CN109581190A - 一种用于电路故障诊断的最优诊断树生成方法 - Google Patents
一种用于电路故障诊断的最优诊断树生成方法 Download PDFInfo
- Publication number
- CN109581190A CN109581190A CN201811480885.4A CN201811480885A CN109581190A CN 109581190 A CN109581190 A CN 109581190A CN 201811480885 A CN201811480885 A CN 201811480885A CN 109581190 A CN109581190 A CN 109581190A
- Authority
- CN
- China
- Prior art keywords
- measuring point
- optimal
- cost
- failure
- 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.)
- 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
- G01R31/2843—In-circuit-testing
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明公开了一种用于电路故障诊断的最优诊断树生成方法,基于故障测试模型中得到的电子系统内部故障状态与电路中测点输出的关系,再构建动态规划列表搜索最优解;然后对动态规划列表中的故障集,筛选出有效测点,并根据有效测点扩大搜索深度,通过动态规划列表避免相同故障集的重复搜索,进而减小搜索次数,从而能够快速生成最优诊断树。
Description
技术领域
本发明属于电路故障诊断技术领域,更为具体地讲,涉及一种用于电路故障诊断的最优诊断树生成方法。
背景技术
随着电子技术的日益发展,电子系统内部电路设计日趋复杂,及时准确地确定电路状态并隔离内部故障可以有效地缩短电子系统的研制、实验和发布的时间,提高系统的可测试性。如何设计高效的故障测试方案已成为电子设计领域的研究热点之一。
现有的故障测试方案设计方法中,序贯测试基于初步设计中给出的信号流图和相关性模型描述的电路关系,给出测试序列测试方法,减小测试产生的代价,可以有效地提高后期设计和验证评估的效率,因此,该技术被广泛应用于电子系统的可测性设计。
对于序贯测试最优解的搜索问题在近几十年一直为该领域的热点问题。近年来,基于与或图搜索的AO*算法备受关注。该方法基于故障模糊集和测点信息的逻辑关系生成隔离各个故障的决策树模型,极大地提高了故障诊断的效率。然而,由于AO*算法存在对相同故障集的搜索过程,导致算法时间复杂度过高,造成实际应用中的局限性。
发明内容
本发明的目的在于克服现有技术的不足,提供一种用于电路故障诊断的最优诊断树生成方法,将AO*算法与自顶而下的动态规划算法相结合,搜索并生成最优诊断树,具有优化策略代价小,故障隔离率高,搜索速度快等优点。
为实现上述发明目的,本发明一种用于电路故障诊断的最优诊断树生成方法,其特征在于,包括以下步骤:
(1)、构建测试模型
根据电路内部故障状态与电路中测点输出的关系,构建电路的测试模型H={D,C,P},其中,C={c1,c2,…,ci,…cM}为电路中设置的测点对应的代价构成的矩阵,ci表示电路中第i个电路设置测点的测试代价,M为可选测点总数;P={p1,p2,…,pj,…,pN}为电路系统中各个故障状态发生概率形成的矩阵,pj为第j个故障状态发生的概率,N为故障状态总数;D为故障依赖矩阵,具体表示为:
其中,dij表示第j个电路故障在第i个测点下的测试信息,dij的取值为0或1,dij=1表示第j个电路故障可以通过第i个测点测出,dij=0代表第j个故障不能通过第i个测点测出;
(2)、构建动态规划列表
在动态规划列表中创建一节点,该节点的故障模糊集包含整个电路系统中所有故障状态,即S={s1,s2,…,sN},将该节点作为启发式搜索的目标节点,同时将该节点的可选测点集合T设置为全部测点,即T={1,2,3,…,M};
(3)、通过启发式搜索最优测点
(3.1)、选出有效测点;
(3.1.1)、由故障依赖矩阵D、故障模糊集S和可选测点集合T,得到故障依赖的子矩阵D',D'={dij|si∈S,tj∈T};删除D'中测点对应的各个电路故障状态为0和全为1的无效测点,得到具有隔离效果的测点集合T';
根据故障依赖的子矩阵D'中各测点对应依赖信息相同的情况下,保留测试代价最小的测点,得到有效测点集合T”={t1,t2,…tk,…,tm},其中,tk为第k个有效测点的标号,m为有效测点总数;
(3.1.2)、根据T”中的有效测点信息,将S分割为两个子故障集,即S1={S1,1,S1,2,…,S1,k,…,S1,m}和S0={S0,1,S0,2,…,S0,k,…,S0,m},其中,S1,k和S0,k为根据第tk个测点的故障依赖信息分割出的两个故障集,具体为:
S1,k={s1,p|dpk=1}
S0,k={s0,p|dpk=0}
其中,dpk表示第p个故障在第k个测点下的测试信息;
(3.2)、初始化各个有效测点对应的启发函数值h={h1,h2,…,hk,…,hm},其中,hk为第k个有效测点的启发函数数值,初始化为:
其中,cmin为有效测点代价中的最小值,ck为第k个有效测点的测试代价,pi第i个故障出现的概率;
(3.3)、根据各有效测点的启发函数值搜索最优测点
(3.3.1)、初始化最优故障隔离率FIRopt=0,最优测试代价Costopt=0;
(3.3.2)、设置当前启发函数最小数值对应的测点为待选测点tk',从分解出的两个子故障集S1和S0中提取待选测点tk'对应的子故障集s1,k'和s0,k';
(3.3.3)、查看动态规划列表中是否存在关于故障集s1,k'的最优解,若该最优解已经存在,则记录该最优解下的故障隔离率FIR1和最优代价Cost1,然后进入步骤(3.3.5);若该最优解尚未解出,将s1,k'作为故障模糊集S,再返回步骤(3.1),直至找到关于该故障集优解对应的故障隔离率和最优代价,记为FIR1和Cost1,然后进入步骤(3.3.6);
(3.3.4)、查看动态规划列表中是否存在关于故障集s0,k'的最优解,若该最优解已经存在,则记录该最优解下的故障隔离率FIR0和最优代价Cost0,然后进入步骤(3.3.5);若该最优解尚未解出,将s0,k'作为故障模糊集S,再返回步骤(3.1),直至找到关于该故障集优解对应的故障隔离率和最优代价,记为FIR0和Cost0,然后进入步骤(3.3.6);
(3.3.5)、判断步骤(3.3.3)和(3.3.4)中故障集s1,k'和s0,k'的最优解是否同时在动态规划列表中存在,如果同时存在,则将当前选择的待选测点tk'作为最终的最优测点,标记为t,同时返回生成的最优故障隔离率FIRopt和最优代价Costopt;否则进入步骤(3.3.6);
(3.3.6)、在待选测点tk'下,计算诊断树的故障隔离率FIR和代价Cost;
FIR=(FIR0×n0+FIR1×n1)/(n0+n1)
其中,n0和n1分别为s0,k'和s1,k'中故障状态的个数;
(3.3.7)、更新待选测点tk'的启发函数值hk';
(3.3.8)、如果待选测点tk'下诊断树的故障隔离率FIR是否大于FIRopt或FIR=FIRopt下Cost小于Costopt,则更新FIRopt=FIR,Costopt=Cost,并将当前选择的待选测点tk'作为最终的最优测点,标记为t;
(4)、生成最优诊断树
(4.1)、初始化最优诊断树(S,t,S0,S1)为空集,向最优诊断树中添加根节点的故障集信息S={s1,s2,…,sN};
(4.2)、根据最优测点t和故障依赖矩阵D,重新将故障模糊集S分解为S0和S1两个子集:
S0={sp|dpt=0}
S1={sp|dpt=1}
其中,sp为S中包含电路系统中的所有故障状态,dpt为第p个故障在第t个测点下的测试信息;
(4.3)、将子集S0设置为故障模糊集S,向最优诊断树中添加左子树的子节点,若子集S0中故障个数不为1,则返回步骤(4.2),否则得到最优诊断树的左子树;
(4.4)、将子集S1设置为故障模糊集S,向最优诊断树中添加该节点的右子节点,若子集S1中故障个数不为1,则返回步骤(4.2),否则得到最优诊断树的右子树。
本发明的发明目的是这样实现的:
本发明一种用于电路故障诊断的最优诊断树生成方法,基于故障测试模型中得到的电子系统内部故障状态与电路中测点输出的关系,再构建动态规划列表搜索最优解;然后对动态规划列表中的故障集,筛选出有效测点,并根据有效测点扩大搜索深度,通过动态规划列表避免相同故障集的重复搜索,进而减小搜索次数,从而能够快速生成最优诊断树。
同时,本发明一种用于电路故障诊断的最优诊断树生成方法还具有以下有益效果:
