CN108957297B - 一种引入工况信息的电路故障诊断扩展决策树构建方法 - Google Patents
一种引入工况信息的电路故障诊断扩展决策树构建方法 Download PDFInfo
- Publication number
- CN108957297B CN108957297B CN201810892066.4A CN201810892066A CN108957297B CN 108957297 B CN108957297 B CN 108957297B CN 201810892066 A CN201810892066 A CN 201810892066A CN 108957297 B CN108957297 B CN 108957297B
- Authority
- CN
- China
- Prior art keywords
- circuit
- working condition
- decision tree
- test point
- data
- 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
Images
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
- G01R31/2843—In-circuit-testing
-
- 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
- G01R31/2832—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
- G01R31/2848—Fault-finding or characterising using hard- or software simulation or using knowledge-based systems, e.g. expert systems, artificial intelligence or interactive algorithms using simulation
Abstract
本发明提出一种引入工况信息的电路故障诊断扩展决策树构建方法,属于故障诊断技术领域。包括以下步骤:步骤一,确定被测电路的测试点、工况组成和电路状态种类;步骤二,根据电路历史运行数据或者仿真数据,获取被测电路在各电路状态和各电路工况下的电路测试点数据集;步骤三,构建扩展决策树;步骤四,应用决策树,诊断电路。本发明通过采集各测试点信息和工况种类信息,构建一个既包括测试信息、也包括工况类型的特征矩阵,再根据基尼指数划分属性,构建扩展决策树,实现多工况综合故障诊断。与传统方法中每个工况建立一个决策树相比较,本发明方法只需构建一个决策树,大大减少了诊断资源,有效提高了诊断效率。
Description
技术领域
本发明涉及一种引入工况信息的电路故障诊断扩展决策树构建方法,属于故障诊断技术领域。
背景技术
电路故障诊断,主要是通过测试点的设计和布置来监测系统的运行状态,并在诊断出异常后进行分析处理。工况是指电路的工作状态。在实际的生活中一旦负载、输入等发生改变,那么电路工况也会发生变化。故障诊断对于电路的维修和后期的保障有很重要的作用。传统的决策树故障诊断方法只考虑单一工作状况下的情况,却很少考虑多种工况下的情况。在实际应用中,电路普遍存在着多工况频繁切换的过程,电路的诊断模型应随着多工况的切换而变化。
发明内容
本发明为了提高多工况电路决策树故障诊断效率,提出一种引入工况信息的电路故障诊断扩展决策树构建方法,主要是通过采集各测试点信息和工况种类信息,构建一个既包括测试信息、也包括工况类型的特征矩阵,再根据基尼指数划分属性,构建扩展决策树,实现多工况综合故障诊断。与传统方法中每个工况建立一个决策树相比较,本发明方法只需构建一个决策树,大大减少了诊断资源,有效提高了诊断效率。
本发明提出的一种引入工况信息的电路故障诊断扩展决策树构建方法,具体包括以下几个步骤:
步骤一,确定被测电路的测试点、工况组成和电路状态种类。
设被测电路有n个测试点,有m个工况,有p种故障状态,加上健康状态,则被测电路共有(p+1)种电路状态。n、m、p均为正整数。
步骤二,根据电路历史运行数据或者仿真数据,获取被测电路在各电路状态和各电路工况下的电路测试点数据集。
将每个工况用唯一的m位的二进制序列编码,二进制序列中只有一位是1,其他位都是0。设获得测试数据集D'如下:
D'={(x11,y1),(x12,y1),…,(x1n,y1),(x1(n+1),y1),…,(x1(n+m),y1),(x21,y2),(x22,y2),…,
(x2n,y2),(x2(n+1),y2),…,(x2(n+m),y2),…,(xd(n+m),yd)}
