CN109656738A - 一种基于离散化多值扩展d矩阵的电子产品故障诊断方法 - Google Patents

一种基于离散化多值扩展d矩阵的电子产品故障诊断方法 Download PDF

Info

Publication number
CN109656738A
CN109656738A CN201811434393.1A CN201811434393A CN109656738A CN 109656738 A CN109656738 A CN 109656738A CN 201811434393 A CN201811434393 A CN 201811434393A CN 109656738 A CN109656738 A CN 109656738A
Authority
CN
China
Prior art keywords
test
discretization
matrix
multivalue
cluster centre
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
Application number
CN201811434393.1A
Other languages
English (en)
Other versions
CN109656738B (zh
Inventor
石君友
邓怡
郭绪浩
何庆杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN201811434393.1A priority Critical patent/CN109656738B/zh
Publication of CN109656738A publication Critical patent/CN109656738A/zh
Application granted granted Critical
Publication of CN109656738B publication Critical patent/CN109656738B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/079—Root cause analysis, i.e. error or fault diagnosis
    • 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
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Tests Of Electronic Circuits (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于离散化多值扩展D矩阵的电子产品故障诊断方法，属于电子产品故障诊断和测试技术领域。包括：获取待诊断电子产品在正常状态和各个故障状态下的样本数据；对每个测试点获得的样本数据进行聚类，获得每个测试点下的聚类数目以及聚类中心，建立离散化的多值D矩阵；同时，构建离散化的测试向量；计算与离散化多值D矩阵中每一行的曼哈顿距离，找到与测试向量的曼哈顿距离最短的D矩阵的行，该行对应的状态就是根据离散化的测试向量所诊断出的电子产品的状态。本发明利用K‑means聚类对单个测试点数据进行离散化处理，构建多值D矩阵，通过计算测试向量与多值D矩阵的曼哈顿距离实现故障诊断，提高了方法的应用可行性。