(1)、本发明通过基于故障依赖信息,对用于诊断故障的测点进行了有效测点筛选,提高故障诊断方法的生成效率,减小启发式搜索的时间复杂度;
(2)本发明引入动态规划列表,减小了启发式搜索中的重复搜索过程,进一步提高故障诊断树的生成效率。
附图说明
图1是本发明一种用于电路故障诊断的最优诊断树生成方法流程图;
图2是最优故障诊断树示意图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
实施例
图1是本发明一种用于电路故障诊断的最优诊断树生成方法流程图。
在本实施例中,如图1所示,本发明一种用于电路故障诊断的最优诊断树生成方法,包括以下步骤:
S1、构建测试模型
根据电路内部故障状态与电路中测点输出的关系,构建电路的测试模型H={D,C,P},其中,C={c1,c2,…,ci,…cM}为电路中设置的测点对应的代价构成的矩阵,ci表示电路中第i个电路设置测点的测试代价,M为可选测点总数;P={p1,p2,…,pj,…,pN}为电路系统中各个故障状态发生概率形成的矩阵,pj为第j个故障状态发生的概率,N为故障状态总数;D为故障依赖矩阵,具体表示为:
其中,dij表示第j个电路故障在第i个测点下的测试信息,dij的取值为0或1,dij=1表示第j个电路故障可以通过第i个测点测出,dij=0代表第j个故障不能通过第i个测点测出;
S2、构建动态规划列表
在动态规划列表中创建一节点,该节点的故障模糊集包含整个电路系统中所有故障状态,即S={s1,s2,…,sN},将该节点作为启发式搜索的目标节点,同时将该节点的可选测点集合T设置为全部测点,即T={1,2,3,…,M};
S3、通过启发式搜索最优测点
S3.1、选出有效测点;
S3.1.1、由故障依赖矩阵D、故障模糊集S和可选测点集合T,得到故障依赖的子矩阵D',D'={dij|si∈S,tj∈T};删除D'中测点对应的各个电路故障状态全为0和全为1的无效测点,得到具有隔离效果的测点集合T',本步骤的有益效果是去除对诊断没有作用的测点信息,提高诊断树生成效率;
根据故障依赖的子矩阵D'中各测点对应依赖信息相同的情况下,保留测试代价最小的测点,得到有效测点集合T”={t1,t2,…tk,…,tm},其中,tk为第k个有效测点的标号,m为有效测点总数;这样可以减少待选测点数量,去除冗余的测试节点,降低算法的时间消耗,本步骤的有益效果是除去对诊断作用相同的测点,进一步缩小启发式搜索的搜索范围;
S3.1.2、根据T”中的有效测点信息,将S分割为两个子故障集,即S1={S1,1,S1,2,…,S1,k,…,S1,m}和S0={S0,1,S0,2,…,S0,k,…,S0,m},其中,S1,k和S0,k为根据第tk个测点的故障依赖信息分割出的两个故障集,具体为:
S1,k={s1,p|dpk=1}
S0,k={s0,p|dpk=0}
其中,dpk表示第p个故障在第k个测点下的测试信息;
S3.2、初始化各个有效测点对应的启发函数值h={h1,h2,…,hk,…,hm},其中,hk为第k个有效测点的启发函数数值,初始化为:
其中,cmin为有效测点代价中的最小值,ck为第k个有效测点的测试代价,pi第i个故障出现的概率;
S3.3、根据各有效测点的启发函数值搜索最优测点
S3.3.1、初始化最优故障隔离率FIRopt=0,最优测试代价Costopt=0;
S3.3.2、设置当前启发函数最小数值对应的测点为待选测点tk',从分解出的两个子故障集S1和S0中提取待选测点tk'对应的子故障集s1,k'和s0,k';
S3.3.3、查看动态规划列表中是否存在关于故障集s1,k'的最优解,若该最优解已经存在,则记录该最优解下的故障隔离率FIR1和最优代价Cost1,然后进入步骤S3.3.5;若该最优解尚未解出,将s1,k'作为故障模糊集S,再返回步骤S3.1,直至找到关于该故障集优解对应的故障隔离率和最优代价,记为FIR1和Cost1,然后进入步骤S3.3.6;
S3.3.4、查看动态规划列表中是否存在关于故障集s0,k'的最优解,若该最优解已经存在,则记录该最优解下的故障隔离率FIR0和最优代价Cost0,然后进入步骤S3.3.5;若该最优解尚未解出,将s0,k'作为故障模糊集S,再返回步骤S3.1,直至找到关于该故障集优解对应的故障隔离率和最优代价,记为FIR0和Cost0,然后进入步骤S3.3.6;