其中,d为样本个数,xin表示第i个样本中测试点Tn所测得的数据值,yi表示采集第i个样本时的电路状态,xi(n+1),…,xi(n+m)表示采集第i个样本时的电路工况,为二进制序列。
步骤三,以数据集D'为训练样本构建扩展决策树;
利用分类回归树法,以数据集D'中的n个测试点T1,T2,…Tn和m位工况编码A1,A2,…,Am为属性,以电路状态S0,S1……Sp为所属类别,构建扩展决策树;
步骤四,采集被测电路测试点数据,将测试点数据和工况编码依据扩展决策树,诊断电路状态。
本发明与现有技术相比,具有以下明显优势:
(1)本发明只需构建一个决策树既可完成故障诊断,节省了运算资源;
(2)本发明通过单个决策树对电路状态进行分类,提高了诊断效率;
(3)本发明能够对多工况电路系统进行故障诊断。
附图说明
图1是本发明实施例中的电路两级负反馈放大电路图;
图2是本发明实施例中的电路模拟输入不同幅值作为不同工况的电压图;
图3是本发明的引入工况信息的电路故障诊断扩展决策树构建方法的整体步骤示意图;
图4是本发明实施例数据经过CART法得到的扩展决策树。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图对本发明作进一步的详细描述。
本发明实施例以图1所示的多级负反馈放大电路为研究对象,来说明本发明方法的具体实现步骤,图1所示电路由两个三极管和其附属外围器件组成,耦合方式采用电容耦合。
其中,Q1三极管及其附属器件组成一级放大,Q2三极管及其附属器件组成二级放大,之间用电容C2耦合。输入信号为正弦波Vsin,频率为1kHz。电容C6和电阻R8组成反馈回路,提升电路的稳定性。在该电路中设置了8个测试点,通过模拟探针监测所连接点处的电压。
本发明实施例通过设置不同输入电压幅值(频率不变)模拟工况的变化,如图2所示,拟定为3种不同的输入,10mv(1kHz)、100mv(1kHz)、500mv(1kHz),对应三种不同的工况。设置8个测试点采集电压信息,对电路中相关器件进行故障模拟注入。电路的状态如表1所示,包括9种。
表1电路的状态列表
下面结合上面所述实施例,来说明本发明提出的一种引入工况信息的电路故障诊断扩展决策树构建方法的如图3所示的各步骤。
步骤一,确定电路的测试点组成、工况组成和状态组成。
根据电路的设计资料,确定对象产品的测试点组成,工况组成,以及正常和故障状态组成,并分别记录到电路测试点组成表、电路工况组成表和电路状态组成表中。设被测电路有n个测试点T1,T2……Tn,有m个工况O1,O2……Om,有p种故障状态,加上健康状态,则被测电路共有(p+1)种电路状态S0,S1……Sp。n、m、p均为正整数。
针对本发明实施例,如表2至表4所示。表2中左侧列为测试点的编号,右侧列为测试点位置的描述;表3左侧列为工况的编号,右侧列为工况内容的描述;表4中左侧列为电路工作状态的编号,右侧列为电路健康或故障状态的描述。
表2电路测试点组成
测试点 | 描述 |
T<sub>1</sub> | C1与Q1之间的电路 |
T<sub>2</sub> | R3与Q1之间的电路 |
T<sub>3</sub> | R4与R5之间的电路 |
T<sub>4</sub> | C2与Q2之间的电路 |
T<sub>5</sub> | C4与R11之间的电路 |
T<sub>6</sub> | R10与Q2之间的电路 |
T<sub>7</sub> | R9与Q2之间的电路 |
T<sub>8</sub> | C6与Q1之间的电路 |
表3电路工况组成
工况 | 描述 |
O<sub>1</sub> | 输入电压幅值为10mv,频率为1kHz的正弦波 |
O<sub>2</sub> | 输入电压幅值为100mv,频率为1kHz的正弦波 |
O<sub>3</sub> | 输入电压幅值为500mv,频率为1kHz的正弦波 |
表4电路状态组成
状态 | 描述 |
S<sub>0</sub> | 正常 |
S<sub>1</sub> | R4短路 |
S<sub>2</sub> | R5开路 |
S<sub>3</sub> | C3短路 |
S<sub>4</sub> | C6短路 |
S<sub>5</sub> | R1-30% |
S<sub>6</sub> | R7-30% |
S<sub>7</sub> | R8-30% |
S<sub>8</sub> | R8开路 |
本发明实施例的被测电路有8个测试点;有3个工况;有8种故障状态,加上健康状态,则该电路系统共有9种电路状态。
步骤二,根据电路历史运行数据及电路仿真补充数据,确定对象产品在各电路状态和各电路工况下的电路测试点数据集。
设从n个测试点采集的一个样本i表示为(xi1,xi2,...,xin),采集该样本时对应的电路状态标记为yi,yi是(p+1)种电路状态中的一种,则得到的数据集如下:
