CN106597260A - 基于连续小波分析和elm网络的模拟电路故障诊断方法 - Google Patents
基于连续小波分析和elm网络的模拟电路故障诊断方法 Download PDFInfo
- Publication number
- CN106597260A CN106597260A CN201611243708.5A CN201611243708A CN106597260A CN 106597260 A CN106597260 A CN 106597260A CN 201611243708 A CN201611243708 A CN 201611243708A CN 106597260 A CN106597260 A CN 106597260A
- Authority
- CN
- China
- Prior art keywords
- singular value
- circuit
- wavelet
- fault
- continuous wavelet
- 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
- G01R31/2832—Specific tests of electronic circuits not provided for elsewhere
- G01R31/2836—Fault-finding or characterising
- G01R31/2846—Fault-finding or characterising using hard- or software simulation or using knowledge-based systems, e.g. expert systems, artificial intelligence or interactive algorithms
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Tests Of Electronic Circuits (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
- Complex Calculations (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
基于连续小波分析和ELM网络的模拟电路故障诊断方法,包括数据获取:将模拟电路的输出响应分别通过Multisim仿真进行数据采样以获得输出响应数据集;特征提取:将电路的输出响应数据集分别作为训练与测试数据集进行连续小波分析以获得小波时频系数矩阵,这些系数矩阵通过分割得到八块相同大小的子矩阵,对子矩阵进行奇异值分解以计算每块子矩阵的Tsallis熵构成相应故障的特征向量;故障分类:各样本的特征向量提交给ELM网络以实现准确、迅速的故障分类。本发明方法对电路故障的特征提取效果较好,可以实现电路故障准确、高效的分类。
Description
技术领域
本发明涉及模拟电路故障诊断方法,具体涉及一种基于连续小波分析和ELM网络的模拟电路故障诊断方法。
背景技术
模拟电路在电子消费品、工业、航天航空和军事等领域中发挥着极其重要的作用。一旦模拟电路发生故障,将会影响电子设备的性能和功能,并导致设备的反应迟缓、功能失效甚至引起灾难性后果。同时随着电子设备的复杂度和密集度在不断提高,其模拟电路存在非线性、器件容差性和响应连续性的特点,因此模拟电路故障定位和排除面临巨大挑战,如何设计出高准确性强实时性的模拟电路故障诊断方法成为该领域的热点与难点。
针对模拟电路的故障诊断,已有诸多学者采用小波分析和神经网络分别作为故障特征提取和故障分类的核心技术。相关文献如下:Spina R,Upadhyaya S.Linear circuitfault diagnosis using neuromorphic analyzers[J].Circuits&Systems II Analog&Digital Signal Processing IEEE Transactions on,1997,44(3):188-196.NegnevitskyM,Pavlovsky V.Neural Networks Approach to Online Identification of MultipleFailure of Protection Systems[J].IEEE Transactions on Power Delivery,2005,20(2):588-594.均直接将未经处理的电路输出响应信号作为神经网络的输入,但导致了神经网络训练时间过长,诊断精度过低;Aminian M,Aminian F.Neural-network basedanalog-circuit fault diagnosis using wavelet transform as preprocessor[J].IEEE Transactions on Circuits&Systems II Analog&Digital Signal Processing,2000,47(2):151-156.将主元分析处理后的电路响应的低频小波系数作为故障特征提交给神经网络,虽提高了故障诊断的准确性,但对网络的复杂性未作实质性改进;另外,何星,王宏力,陆敬辉,等.基于优选小波包和ELM的模拟电路故障诊断[J].仪器仪表学报,2013,34(11):2614-2619.是通过计算小波包分析各节点系数的归一化能量值,并将其作为故障特征降低了神经网络的复杂性,但能量数值很小,特征区分不明显。此外,综合上述方法,现有技术存在以下问题:
1.上述方法在提取电路故障特征时,通常舍弃了细节小波系数而选取了近似小波系数的归一化能量值作为故障特征。从信息完整的角度来说被丢弃的细节系数对提取的特征全面反映故障信息具有相当的价值。2.传统的前馈神经网络(如:BP,RBF)是故障诊断领域中较为常用的分类器,但是均存在网络学习速度慢、容易陷入局部最优解及过训练等问题。
发明内容
针对现有技术存在的上述问题,本发明解决的技术问题是如何较为完整地获取故障响应的有用信息;如何有效的刻画故障特征,使得特征彼此之间区别明显;如何更加快速准确地实现故障分类,而提供一种采用连续小波分析和ELM网络分别作为故障特征提取和故障分类的模拟电路故障诊断方法。
本发明解决其技术问题所采用的技术方案是:
基于连续小波变换和ELM网络的模拟电路故障诊断方法,包括以下步骤:
(1)数据获取:对模拟电路的输出端进行数据采样以获得输出响应数据集;
(2)特征提取:将输出响应数据集分别作为训练集与测试数据集进行连续小波变换,获得故障信号的小波时频系数矩阵,将小波时频系数矩阵分割为八块大小相同的子矩阵,通过对子矩阵进行奇异值分解得到奇异值,计算每块子矩阵奇异值的Tsallis熵,得到的Tsallis熵值构成相应的电路响应故障特征向量;
(3)故障分类:将电路响应故障特征向量输入给ELM神经网络,实现模拟电路故障准确、迅速的故障分类。
进一步,所述步骤(1)中,数据采样通过Multisim仿真实现。输出响应数据集为所述模拟电路的时域输出电压信号。
进一步,所述小波时频系数矩阵可通过下式获得,即:
此处,Wx(τ,a)代表信号x(t)的连续小波变换时频系数矩阵;τ与a分别表示连续小波变换的时间参数与频率参数,a>0;表示小波母函数;表示小波基函数,是由小波母函数进行伸缩和平移而形成的一组函数系列,即:
将小波时频系数矩阵通过分割法获得的八块子矩阵,可由下式表示:
此处,Wx(τ,a)表示m×n维小波时频系数矩阵,此处,B1,B2,B3,B4,B5,B6,B7,B8表示分割后得到的八块子矩阵。
所述对子矩阵进行奇异值分解得到奇异值,可由下式表示:
Bc×d=Uc×lAl×lVl×d(4),
此处,Bc×d表示经式(3)分割后得到的c×d维子矩阵;A的主对角线元素λi(i=1,2,…,l)是Ba×b的奇异值且λ1≥λ2≥…≥λl≥0。l为非零奇异值个数。
所述计算每块子矩阵奇异值的Tsallis熵,可由下式表示:
此处,WTSE表示计算得到的Tsallis熵值,q表示非广延参数,本发明中取c=1,q=1.2。
通过式(5)计算得到的各子矩阵奇异值的Tsallis熵值组合在一起就构成相应的电路响应故障特征向量。
超限学习机(Extreme Learning Machine,ELM)是在单隐层前馈神经网络(single-hidden layer feed forward networks,SLFNs)的基础上,通过设置合适的隐藏层节点数,为输入权和隐藏层偏差进行随机赋值,直接利用求得的最小范数最小二乘解作为网络输出权值。相对于传统前馈神经网络,ELM学习能力强、处理速度迅速,同时具有待定参数少、效率高等优点。
相比现有技术,本发明具有如下优点:
本发明通过连续小波变换较为全面地获取故障信号的有用特征,通过分割法得到八块大小完全相同的子矩阵,将矩阵的局部微小变化突出显示出来,进而通过计算各子矩阵的奇异值的Tsallis熵,从而将故障信息映射到熵空间,从而更加精细地刻画故障特征(各种故障特征之间及故障特征与正常特征之间的区别非常明显),通过ELM网络实现了更加准确高效快速地故障分类。
附图说明
图1是故障诊断方法的流程图;
图2是四运放低通滤波器电路图;
图3是ELM网络的结构图;
图4(a)是四运放低通滤波器的B1,B2,B3,B4子矩阵Tsallis熵故障特征图;
图4(b)是四运放低通滤波器的B5,B6,B7,B8子矩阵Tsallis熵故障特征图;
图5是四运放低通滤波器的故障分类图。
具体实施方式
下面结合附图和具体实例对本发明作进一步详细说明。
1.故障诊断方法
如图1所示,基于连续小波分析和ELM网络的模拟电路故障诊断方法,具体步骤如下:
数据获取:将模拟电路的输出响应通过Multisim仿真,进行数据采样以获得输出响应数据集;
特征提取:将仿真获得的电路输出响应数据集作为训练集与测试数据集进行连续小波变换,以获得故障信号的小波时频系数矩阵,将这些系数矩阵分割为八块大小相同的子矩阵,对各个子矩阵进行奇异值分解而得到的奇异值,通过计算各子矩阵的奇异值的Tsallis熵,得到的Tsallis熵值构成相应的电路响应故障的特征向量;
故障分类:将电路响应故障的特征向量输入给ELM网络以实现准确、迅速的故障分类。
下面将对本发明故障诊断方法中的核心技术:连续小波分析、奇异值分解、Tsallis熵以及ELM神经网络作进一步详细说明。
1.1连续小波分析
连续小波分析有小波分析延伸而来.连续小波的尺度具有连续变化的特点,能够更为细致的刻画信号的局部形态。电路响应x(t)的连续小波变换系数可由下式表示:
此处,Wx(τ,a)为连续小波变换时频系数矩阵;τ为时间参数;a为频率参数,a>0;为小波母函数;为小波基函数,是由小波母函数进行伸缩和平移而形成的一组函数系列,即:
连续小波变换通过时间和尺度的连续变化将信号投影到时间-频率平面上,系数矩阵Wx(τ,a)度量了信号与小波间的相似程度,反映了信号的特征信息。
1.2奇异值分解与Tsallis熵计算
首先对获得的时频系数矩阵Wx(τ,a)进行八等分,即按照得到八个子矩阵B1,B2,B3,B4,B5,B6,B7,B8。根据奇异值分解理论,将子矩阵分解为Bc×d=Uc×lAl×lVl×d(4),
此处,Bc×d表示经式(3)分割后得到的c×d维子矩阵;对角线矩阵A的主对角线元素λi(i=1,2,…,l)是Bc×d的奇异值且λ1≥λ2≥…≥λl≥0。l为矩阵Bc×d非零奇异值数。
所述计算每块子矩阵奇异值的Tsallis熵,表达式为:
这里,q为非广延参数,本文中取c=1,q=1.2。
通过式(5)计算得到的各子矩阵奇异值Tsallis熵值组合在一起就构成相应的电路响应故障特征向量。
1.3ELM网络神经网络
超限学习机是一种基于单隐层前馈神经网络的新型神经网络。单隐层前馈神经网络因其相对快的学习速度和简单的网络结构在实际中得到了广泛的应用。研究表明:对于单隐层反馈神经网络只要激励函数g(s)满足在任意实数区间上无限可微,就无需对随机初始化的wi和bi进行调整,也不再需要输出层的偏置,通过正则化原则计算输出权值βi,即可逼近任意连续系统,几乎不需要学习。
ELM网络缺少输出层偏置,而且输入权重wi和隐藏层偏置bi,随机产生不需要调整,整个网络仅剩下输出权重βi需要确定。
对于图3中的每个神经元,ELM网络的输出可以统一模型表示为:
此处,si=[si1,si2,…,sip]T∈Rp,wi∈Rp,βi∈Rq,s为输入特征向量;p为网络输入节点数,即输入特征向量维数;q为网络输出节点数;L代表隐藏层节点;g(s)代表激励函数。wi=[wi1,wi2,…,wip]T代表输入层到第i个隐含层节点的输入权值;bi代表第i个隐藏节点的偏差;βi=[βi1,βi2,…,βiq]T是连接第i个隐藏层节点的输出权值。
当这个具有L个隐藏层节点的前馈神经网络能以零误差逼近样本,则存在wi,bi,βi,使:
此处,yi=[yi1,yi2,…,yip]T∈Rq代表网络的输出。
式(7)可以简化为Hβ=Y,其中:
此处,p为网络输入节点数,即输入特征向量维数;q为网络输出节点数;
H表示网络的隐含层输出矩阵,输出权值矩阵能够由下式获取:
β=H+Y (8),
此处,H+为H的Moore-Penrose广义逆矩阵。
2、案例电路与方法应用:
图2所示为四运放双二阶高通滤波器,各元件的标称值均于图上标出。在此电路为例展示本发明提出的故障诊断方法的整个流程,激励源采用持续时间为10us,幅值为10V的脉冲波,故障时域响应信号在电路输出端采样获得。电路元件的容差范围设置为5%。
选择R1,R2,R3,R4,C1和C2作为测试对象,表1给出了电路中各测试元件的故障码,故障类别,标称值和故障值,其中↑和↓分别表示高出和低于标称值,NF表示无故障。为每种故障类别分别采样60个数据,分成2部分,前30个用于建立基于连续小波变换的ELM网络故障诊断模型,后30个数据用于测试改故障诊断模型的性能。
表1故障码、故障类别、标称值和故障值
数据采集:
在四运放双二阶高通滤波器中,施加的激励响应为:幅值为10V,持续时间为10us的脉冲序列。电路在不同故障模式下的输出响应通过Multisim仿真。
特征提取:
下面采用连续小波变换对电路输出响应进行分析。其中小波分析的小波基选为复morlet小波。得到输出响应的系数矩阵,分割为八块子矩阵后,按照式(4)和式(5)对矩阵进行奇异值分解进行Tsallis熵特征计算。
众所周知,不同故障之间或故障与正常状态之间的特征数值差别越大,不同故障之间或故障与正常状态之间的信号响应差别就越明显,这样的故障特征就越有利于故障诊断。从图4(a)和图4(b)可知,按本发明方法所得到的电路故障响应特征与电路正常状态响应特征之间的数值差异,以及电路在不同故障模式下的特征数值差异明显,这充分说明本发明故障特征提取的有效性。
故障分类:
对得到的Tsallis熵特征集分成训练集与测试集两部分。将训练集输入到ELM网络中训练ELM分类器模型,待训练完成后,将测试集输入到ELM分类器模型中,故障诊断的结果如图5所示。ELM分类模型成功地识别了所有的故障,故障整体正确率达到100%。
Claims (4)
1.基于连续小波分析和ELM网络的模拟电路故障诊断方法,其特征在于,包括数据获取、特征提取与故障分类三个步骤,具体为:
数据获取:对模拟电路的输出端进行数据采样以获得输出响应数据集;
特征提取:将输出响应数据集分别作为训练集与测试数据集进行连续小波变换,获得故障信号的小波时频系数矩阵,将小波时频系数矩阵分割为八块大小相同的子矩阵,通过对子矩阵进行奇异值分解得到奇异值,计算每块子矩阵奇异值的Tsallis熵,得到的Tsallis熵值构成相应的电路响应故障特征向量;
故障分类:将电路响应故障特征向量输入给ELM神经网络,实现模拟电路故障准确、迅速的故障分类。
2.根据权利要求1所述的基于连续小波分析和ELM网络的模拟电路故障诊断方法,其特征在于,
所述小波时频系数矩阵通过下式获得,即:
此处,Wx(τ,a)代表信号x(t)的连续小波变换时频系数矩阵;τ与a分别表示连续小波变换的时间参数与频率参数,a>0;表示小波母函数;表示小波基函数,是由小波母函数进行伸缩和平移而形成的一组函数系列,即:
3.根据权利要求1或2所述的基于连续小波分析和ELM网络的模拟电路故障诊断方法,其特征在于,将小波时频系数矩阵通过分割法获得的八块子矩阵,由下式表示:
此处,Wx(τ,a)表示m×n维小波时频系数矩阵,此处,B1,B2,B3,B4,B5,B6,B7,B8表示分割后得到的八块子矩阵。
4.根据权利要求1所述的基于连续小波分析和ELM网络的模拟电路故障诊断方法,其特征在于,所述对子矩阵进行奇异值分解得到奇异值,由下式表示:
Bc×d=Uc×lAl×lVl×d (4),
此处,Bc×d表示经式(3)分割后得到的c×d维子矩阵;A的主对角线元素λi(i=1,2,…,l)是Ba×b的奇异值且λ1≥λ2≥…≥λl≥0,l为非零奇异值个数;
所述计算每块子矩阵奇异值的Tsallis熵,由下式表示:
