CN105046279A - 一种模拟电路故障模式分类方法 - Google Patents
一种模拟电路故障模式分类方法 Download PDFInfo
- Publication number
- CN105046279A CN105046279A CN201510482928.2A CN201510482928A CN105046279A CN 105046279 A CN105046279 A CN 105046279A CN 201510482928 A CN201510482928 A CN 201510482928A CN 105046279 A CN105046279 A CN 105046279A
- Authority
- CN
- China
- Prior art keywords
- vector
- fault
- alpha
- overbar
- centerdot
- 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
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tests Of Electronic Circuits (AREA)
Abstract
一种模拟电路故障模式分类方法,其包括如下实施步骤:(1)利用数据采集板对模拟电路的每种故障模式采集M组电压信号样本向量;(2)依次对电压信号样本向量利用子空间投影提取故障特征向量;(3)对提取的故障特征向量进行标准化处理,得到标准化故障特征向量;(4)构建基于支持向量机的故障模式分类器,输入标准化故障特征,对分类器进行学习训练,确定分类器结构参数;(5)按故障模式判定规则,完成故障模式判决。本发明的故障模式分类器的学习训练简单,模式分类精度可靠。
Description
技术领域
本发明涉及模拟电路故障诊断领域,特别涉及一种模拟电路故障模式分类方法。
背景技术
现代电子和计算机技术的迅猛发展使得电子设备的组成和结构越来越复杂,规模越来越庞大,为了提高系统的安全性和可靠性,对电路测试和诊断提出了更高、更新的要求。电子系统中容易出问题的部分往往在模拟电路,模拟电路的故障诊断也一直制约我国电路工业的“瓶颈”。为顺应当代微电子技术和信息技术的新发展,开展模拟电路工业发展具有重要的理论价值和现实意义。
目前基于支持向量机的模拟电路故障模式分类器优势在于它适合于小样本决策,对学习样本的数量要求较低,能够在有限特征信息情况下,最大限度的挖掘数据中隐藏的分类信息,缺点在于故障特征向量的维数过大,会增加支持向量机的学习训练难度,另外对训练数据不同的处理方法也会影响故障模式分类器的分类精度。
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,提供一种模拟电路故障模式分类器方法,以利于减轻故障模式分类器的学习训练难度,提高故障模式分类器的分类精度,
本发明基于支持向量机构建故障模式分类器,利用子空间投影方法提取故障特征,再对故障特征进行标准化处理,最后使用标准化故障特征训练支持向量机,实现模拟电路故障模式分类器的构建。
本发明解决其技术问题所采用的技术方案是:
一种模拟电路故障模式分类方法,包括以下几个步骤:
一种模拟电路故障模式分类方法,其特征在于,包括以下几个步骤:
(1)利用数据采集板在模拟电路的每种故障模式Fi,i=1,2,…,N下的待测节点处采集M组电压信号样本向量Vij,j=1,2,…,M,Vij代表第i类故障模式的第j组电压信号样本向量,N代表故障模式的总数;
(2)依次对工作在故障模式Fi,i=1,2,...,N下的电压信号样本向量Vij,j=1,2,...,M利用子空间投影提取故障特征向量Vij F,Vij F表示第i种故障模式下,第j组电压信号样本的故障特征向量;
(3)对提取的故障特征向量Vij F进行标准化处理,得到标准化故障特征向量其计算方法为:
(4)依次对两种不同故障模式和构建一个二分类支持向量机,其中i1=1,2,...,N,i2=1,2,...,N,(i1≠i2),N为故障模式总数,则总共能构建N(N-1)/2个不同的二分类支持向量机;
(5)将待测标准化故障特征同时送入N(N-1)/2个二分类支持向量机进行分类判决,根据每个二分类支持向量机的分类结果统计票数,若待测故障模式属于故障模式Fi,i=1,2,...,N,则Fi的票数加1,最后所得投票数最多的故障模式即为待测电路所属的故障模式。
进一步,所述步骤(2)中,利用子空间投影提取故障特征向量Vij F的步骤为:
(2.1)计算电压信号样本向量Vij维数:L=length(Vij);
(2.2)生成L×L维托普利兹变换矩阵Φ:
(2.3)计算电压信号样本向量Vij在托普利兹变换矩阵Φ内的投影向量:VP=ΦTVij,其中T表示转置矩阵;
(2.4)求最大投影子空间及故障特征向量Vij F:
(2.4.1)初始化子空间投影坐标维数K:其中代表向上取整,N为待测电路故障模式总数;
(2.4.2)构建最大投影子空间索引向量I,其维数为1×K,并将其初始化为1×K维的0向量,即I=[00…0],同时构建一计数变量p,初始化p=1;
(2.4.3)更新最大投影子空间索引向量I:I(p)=Index(Max(|Vp|)),此处I(p)代表I向量中的第p个向量值,Max(·)代表求向量元素最大值,VP表示电压信号样本向量Vij在托普利兹变换矩阵Φ内的投影向量,Index(·)代表求索引;
(2.4.4)判断:p<K?,如果不是,则执行步骤(2.4.5);否则,执行p=p+1,且用0值替换投影向量VP中最大元素,返回步骤(2.4.3);
(2.4.5)以I向量元素作为托普利兹变换矩阵Φ的行索引值,提取对应行向量构成矩阵ΦΛ,其维数为K×L;
(2.4.6)计算最大投影子空间
(2.4.7)计算子空间投影故障特征向量
进一步,步骤(4)中,每个二分类支持向量机的具体构建步骤为:
(4.1)构建二分类器决策模 其中代表训练数据样本数量,xi称为支持向量,αi为某一实数,b为偏置量,yi∈y={+1,-1}为类标识;
(4.2)划分训练样本集:将故障模式和下的标准化故障特征及j=1,2,...,M构成训练样本集S={{S+},{S-}},其中 的类标识定义+1,的类标识定义为-1;
(4.3)利用训练样本集S对二分类器决策模型进行训练,以确定二分类支持向量机的参数αi及b;
(4.4)输出二分类支持向量机判决函数:
(4.5)按判决函数对待测特征完成模式判决:测试过程中的判决投票按判决函数进行,若输出y=1,则故障模式的票数加1,否则,故障模式的票数加1。
进一步,所述步骤(4.3)中,利用训练样本集S对二分类器决策模型进行训练,以确定二分类支持向量机的参数αi及b的具体步骤为:
(4.3.1)标准化核矩阵:
式中diag(·)代表求对角阵,sqrt(·)代表求矩阵元素的均方根,更新表示标准化核矩阵;
(4.3.2)二分类器训练,其训练伪代码如下:
输入训练样本集:S={{S+},{S-}};
处理过程:如果类标识yi=+1,则否则
如果类标识yi=-1,则否则M表示电压信号样本向量的采集组数;
(4.3.2)计算分类器参数:
实数
偏置量其中(·)T代表矩阵或者向量的转置。表示标准化核矩阵。
本发明与现有技术相比具有如下优点:
(1)本发明利用子空间投影方法提取故障特征向量,根据电压信号样本向量的长度确定合适的故障特征向量的维数,保证故障特征信息完整的同时也减少冗余的故障特征,有助于降低故障模式分类器的学习训练难度。
(2)本发明使用标准化处理方法处理故障特征向量,对提高故障模式分类器的分类精度有较明显的效果。
附图说明
图1为本发明模拟电路故障模式分类器方法的流程框图;
图2为本发明构建二分类支持向量机步骤框图。
具体实施方式
以下结合附图和实施例对本发明进行详细的说明。
参照图1,一种模拟电路故障模式分类方法,包括以下几个步骤:
(1)利用数据采集板在模拟电路的每种故障模式Fi,i=1,2,…,N下的待测节点处采集M组电压信号样本向量Vij,j=1,2,…,M,Vij代表第i类故障模式的第j组电压信号样本向量,N代表故障模式的总数;
(2)依次对工作在故障模式Fi,i=1,2,...,N下的电压信号样本向量Vij,j=1,2,...,M利用子空间投影提取故障特征向量Vij F,Vij F表示第i种故障模式下,第j组电压信号样本的故障特征向量;
(3)对提取的故障特征向量Vij F进行标准化处理,得到标准化故障特征向量其计算方法为:
(4)依次对两种不同故障模式和构建一个二分类支持向量机,其中i1=1,2,...,N,i2=1,2,...,N,(i1≠i2),N为故障模式总数,则总共能构建N(N-1)/2个不同的二分类支持向量机;
(5)将待测标准化故障特征同时送入N(N-1)/2个二分类支持向量机进行分类判决,根据每个二分类支持向量机的分类结果统计票数,若待测故障模式属于故障模式Fi,i=1,2,...,N,则Fi的票数加1,最后所得投票数最多的故障模式即为待测电路所属的故障模式。
所述步骤(2)中,利用子空间投影提取故障特征向量Vij F的步骤为:
(2.1)计算电压信号样本向量Vij维数:L=length(Vij);
(2.2)生成L×L维托普利兹变换矩阵Φ:
(2.3)计算电压信号样本向量Vij在托普利兹变换矩阵Φ内的投影向量:VP=ΦTVij,其中T表示转置矩阵;
(2.4)求最大投影子空间及故障特征向量Vij F:
(2.4.1)初始化子空间投影坐标维数K:其中代表向上取整,N为待测电路故障模式总数;
(2.4.2)构建最大投影子空间索引向量I,其维数为1×K,并将其初始化为1×K维的0向量,即I=[00…0],同时构建一计数变量p,初始化p=1;
(2.4.3)更新最大投影子空间索引向量I:I(p)=Index(Max(|Vp|)),此处I(p)代表I向量中的第p个向量值,Max(·)代表求向量元素最大值,VP表示电压信号样本向量Vij在托普利兹变换矩阵Φ内的投影向量,Index(·)代表求索引;
(2.4.4)判断:p<K?,如果不是,则执行步骤(2.4.5);否则,执行p=p+1,且用0值替换投影向量VP中最大元素,返回步骤(2.4.3);
(2.4.5)以I向量元素作为托普利兹变换矩阵Φ的行索引值,提取对应行向量构成矩阵ΦΛ,其维数为K×L;
(2.4.6)计算最大投影子空间
(2.4.7)计算子空间投影故障特征向量
参照图2,步骤(4)中,每个二分类支持向量机的具体构建步骤为:
(4.1)构建二分类器决策模 其中代表训练数据样本数量,xi称为支持向量,αi为某一实数,b为偏置量,yi∈y={+1,-1}为类标识;
(4.2)划分训练样本集:将故障模式和下的标准化故障特征及j=1,2,...,M构成训练样本集S={{S+},{S-}},其中 的类标识定义+1,的类标识定义为-1;
(4.3)利用训练样本集S对二分类器决策模型进行训练,以确定二分类支持向量机的参数αi及b;
(4.4)输出二分类支持向量机判决函数:
(4.5)按判决函数对待测特征完成模式判决:测试过程中的判决投票按判决函数进行,若输出y=1,则故障模式的票数加1,否则,故障模式的票数加1。
所述步骤(4.3)中,利用训练样本集S对二分类器决策模型进行训练,以确定二分类支持向量机的参数αi及b的具体步骤为:
(4.3.1)标准化核矩阵:
式中diag(·)代表求对角阵,sqrt(·)代表求矩阵元素的均方根,更新表示标准化核矩阵;
(4.3.2)二分类器训练,其训练伪代码如下:
输入训练样本集:S={{S+},{S-}};
处理过程:如果类标识yi=+1,则否则
如果类标识yi=-1,则否则M表示电压信号样本向量的采集组数;
(4.3.2)计算分类器参数:
实数
偏置量其中(·)T代表矩阵或者向量的转置。表示标准化核矩阵。
Claims (4)
1.一种模拟电路故障模式分类方法,其特征在于,包括以下几个步骤:
(1)利用数据采集板在模拟电路的每种故障模式Fi,i=1,2,…,N下的待测节点处采集M组电压信号样本向量Vij,j=1,2,…,M,Vij代表第i类故障模式的第j组电压信号样本向量,N代表故障模式的总数;
(2)依次对工作在故障模式Fi,i=1,2,...,N下的电压信号样本向量Vij,j=1,2,...,M利用子空间投影提取故障特征向量Vij F,Vij F表示第i种故障模式下,第j组电压信号样本的故障特征向量;
(3)对提取的故障特征向量Vij F进行标准化处理,得到标准化故障特征向量其计算方法为:
(4)依次对两种不同故障模式Fi1和Fi2构建一个二分类支持向量机,其中i1=1,2,...,N,i2=1,2,...,N,(i1≠i2),N为故障模式总数,则总共能构建N(N-1)/2个不同的二分类支持向量机;
(5)将待测标准化故障特征同时送入N(N-1)/2个二分类支持向量机进行分类判决,根据每个二分类支持向量机的分类结果统计票数,若待测故障模式属于故障模式Fi,i=1,2,...,N,则Fi的票数加1,最后所得投票数最多的故障模式即为待测电路所属的故障模式。
2.根据权利要求1所述的模拟电路故障模式分类方法,其特征在于,所述步骤(2)中利用子空间投影提取故障特征向量Vij F的步骤为:
(2.1)计算电压信号样本向量Vij维数:L=length(Vij);
(2.2)生成L×L维托普利兹变换矩阵Φ:
(2.3)计算电压信号样本向量Vij在托普利兹变换矩阵Φ内的投影向量:VP=ΦTVij,其中T表示转置矩阵;
(2.4)求最大投影子空间及故障特征向量Vij F:
(2.4.1)初始化子空间投影坐标维数K:其中代表向上取整,N为待测电路故障模式总数;
(2.4.2)构建最大投影子空间索引向量I,其维数为1×K,并将其初始化为1×K维的0向量,即I=[00…0],同时构建一计数变量p,初始化p=1;
(2.4.3)更新最大投影子空间索引向量I:I(p)=Index(Max(|Vp|)),此处I(p)代表I向量中的第p个向量值,Max(·)代表求向量元素最大值,VP表示电压信号样本向量Vij在托普利兹变换矩阵Φ内的投影向量,Index(·)代表求索引;
(2.4.4)判断:p<K?,如果不是,则执行步骤(2.4.5);否则,执行p=p+1,且用0值替换投影向量VP中最大元素,返回步骤(2.4.3);
(2.4.5)以I向量元素作为托普利兹变换矩阵Φ的行索引值,提取对应行向量构成矩阵ΦΛ,其维数为K×L;
(2.4.6)计算最大投影子空间
(2.4.7)计算子空间投影故障特征向量
3.根据权利要求1所述的模拟电路故障模式分类方法,其特征在于,步骤(4)中,每个二分类支持向量机的具体构建步骤为:
(4.1)构建二分类器决策模 其中代表训练数据样本数量,xi称为支持向量,αi为某一实数,b为偏置量,yi∈y={+1,-1}为类标识;
(4.2)划分训练样本集:将故障模式和下的标准化故障特征及j=1,2,...,M构成训练样本集其中 的类标识定义+1,的类标识定义为-1;
(4.3)利用训练样本集S对二分类器决策模型进行训练,以确定二分类支持向量机的参数αi及b;
(4.4)输出二分类支持向量机判决函数:
(4.5)按判决函数对待测特征完成模式判决:测试过程中的判决投票按判决函数进行,若输出y=1,则故障模式的票数加1,否则,故障模式的票数加1。
4.根据权利要求3所述的模拟电路故障模式分类方法,其特征在于,所述步骤(4.3)中,利用训练样本集S对二分类器决策模型进行训练,以确定二分类支持向量机的参数αi及b的具体步骤为:
(4.3.1)标准化核矩阵:
式中diag(·)代表求对角阵,sqrt(·)代表求矩阵元素的均方根,更新 表示标准化核矩阵;
(4.3.2)二分类器训练,其训练伪代码如下:
输入训练样本集:S={{S+},{S-}};
处理过程:如果类标识yi=+1,则否则
如果类标识yi=-1,则否则M表示电压信号样本向量的采集组数;
(4.3.2)计算分类器参数:
实数
偏置量 其中(·)T代表矩阵或者向量的转置;表示标准化核矩阵。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510482928.2A CN105046279B (zh) | 2015-08-07 | 2015-08-07 | 一种模拟电路故障模式分类方法 |
PCT/CN2015/095424 WO2017024691A1 (zh) | 2015-08-07 | 2015-11-24 | 一种模拟电路故障模式分类方法 |
US15/555,077 US10706332B2 (en) | 2015-08-07 | 2015-11-24 | Analog circuit fault mode classification method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510482928.2A CN105046279B (zh) | 2015-08-07 | 2015-08-07 | 一种模拟电路故障模式分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105046279A true CN105046279A (zh) | 2015-11-11 |
CN105046279B CN105046279B (zh) | 2018-05-15 |
Family
ID=54452808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510482928.2A Active CN105046279B (zh) | 2015-08-07 | 2015-08-07 | 一种模拟电路故障模式分类方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10706332B2 (zh) |
CN (1) | CN105046279B (zh) |
WO (1) | WO2017024691A1 (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105548862A (zh) * | 2016-01-25 | 2016-05-04 | 合肥工业大学 | 一种基于广义多核支持向量机的模拟电路故障诊断方法 |
WO2017024691A1 (zh) * | 2015-08-07 | 2017-02-16 | 合肥工业大学 | 一种模拟电路故障模式分类方法 |
CN106599934A (zh) * | 2016-12-29 | 2017-04-26 | 北京航天测控技术有限公司 | 一种吊舱故障诊断方法 |
CN107463963A (zh) * | 2017-08-10 | 2017-12-12 | 郑州云海信息技术有限公司 | 一种故障分类方法及装置 |
CN109995566A (zh) * | 2017-12-31 | 2019-07-09 | 中国移动通信集团辽宁有限公司 | 网络故障定位方法、装置、设备及介质 |
CN113187650A (zh) * | 2021-04-07 | 2021-07-30 | 武汉四创自动控制技术有限责任公司 | 一种智能水电厂全厂水轮机调速系统及诊断方法 |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108828436B (zh) * | 2018-06-27 | 2020-10-20 | 桂林电子科技大学 | 基于混沌云自适应萤火虫算法的模拟电路故障诊断方法 |
CN109697463B (zh) * | 2018-12-13 | 2023-08-08 | 中国航空工业集团公司上海航空测控技术研究所 | 基于支持向量数据描述集成学习的齿轮故障识别方法 |
CN109974835B (zh) * | 2018-12-29 | 2021-06-04 | 无锡联河光子技术有限公司 | 一种基于光纤信号特征的振动检测识别和时空定位方法和系统 |
CN109635879B (zh) * | 2019-01-08 | 2023-04-07 | 浙江大学 | 一种参数最优的采煤机故障诊断系统 |
CN110532512B (zh) * | 2019-08-08 | 2022-07-19 | 合肥通用机械研究院有限公司 | 基于大数据分析的设备失效模式诊断特征参量分析方法 |
CN110688759A (zh) * | 2019-09-30 | 2020-01-14 | 青岛航讯网络技术服务有限公司 | 表决部件的备件量计算方法、仿真方法、终端及存储介质 |
CN110825926A (zh) * | 2019-11-22 | 2020-02-21 | 深圳供电局有限公司 | 一种电网异常信号自动监视的分析方法及系统 |
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 |
CN111985550B (zh) * | 2020-08-13 | 2024-02-27 | 杭州电子科技大学 | 基于Gap度量下的工业化工数据预处理的分类方法 |
CN111949555B (zh) * | 2020-09-18 | 2022-07-19 | 苏州浪潮智能科技有限公司 | 一种基于多维向量和规则脚本的随机测试方法及装置 |
CN112101282B (zh) * | 2020-09-25 | 2024-04-26 | 北京瞰天科技有限公司 | 水上目标识别方法、装置及电子设备和存储介质 |
CN112308299B (zh) * | 2020-10-19 | 2024-04-19 | 新奥数能科技有限公司 | 用于电力系统负荷预测模型的样本数据提取方法和装置 |
CN113156263B (zh) * | 2021-03-23 | 2022-07-26 | 广东安恒电力科技有限公司 | 电缆状态监测方法及存储介质 |
CN113343550A (zh) * | 2021-06-09 | 2021-09-03 | 上海交通大学 | 基于局部图像特征的局部放电故障的诊断方法 |
CN113344395B (zh) * | 2021-06-14 | 2022-06-21 | 西北工业大学 | 一种基于动态pca-svm的加工质量监测方法 |
CN113609569B (zh) * | 2021-07-01 | 2023-06-09 | 湖州师范学院 | 一种判别式的广义零样本学习故障诊断方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6662170B1 (en) * | 2000-08-22 | 2003-12-09 | International Business Machines Corporation | System and method for boosting support vector machines |
CN101533068A (zh) * | 2009-04-08 | 2009-09-16 | 南京航空航天大学 | 基于dagsvc的模拟电路故障诊断方法 |
CN103245907A (zh) * | 2013-01-30 | 2013-08-14 | 中国人民解放军海军航空工程学院 | 一种模拟电路故障诊断方法 |
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 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2690027B2 (ja) * | 1994-10-05 | 1997-12-10 | 株式会社エイ・ティ・アール音声翻訳通信研究所 | パターン認識方法及び装置 |
WO2002095534A2 (en) * | 2001-05-18 | 2002-11-28 | Biowulf Technologies, Llc | Methods for feature selection in a learning machine |
EP1393196A4 (en) * | 2001-05-07 | 2007-02-28 | Health Discovery Corp | CORES AND METHODS FOR SELECTING CORES FOR USE IN TEACHING MACHINES |
WO2012009804A1 (en) * | 2010-07-23 | 2012-01-26 | Corporation De L'ecole Polytechnique | Tool and method for fault detection of devices by condition based maintenance |
US10531806B2 (en) * | 2013-12-17 | 2020-01-14 | University Of Florida Research Foundation, Inc. | Brain state advisory system using calibrated metrics and optimal time-series decomposition |
CN105046279B (zh) * | 2015-08-07 | 2018-05-15 | 合肥工业大学 | 一种模拟电路故障模式分类方法 |
-
2015
- 2015-08-07 CN CN201510482928.2A patent/CN105046279B/zh active Active
- 2015-11-24 WO PCT/CN2015/095424 patent/WO2017024691A1/zh active Application Filing
- 2015-11-24 US US15/555,077 patent/US10706332B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6662170B1 (en) * | 2000-08-22 | 2003-12-09 | International Business Machines Corporation | System and method for boosting support vector machines |
CN101533068A (zh) * | 2009-04-08 | 2009-09-16 | 南京航空航天大学 | 基于dagsvc的模拟电路故障诊断方法 |
CN103245907A (zh) * | 2013-01-30 | 2013-08-14 | 中国人民解放军海军航空工程学院 | 一种模拟电路故障诊断方法 |
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 |
Non-Patent Citations (4)
Title |
---|
ZHEN ZHANG 等: "A new swarm-SVM-based fault diagnosis approach for switched current circuit by using kurtosis and entropy as a preprocessor", 《ANALOG INTEGRATED CIRCUITS AND SIGNAL PROCESSING》 * |
徐晨曦: "基于轨迹多项式分解的非线性电路故障诊断研究", 《中国博士学位论文全文数据库•信息科技辑》 * |
袁莉芬 等: "基于投影寻踪的模拟电路故障诊断系统", 《湖南理工学院学报(自然科学版)》 * |
袁莉芬: "基于独立成分分析技术的模拟电路故障诊断新方法", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017024691A1 (zh) * | 2015-08-07 | 2017-02-16 | 合肥工业大学 | 一种模拟电路故障模式分类方法 |
US10706332B2 (en) | 2015-08-07 | 2020-07-07 | Hefei University Of Technology | Analog circuit fault mode classification method |
CN105548862A (zh) * | 2016-01-25 | 2016-05-04 | 合肥工业大学 | 一种基于广义多核支持向量机的模拟电路故障诊断方法 |
CN105548862B (zh) * | 2016-01-25 | 2019-02-05 | 合肥工业大学 | 一种基于广义多核支持向量机的模拟电路故障诊断方法 |
CN106599934A (zh) * | 2016-12-29 | 2017-04-26 | 北京航天测控技术有限公司 | 一种吊舱故障诊断方法 |
CN107463963A (zh) * | 2017-08-10 | 2017-12-12 | 郑州云海信息技术有限公司 | 一种故障分类方法及装置 |
CN109995566A (zh) * | 2017-12-31 | 2019-07-09 | 中国移动通信集团辽宁有限公司 | 网络故障定位方法、装置、设备及介质 |
CN109995566B (zh) * | 2017-12-31 | 2022-05-10 | 中国移动通信集团辽宁有限公司 | 网络故障定位方法、装置、设备及介质 |
CN113187650A (zh) * | 2021-04-07 | 2021-07-30 | 武汉四创自动控制技术有限责任公司 | 一种智能水电厂全厂水轮机调速系统及诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
US20180039865A1 (en) | 2018-02-08 |
CN105046279B (zh) | 2018-05-15 |
WO2017024691A1 (zh) | 2017-02-16 |
US10706332B2 (en) | 2020-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105046279A (zh) | 一种模拟电路故障模式分类方法 | |
CN106483449B (zh) | 基于深度学习与复数特征的模拟电路故障诊断方法 | |
CN110175434B (zh) | 一种基于卷积神经网络的铁路扣件系统损伤检测方法 | |
CN107894564A (zh) | 一种基于交叉小波特征的模拟电路故障诊断方法 | |
CN101576443B (zh) | 基于灰色rbf神经网络的加速寿命试验寿命预测方法 | |
CN107316057B (zh) | 核动力装置故障诊断方法 | |
CN103810288B (zh) | 基于聚类算法对异构社会网络进行社区检测的方法 | |
CN107621934A (zh) | 基于组件化、图形化算子的评估指标计算方法及装置 | |
CN107817404A (zh) | 一种便携式计量自动化终端故障诊断装置及其诊断方法 | |
CN107909118A (zh) | 一种基于深度神经网络的配电网工况录波分类方法 | |
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 | |
CN105606914A (zh) | 一种基于iwo-elm的航空功率变换器故障诊断方法 | |
CN101587155A (zh) | 一种油浸式变压器的故障诊断方法 | |
CN104617574A (zh) | 一种电力系统负荷区域暂态电压稳定的评估方法 | |
CN110298085A (zh) | 基于XGBoost和随机森林算法的模拟电路故障诊断方法 | |
CN105678343A (zh) | 基于自适应加权组稀疏表达的水电机组噪声异常诊断方法 | |
CN103389701B (zh) | 基于分布式数据模型的厂级过程故障检测与诊断方法 | |
CN105572572A (zh) | 基于wknn-lssvm的模拟电路故障诊断方法 | |
CN106681305A (zh) | 一种Fast RVM污水处理在线故障诊断方法 | |
CN110689069A (zh) | 一种基于半监督bp网络的变压器故障类型诊断方法 | |
CN104966161A (zh) | 一种基于高斯混合模型的电能质量录波数据计算分析方法 | |
CN105629958A (zh) | 一种基于子时段mpca-svm的间歇过程故障诊断方法 | |
CN105334504A (zh) | 基于大边界的非线性判别投影模型的雷达目标识别方法 | |
CN106372812A (zh) | 一种电压暂降风险评估方法及系统 | |
CN108154223A (zh) | 基于网络拓扑及长时序信息的配电网工况录波分类方法 |
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 |