S3.3.5、判断步骤S3.3.3和S3.3.4中故障集s1,k'和s0,k'的最优解是否同时在动态规划列表中存在,如果同时存在,则将当前选择的待选测点tk'作为最终的最优测点,标记为t,同时返回生成的最优故障隔离率FIRopt和最优代价Costopt;否则进入步骤S3.3.6;
S3.3.6、在待选测点tk'下,计算诊断树的故障隔离率FIR和代价Cost;
FIR=(FIR0×n0+FIR1×n1)/(n0+n1)
其中,n0和n1分别为s0,k'和s1,k'中故障状态的个数;
S3.3.7、更新待选测点tk'的启发函数值hk';
S3.3.8、如果待选测点tk'下诊断树的故障隔离率FIR是否大于FIRopt或FIR=FIRopt下Cost小于Costopt,则更新FIRopt=FIR,Costopt=Cost,并将当前选择的待选测点tk'作为最终的最优测点,标记为t;
S4、生成最优诊断树
S4.1、初始化最优诊断树(S,t,S0,S1)为空集,向最优诊断树中添加根节点的故障集信息S={s1,s2,…,sN};
S4.2、根据最优测点t和故障依赖矩阵D,重新将故障模糊集S分解为S0和S1两个子集:
S0={sp|dpt=0}
S1={sp|dpt=1}
其中,sp为S中包含电路系统中的所有故障状态,dpt为第p个故障在第t个测点下的测试信息;
S4.3、将子集S0设置为故障模糊集S,向最优诊断树中添加左子树的子节点,若子集S0中故障个数不为1,则返回步骤S4.2,否则得到最优诊断树的左子树;
S4.4、将子集S1设置为故障模糊集S,向最优诊断树中添加该节点的右子节点,若子集S1中故障个数不为1,则返回步骤S4.2,否则得到最优诊断树的右子树。
实例
为说明本发明的技术效果,采用反坦克系统为例对本发明进行验证。
反坦克系统是一个完整的武器系统,由液压、燃料和环境控制子系统组成,用于打击和摧毁重型装甲车辆。该系统具有13个系统状态以及12个可用测点,其故障依赖矩阵、每个系统状态对应的先验概率以及每个测点的测试代价如表1所示。为验证本发明提出算法的效果,选取反坦克系统作为实例,同时,传统AO*算法作为对比算法一起计算该实例。
表1是反坦克系统的故障-依赖矩阵;
表1
由本发明产生的最优故障诊断树如图2所示,AO*算法与本发明生成的故障树的故障隔离率、平均代价以及生成过程的运行时间如表2所示。从表2中可以看出,本发明和传统的AO*算法均能生成故障隔离率为100%的故障诊断树,并且平均代价相同。同时,本发明生成诊断树的用时为91.12ms,远低于AO*算法的运行时间,由此可知,本发明具有很高的最优诊断树生成效率。
表2是在反坦克系统上的性能表现对比表;
算法 | 故障隔离率 | 平均代价 | 运行时间 |
AO*算法 | 100% | 4.764 | 134s |
本发明 | 100% | 4.764 | 91.12ms |
表2
由图2可以看出,本发明产生的最优故障树可以准确地分离出系统中的所有故障,而通过比较算法的性能表现,可得两种算法产生的故障树平均代价相同,而在时间上采用动态规划方法可以在一定程度上提升算法效率。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (1)
1.一种用于电路故障诊断的最优诊断树生成方法,其特征在于,包括以下步骤:
(1)、构建测试模型
根据电路内部故障状态与电路中测点输出的关系,构建电路的测试模型H={D,C,P},其中,C={c1,c2,…,ci,…cM}为电路中设置的测点对应的代价构成的矩阵,ci表示电路中第i个电路设置测点的测试代价,M为可选测点总数;P={p1,p2,…,pj,…,pN}为电路系统中各个故障状态发生概率形成的矩阵,pj为第j个故障状态发生的概率,N为故障状态总数;D为故障依赖矩阵,具体表示为:
其中,dij表示第j个电路故障在第i个测点下的测试信息,dij的取值为0或1,dij=1表示第j个电路故障可以通过第i个测点测出,dij=0代表第j个故障不能通过第i个测点测出;
(2)、构建动态规划列表表
在动态规划列表中创建一节点,该节点的故障模糊集包含整个电路系统中所有故障状态,即S={s1,s2,…,sN},将该节点作为启发式搜索的目标节点,同时将该节点的可选测点集合T设置为全部测点,即T={1,2,3,…,M};
(3)、通过启发式搜索最优测点
(3.1)、选出有效测点;
(3.1.1)、由故障依赖矩阵D、故障模糊集S和可选测点集合T,得到故障依赖的子矩阵D',D'={dij|si∈S,tj∈T};删除D'中测点对应的各个电路故障状态为0和全为1的无效测点,得到具有隔离效果的测点集合T';