此处,WTSE表示计算得到的Tsallis熵值,q表示非广延参数,本发明中取c=1,q=1.2;
通过式(5)计算得到的各子矩阵奇异值的Tsallis熵值组合在一起就构成相应的电路响应故障特征向量。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611243708.5A CN106597260B (zh) | 2016-12-29 | 2016-12-29 | 基于连续小波分析和elm网络的模拟电路故障诊断方法 |
US16/088,079 US11280826B2 (en) | 2016-12-29 | 2017-01-06 | Analog-circuit fault diagnosis method based on continuous wavelet analysis and ELM neural network |
PCT/CN2017/070351 WO2018120283A1 (zh) | 2016-12-29 | 2017-01-06 | 基于连续小波分析和elm网络的模拟电路故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611243708.5A CN106597260B (zh) | 2016-12-29 | 2016-12-29 | 基于连续小波分析和elm网络的模拟电路故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106597260A true CN106597260A (zh) | 2017-04-26 |
CN106597260B CN106597260B (zh) | 2020-04-03 |
Family
ID=58604975
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611243708.5A Active CN106597260B (zh) | 2016-12-29 | 2016-12-29 | 基于连续小波分析和elm网络的模拟电路故障诊断方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11280826B2 (zh) |
CN (1) | CN106597260B (zh) |
WO (1) | WO2018120283A1 (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107168292A (zh) * | 2017-06-21 | 2017-09-15 | 武汉理工大学 | 基于elm算法的水下航行器电路故障诊断方法 |
CN107884706A (zh) * | 2017-11-09 | 2018-04-06 | 合肥工业大学 | 基于向量值正则核函数逼近的模拟电路故障诊断方法 |
CN108845193A (zh) * | 2018-03-21 | 2018-11-20 | 湘潭大学 | 一种移相全桥dc-dc变换器的故障诊断方法 |
CN109101698A (zh) * | 2018-07-19 | 2018-12-28 | 广州科技贸易职业学院 | 一种基于注塑成型模型的特征选取方法、装置及存储介质 |
CN109145999A (zh) * | 2018-09-06 | 2019-01-04 | 福州大学 | 一种配电开关振动信号故障特征提取及辨识方法 |
WO2019090879A1 (zh) * | 2017-11-09 | 2019-05-16 | 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 |
WO2019184066A1 (zh) * | 2018-03-29 | 2019-10-03 | 南京航空航天大学 | 一种机械设备故障信号特征提取方法 |
CN110488149A (zh) * | 2019-08-05 | 2019-11-22 | 三峡大学 | 基于小波求和极限学习机sw-elm的输电线路短路故障分类与定位方法 |
CN111783531A (zh) * | 2020-05-27 | 2020-10-16 | 福建亿华源能源管理有限公司 | 一种基于sdae-ielm的水轮机组故障诊断方法 |
CN112766408A (zh) * | 2021-01-29 | 2021-05-07 | 西北工业大学 | 基于主元分析和多层超限学习机的飞行器微小故障诊断方法 |
CN112989965A (zh) * | 2021-02-25 | 2021-06-18 | 中国人民解放军海军航空大学 | 一种基于svd-lcd-bcm的故障特征提取方法 |
CN113156303A (zh) * | 2021-05-16 | 2021-07-23 | 桂林电子科技大学 | 基于输出响应矩阵特性分析的模拟电路故障诊断和定位法 |
Families Citing this family (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3365356B1 (en) | 2015-10-23 | 2023-06-28 | President and Fellows of Harvard College | Nucleobase editors and uses thereof |
GB2568182A (en) | 2016-08-03 | 2019-05-08 | Harvard College | Adenosine nucleobase editors and uses thereof |
