CN107202950A - 基于lmd近似熵和svm的模拟电路故障诊断方法 - Google Patents
基于lmd近似熵和svm的模拟电路故障诊断方法 Download PDFInfo
- Publication number
- CN107202950A CN107202950A CN201710333038.4A CN201710333038A CN107202950A CN 107202950 A CN107202950 A CN 107202950A CN 201710333038 A CN201710333038 A CN 201710333038A CN 107202950 A CN107202950 A CN 107202950A
- Authority
- CN
- China
- Prior art keywords
- svm
- particle
- mrow
- signal
- lmd
- 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.)
- Pending
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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开一种基于LMD近似熵和SVM的模拟电路故障诊断方法,包括步骤:用软件模拟诊断对象的故障;对每种故障利用蒙特卡洛分析法进行分析,把电路故障信号分解为一系列PF分量,选取前三个PF分量,求它们的近似熵,作为故障特征向量;在对故障进行分类时选用SVM,寻找最优的SVM参数,前一部分特征向量用于训练,后一部分特征向量用于验证分类的正确性;将剩余特征向量放在得到的用于训练的特征向量进行验证,得出分类的正确率以及分类的时间。用CPSO优化的支持向量机,会避免陷入局部最优,得到最好的分类效果,能更快更准确的定位电路的故障。
Description
技术领域
本发明涉及模拟电路技术领域,特别是一种基于LMD(Local MeanDecomposition,局部均值分解)近似熵和SVM(Support Vector Machine,支持向量机)的模拟电路故障诊断方法。
背景技术
随着全球信息时代的来临,电子设备广泛应用于国防科研、工业生产和日常生活等各个领域。由于电子设备的运行环境复杂多样,为了保证系统的正常运行,对其可靠性指标有严格的要求,特别在航空航天、军事领域和医疗部门,对电子设备可靠性指标的要求更全面、更苛刻。为了进一步提高电子设备的可靠性,减少维修所耗费的精力和财力,促使人们研究新的技术和方法,通过测试手段来对设备的故障进行诊断和辨识,以便在故障发生后,可及时地对故障部件进行检修和更换,减少损失。由于电子工业的迅速发展使电子设备的复杂性越来越高,数字电路占电路系统的绝大部分,但在一个完整的系统中,模拟器件和电路不可缺少。据统计,尽管在电子设备中超过80%为数字电路,但80%以上的故障都来自模拟电路,因此模拟电路的可靠性对整个电子设备的可靠性至关重要。研究模拟电路故障诊断方法和技术,在电路运行中如果发生故障时能够准确而及时地找出故障的原因或位置,对实现电子系统的自动诊断和提高电子设备的可靠性有重要的意义和价值。
发明内容
针对上述缺陷,本发明提出一种基于LMD近似熵和SVM的模拟电路故障诊断方法,以更快更准确的识别模拟电路的故障。
基于LMD近似熵和SVM的模拟电路故障诊断方法,包括以下步骤:
A1、用软件模拟诊断对象的故障;
A2、对每种故障利用蒙特卡洛分析法进行分析,把电路故障信号分解为一系列PF分量,选取前三个PF分量,求它们的近似熵,作为故障特征向量;
A3、在对故障进行分类时选用SVM,寻找最优的SVM参数,前半部分特征向量用于训练,后半部分特征向量用于验证分类的正确性;
A4、将在A2中所述故障特征向量放在A3中得到的用于训练的特征向量进行验证,得出分类的正确率以及分类的时间。
A1中的所述软件是OrCAD或PSpice。
A2中利用LMD算法得到PF分量,具体包括以下步骤:
A1-1、计算信号的局部极值点集合,再计算任意2个相邻极值点的平均值;
A1-2、根据局部极值点集合确定包络估计值集合;
A1-3、利用计算所得的局部均值点集合和包络估计值集合将集合中所有相邻的2个极值,分别用折线相连,进行平滑处理,得到局部均值函数和包络估计函数;
A1-4、将局部均值函数从原始信号中分离出去;分离后的信号进行解调得到纯调频信号;
A1-5、把A1-1~A1-4迭代过程中产生的包络估计函数相乘得到包络信号;
A1-6、将包络信号和纯调频信号相乘,得到原始信号的首个PF分量;
A1-7、从信号中分离出来的PF,对应得到一个新的信号,将新信号作为原始信号重复A1-1~A1-6,直到误差△=0.001或残余信号为单调函数,停止迭代。
A2中所述选取前三个PF分量,求它们的近似熵,作为故障的特征向量的具体过程为:
A2-1、设给定长度为N的一维时间序列{u(i),i=1,2...N},按式Xi={u(i),u(i+1)...u(i+m-1)}重构m维向量Xi,i=1,2,....n,n=N+m-1;
A2-2、计算向量Xi与其他向量Xj(j=1,2,...n,n=N+m-1)之间的距离
d=max|u(i+j)-u(j+k)|k=0,1,2....,m-1;
A2-3、给定一个阀值r,对每个向量Xi统计d≤r的数目以及此数目与距离总数(N-m)的比值,记为
A2-4、对取对数,然后将所有的i求平均值,记为φm(r):
A2-5、将m加1,重复A2-1~A2-4,求得和φm(r);
A2-6、由φm和φm+1得近似熵
A3中训练SVM,寻找最优的SVM参数采用混沌粒子群算法,具体如下:
A3-1、CPSO参数设置:设置粒子群的规模、适应度误差限、允许最大迭代次数、惯性权重以及学习因子C1,C2等参数;
A3-2、混沌粒子位置和速度,随机产生各粒子的初始速度vi=(v1,v2,.....,vm);
A3-3、将每个粒子的个体极值位置设置为当前位置,计算出每个粒子的适应度,采用均方误差作为粒子适应值的评价函数,取适应度最好的粒子所对应的个体极值作为最初的全局极值;
A3-4、按下式进行迭代计算,更新粒子的位置,速度,
vid=wwid+c1r(pid-Xid)+c2R(gd-Xid)
xid=xid+αvid
其中vid表示粒子的速度,r,R表示均匀分布在(0,1)区间的随机数,α为控制速权重的约束因子,ω表示惯性权重,c1,c2表示学习因子,iter为当前迭代次数,itermax为总的迭代次数,vmax表示粒子的最大速度,wmax,wmin分别为最大、最小权重因子;
A3-5、对所有最优位置进行混沌优化,将pgi,i=1,2,...,D映射到Logistic方程的定义域内,然后通过Logistic方程的迭代,产生混沌变量序列再把所述混沌变量序列通过逆映射返回到原解空间,最后在原解空间对混沌变量经历的每一个可行解计算出其适应值,并得到性能最好的可行解p*;
A3-6、用p*取代当前群体中任意一个粒子的位置;
A3-7、当达到最大迭代次数或解不再变化时停止搜索,否则返回到A3-3。
本发明的有益效果在于:①LMD算法在估计包络函数时使用使用滑动平均,避免了虚假分量的产生;近似熵可以作为时间序列复杂性的一种度量,信号经LMD分解后的PF分量为依次从高频到低频的时间序列,故用近似熵对PF分量进行量化,可实现以PF分量的复杂性作为目标的有用信息提取。求近似熵相对而言比较简单,快速。②用混沌粒子群算法优化支持向量机可以避免寻参时陷入局部最优,以达到更好的分类效果。
附图说明
图1为本发明实施例所选取的诊断对象带通滤波器电路图;
图2为图1中实施例基于LMD近似熵和SVM的模拟电路故障诊断流程图;
图3为图2流程中R1↑故障信号经LMD分解得到前三个PF分量图;
图4为图2流程中部分LMD近似熵特征值;
图5为图2流程中混沌粒子群算法优化SVM的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
选取带通滤波器作为诊断对象,电路图如附图1,在OrCAD/PSpice软件中画出电路,元件具有容差,设立电阻容差为标称值的5%,电感为10%。设立故障模式分别为C1↑,C1↓,C2↑,C2↓,,R1↑,R1↓,R2↑,R2↓,R3↑,R3↓,其中↑表示该值为大于标称值50%的故障值,↓为小于标称值50%的故障值。这样就有10种故障,再加上正常值,总共11种状态,用蒙特卡洛分析法对每种故障进行200次分析,在MATLAB软件中利用LMD算法把电路故障信号分解为一系列PF分量,再选取前三个PF分量,求它们的近似熵,作为故障的特征向量。在对故障进行分类时,还是在MATLAB软件中进行,选用SVM,并利用混沌粒子群算法寻找最优的SVM参数。前100次的特征向量用于训练,后一百次的特征向量用于验证分类的正确性。整个流程如附图2所示。
基于LMD近似熵和SVM的模拟电路故障诊断分析方法如下:
(1)在OrCAD/PSpice设置好电路的容差,进行蒙特卡洛分析,得到故障电路的信号。
(2)利用LMD算法得到电路的一系列PF分量。R1↑故障信号经LMD分解得到前三个PF分量图如图3。算法包含以下步骤:
①计算信号的局部极值点集合,再计算任意2个相邻极值点的平均值;
②利用①所得的局部极值点集合,确定包络估计值集合;
③利用计算所得的局部均值点集合和包络估计值集合将集合中所有相邻的2个值,分别用折线相连,然后进行平滑处理,得到局部极值函数和包络估计函数;
④将局部均值函数从原始信号中分离出去;
⑤将分离后的信号进行解调,理想情况下就得到了纯调频信号;
⑥把迭代过程中产生的包络估计函数相乘就得到了包络信号;
⑦将包络信号和纯调频信号相乘,得到原始信号的首个PF分量;
⑧从信号中分离出来的PF,对应得到一个新的信号,将新信号作为原始信号重复①一⑦步聚,直到残余信号是单调函数,停止迭代;
(3)选取前三个PF分量,分别求它们的近似熵作为故障的一组特征向量,部分LMD近似熵特征值如附图3,算法步骤如下:
1)设给定长度为N的一维时间序列{u(i),i=1,2...N},按式
Xi={u(i),u(i+1)...u(i+m-1)}
重构m维向量Xi,i=1,2,....n,n=N+m-1。
2)计算向量Xi与其他向量Xj(j=1,2,...n,n=N+m-1)之间的距离:
d=max|u(i+j)-u(j+k)|k=0,1,2....,m-1
3)给定一个阀值r,对每个向量Xi统计d≤r的数目以及此数目与距离总数(N-m)的比值,记为
4)对取对数,然后将所有的i求平均值,记为φm(r):
5)将m加1,重复前面1)一4)的步骤,求得和φm(r)。
6)由φm和φm+1得近似熵:
(4)选取一部分特征向量作为训练样本,训练SVM,并用混沌粒子群算(CPSO)寻找最优的参数,主要是寻找最优的惩罚参数C和核参数以达α到最优的分类效果,算法流程图如图附图4所示,算法步骤如下:
A、CPSO参数设置。设置粒子群的规模、适应度误差限、允许最大迭代次数、惯性权重以及学习因子C1,C2等参数;
B、混沌粒子位置和速度,随机产生各粒子的初始速度vi=(v1,v2,.....,vm);
C、将每个粒子的个体极值位置设置为当前位置,计算出每个粒子的适应度,采用均方误差作为粒子适应值的评价函数,取适应度最好的粒子所对应的个体极值作为最初的全局极值;
D、按照下面公式进行迭代计算,然后更新粒子的位置,速度;
vid=wwid+c1r(pid-Xid)+c2R(gd-Xid)
xid=xid+αvid
其中vid表示粒子的速度,r,R表示均匀分布在(0,1)区间的随机数,α控制速权重的约束因子,ω表示惯性权重,c1,c2表示学习因子,iter为当前迭代次数,itermax为总的迭代次数,vmax表示粒子的最大速度,wmax,wmin分别为最大、最小权重因子。
E、对所有最优位置进行混沌优化,将pgi,i=1,2,...,D映射到Logistic方程的定义域内,然后通过Logistic方程的迭代,产生混沌变量序列再把产生的混沌变量序列通过逆映射返回到原解空间,最后在原解空间对混沌变量经历的每一个可行解计算出其适应值,并得到性能最好的可行解p*;
F、用p*取代当前群体中任意一个粒子的位置;
G、当达到最大迭代次数或解不再变化时停止搜索,否则返回到步骤C。
(5)用剩余的特征向量进行分类识别,得出分类的正确率。
Claims (5)
1.基于LMD近似熵和SVM的模拟电路故障诊断方法,其特征在于,包括以下步骤:
A1、用软件模拟诊断对象的故障;
A2、对每种故障利用蒙特卡洛分析法进行分析,把电路故障信号分解为一系列PF分量,选取前三个PF分量,求它们的近似熵,作为故障特征向量;
A3、在对故障进行分类时选用SVM,寻找最优的SVM参数,前半部分特征向量用于训练,后半部分特征向量用于验证分类的正确性;
A4、将在A2中所述故障特征向量放在A3中得到的用于训练的特征向量进行验证,得出分类的正确率以及分类的时间。
2.根据权利要求1所述的基于LMD近似熵和SVM的模拟电路故障诊断方法,其特征在于,A1中的所述软件是OrCAD或PSpice。
3.根据权利要求1所述的基于LMD近似熵和SVM的模拟电路故障诊断方法,其特征在于,A2中利用LMD算法得到PF分量,具体包括以下步骤:
A1-1、计算信号的局部极值点集合,再计算任意2个相邻极值点的平均值;
A1-2、根据局部极值点集合确定包络估计值集合;
A1-3、利用计算所得的局部均值点集合和包络估计值集合将集合中所有相邻的2个极值,分别用折线相连,进行平滑处理,得到局部均值函数和包络估计函数;
A1-4、将局部均值函数从原始信号中分离出去;分离后的信号进行解调得到纯调频信号;
A1-5、把A1-1~A1-4迭代过程中产生的包络估计函数相乘得到包络信号;
A1-6、将包络信号和纯调频信号相乘,得到原始信号的首个PF分量;
A1-7、从信号中分离出来的PF,对应得到一个新的信号,将新信号作为原始信号重复A1-1~A1-6,直到误差△=0.001或残余信号为单调函数,停止迭代。
4.根据权利要求1、2、3任一项所述的基于LMD近似熵和SVM的模拟电路故障诊断方法,其特征在于,A2中所述选取前三个PF分量,求它们的近似熵,作为故障的特征向量的具体过程为:
A2-1、设给定长度为N的一维时间序列{u(i),i=1,2...N},按式Xi={u(i),u(i+1)...u(i+m-1)}重构m维向量Xi,i=1,2,....n,n=N+m-1;
A2-2、计算向量Xi与其他向量Xj(j=1,2,...n,n=N+m-1)之间的距离
d=max|u(i+j)-u(j+k)|k=0,1,2....,m-1;
A2-3、给定一个阀值r,对每个向量Xi统计d≤r的数目以及此数目与距离总数(N-m)的比值,记为
A2-4、对取对数,然后将所有的i求平均值,记为φm(r):
A2-5、将m加1,重复A2-1~A2-4,求得和φm(r);
A2-6、由φm和φm+1得近似熵
5.根据权利要求4所述的基于LMD近似熵和SVM的模拟电路故障诊断方法,其特征在于,A3中训练SVM,寻找最优的SVM参数采用混沌粒子群算法,具体如下:
A3-1、CPSO参数设置:设置粒子群的规模、适应度误差限、允许最大迭代次数、惯性权重以及学习因子C1,C2等参数;
A3-2、混沌粒子位置和速度,随机产生各粒子的初始速度vi=(v1,v2,.....,vm);
A3-3、将每个粒子的个体极值位置设置为当前位置,计算出每个粒子的适应度,采用均方误差作为粒子适应值的评价函数,取适应度最好的粒子所对应的个体极值作为最初的全局极值;
A3-4、按下式进行迭代计算,更新粒子的位置,速度,
vid=wwid+c1r(pid-Xid)+c2R(gd-Xid)
xid=xid+αvid
<mrow>
<mi>w</mi>
<mo>=</mo>
<msub>
<mi>w</mi>
<mi>min</mi>
</msub>
<mo>+</mo>
<mfrac>
<mrow>
<mo>(</mo>
<msub>
<mi>iter</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<mi>i</mi>
<mi>t</mi>
<mi>e</mi>
<mi>r</mi>
<mo>)</mo>
<mo>(</mo>
<msub>
<mi>w</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>w</mi>
<mi>min</mi>
</msub>
<mo>)</mo>
</mrow>
<mrow>
<msub>
<mi>iter</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
</mrow>
</mfrac>
</mrow>
其中vid表示粒子的速度,r,R表示均匀分布在(0,1)区间的随机数,α为控制速权重的约束因子,ω表示惯性权重,c1,c2表示学习因子,iter为当前迭代次数,itermax为总的迭代次数,vmax表示粒子的最大速度,wmax,wmin分别为最大、最小权重因子;
A3-5、对所有最优位置进行混沌优化,将pgi,i=1,2,...,D映射到Logistic方程的定义域内,然后通过Logistic方程的迭代,产生混沌变量序列再把所述混沌变量序列通过逆映射返回到原解空间,最后在原解空间对混沌变量经历的每一个可行解计算出其适应值,并得到性能最好的可行解p*;
A3-6、用p*取代当前群体中任意一个粒子的位置;
A3-7、当达到最大迭代次数或解不再变化时停止搜索,否则返回到A3-3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710333038.4A CN107202950A (zh) | 2017-05-12 | 2017-05-12 | 基于lmd近似熵和svm的模拟电路故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710333038.4A CN107202950A (zh) | 2017-05-12 | 2017-05-12 | 基于lmd近似熵和svm的模拟电路故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107202950A true CN107202950A (zh) | 2017-09-26 |
Family
ID=59905641
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710333038.4A Pending CN107202950A (zh) | 2017-05-12 | 2017-05-12 | 基于lmd近似熵和svm的模拟电路故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107202950A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107966648A (zh) * | 2017-11-27 | 2018-04-27 | 中国航空综合技术研究所 | 一种基于相关性矩阵的嵌入式故障诊断方法 |
CN108120451A (zh) * | 2017-12-21 | 2018-06-05 | 苏州大学 | 基于改进pso优化神经网络的硅微加速度计温度补偿方法、系统 |
CN108615053A (zh) * | 2018-04-16 | 2018-10-02 | 南京邮电大学 | 基于粒子群优化的流形svm模拟电路故障诊断方法 |
CN109270445A (zh) * | 2018-09-07 | 2019-01-25 | 广西电网有限责任公司电力科学研究院 | 基于lmd的断路器弹簧操动机构状态异常检测方法 |
CN109489977A (zh) * | 2018-12-28 | 2019-03-19 | 西安工程大学 | 基于KNN-AdaBoost的轴承故障诊断方法 |
CN109814651A (zh) * | 2019-01-21 | 2019-05-28 | 中国地质大学(武汉) | 基于粒子群的光伏电池多峰值最大功率跟踪方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6035114A (en) * | 1997-08-05 | 2000-03-07 | Institute For Information Industry | Method for constructing fault classification tables of analog circuits |
US6308300B1 (en) * | 1999-06-04 | 2001-10-23 | Rutgers University | Test generation for analog circuits using partitioning and inverted system simulation |
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 |
CN103926526A (zh) * | 2014-05-05 | 2014-07-16 | 重庆大学 | 一种基于改进的rbf神经网络的模拟电路故障诊断方法 |
CN105866664A (zh) * | 2016-06-20 | 2016-08-17 | 金陵科技学院 | 一种基于幅频特征的模拟电路智能化故障诊断方法 |
-
2017
- 2017-05-12 CN CN201710333038.4A patent/CN107202950A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6035114A (en) * | 1997-08-05 | 2000-03-07 | Institute For Information Industry | Method for constructing fault classification tables of analog circuits |
US6308300B1 (en) * | 1999-06-04 | 2001-10-23 | Rutgers University | Test generation for analog circuits using partitioning and inverted system simulation |
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 |
CN103926526A (zh) * | 2014-05-05 | 2014-07-16 | 重庆大学 | 一种基于改进的rbf神经网络的模拟电路故障诊断方法 |
CN105866664A (zh) * | 2016-06-20 | 2016-08-17 | 金陵科技学院 | 一种基于幅频特征的模拟电路智能化故障诊断方法 |
Non-Patent Citations (4)
Title |
---|
张艳艳: "近似熵理论及应用", 《中国医学物理学杂志》 * |
张超: "基于LMD近似熵和支持向量机的轴承故障诊断", 《机械科学与技术》 * |
朱凤明: "混沌粒子群算法对支持向量机模型参数的优化", 《计算机仿真》 * |
钱莉: "基于LMD和SVM算法的模拟电路故障诊断", 《电子科技》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107966648A (zh) * | 2017-11-27 | 2018-04-27 | 中国航空综合技术研究所 | 一种基于相关性矩阵的嵌入式故障诊断方法 |
CN107966648B (zh) * | 2017-11-27 | 2019-10-01 | 中国航空综合技术研究所 | 一种基于相关性矩阵的嵌入式故障诊断方法 |
CN108120451A (zh) * | 2017-12-21 | 2018-06-05 | 苏州大学 | 基于改进pso优化神经网络的硅微加速度计温度补偿方法、系统 |
CN108615053A (zh) * | 2018-04-16 | 2018-10-02 | 南京邮电大学 | 基于粒子群优化的流形svm模拟电路故障诊断方法 |
CN109270445A (zh) * | 2018-09-07 | 2019-01-25 | 广西电网有限责任公司电力科学研究院 | 基于lmd的断路器弹簧操动机构状态异常检测方法 |
CN109489977A (zh) * | 2018-12-28 | 2019-03-19 | 西安工程大学 | 基于KNN-AdaBoost的轴承故障诊断方法 |
CN109814651A (zh) * | 2019-01-21 | 2019-05-28 | 中国地质大学(武汉) | 基于粒子群的光伏电池多峰值最大功率跟踪方法及系统 |
CN109814651B (zh) * | 2019-01-21 | 2020-07-07 | 中国地质大学(武汉) | 基于粒子群的光伏电池多峰值最大功率跟踪方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107202950A (zh) | 基于lmd近似熵和svm的模拟电路故障诊断方法 | |
Robert | Convergence control methods for Markov chain Monte Carlo algorithms | |
JP2014074682A (ja) | バッテリのパラメータ等推定装置およびその推定方法 | |
Cui et al. | State‐of‐charge estimation of power lithium‐ion batteries based on an embedded micro control unit using a square root cubature Kalman filter at various ambient temperatures | |
CN101477172A (zh) | 一种基于神经网络的模拟电路故障诊断方法 | |
CN107154088A (zh) | 基于信道状态信息的活动人员数量估计方法 | |
CN103077402A (zh) | 基于奇异值分解算法的变压器局部放电模式识别方法 | |
CN107735691B (zh) | 一种电池充电性能的快速预测方法及其系统 | |
CN106933618B (zh) | 基于系统参数相关系数的系统升级评估方法 | |
CN113189490B (zh) | 基于特征筛选和高斯过程回归的锂电池健康状态估计方法 | |
CN106405384A (zh) | 模拟电路健康状态评估方法 | |
CN111189638B (zh) | 基于hmm和qpso优化算法的轴承故障程度辨识方法 | |
CN108896919B (zh) | 电池老化状态的估算方法、装置及电池管理系统 | |
CN106056147A (zh) | 基于人工智能径向基函数神经网络方法建立不同分车型分目标远程定损系统及方法 | |
CN109614987A (zh) | 多分类模型优化方法、装置、存储介质及电子设备 | |
CN114564370B (zh) | 告警阈值的确定方法、装置、设备及计算机存储介质 | |
CN115293208A (zh) | 一种隔离开关故障诊断方法及系统 | |
CN115100427A (zh) | 锂电池制造的石墨矿石破碎装置及其处理方法 | |
CN115291108A (zh) | 数据生成方法、装置、设备及计算机程序产品 | |
CN106056150A (zh) | 基于人工智能随机森林方法建立不同车型分零件远程定损系统及方法 | |
CN110133519A (zh) | 电池容量的计算方法、装置及设备 | |
CN103039101B (zh) | 频谱感测方法和通讯装置 | |
CN117291046A (zh) | 一种基于大数据动力电池bms可靠测试管理方法及系统 | |
CN116400244B (zh) | 储能电池的异常检测方法及装置 | |
CN110826645A (zh) | 基于Adaboost算法的锂电池退役检测方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170926 |