根据故障依赖的子矩阵D'中各测点对应依赖信息相同的情况下,保留测试代价最小的测点,得到有效测点集合T”={t1,t2,…tk,…,tm},其中,tk为第k个有效测点的标号;
(3.1.2)、根据T”中的有效测点信息,将S分割为两个子故障集,即S1={S1,1,S1,2,…,S1,k,…,S1,m}和S0={S0,1,S0,2,…,S0,k,…,S0,m},其中,S1,k和S0,k为根据第tk个测点的故障依赖信息分割出的两个故障集,具体为:
S1,k={s1,p|dpk=1}
S0,k={s0,p|dpk=0}
其中,dpk表示第p个故障在第k个测点下的测试信息;
(3.2)、初始化各个有效测点对应的启发函数值h={h1,h2,…,hk,…,hm},其中,hk为第k个有效测点的启发函数数值,初始化为:
其中,cmin为有效测点代价中的最小值,ck为第k个有效测点的测试代价,pi第i个故障出现的概率;
(3.3)、根据各有效测点的启发函数值搜索最优测点
(3.3.1)、初始化最优故障隔离率FIRopt=0,最优测试代价Costopt=0;
(3.3.2)、设置当前启发函数最小数值对应的测点为待选测点tk',从分解出的两个子故障集S1和S0中提取待选测点tk'对应的子故障集s1,k'和s0,k';
(3.3.3)、查看动态规划列表中是否存在关于故障集s1,k'的最优解,若该最优解已经存在,则记录该最优解下的故障隔离率FIR1和最优代价Cost1,然后进入步骤(3.3.5);若该最优解尚未解出,将s1,k'作为故障模糊集S,再返回步骤(3.1),直至找到关于该故障集优解对应的故障隔离率和最优代价,记为FIR1和Cost1,然后进入步骤(3.3.6);
(3.3.4)、查看动态规划列表中是否存在关于故障集s0,k'的最优解,若该最优解已经存在,则记录该最优解下的故障隔离率FIR0和最优代价Cost0,然后进入步骤(3.3.5);若该最优解尚未解出,将s0,k'作为故障模糊集S,再返回步骤(3.1),直至找到关于该故障集优解对应的故障隔离率和最优代价,记为FIR0和Cost0,然后进入步骤(3.3.6);
(3.3.5)、判断步骤(3.3.3)和(3.3.4)中故障集s1,k'和s0,k'的最优解是否同时在动态规划列表中存在,如果同时存在,则将当前选择的待选测点tk'作为最终的最优测点,标记为t,同时返回生成的最优故障隔离率FIRopt和最优代价Costopt;否则进入步骤(3.3.6);
(3.3.6)、在待选测点tk'下,计算诊断树的故障隔离率FIR和代价Cost;
FIR=(FIR0×n0+FIR1×n1)/(n0+n1)
其中,n0和n1分别为s0,k'和s1,k'中故障状态的个数;
(3.3.7)、更新待选测点tk'的启发函数值hk';
(3.3.8)、如果待选测点tk'下诊断树的故障隔离率FIR是否大于FIRopt或FIR=FIRopt下Cost小于Costopt,则更新FIRopt=FIR,Costopt=Cost,并将当前选择的待选测点tk'作为最终的最优测点,标记为t;
(4)、生成最优诊断树
(4.1)、初始化最优诊断树(S,t,S0,S1)为空集,向最优诊断树中添加根节点的故障集信息S={s1,s2,…,sN};
(4.2)、根据最优测点t和故障依赖矩阵D,重新将故障模糊集S分解为S0和S1两个子集:
S0={sp|dpt=0}
S1={sp|dpt=1}
其中,sp为S中包含电路系统中的所有故障状态,dpt为第p个故障在第t个测点下的测试信息;
(4.3)、将子集S0设置为故障模糊集S,向最优诊断树中添加左子树的子节点,若子集S0中故障个数不为1,则返回步骤(4.2),否则得到最优诊断树的左子树;
(4.4)、将子集S1设置为故障模糊集S,向最优诊断树中添加该节点的右子节点,若子集S1中故障个数不为1,则返回步骤(4.2),否则得到最优诊断树的右子树。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811480885.4A CN109581190B (zh) | 2018-12-05 | 2018-12-05 | 一种用于电路故障诊断的最优诊断树生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811480885.4A CN109581190B (zh) | 2018-12-05 | 2018-12-05 | 一种用于电路故障诊断的最优诊断树生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109581190A true CN109581190A (zh) | 2019-04-05 |