AU2017308889B2 (en) | 2016-08-09 | 2023-11-09 | President And Fellows Of Harvard College | Programmable Cas9-recombinase fusion proteins and uses thereof |
US11542509B2 (en) | 2016-08-24 | 2023-01-03 | President And Fellows Of Harvard College | Incorporation of unnatural amino acids into proteins using base editing |
WO2018119359A1 (en) | 2016-12-23 | 2018-06-28 | President And Fellows Of Harvard College | Editing of ccr5 receptor gene to protect against hiv infection |
US11898179B2 (en) | 2017-03-09 | 2024-02-13 | President And Fellows Of Harvard College | Suppression of pain by gene editing |
WO2018165629A1 (en) | 2017-03-10 | 2018-09-13 | President And Fellows Of Harvard College | Cytosine to guanine base editor |
EP3601562A1 (en) | 2017-03-23 | 2020-02-05 | President and Fellows of Harvard College | Nucleobase editors comprising nucleic acid programmable dna binding proteins |
WO2018209320A1 (en) | 2017-05-12 | 2018-11-15 | President And Fellows Of Harvard College | Aptazyme-embedded guide rnas for use with crispr-cas9 in genome editing and transcriptional activation |
US11732274B2 (en) | 2017-07-28 | 2023-08-22 | President And Fellows Of Harvard College | Methods and compositions for evolving base editors using phage-assisted continuous evolution (PACE) |
EP3676376A2 (en) | 2017-08-30 | 2020-07-08 | President and Fellows of Harvard College | High efficiency base editors comprising gam |
KR20200121782A (ko) | 2017-10-16 | 2020-10-26 | 더 브로드 인스티튜트, 인코퍼레이티드 | 아데노신 염기 편집제의 용도 |
CN109472097B (zh) * | 2018-11-19 | 2022-09-20 | 国网湖北省电力有限公司黄石供电公司 | 一种输电线路在线监测设备故障诊断方法 |
BR112021018606A2 (pt) | 2019-03-19 | 2021-11-23 | Harvard College | Métodos e composições para editar sequências de nucleotídeos |
CN110362063B (zh) * | 2019-07-15 | 2020-07-03 | 山东建筑大学 | 基于全局保持无监督核极限学习机的故障检测方法及系统 |
CN111626416A (zh) * | 2020-04-24 | 2020-09-04 | 黑龙江瑞兴科技股份有限公司 | 基于深度卷积神经网络的轨道电路故障自动诊断方法 |
DE112021002672T5 (de) | 2020-05-08 | 2023-04-13 | President And Fellows Of Harvard College | Vefahren und zusammensetzungen zum gleichzeitigen editieren beider stränge einer doppelsträngigen nukleotid-zielsequenz |
CN111752259A (zh) * | 2020-06-02 | 2020-10-09 | 上海交通大学 | 一种燃气轮机传感器信号的故障识别方法和装置 |
CN112069998A (zh) * | 2020-09-07 | 2020-12-11 | 中国人民解放军陆军工程大学 | 基于卷积神经网络的gbdt故障诊断集成方法 |
CN112396087B (zh) * | 2020-09-28 | 2024-04-26 | 国网浙江省电力有限公司杭州供电公司 | 基于智能电表的独居老人用电数据分析方法及装置 |