数据集D={(x11,y1),(x12,y1),…,(x1n,y1),(x21,y2),(x22,y2),…,(x2n,y2),…,(xdn,yd)};
d表示样本总数。
本步骤包括如下子步骤2.1~2.3。
步骤2.1,根据电路的历史运行数据,确定出不同状态、不同工况下的测试点数据。对于每个状态与工况组合情况下,对每个测试点结果,都分别选取最大值和最小值情况作为样本数据,记录在测试点样本数据表中。
步骤2.2,对于历史数据中缺少的状态工况组合数据,通过电路仿真补充获取。同样,对于每个状态与工况组合情况下,对每个测试点结果,都分别选取最大值和最小值情况作为样本数据,记录在测试点样本数据表中。
具体步骤如下:
(1)采用商用仿真工具软件,建立电路的状态工况组合情况的仿真模型;
(2)在电路模型中的测试点位置上放置探针;
(3)开始仿真,获得测试点数据,对每个测试点,都分别选取最大值和最小值情况作为样本数据。将数据记录到表5之中。
(4)所有需要仿真的状态工况组合,仿真完毕后,结束仿真。
如表5所示,为本发明实施例获得的部分测试点样本数据表,表中的第一行为测试点编号,每一列(除了最后一列)为对应第一行测试点的数据,最后一列为电路的状态标签。
表5测试点样本数据表
T<sub>1</sub> | T<sub>2</sub> | T<sub>3</sub> | T<sub>4</sub> | T<sub>5</sub> | T<sub>6</sub> | T<sub>7</sub> | T<sub>8</sub> | 状态 |
5.615169 | 7.822889 | 4.805382 | 3.996652 | 6.792093 | 5.971810 | 10.347463 | 0.082870 | S<sub>2</sub> |
1.928046 | 1.189251 | 1.108518 | 0.000000 | 6.791634 | 5.971403 | 10.282169 | 0.017585 | S<sub>3</sub> |
3.096866 | 23.662374 | 2.301597 | 2.301597 | 7.160989 | 6.325778 | 15.349188 | 4.954675 | S<sub>2</sub> |
5.353334 | 15.513482 | 4.532305 | 3.390382 | 5.187785 | 4.361400 | 23.625730 | 7.414710 | S<sub>7</sub> |
5.698356 | 8.401894 | 4.885624 | 3.992989 | 5.691646 | 4.859347 | 22.808640 | 8.862589 | S<sub>4</sub> |
5.615169 | 7.822944 | 4.805381 | 3.996653 | 5.557282 | 4.742900 | 13.997652 | 0.082830 | S<sub>7</sub> |
4.223456 | 3.754322 | 3.336428 | 3.145298 | 5.526486 | 4.851632 | 15.248561 | 0.775422 | S<sub>0</sub> |
步骤2.3,对工况进行编码,并加入到样本数据中。
(1)将工况种类以二进制序列来表示,并记录在工况编码表中。
表6工况编码表
工况 | 工况编码 |
O<sub>1</sub> | 001 |
O<sub>2</sub> | 010 |
O<sub>3</sub> | 100 |
(2)将工况编码加入到样本数据中,本发明实施例的部分测试样本数据如表7所示。
表7将工况编码加入到测试数据后的样本数据
表7是在表5的基础上,增加了3列工况信息。由此组成新的数据集D'。
D'={(x11,y1),(x12,y1),…,(x1n,y1),(x1(n+1),y1),…,(x1(n+m),y1),(x21,y2),(x22,y2),…,
(x2n,y2),(x2(n+1),y2),…,(x2(n+m),y2),…,(xd(n+m),yd)}
其中,相对于数据集D,D'中增加了工况的数据信息,对于样本i的数据增加了(xi(n+1),yi),...,(xi(n+m),yi)。
步骤三,构建扩展决策树。
以数据集D'为训练样本利用标准CART(Classification And Regression Tree,分类回归树)法构建决策树。以n个测试点数据T1,T2,…Tn和m位工况编码A1,A2,…,Am为属性值,共(n+m)个属性,以电路状态S0,S1……Sp为所属类别。