CN109581190B CN109581190B (zh) | 2020-08-11 |
Family
ID=65926031
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811480885.4A Active CN109581190B (zh) | 2018-12-05 | 2018-12-05 | 一种用于电路故障诊断的最优诊断树生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109581190B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110457776A (zh) * | 2019-07-22 | 2019-11-15 | 电子科技大学 | 一种基于故障决策网络的测试策略快速生成方法 |
CN111274540A (zh) * | 2020-02-24 | 2020-06-12 | 电子科技大学 | 一种基于信息熵和动态规划的故障诊断树生成方法 |
CN112485644A (zh) * | 2020-11-26 | 2021-03-12 | 惠州市德赛西威汽车电子股份有限公司 | 一种故障检测电路、故障检测系统及方法 |
CN113221496A (zh) * | 2021-05-06 | 2021-08-06 | 电子科技大学 | 一种基于三维测试性分析模型的故障诊断方法 |
CN113391938A (zh) * | 2021-06-11 | 2021-09-14 | 电子科技大学 | 一种基于混合策略的快速序惯故障诊断方法 |
CN113887452A (zh) * | 2021-10-09 | 2022-01-04 | 中国舰船研究设计中心 | 基于相关性矩阵的故障诊断优化方法 |
CN114048076A (zh) * | 2021-10-30 | 2022-02-15 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 航空通信电子人机协同排故系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040193329A1 (en) * | 1994-12-30 | 2004-09-30 | Ransom Douglas S. | System and method for securing energy management systems |
CN102831792A (zh) * | 2012-07-20 | 2012-12-19 | 国家电网公司 | 配网故障仿真系统及其仿真方法 |
US9003248B2 (en) * | 2013-06-17 | 2015-04-07 | Mentor Graphics Corporation | Fault-driven scan chain configuration for test-per-clock |
CN105182212A (zh) * | 2015-07-26 | 2015-12-23 | 薛雪东 | 一种电路板送修检测鉴定系统和方法 |
CN105629156A (zh) * | 2016-03-10 | 2016-06-01 | 电子科技大学 | 基于遗传规划的模拟电路故障测试最优序贯搜索方法 |
CN106202886A (zh) * | 2016-06-29 | 2016-12-07 | 中国铁路总公司 | 基于模糊粗糙集与决策树的轨道电路红光带故障定位方法 |
CN106469908A (zh) * | 2015-08-19 | 2017-03-01 | 中国电力科学研究院 | 一种多故障协调的静态安全综合辅助决策方法 |
US20180005126A1 (en) * | 2016-07-04 | 2018-01-04 | Panasonic Intellectual Property Management Co., Ltd. | Decision tree generating apparatus, decision tree generating method, non-transitory computer-readable recording medium, and inquiry system |