CN112257528B (zh) * | 2020-10-12 | 2023-07-18 | 南京工业大学 | 一种基于小波变换和密集连接扩张卷积神经网络的风电齿轮箱故障诊断方法 |
CN112329914B (zh) * | 2020-10-26 | 2024-02-02 | 华翔翔能科技股份有限公司 | 地埋式变电站的故障诊断方法、装置及电子设备 |
CN112345895B (zh) * | 2020-10-28 | 2023-02-10 | 宁波立新科技股份有限公司 | 一种基于判别分析策略的串联电弧故障检测方法 |
CN112270312A (zh) * | 2020-11-26 | 2021-01-26 | 中南林业科技大学 | 风机轴承故障诊断方法、系统、计算机设备和存储介质 |
CN112395545B (zh) * | 2020-11-26 | 2022-12-06 | 清科优能(深圳)技术有限公司 | 一种基于小波分析的录波数时频熵值特征提取方法 |
CN112766140A (zh) * | 2021-01-15 | 2021-05-07 | 云南电网有限责任公司电力科学研究院 | 一种基于核函数极限学习机的变压器故障辨识方法 |
CN113238110B (zh) * | 2021-05-10 | 2022-10-14 | 合肥工业大学 | 一种电能质量扰动诊断方法 |
CN113323823B (zh) * | 2021-06-08 | 2022-10-25 | 云南大学 | 基于awkelm的风机叶片结冰故障检测方法及系统 |
CN113325271A (zh) * | 2021-06-17 | 2021-08-31 | 南京工程学院 | 基于小波奇异性检测理论的含iidg配电网故障检测方法 |
CN113591911A (zh) * | 2021-06-25 | 2021-11-02 | 南京财经大学 | 散粮集装箱物流运输过程的级联多类异常识别方法 |
CN113484336B (zh) * | 2021-07-06 | 2023-07-28 | 杭州电子科技大学 | 基于表面波和bp神经网络的亚表面裂纹尺寸测量方法 |
CN113627374A (zh) * | 2021-08-17 | 2021-11-09 | 中广核工程有限公司 | 周界入侵的判断方法、监控服务器及存储介质 |
CN113702767B (zh) * | 2021-08-31 | 2023-01-10 | 中南大学 | 基于小波滑窗能量的孤岛直流微电网故障诊断方法 |
CN113933038B (zh) * | 2021-10-11 | 2023-11-17 | 国网山东省电力公司菏泽供电公司 | 一种基于多源信息融合算法的gis机械性能监测方法 |
CN114781458B (zh) * | 2022-05-05 | 2024-02-20 | 合肥工业大学 | 基于自适应小波和注意力机制的时频记忆神经网络的配电网初期故障识别方法 |
CN114636900B (zh) * | 2022-05-11 | 2022-09-30 | 广东电网有限责任公司东莞供电局 | 一种配电网多重故障诊断方法 |
CN117630679A (zh) * | 2023-11-30 | 2024-03-01 | 湖北工业大学 | 一种电池故障诊断方法和系统 |
CN117590142B (zh) * | 2024-01-19 | 2024-03-22 | 杭州万禾电力科技有限公司 | 基于深度学习的开关柜故障诊断方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6442733B1 (en) * | 1998-04-27 | 2002-08-27 | Advantest Corporation | Failure analyzing method and apparatus using two-dimensional wavelet transforms |
CN1847867A (zh) * | 2006-03-24 | 2006-10-18 | 西南交通大学 | 电力暂态信号小波分析后处理方法及其装置 |
CN102279358A (zh) * | 2011-06-20 | 2011-12-14 | 湖南大学 | 一种基于mcskpca的神经网络模拟电路故障诊断方法 |
CN102749573A (zh) * | 2012-07-27 | 2012-10-24 | 重庆大学 | 基于小波包分析和Hopfield网络的模拟电路故障诊断方法 |
CN105306297A (zh) * | 2015-10-22 | 2016-02-03 | 清华大学 | 基于双参数Tsallis熵对的网络流量异常检测方法 |
CN103713237B (zh) * | 2013-12-30 | 2016-08-17 | 华北电力大学 | 一种电力系统输电线路短路故障诊断方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6732064B1 (en) * | 1997-07-02 | 2004-05-04 | Nonlinear Solutions, Inc. | Detection and classification system for analyzing deterministic properties of data using correlation parameters |
CN101649737B (zh) * | 2009-09-11 | 2013-02-13 | 哈尔滨工业大学 | 一种基于牵引器驱动电流分析的水平井套管中射孔和接箍的检测方法 |