本发明实施例中训练数据集D'中共有204个训练样本;以测试点数据(每个测点表示一个属性,因为有8个测点,所以有8个属性)和工况编码(每一列编码作为一个属性,因为每个工况编码有3位数,所以有3个属性)为属性值,共有11个属性(T1,T2,T3,T4,T5,T6,T7,T8,A1,A2,A3)。以电路状态为分类类别,共有8种故障状态和健康状态共9类。利用标准CART法构建决策树。
数据集D'的基尼值Gini(D')为:
其中,pk代表样本集D'中第k类样本所占的比例;pk'代表样本集D'中第k'类样本所占的比例;k=1,2,…,|γ|,|γ|代表样本集D'的样本种类个数。
属性Ti(i=1,2,…,n)和Aj(j=1,2,…,m)的基尼指数为:
其中,V表示属性Ti或Aj的划分种类个数,对应本发明实施例中V为9;D'v表示属性第v个分类的样本集,|D'v|和|D'|分别表示集合D'v和D'的样本个数。
将所计算的各属性的基尼指数记录到根节点或叶节点各属性基尼指数表中。本发明实施例如表8所示,表中的第一行表示属性编号,第二行对应第一行属性的根节点或叶的节点基尼指数。
表8根节点或叶节点各属性基尼指数表
属性 | T<sub>1</sub> | T<sub>2</sub> | T<sub>3</sub> | T<sub>4</sub> | T<sub>5</sub> | T<sub>6</sub> | T<sub>7</sub> | T<sub>8</sub> | A<sub>1</sub> | A<sub>2</sub> | A<sub>3</sub> |
基尼指数 | 0.07 | 0.02 | 0.05 | 0.045 | 0.077 | 0.12 | 0.03 | 0.25 | 0.024 | 0.05 | 0.053 |
在候选属性集合中,选择基尼指数最小的对应属性作为最优划分属性。这里选择T2作为根节点划分属性。从节点依据属性值将数据集划分为两支,对每支数据集进行重复属性划分工作,依次将节点属性基尼指数记录到对应的表格之中,重复以上操作,直到将数据集划分到数据集中的样本都表示一种电路状态为止,决策树构建完成。在本发明实施例中,构建成的决策树如图4所示。图4中,根节点T2所对应的属性值为3.824932,3.824932的由来是:将采集到的所有样本中的T2属性值按从小到大排列,分别取相邻两个属性值的中间值,每个中间值都对应一个基尼值,这里选取3.824932作为T2属性值分类的分类点是因为——3.824932对应的基尼值在所有中间值中最小。其他属性的分类点值类似,都根据CART算法和样本数据来确定。属性值大小代表测试点采集到的电压值。
步骤四,应用决策树,诊断电路。
采集被测电路测试点数据和工况种类编码信息,将所采集的数据记录到表9之中,表9的第一行表示各属性编号,第二、三行表示各属性值。
表9信息采集得到的各属性值
属性 | T<sub>1</sub> | T<sub>2</sub> | T<sub>3</sub> | T<sub>4</sub> | T<sub>5</sub> | T<sub>6</sub> | T<sub>7</sub> | T<sub>8</sub> | A<sub>1</sub> | A<sub>2</sub> | A<sub>3</sub> |
属性值 | 4.648721 | 3.597813 | 5.259788 | 4.829423 | 4.514783 | 4.497653 | 22.451382 | 0.841123 | 0 | 1 | 0 |
属性值 | 4.236548 | 3.654871 | 5.347856 | 3.114524 | 4.853215 | 5.6485297 | 23.548584 | 0.758463 | 1 | 0 | 0 |
最后,依据表9中的第二行属性值数据,诊断出电路在100mv的工况下电路发生故障“S1”;依据表9中的第三行属性值数据,诊断出电路在10mv的工况下电路健康。
Claims (4)
1.一种引入工况信息的电路故障诊断扩展决策树构建方法,其特征在于,包括如下步骤:
步骤一,确定被测电路的测试点、工况组成和电路状态种类;
设被测电路有n个测试点,有m个工况,有p种故障状态,加上健康状态,则被测电路共有(p+1)种电路状态;n、m、p均为正整数;
步骤二,根据电路历史运行数据或者仿真数据,获取被测电路在各电路状态和各电路工况下的电路测试点数据集;
将每个工况用唯一的m位的二进制序列编码,二进制序列中只有一位是1,其他位都是0;设获得测试数据集D'如下:
D'={(x11,y1),(x12,y1),…,(x1n,y1),(x1(n+1),y1),…,(x1(n+m),y1),(x21,y2),(x22,y2),…,(x2n,y2),(x2(n+1),y2),…,(x2(n+m),y2),…,(xd(n+m),yd)}
其中,d为样本个数,xin表示第i个样本中测试点Tn所测得的数据值,yi表示采集第i个样本时的电路状态,xi(n+1),…,xi(n+m)表示采集第i个样本时的电路工况,为二进制序列;
步骤三,以数据集D'为训练样本构建扩展决策树;
利用分类回归树法,以数据集D'中的n个测试点T1,T2,…Tn和m位工况编码A1,A2,…,Am为属性,以电路状态S0,S1……Sp为所属类别,构建扩展决策树;
步骤四,采集被测电路测试点数据,将测试点数据和工况编码依据扩展决策树,诊断电路状态。
2.根据权利要求1所述的方法,其特征在于,所述的步骤二中,获取被测电路在不同状态和不同工况组合下的测试点数据;对于每个状态与工况组合情况下,对每个测试点结果,都分别选取最大值和最小值情况作为样本数据。
4.根据权利要求1所述的方法,其特征在于,所述的步骤三中,在构建扩展决策树时,首先计算数据集D'的基尼值Gini(D');然后,计算各属性的基尼指数;
属性Tq(q=1,2,…,n)和Aj(j=1,2,…,m)的基尼指数Gini_index(D',Tq)、Gini_index(D',Aj)分别如下:
其中,V表示属性Tq或Aj的划分种类个数;D'v表示属性第v个分类的样本集,|D'v|和|D'|分别表示集合D'v和D'的样本个数;
选取其中最小的基尼指数对应的属性作为最优划分属性,作为扩展决策树的根节点;
从节点依据属性值将数据集划分为两支,对每支数据集进行重复属性划分工作,直到将数据集中的样本都划分到一种电路状态为止,扩展决策树构建完成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810892066.4A CN108957297B (zh) | 2018-08-07 | 2018-08-07 | 一种引入工况信息的电路故障诊断扩展决策树构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810892066.4A CN108957297B (zh) | 2018-08-07 | 2018-08-07 | 一种引入工况信息的电路故障诊断扩展决策树构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108957297A CN108957297A (zh) | 2018-12-07 |
CN108957297B true CN108957297B (zh) | 2020-05-19 |
Family
ID=64468437
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810892066.4A Active CN108957297B (zh) | 2018-08-07 | 2018-08-07 | 一种引入工况信息的电路故障诊断扩展决策树构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108957297B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5995915A (en) * | 1997-01-29 | 1999-11-30 | Advanced Micro Devices, Inc. | Method and apparatus for the functional verification of digital electronic systems |
CN101871994A (zh) * | 2010-06-11 | 2010-10-27 | 南京航空航天大学 | 多分数阶信息融合的模拟电路故障诊断方法 |
CN104155596A (zh) * | 2014-08-12 | 2014-11-19 | 北京航空航天大学 | 一种基于随机森林的模拟电路故障诊断系统 |
CN105846780A (zh) * | 2016-03-19 | 2016-08-10 | 上海大学 | 一种基于决策树模型的光伏组件故障诊断方法 |
CN107255785A (zh) * | 2017-04-28 | 2017-10-17 | 南京邮电大学 | 基于改进mRMR的模拟电路故障诊断方法 |
CN108303632A (zh) * | 2017-12-14 | 2018-07-20 | 佛山科学技术学院 | 基于随机森林算法的电路故障诊断方法 |
-
2018
- 2018-08-07 CN CN201810892066.4A patent/CN108957297B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5995915A (en) * | 1997-01-29 | 1999-11-30 | Advanced Micro Devices, Inc. | Method and apparatus for the functional verification of digital electronic systems |
CN101871994A (zh) * | 2010-06-11 | 2010-10-27 | 南京航空航天大学 | 多分数阶信息融合的模拟电路故障诊断方法 |
CN104155596A (zh) * | 2014-08-12 | 2014-11-19 | 北京航空航天大学 | 一种基于随机森林的模拟电路故障诊断系统 |
CN105846780A (zh) * | 2016-03-19 | 2016-08-10 | 上海大学 | 一种基于决策树模型的光伏组件故障诊断方法 |
CN107255785A (zh) * | 2017-04-28 | 2017-10-17 | 南京邮电大学 | 基于改进mRMR的模拟电路故障诊断方法 |
CN108303632A (zh) * | 2017-12-14 | 2018-07-20 | 佛山科学技术学院 | 基于随机森林算法的电路故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
三电平逆变器的决策树SVM故障诊断;陶洪峰 等;《电子测量与仪器学报》;20170228;第31卷(第2期);第238-244页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108957297A (zh) | 2018-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108255649B (zh) | 一种基于建模仿真协同分析的诊断策略设计方法 | |
Stone | A General Theory of Spectra. I: I | |
CN109685314B (zh) | 一种基于长短期记忆网络的非侵入负荷分解方法和系统 | |
CN107909344B (zh) | 基于关系矩阵的工作流日志重复任务识别方法 | |
CN101430309B (zh) | 基于粗糙集—rbf神经网络的环境质量评价方法 | |
WO2020021587A1 (ja) | 時系列データ診断装置、追加学習方法およびプログラム | |
CN105955887A (zh) | 一种测试数据的生成方法及系统 | |
CN107256132B (zh) | 一种基于性能测试的异构Redis集群存储分配方法 | |
CN101377758A (zh) | 一种生成测试用例的方法和装置 | |
CN105137328A (zh) | 基于hmm的模拟集成电路早期软故障诊断方法及系统 | |
CN109102150B (zh) | 一种基于阶梯矩阵和过程树的过程模型修正方法 | |
CN101110106A (zh) | 结合粗糙集和神经网络的多传感器信息融合方法 | |
CN109815855B (zh) | 一种基于机器学习的电子设备自动测试方法及系统 | |
CN116610092A (zh) | 用于车辆分析的方法和系统 | |
CN108038211A (zh) | 一种基于上下文的无监督关系数据异常检测方法 | |
CN108957297B (zh) | 一种引入工况信息的电路故障诊断扩展决策树构建方法 | |
CN108021636B (zh) | 一种不依赖时间信息的传播网络结构重构方法 | |
CN103514294B (zh) | 数据监测方法及系统 | |
CN104699761B (zh) | 一种最小函数依赖的增量计算方法 | |
Solomentsev et al. | Diagnostics programs efficiency analysis in operation system of radioelectronic eguipment | |
CN113029619A (zh) | 基于c4.5决策树算法的地下铲运机故障诊断方法 | |
CN103116617A (zh) | 一种集成电路测试数据的处理方法 | |
CN104536879A (zh) | 一种基于模糊聚类的多错误定位方法 | |
CN109685453B (zh) | 智能识别工作流有效路径的方法 | |
CN112035423B (zh) | 一种基于Petri网挖掘混合多并发结构提高业务流程效率的方法 |
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 |