CN108255649A (zh) * | 2017-11-30 | 2018-07-06 | 中国航空综合技术研究所 | 一种基于建模仿真协同分析的诊断策略设计方法 |
-
2018
- 2018-12-05 CN CN201811480885.4A patent/CN109581190B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040193329A1 (en) * | 1994-12-30 | 2004-09-30 | Ransom Douglas S. | System and method for securing energy management systems |
CN102831792A (zh) * | 2012-07-20 | 2012-12-19 | 国家电网公司 | 配网故障仿真系统及其仿真方法 |
US9003248B2 (en) * | 2013-06-17 | 2015-04-07 | Mentor Graphics Corporation | Fault-driven scan chain configuration for test-per-clock |
CN105182212A (zh) * | 2015-07-26 | 2015-12-23 | 薛雪东 | 一种电路板送修检测鉴定系统和方法 |
CN106469908A (zh) * | 2015-08-19 | 2017-03-01 | 中国电力科学研究院 | 一种多故障协调的静态安全综合辅助决策方法 |
CN105629156A (zh) * | 2016-03-10 | 2016-06-01 | 电子科技大学 | 基于遗传规划的模拟电路故障测试最优序贯搜索方法 |
CN106202886A (zh) * | 2016-06-29 | 2016-12-07 | 中国铁路总公司 | 基于模糊粗糙集与决策树的轨道电路红光带故障定位方法 |
US20180005126A1 (en) * | 2016-07-04 | 2018-01-04 | Panasonic Intellectual Property Management Co., Ltd. | Decision tree generating apparatus, decision tree generating method, non-transitory computer-readable recording medium, and inquiry system |
CN108255649A (zh) * | 2017-11-30 | 2018-07-06 | 中国航空综合技术研究所 | 一种基于建模仿真协同分析的诊断策略设计方法 |
Non-Patent Citations (2)
Title |
---|
XIAOJIE ZHANG 等: "Dynamic fault tree analysis based on Petri nets", 《2009 8TH INTERNATIONAL CONFERENCE ON RELIABILITY, MAINTAINABILITY AND SAFETY》 * |
赵林度等: "可视化故障诊断方法的研究", 《汽轮机技术》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110457776A (zh) * | 2019-07-22 | 2019-11-15 | 电子科技大学 | 一种基于故障决策网络的测试策略快速生成方法 |
CN111274540A (zh) * | 2020-02-24 | 2020-06-12 | 电子科技大学 | 一种基于信息熵和动态规划的故障诊断树生成方法 |
CN112485644A (zh) * | 2020-11-26 | 2021-03-12 | 惠州市德赛西威汽车电子股份有限公司 | 一种故障检测电路、故障检测系统及方法 |
CN112485644B (zh) * | 2020-11-26 | 2024-04-05 | 惠州市德赛西威汽车电子股份有限公司 | 一种故障检测电路、故障检测系统及方法 |
CN113221496A (zh) * | 2021-05-06 | 2021-08-06 | 电子科技大学 | 一种基于三维测试性分析模型的故障诊断方法 |
CN113221496B (zh) * | 2021-05-06 | 2022-06-14 | 电子科技大学 | 一种基于三维测试性分析模型的故障诊断方法 |
CN113391938A (zh) * | 2021-06-11 | 2021-09-14 | 电子科技大学 | 一种基于混合策略的快速序惯故障诊断方法 |
CN113391938B (zh) * | 2021-06-11 | 2022-04-19 | 电子科技大学 | 一种基于混合策略的快速序贯故障诊断方法 |
CN113887452A (zh) * | 2021-10-09 | 2022-01-04 | 中国舰船研究设计中心 | 基于相关性矩阵的故障诊断优化方法 |
CN114048076A (zh) * | 2021-10-30 | 2022-02-15 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 航空通信电子人机协同排故系统 |
CN114048076B (zh) * | 2021-10-30 | 2023-04-21 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 航空通信电子人机协同排故系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109581190B (zh) | 2020-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109581190A (zh) | 一种用于电路故障诊断的最优诊断树生成方法 | |
CN106628097B (zh) | 一种基于改进径向基神经网络的船舶设备故障诊断方法 | |
CN102098175B (zh) | 一种移动互联网告警关联规则获取方法 | |
CN106961249A (zh) | 一种光伏阵列故障诊断和预警方法 | |
CN106709035B (zh) | 一种电力多维全景数据的预处理系统 | |
CN101251579B (zh) | 一种基于支持向量机的模拟电路故障诊断方法 | |
CN104601109B (zh) | 一种电‑图模型的光伏热斑效应检测方法 | |
CN106250631A (zh) | 一种基于故障‑测试相关矩阵的故障诊断方法 | |
CN102411687B (zh) | 未知恶意代码的深度学习检测方法 | |
CN105629156B (zh) | 基于遗传规划的模拟电路故障测试最优序贯搜索方法 | |
CN110191110A (zh) | 基于网络表示学习的社交网络异常账户检测方法及系统 | |
CN109254219B (zh) | 一种考虑多元因素态势演变的配变迁移学习故障诊断方法 | |
CN105487009A (zh) | 基于k均值的RBF神经网络算法的电机故障诊断方法 | |
CN107426741A (zh) | 一种基于免疫机理的无线传感器网络故障诊断方法 | |
CN102289682A (zh) | 基于集成学习Bagging算法的变压器故障诊断方法 | |
CN110750655A (zh) | 一种智能ietm故障维修辅助系统的知识库优化方法 | |
CN107451692A (zh) | 一种基于人工蜂群算法的航空备件配置优化方法 | |
CN110032620A (zh) | 基于图搜索算法的自适应学习方法及计算机学习系统 | |
CN110457776A (zh) | 一种基于故障决策网络的测试策略快速生成方法 | |
CN111274540A (zh) | 一种基于信息熵和动态规划的故障诊断树生成方法 | |
CN106684863A (zh) | 一种配电网节点导纳矩阵的辨识方法 | |
CN104280253B (zh) | 一种基于免疫检测器的故障诊断方法及系统 | |
CN110086201B (zh) | 一种黑启动网络重构最优路径的选择方法 | |
CN104898039A (zh) | 基于故障传播概率模型的故障模式优选方法 | |
CN111122160B (zh) | 一种基于堆栈降噪自编码器的异常信号检测方法 |
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 |