Description

一种基于离散化多值扩展D矩阵的电子产品故障诊断方法
技术领域
本发明涉及一种基于离散化多值扩展D矩阵的电子产品故障诊断方法，属于电子产品故障诊断和测试技术领域。
背景技术
随着电子产品集成化、功能多样化的发展，故障信号的传递关系越来越复杂，这给产品的故障诊断增加了难度。目前对电子产品故障诊断测试中，利用故障与测试之间的相关性矩阵，也称D矩阵，通过0/1值表示故障与测试之间的信号传递关系，0表示无故障，1表示有故障，基于D矩阵的故障诊断方法具有计算简单、运算效率高的特点，已广泛应用于航空、航天、船舶、武器装备等领域，是目前电子系统中比较流行的故障诊断方法。
然而在工程实际中，将测试点的测试数据简单的用0/1二值表示会导致测试数据中的重要信息无法得到充分的利用，从而影响到系统的故障检测与隔离效果。
发明内容
针对目前电子产品故障诊断中简单用0/1二值表示测试数据，而测试数据中的重要信息无法得到充分的利用的问题，本发明提出一种基于离散化多值扩展D矩阵的电子产品故障诊断方法，本发明利用K-means聚类对单个测试点数据进行离散化处理，构建多值D矩阵，通过计算测试向量与多值D矩阵的曼哈顿距离实现故障诊断。
本发明的基于离散化多值扩展D矩阵的电子产品故障诊断方法，在电子产品的电路板上设有故障注入接口和测试点，通过硬件的故障注入接口或者仿真手段注入各种故障，在测试点采集获取样本数据。本发明的故障诊断方法的实现步骤包括：
步骤一、构建多值D矩阵。
步骤1，建立离散化的多值D矩阵，包括：
步骤1.1，获取待诊断电子产品在正常状态和各个故障状态下的样本数据；
步骤1.2，对每个测试点获得的样本数据进行聚类，获得每个测试点下的聚类数目以及聚类中心；
步骤1.3，对每个测试点的所有聚类中心，按照值从小到大的顺序用1到n的整数来重新表示，实现离散化处理，然后建立离散化的多值D矩阵；
离散化的多值D矩阵中，行表示状态，列表示测试点样本数据的类别；矩阵D中的元素dij表示第i个状态下第j个测试点的数据类别，数据类别用离散化后的整数表示。
步骤2，从测试点获取测试数据，根据每个测试点的样本数据的聚类数目以及聚类中心，依据步骤1.3的离散化处理方式，构建离散化的测试向量。
步骤3，对步骤2离散化的测试向量，计算与离散化多值D矩阵中每一行的曼哈顿距离，找到与测试向量的曼哈顿距离最短的D矩阵的行，该行对应的状态就是根据离散化的测试向量所诊断出的电子产品的状态。
本发明的优点及积极效果在于：
(1)本发明提供了一种K-means聚类实现测试点离散化的方法，并通过构建距离代价函数来确定最优的K值，以进一步实现对测试点数据的离散化。
(2)本发明构建的多值D矩阵，充分利用了测试信息的数据，可提高故障的隔离能力。
(3)本发明通过计算测试向量到多值D矩阵状态行的曼哈顿距离进行故障诊断，提高了方法的应用可行性。
附图说明
图1是本发明的基于离散化多值扩展D矩阵的电子产品故障诊断方法总流程图；
图2是本发明实施例电源板电路图；
图3是本发明实施例中训练样本中样本数据的示意图。
具体实施方式
下面将结合附图和具体实施例对本发明作进一步的详细说明。
本发明提供的基于离散化多值扩展D矩阵的故障诊断方法的实现流程如图1所示，下面结合如图2所示的某电源板为对象来说明本发明的故障诊断方法的实现步骤。
如图2所示，本发明实施例的电源板可输出18V、12V、5V、3.3V、2.5V、1.8V和0.9V等7种电压。电源板由外部电源提供28V的电压，28V的电压通过LM7818芯片，将电压转换为18V的电压输出，28V的电压同时通过LM2596将电压转换为12V的电压输出，12V输出电压通过LM7805芯片，将电压转换为5V，为5V电源处理电路供电，5V电压通过AMS117芯片，将电压转换为3.3V，为3.3V电源处理电路供电，3.3V电压分别通过LT1963A芯片、LT1963芯片、PTH03060W芯片，将电压分别转换为2.5V、1.8V以及0.9V，为相应电压电源的处理电路供电。在电源板上设有开路故障注入接口和短路故障注入接口如PTS1-1、P-1-1等，并可以通过便携式探针注入器模拟参数漂移故障。
步骤一、构建多值D矩阵。
步骤1.1，获取待诊断的电子产品的各个状态下的样本数据。产品状态包括正常状态与各类故障状态，通过故障硬件注入或者仿真注入等手段注入各种故障模式，故障模式即故障状态，获取各故障状态下各个测试点的数据。本发明实施例中通过便携式探针注入器注入各种故障模式，在电源板中一共能实现40种故障模式的注入。40种故障模式如下表1所示：
表1电源板的故障模式列表
其中有35种故障模式的注入主要是依靠短路帽的插拔模拟短路断路来实现。11种故障模式的注入主要是依靠探针式故障注入器模拟器件的参数漂移来实现。在电源板上设计了14个数据采集点，即测试点/观测点，其中，第5个测试点和第12个测试点采集的是温度信号，其他的测试点采集的是电压信号。对每一类状态的数据选取70个数据样本，对于40种状态一共获取2800个数据样本。每一个观测点都采集了3220个观测数据，本发明对每类状态的观测数据中选取其中的50个作为训练样本，20个作为测试样本，对于40种状态可获得2000个训练样本，800个测试样本。2000个训练样本的数据如图3所示。
步骤1.2，分别对每一个观测点获取的数据进行聚类分析。包括如下步骤：
步骤1.2.1、聚类中心个数K＝1；
步骤1.2.2、进行K-means聚类；聚类结束后，选取欧式距离作为相似性和距离判断的准则，计算每类状态中各观测点到聚类中心的距离平方和J(Ck)：
其中，xi表示第i个样本，Ck表示第k类，μk表示第k类的聚类中心，k＝1,2,…,K。
损失函数J(μ,r)定义为：
其中，N表示样本数目，K表示聚类的类别总数，rik表示第i个样本数据点与第k个类别之间的关系，当xi属于类别Ck时，rik＝1，当xi不属于Ck时，rik＝0。
步骤1.2.3、计算距离代价函数L，距离代价函数L可由下述公式计算得到：
L＝Ds+S
其中，Ds表示各个聚类中心到样本中心μi的距离之和，S表示各个样本点x到相应的聚类中心μi的距离之和，μi是Ci类的聚类中心，μ是所有样本的中心。
步骤1.2.4、聚类中心个数自增1，K＝K+1，进行步骤1.2.2的K-means聚类，计算距离平方和以及损失函数，进行步骤1.2.3的距离代价函数的计算。
步骤1.2.5、重复上述步骤1.2.2～1.2.4，直到距离代价函数L不再减小为止，而此时的K值即为聚类中心的个数，此时的聚类结果即为最终的聚类结果。
本发明实施例中，根据构建距离代价函数的方法确定各个测试点数据的聚类个数，最终确定各个测试点的聚类中心个数如下表2所示：
表2各测试点数据聚类个数
对每一个测试点的数据进行K-means聚类确定的各个聚类中心，如下表3所示：
表3各个观测点数据的聚类中心
观测点 聚类中心1 聚类中心2 聚类中心3 聚类中心4 聚类中心5 聚类中心6 聚类中心7
观测点1 0.03 15.94 18.03
观测点2 0.03 5.28 8.74 10.2 11.18 16.17
观测点3 0.04 12.41 14.51 22.99
观测点4 0.02 5.82 6.6 7.16 7.98 10.63 13.4
观测点5 0.67 44.23 124.96
观测点6 0.03 3.26 5.03
观测点7 0.02 1.71 3.03
观测点8 0.02 0.17 0.87 2.84 3.3
观测点9 0.02 0.89 1.3 1.67
观测点10 0.02 2.5
观测点11 0.02 0.47 0.95
观测点12 2 27 124
观测点13 0.02 1.81
观测点14 0.02 0.95
步骤1.3，离散化处理，建立离散化的多值D矩阵。
根据聚类结果，可获得各状态下单个测试点的聚类中心，各聚类中心代表不同的类别，对于单个测试点的数据，测试点的数据离哪个聚类中心近则该测试点数据隶属于哪一类，按照聚类中心从小到大的顺序，用从1开始的自然数对不同的类别进行表示。在本实施例中，由表3可知，对于第一个观测点的数据，它一共包含三类数据，三个聚类中心分别是0.03、15.94、18.03，本发明中用“1”表示聚类中心为0.03的类，用“2”表示聚类中心为15.94的类，用“3”表示聚类中心为18.03的类。按照该处理方法，建立离散化的多值D矩阵。
离散化的多值D矩阵中，行表示状态，状态不仅包括故障状态还包括正常状态，列表示测试点数据的类别，矩阵中的元素dij表示第i个状态下第j个测试点的数据类别，数据类别用离散化后的整数表示，单个测试点对应的整数的个数是由聚类中心个数决定的。建立的离散化的多值D矩阵如下所示：
其中，m表示待诊断的电子产品的所有状态数目，n表示待诊断的电子产品上设置的测试点的数目。
对不同状态下的测试点数据进行离散化处理，对于第一个观测点的数据，隶属于聚类中心0.03的数据，将用整数“1”表示，隶属于聚类中心15.94的数据，将用整数“2”表示，隶属于聚类中心18.03的数据，将用整数“3”表示。如果测试数据是0.4，它离聚类中心0.03最近，因此可用整数“1”表示。
从而获得本发明实施例离散化后的状态与测试相关性关系的矩阵，如下表4所示：
表4离散化后的状态与测试相关性关系的矩阵
步骤1.4，简化离散化多值D矩阵。
将上面表4的多值D矩阵中行一致的状态进行合并，可获得如下表5所示的多值D矩阵：
表5合并相同行的多值D矩阵
步骤二、构建测试向量。
步骤2.1，获取测试数据。
从测试样本数据中随机选取了6个测试样本如下表所示：
表6测试样本数据
步骤2.2，离散化处理测试数据，构建离散化的测试向量。
针对单个测点的测试数据，计算测试数据与各个聚类中心的距离，与测试数据距离最近的聚类中心即为该测试数据所属的类的中心，因此也用该聚类中心对应的整数值表示该测试数据。对所有的测试点的测试数据进行离散化处理后，构建离散化后的测试向量，该测试向量的元素用整数表示。
按照步骤1.3的方法对测试数据进行离散化处理，可得到表6的测试数据离散化后的测试向量a1(3,4,1,1,2,1,1,2,1,1,1,2,1,1),a2(3,4,1,1,2,1,1,1,1,1,1,2,1,1)a3(3,4,3,5,2,3,3,5,3,2,2,,2,2,2),a4(3,4,2,1,2,3,3,5,3,2,2,2,2,2),a5(3,4,2,1,2,3,3,5,3,2,2,2,2,2),a6(3,4,2,3,2,1,1,2,1,1,1,2,1,1)。
步骤三、故障诊断。
步骤3.1，计算离散化多值D矩阵的每一行与测试向量之间的曼哈顿距离。
曼哈顿距离描述如下：
两个n维向量(x11,x12,……,x1n)与(x21，x22,……,x2n)之间的曼哈顿距离d12为：
本发明实施例中各个测试向量与离散化多值D矩阵中各个状态行的曼哈顿距离如下表7所示，表格中的数值表示距离。
表7测试向量到D矩阵行向量的曼哈顿距离
状态 a<sub>1</sub> a<sub>2</sub> a<sub>3</sub> a<sub>4</sub> a<sub>5</sub> a<sub>6</sub>
F0 16 17 3 2 2 13
F1,F3 3 4 16 15 15 0
F2 18 19 7 12 12 15
F4 8 9 11 10 10 5
F5，F6 8 7 13 12 12 5
F7，F8 23 24 10 9 9 20
F9 18 19 5 4 4 15
F10，F11 14 15 5 4 4 11
F12 14 15 5 4 4 11
F13，F16 21 22 4 9 9 18
F14 14 15 5 4 4 11
F15 17 18 4 3 3 14
F17 15 16 4 3 3 12
F18 17 18 4 3 3 14
F19，F20 14 15 5 0 0 15
F21 19 20 2 5 5 16
F22 15 16 4 1 1 14
F23 17 18 2 3 3 14
F25 18 19 5 4 4 15
F24，F26 19 20 6 5 5 16
F27 17 18 4 3 3 14
F28 17 18 4 3 3 14
F29 18 19 5 4 4 15
F30，F32 15 16 4 3 3 12
F31、F39 22 23 3 8 8 19
F33，F34，F35 15 16 4 3 3 12
F36 0 1 19 14 14 3
F37，F38 1 0 20 15 15 4
F40 19 20 0 5 5 16
步骤3.2，找到与测试向量的曼哈顿距离最短的矩阵行，其对应的状态即为诊断出的最终状态。
根据上表获得了8个测试样本到各个状态的曼哈顿距离，与测试向量a1距离最小的状态为F36，因此a1所处的状态为F36，即LM2596第二管脚开路故障。根据此方法，可获得测试向量a1至a6所属的状态分别为{(F36)，(F37,F38),(F40),(F19,F20),(F19,F20),(F1,F3)}，根据表1可获得具体的状态描述。

Claims (4)

1.一种基于离散化多值扩展D矩阵的电子产品故障诊断方法，在电子产品的电路板上设有故障注入接口和测试点，通过硬件的故障注入接口或者仿真手段注入各种故障，在测试点采集获取样本数据；其特征在于，所述的故障诊断方法包括如下步骤：
步骤1，建立离散化的多值D矩阵，包括：
步骤1.1，获取待诊断电子产品在正常状态和各个故障状态下的样本数据；
步骤1.2，对每个测试点获得的样本数据进行聚类，获得每个测试点下的聚类数目以及聚类中心；
步骤1.3，对每个测试点的所有聚类中心，按照值从小到大的顺序用1到n的整数来重新表示，实现离散化处理，然后建立离散化的多值D矩阵；
离散化的多值D矩阵中，行表示状态，列表示测试点样本数据的类别；矩阵D中的元素dij表示第i个状态下第j个测试点的数据类别，数据类别用离散化后的整数表示；
步骤2，从测试点获取电子产品的测试数据，根据每个测试点的样本数据的聚类数目以及聚类中心，依据步骤1.3的离散化处理方式，构建离散化的测试向量；
步骤3，对步骤2离散化的测试向量，计算与离散化多值D矩阵中每一行的曼哈顿距离，找到与测试向量的曼哈顿距离最短的D矩阵的行，该行对应的状态就是根据离散化的测试向量所诊断出的电子产品的状态。
2.根据权利要求1所述的方法，其特征在于，所述的步骤1.2中，对每一个观测点获取的样本数据采用K-means聚类方法进行聚类，聚类过程包括：
步骤1.2.1，初始设置聚类中心个数K＝1；
步骤1.2.2，进行K-means聚类；聚类结束后，选取欧式距离作为相似性和距离判断的准则，计算每类状态中各观测点到聚类中心的距离平方和J(Ck)：
其中，xi表示第i个样本，Ck表示第k类，μk表示第k类的聚类中心，k＝1,2,…,K；
定义损失函数J(μ,r)为：
其中，N表示样本数目，K表示聚类的类别总数，rik表示第i个样本与第k个类别之间的关系，当xi属于类别Ck时，rik＝1，当xi不属于Ck时，rik＝0；
步骤1.2.3，计算距离代价函数L＝Ds+S；
其中，Ds表示各个聚类中心到样本中心μ的距离之和，S表示各个样本x到相应的聚类中心μi的距离之和，μi是Ci类的聚类中心，μ是所有样本的中心；
步骤1.2.4，聚类中心个数K自增1，继续执行步骤1.2.2和步骤1.2.3；
步骤1.2.5，重复上述步骤1.2.2～1.2.4，直到距离代价函数L不再减小为止，而此时的K值就是最终的聚类中心个数，此时的聚类结果就是最终的聚类结果。
3.根据权利要求1所述的方法，其特征在于，所述的步骤1中还包括步骤1.4，对离散化的多值D矩阵进行简化，将矩阵中具有相同行的状态进行合并。
4.根据权利要求1所述的方法，其特征在于，所述的步骤2中，对一组测试数据，计算每个测试点的测试值与该测试点下的每个聚类中心的距离，用与测试值距离最近的聚类中心对应的整数值，来表示该测试值，最后将该组测试数据表示为离散化的测试向量。
CN201811434393.1A 2018-11-28 2018-11-28 一种基于离散化多值扩展d矩阵的电子产品故障诊断方法 Active CN109656738B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811434393.1A CN109656738B (zh) 2018-11-28 2018-11-28 一种基于离散化多值扩展d矩阵的电子产品故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811434393.1A CN109656738B (zh) 2018-11-28 2018-11-28 一种基于离散化多值扩展d矩阵的电子产品故障诊断方法

Publications (2)

Publication Number Publication Date
CN109656738A true CN109656738A (zh) 2019-04-19
CN109656738B CN109656738B (zh) 2021-01-15

Family

ID=66111023

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811434393.1A Active CN109656738B (zh) 2018-11-28 2018-11-28 一种基于离散化多值扩展d矩阵的电子产品故障诊断方法

Country Status (1)

Country Link
CN (1) CN109656738B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110688812A (zh) * 2019-11-28 2020-01-14 湖南威升科技有限公司 一种基于小概率神经网络的电路故障诊断方法及装置
CN112098850A (zh) * 2020-09-21 2020-12-18 山东工商学院 基于sdo算法的锂离子电池电压故障诊断方法及系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6757668B1 (en) * 1999-11-05 2004-06-29 General Electric Company Information fusion of classifiers in systems with partial redundant information
CN101231673A (zh) * 2008-02-02 2008-07-30 湖南大学 一种采用免疫蚂蚁算法优化的模拟电路故障诊断方法
CN101718834A (zh) * 2009-12-01 2010-06-02 湖南大学 一种模拟电路故障传播特性的分析方法
CN104484678A (zh) * 2015-01-07 2015-04-01 青岛理工大学 基于故障类型分类能力评价矩阵的多分类器融合故障诊断方法
CN104794283A (zh) * 2015-04-22 2015-07-22 哈尔滨工程大学 基于离群特征分析的柴油机故障灰预测方法
CN105137324A (zh) * 2015-08-18 2015-12-09 电子科技大学 一种基于仿真分类模型的多探测点故障元器件定位方法
CN107677903A (zh) * 2017-09-14 2018-02-09 广西电网有限责任公司电力科学研究院 一种变压器状态监测数据的聚类分析方法
CN108414896A (zh) * 2018-06-04 2018-08-17 西南交通大学 一种电网故障诊断方法
CN108776801A (zh) * 2018-04-17 2018-11-09 重庆大学 一种基于欠定盲源分离的模拟电路早期故障特征提取方法
CN108847686A (zh) * 2018-07-02 2018-11-20 国电南瑞科技股份有限公司 一种光伏逆变器故障预测方法
CN108897286A (zh) * 2018-06-11 2018-11-27 宁波大学 一种基于分散式非线性动态关系模型的故障检测方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6757668B1 (en) * 1999-11-05 2004-06-29 General Electric Company Information fusion of classifiers in systems with partial redundant information
CN101231673A (zh) * 2008-02-02 2008-07-30 湖南大学 一种采用免疫蚂蚁算法优化的模拟电路故障诊断方法
CN101718834A (zh) * 2009-12-01 2010-06-02 湖南大学 一种模拟电路故障传播特性的分析方法
CN104484678A (zh) * 2015-01-07 2015-04-01 青岛理工大学 基于故障类型分类能力评价矩阵的多分类器融合故障诊断方法
CN104794283A (zh) * 2015-04-22 2015-07-22 哈尔滨工程大学 基于离群特征分析的柴油机故障灰预测方法
CN105137324A (zh) * 2015-08-18 2015-12-09 电子科技大学 一种基于仿真分类模型的多探测点故障元器件定位方法
CN107677903A (zh) * 2017-09-14 2018-02-09 广西电网有限责任公司电力科学研究院 一种变压器状态监测数据的聚类分析方法
CN108776801A (zh) * 2018-04-17 2018-11-09 重庆大学 一种基于欠定盲源分离的模拟电路早期故障特征提取方法
CN108414896A (zh) * 2018-06-04 2018-08-17 西南交通大学 一种电网故障诊断方法
CN108897286A (zh) * 2018-06-11 2018-11-27 宁波大学 一种基于分散式非线性动态关系模型的故障检测方法
CN108847686A (zh) * 2018-07-02 2018-11-20 国电南瑞科技股份有限公司 一种光伏逆变器故障预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
吴学雁: "《金融时间序列的分析与挖掘》", 31 July 2018, 广东科技出版社 *
石君友 等: "多信号建模与诊断策略设计技术应用", 《系统工程与电子技术》 *
黄亮 等: "模拟电路层次聚类故障分析与马氏距离故障诊断", 《电子测量与仪器学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110688812A (zh) * 2019-11-28 2020-01-14 湖南威升科技有限公司 一种基于小概率神经网络的电路故障诊断方法及装置
CN110688812B (zh) * 2019-11-28 2020-06-02 湖南威升科技有限公司 一种基于小规模概率神经网络的电路故障诊断方法及装置
CN112098850A (zh) * 2020-09-21 2020-12-18 山东工商学院 基于sdo算法的锂离子电池电压故障诊断方法及系统
CN112098850B (zh) * 2020-09-21 2024-03-08 山东工商学院 基于sdo算法的锂离子电池电压故障诊断方法及系统

Also Published As

Publication number Publication date
CN109656738B (zh) 2021-01-15

Similar Documents

Publication Publication Date Title
Witczak Modelling and estimation strategies for fault diagnosis of non-linear systems: from analytical to soft computing approaches
CN102778647B (zh) 电路测试系统及方法
CN100492032C (zh) 一种基于拓扑图的配电系统故障测试方法
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
CN109855651A (zh) 现代飞机无线电通信导航系统的地面测试系统及测试方法
CN104155536B (zh) 对飞行器中的电网进行完整性测试的系统和方法
CN109656738A (zh) 一种基于离散化多值扩展d矩阵的电子产品故障诊断方法
CN102156237B (zh) 一种汽车线束检测方法
CN103809109B (zh) 集成电路单粒子效应检测装置和系统
CN103064008A (zh) 一种基于希尔伯特-黄变换的非线性模拟电路软故障诊断方法
CN201072597Y (zh) 用于航空电子飞行仪表的自动检测仪
CN106526457A (zh) 一种电路板检测仪器及系统
CN106742068B (zh) 一种诊断卫星姿态控制系统未知故障的方法
CN106950464A (zh) 一种基于路径优化的某型装甲车电缆故障检测系统
Chen et al. Data-driven robust state estimation through off-line learning and on-line matching
CN110308384A (zh) 基于圆模型和神经网络的模拟电路故障诊断方法
CN104303144B (zh) 组件编程系统
CN103076556B (zh) 航电组件功能维护测试点选取方法
CN109117865A (zh) 一种基于主成分分析实现光伏阵列工作状态分析与故障诊断方法
CN108828437A (zh) 基于云关联系数矩阵的模拟电路故障特征提取方法
CN105022864B (zh) 一种基于扩展依赖矩阵的系统测试点选取方法
Baraldi et al. A method for estimating the confidence in the identification of nuclear transients by a bagged ensemble of FCM classifiers
CN106444695B (zh) 一种智能航空舵机快速测试方法及装置
CN208985164U (zh) 仿真电力变压器的故障切换模块
CN207457481U (zh) 一种直流系统绝缘装置校验装置

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