US20130007083A1 (en) * | 2011-06-30 | 2013-01-03 | Nellcor Puritan Bennett Ireland | Systems and methods for computing continuous wavelet transform on a dedicated integrated circuit |
CN105701470B (zh) | 2016-01-13 | 2019-02-15 | 合肥工业大学 | 一种基于最优小波包分解的模拟电路故障特征提取方法 |
-
2016
- 2016-12-29 CN CN201611243708.5A patent/CN106597260B/zh active Active
-
2017
- 2017-01-06 US US16/088,079 patent/US11280826B2/en active Active
- 2017-01-06 WO PCT/CN2017/070351 patent/WO2018120283A1/zh active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6442733B1 (en) * | 1998-04-27 | 2002-08-27 | Advantest Corporation | Failure analyzing method and apparatus using two-dimensional wavelet transforms |
CN1847867A (zh) * | 2006-03-24 | 2006-10-18 | 西南交通大学 | 电力暂态信号小波分析后处理方法及其装置 |
CN102279358A (zh) * | 2011-06-20 | 2011-12-14 | 湖南大学 | 一种基于mcskpca的神经网络模拟电路故障诊断方法 |
CN102749573A (zh) * | 2012-07-27 | 2012-10-24 | 重庆大学 | 基于小波包分析和Hopfield网络的模拟电路故障诊断方法 |
CN103713237B (zh) * | 2013-12-30 | 2016-08-17 | 华北电力大学 | 一种电力系统输电线路短路故障诊断方法 |
CN105306297A (zh) * | 2015-10-22 | 2016-02-03 | 清华大学 | 基于双参数Tsallis熵对的网络流量异常检测方法 |
Non-Patent Citations (2)
Title |
---|
何星等: "基于优选小波包和ELM的模拟电路故障诊断", 《仪器仪表学报》 * |
陈小勤: "基于小波熵测度的电力暂态信号检测与分类方法研究", 《中国优秀博硕士学位论文全文数据库 (硕士) 工程科技Ⅱ辑》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107168292B (zh) * | 2017-06-21 | 2019-10-25 | 武汉理工大学 | 基于elm算法的水下航行器电路故障诊断方法 |
CN107168292A (zh) * | 2017-06-21 | 2017-09-15 | 武汉理工大学 | 基于elm算法的水下航行器电路故障诊断方法 |
CN107884706A (zh) * | 2017-11-09 | 2018-04-06 | 合肥工业大学 | 基于向量值正则核函数逼近的模拟电路故障诊断方法 |
WO2019090879A1 (zh) * | 2017-11-09 | 2019-05-16 | 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 |
CN107884706B (zh) * | 2017-11-09 | 2020-04-07 | 合肥工业大学 | 基于向量值正则核函数逼近的模拟电路故障诊断方法 |
CN108845193A (zh) * | 2018-03-21 | 2018-11-20 | 湘潭大学 | 一种移相全桥dc-dc变换器的故障诊断方法 |
WO2019184066A1 (zh) * | 2018-03-29 | 2019-10-03 | 南京航空航天大学 | 一种机械设备故障信号特征提取方法 |
CN109101698B (zh) * | 2018-07-19 | 2023-04-18 | 广州科技贸易职业学院 | 一种基于注塑成型模型的特征选取方法、装置及存储介质 |
CN109101698A (zh) * | 2018-07-19 | 2018-12-28 | 广州科技贸易职业学院 | 一种基于注塑成型模型的特征选取方法、装置及存储介质 |
CN109145999A (zh) * | 2018-09-06 | 2019-01-04 | 福州大学 | 一种配电开关振动信号故障特征提取及辨识方法 |
CN110488149A (zh) * | 2019-08-05 | 2019-11-22 | 三峡大学 | 基于小波求和极限学习机sw-elm的输电线路短路故障分类与定位方法 |
CN111783531A (zh) * | 2020-05-27 | 2020-10-16 | 福建亿华源能源管理有限公司 | 一种基于sdae-ielm的水轮机组故障诊断方法 |
CN111783531B (zh) * | 2020-05-27 | 2024-03-19 | 福建亿华源能源管理有限公司 | 一种基于sdae-ielm的水轮机组故障诊断方法 |
CN112766408A (zh) * | 2021-01-29 | 2021-05-07 | 西北工业大学 | 基于主元分析和多层超限学习机的飞行器微小故障诊断方法 |
CN112766408B (zh) * | 2021-01-29 | 2024-05-14 | 西北工业大学 | 基于主元分析和多层超限学习机的飞行器微小故障诊断方法 |
CN112989965A (zh) * | 2021-02-25 | 2021-06-18 | 中国人民解放军海军航空大学 | 一种基于svd-lcd-bcm的故障特征提取方法 |
CN113156303A (zh) * | 2021-05-16 | 2021-07-23 | 桂林电子科技大学 | 基于输出响应矩阵特性分析的模拟电路故障诊断和定位法 |
Also Published As
Publication number | Publication date |
---|---|
US20200300907A1 (en) | 2020-09-24 |
CN106597260B (zh) | 2020-04-03 |
WO2018120283A1 (zh) | 2018-07-05 |
US11280826B2 (en) | 2022-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106597260A (zh) | 基于连续小波分析和elm网络的模拟电路故障诊断方法 | |
CN107894564B (zh) | 一种基于交叉小波特征的模拟电路故障诊断方法 | |
US11287470B2 (en) | Vector-valued regularized kernel function approximation based fault diagnosis method for analog circuit | |
He et al. | Wavelet neural network approach for fault diagnosis of analogue circuits | |
CN109948597B (zh) | 一种高压断路器机械故障诊断方法 | |
CN109190464B (zh) | 一种变工况下基于迁移学习的机械故障智能诊断方法 | |
Song et al. | Statistical property feature extraction based on FRFT for fault diagnosis of analog circuits | |
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 | |
US6601051B1 (en) | Neural systems with range reducers and/or extenders | |
CN101221213A (zh) | 基于粒子群算法的模拟电路故障诊断神经网络方法 | |
Tan et al. | Analog fault diagnosis using S-transform preprocessor and a QNN classifier | |
CN103245907A (zh) | 一种模拟电路故障诊断方法 | |
EP0988583A1 (de) | System und verfahren zur diagnose von triebwerkszuständen | |
CN102262211A (zh) | 基于回声状态网络动态分类的模拟电路故障诊断方法 | |
Qin et al. | Radar waveform recognition based on deep residual network | |
CN109520611A (zh) | 一种地震模拟振动台工况的监测方法 | |
CN116304621A (zh) | 基于频谱域数据驱动的智能电网虚假数据注入攻击定位方法 | |
CN114386367B (zh) | 一种非线性延迟电路系统的仿真方法、系统及介质 | |
CN102262210A (zh) | 基于随机子空间与多储备池集成分类的模拟电路故障诊断方法 | |
Moodi et al. | On identification of nonlinear systems using Volterra kernels expansion on Laguerre and wavelet function | |
Chen et al. | GCN-CAM: A new graph convolutional network-based fault diagnosis method with its interpretability analysis | |
Manikandan et al. | SBT approach towards analog electronic circuit fault diagnosis | |
CN110967556A (zh) | 基于反馈神经网络的实时谐波检测方法 | |
Peng et al. | Analog circuit fault diagnosis with echo state networks based on corresponding clusters | |
Qin et al. | Fault Diagnosis Method of Analog Circuit Based on CEEMD-ELM |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |