |
| CN102722892B (zh) | 基于低秩矩阵分解的sar图像变化检测方法 | |
| CN106443379A (zh) | 变压器局部放电故障类型的识别方法和装置 | |
| CN104239902B (zh) | 基于非局部相似性和稀疏编码的高光谱图像分类方法 | |
| CN109002859B (zh) | 基于主成分分析的传感器阵列特征选择和阵列优化方法 | |
| CN104793124B (zh) | 基于小波变换和ica特征提取的开关电路故障诊断方法 | |
| CN101226133B (zh) | 一种血细胞脉冲信号的分类识别方法 | |
| CN111580151B (zh) | 一种基于SSNet模型的地震事件到时识别方法 | |
| CN104036289A (zh) | 一种基于空间-光谱特征和稀疏表达的高光谱图像分类方法 | |
| CN108535636A (zh) | 一种模拟电路基于参数随机分布邻近嵌入胜者为王的故障特征提取方法 | |
| CN111046961B (zh) | 基于双向长短时记忆单元和胶囊网络的故障分类方法 | |
| CN104216349A (zh) | 利用制造设备的传感器数据的成品率分析系统及方法 | |
| CN108009584A (zh) | 基于单源点检测的欠定盲源分离方法 | |
| CN109858503A (zh) | 基于梯度提升决策树的牵引变流器故障诊断方法 | |
| CN107092884A (zh) | 一种快速粗精级联行人检测方法 | |
| CN108836313A (zh) | 一种智能选取导联的动态心电图分析方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |