CN109948267B - 基于圆模型参数的线性模拟电路故障诊断方法 - Google Patents
基于圆模型参数的线性模拟电路故障诊断方法 Download PDFInfo
- Publication number
- CN109948267B CN109948267B CN201910233059.8A CN201910233059A CN109948267B CN 109948267 B CN109948267 B CN 109948267B CN 201910233059 A CN201910233059 A CN 201910233059A CN 109948267 B CN109948267 B CN 109948267B
- Authority
- CN
- China
- Prior art keywords
- fault
- parameter
- circular model
- vector
- model
- 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.)
- Expired - Fee Related
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 34
- 239000013598 vector Substances 0.000 claims abstract description 62
- 238000004088 simulation Methods 0.000 claims abstract description 43
- 238000013145 classification model Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 238000006731 degradation reaction Methods 0.000 claims abstract description 5
- 230000015556 catabolic process Effects 0.000 abstract description 2
- 238000012706 support-vector machine Methods 0.000 description 16
- 238000012360 testing method Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 238000000342 Monte Carlo simulation Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Landscapes
- Tests Of Electronic Circuits (AREA)
Abstract
本发明公开了一种基于圆模型参数的线性模拟电路故障诊断方法,首先对线性模拟电路进行模糊组分析,得到各个模糊组对应的代表故障元件,然后通过圆模型仿真得到各个代表故障元件对应的每个元件的标签,基于标签数组得到元件参数,从而得到各个代表故障元件的圆模型参数的上限向量和下限向量,将其作为边界数据训练得到基于SVM的多分类模型,在故障诊断时根据退化数据得到圆模型参数输入多分类模型进行诊断。本发明通过得到边界数据,可以有效提高基于SVM的多分类模型的训练速度,并提高线性模拟电路故障诊断精度。
Description
技术领域
本发明属于模拟电路故障诊断技术领域,更为具体地讲,涉及一种基于圆模型参数的线性模拟电路故障诊断方法。
背景技术
随着集成电路的快速发展,为了提高产品性能、降低芯片面积和费用,需将数字和模拟元件集成在同一块芯片上。据资料报道,虽然模拟部分仅占芯片面积的5%,但其故障诊断成本却占总诊断成本的95%,模拟电路故障诊断一直是集成电路工业中的一个“瓶颈”问题。现阶段已经有一些发展的比较完善的模拟电路故障诊断理论应用到实际中了,例如:测前模拟诊断法中的故障字典法测后模拟诊断法中的元件参数辨识法和故障验证法。但这些方法仅能处理离散的参数故障和硬故障,不能完整诊断模拟元件的连续参数故障。复数域圆模型能够完整建模模拟元件的所有参数漂移故障,是一种较为实用的故障诊断模型。但是容差影响下的圆模型也具体特征值也是无穷多,采用故障字典法难以全面存贮所有故障。采用支撑向量机(Support Vector Machine,SVM)和人工神经网络(Artificial NeuralNetwork,ANN)作为分类器进行故障诊断具有:(1)无需存储所有故障特征,存储空间需求小;(2)诊断速度快等特点。其中,训练神经网络要求数据量足够大,因此测前仿真工作量较大。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于圆模型参数的线性模拟电路故障诊断方法,获取各模糊组中代表故障元件的圆模型参数上限向量和下限向量,据此训练得到基于SVM的多分类模型,提高模型训练速度和线性模拟电路故障诊断精度。
为实现上述发明目的,本发明基于圆模型参数的线性模拟电路故障诊断方法包括以下步骤:
S1:记线性模拟电路中元件数量记为C,所有元件参数的标称值向量P0=[p10,p20,…,pC0],pc0表示元件c的参数标称值,c=1,2,…,C;对C个元件进行经测点t进行故障诊断的模糊组分析,将得到的模糊组数量记为F,每个模糊组选取一个元件作为代表故障元件;
S2:令代表故障元件序号f=1;
S3:初始化长度为C的标签数组Lf=[0,0,...,0];
S4:令元件序号c=1;
S5:判断是否元件c与代表故障元件f为同一元件,如果是,进入步骤S6,否则不作任何操作,直接进入步骤S7;
S6:令元件参数向量P=[p1,p2,…,pC]中元件c的参数值pc=pc0×(1+α),其中α表示元件参数值的精度,其他元件的参数值pc′=pc′0,c′=1,2,…,C且c′≠c,仿真获取得到元件参数向量P下测点t处输出电压对应的圆模型,记其半径为r1;
然后令元件参数向量P=[p1,p2,…,pC]中元件c的参数值pc=pc0×(1-α),其他元件的参数值pc′=pc′0,c′=1,2,…,C且c′≠c,仿真获取得到元件参数向量P下测点t处输出电压对应的圆模型,记其半径为r2;
如果r1>r2,则令标签数组Lf中的第c个元素的值Lf(c)=1,否则令Lf(c)=-1;
其中圆模型的仿真获取方法如下:
S7:判断是否c<C,如果是,进入步骤S8,否则进入步骤S9;
S8:令c=c+1,返回步骤S5;
S9:令元件参数值向量P=P0·(1+αLf),仿真获取得到元件参数向量P下测点t处输出电压对应的圆模型,记其圆心为(w,v),半径为r,将该圆模型的参数作为故障元件f的上限,即令wfmax=w,vfmax=v,rfmax=r,构成故障元件f的圆模型参数上限向量(wfmax,vfmax,rfmax);
S10:令元件参数值向量P=P0·(1-αLf),仿真获取得到元件参数向量P下测点t处输出电压对应的圆模型,记其圆心为(w,v),半径为r,将该圆模型的参数作为故障元件f的下限,即令wfmin=w,vfmin=v,rfmin=r,构成故障元件f的圆模型参数下限向量(wfmin,vfmin,rfmin);
S11:判断是否f<F,如果是,进入步骤S12,否则进入步骤S13;
S12:令f=f+1,返回步骤S3;
S13:构建基于SVM的F类分类模型,其输入为故障元件的圆模型参数向量,输出为模糊组序号;根据每个代表故障元件所对应的圆模型参数上限向量(wfmax,vfmax,rfmax)和圆模型参数下限向量(wfmin,vfmin,rfmin),对基于SVM的F类分类模型进行训练,得到训练好的分类模型;
S14:模拟电路发生故障时,在模拟电路性能退化过程中,分两次输入与仿真相同的输入电压得到测点t的两个故障电压结合无故障电压计算得到故障元件单独作用的输出电压 采用步骤S6.3中的方法计算得到模拟电路故障时的圆模型参数,记其圆心为(w*,v*),半径为r*,构成圆模型参数向量(w*,v*,r*),将其输入至步骤S12训练好的基于SVM的F类分类模型中,其分类结果即为故障诊断结果。
本发明基于圆模型参数的线性模拟电路故障诊断方法,首先对线性模拟电路进行模糊组分析,得到各个模糊组对应的代表故障元件,然后通过圆模型仿真得到各个代表故障元件对应的每个元件的标签,基于标签数组得到元件参数,从而得到各个代表故障元件的圆模型参数的上限向量和下限向量,将其作为边界数据训练得到基于SVM的多分类模型,在故障诊断时根据退化数据得到圆模型参数输入多分类模型进行诊断。
本发明通过得到边界数据,可以有效提高基于SVM的多分类模型的训练速度,并提高线性模拟电路故障诊断精度。
附图说明
图1是模拟电路图;
图2是图1所示模拟电路的等效电路图;
图3是图1所示模拟电路的电压源作用示意图;
图4是图1所示模拟电路的故障源作用示意图;
图5是本发明基于圆模型参数的线性模拟电路故障诊断方法的具体实施方式流程图;
图6是本发明中圆模型的仿真获取方法流程图;
图7是本实施例中二阶托马斯模拟滤波电路的拓扑图;
图8是本实施例中各代表故障元件的圆特征图;
图9是本实施例中各代表故障元件的圆模型特征参数。
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
为了更好地说明本发明的技术内容和发明点,首先对本发明的理论推导过程进行说明。
图1是模拟电路图。如图1所示,N表示一个线性时不变电路,由独立电压源激励。表示选定测点上输出的电压相量,x为无源元件。根据替代定理,无源元件x可以被替换为与其端电压相同的独立电压源,得到等效电路。图2是图1所示模拟电路的等效电路图。根据戴维宁定理,任何一个有源线性时不变端口网络对外可用一个电压源与一个阻抗的串联支路来等效地加以置换,于是得到:
其中,是图2中a和b端口开路电压相量;Z0是a和b之间的戴维宁阻抗值,Zx为元件x的阻抗值。根据戴维宁定理,和Z0的值独立于Zx,且仅由无故障元件参数和故障元件的位置确定。于是,图2中与图1中是相等的。图2中,模拟电路N由和共同激励。根据叠加原理,图2中的电压等于和单独激励时输出电压的代数和。图3是图1所示模拟电路的电压源作用示意图。图4是图1所示模拟电路的故障源作用示意图。如图3和图4所示,电压源和故障源单独作用时,输出电压分别用和表示,有:
其中,H'(jω)和H”(jω)分别为电源端口和元件x所在端口到输出端口的传递函数,且与元件x的参数值无关。
根据叠加原理,有:
从上式可以得到戴维宁等效阻抗Z0与Zx的关系如下:
其中:
不失一般性,将每个相量用直角坐标表示:
假定元件x是电阻,记Zx=Rx,根据式(9)两边实部和虚部相等,得到:
联立(10)中的两个方程消掉Rx,得到如下式公式:
消掉(11)式中的分母,不难推出:
将式(13)代入式(12),得到下式:
式(14)可以表示为:
(Uor-w)2+(Uoj-v)2=r2 (15)
式(15)表示Uor-Uoj平面上圆心为(w,v)半径为r的圆方程。由于R0,X0,α和β独立于x的值,因此w和v也独立于元件x。即无论元件x的参数取何值,式(15)总是成立,即对于每个故障源,在任意故障源参数下在同一测点产生的电压的实部和虚部均满足同一个圆方程。因此,圆方程(15)是可以同时应用于软故障和硬故障的故障模型。且与测试方法无关。以上结论是假定故障源(元件x)为电阻获得的,如果故障源是电容或者电感,可以推导得到相同结论。
基于以上理论,本发明提出了一种基于圆模型参数的线性模拟电路故障诊断方法。图5是本发明基于圆模型参数的线性模拟电路故障诊断方法的具体实施方式流程图。如图5所示,本发明基于圆模型参数的线性模拟电路故障诊断方法的具体步骤包括:
S501:获取线性模拟电路信息:
将线性模拟电路中元件数量记为C,所有元件参数的标称值向量P0=[p10,p20,…,pC0],pc0表示元件c的参数标称值,c=1,2,…,C。对C个元件进行经测点t进行故障诊断的模糊组分析,将得到的模糊组数量记为F,每个模糊组选取一个元件作为代表故障元件。
S502:令代表故障元件序号f=1。
S503:初始化标签数组:
初始化长度为C的标签数组Lf=[0,0,...,0]。
S504:令元件序号c=1。
S505:判断是否元件c与代表故障元件f为同一元件,如果是,进入步骤S506,否则不作任何操作,直接进入步骤S507。
S506:获取元件c对应的标签:
令元件参数向量P=[p1,p2,…,pC]中元件c的参数值pc=pc0×(1+α),其中α表示元件参数值的精度,其他元件的参数值pc′=pc′0,c′=1,2,…,C且c′≠c,仿真获取得到元件参数向量P下测点t处输出电压对应的圆模型,记其半径为r1;
然后令元件参数向量P=[p1,p2,…,pC]中元件c的参数值pc=pc0×(1-α),其他元件的参数值pc′=pc′0,c′=1,2,…,C且c′≠c,仿真获取得到元件参数向量P下测点t处输出电压对应的圆模型,记其半径为r2;
如果r1>r2,则令标签数组Lf中的第c个元素的值Lf(c)=1,否则令Lf(c)=-1。
图6是本发明中圆模型的仿真获取方法流程图。如图6所示,本发明中圆模型的仿真获取方法如下:
S601:无故障仿真:
S602:故障仿真:
参数pf1和pf2是根据实际情况设置的,一般设置pf1<pf0,pf2>pf0,pf0表示代表故障元件f参数的标称值。为了便于步骤S602中的操作,可以将pf1设置为代表故障元件f参数的最小值pfmin,pf2设置为代表故障元件f参数的最大值pfmax。
S603:计算圆模型参数
S507:判断是否c<C,如果是,进入步骤S508,否则进入步骤S509。
S508:令c=c+1,返回步骤S505。
S509:获取圆模型参数上限:
令元件参数值向量P=P0·(1+αLf),仿真获取得到元件参数向量P下测点t处输出电压对应的圆模型,记其圆心为(w,v),半径为r,将该圆模型的参数作为故障元件f的上限,即令wfmax=w,vfmax=v,rfmax=r,构成故障元件f的圆模型参数上限向量(wfmax,vfmax,rfmax)。
S510:获取圆模型参数下限:
令元件参数值向量P=P0·(1-αLf),仿真获取得到元件参数向量P下测点t处输出电压对应的圆模型,记其圆心为(w,v),半径为r,将该圆模型的参数作为故障元件f的下限,即令wfmin=w,vfmin=v,rfmin=r,构成故障元件f的圆模型参数下限向量(wfmin,vfmin,rfmin)。
S511:判断是否f<F,如果是,进入步骤S512,否则进入步骤S513。
S512:令f=f+1,返回步骤S503。
根据以上过程可知,本发明在获取用于训练分类模型的边界数据的每一次外循环,步骤S506需要执行2C次仿真,步骤S507和S508各需要1次仿真,因此总共需要仿真F(2C+2)次仿真。一般情况下2C>>2,因此复杂度为2CF=O(CF)。如果采用传统蒙特卡洛仿真,每个故障源至少仿真100次,复杂度就为O(100F),而一般情况下C<<100,因此本发明仿真次数更少,其算法复杂度更低。
S513:训练得到基于SVM的分类模型:
一般情况下,通过仿真获得的训练数据用于训练SVM要求数据量大,因为数据越多越可能获得边界数据,即支撑向量SV。而本发明可以直接给出边界数据,因此无需大量蒙特卡洛仿真数据,每一个故障源,只需要圆模型的上限参数和下限参数两个向量。因此在本发明中,构建基于SVM的F类分类模型,其输入为故障元件的圆模型参数向量,输出为模糊组序号。根据每个代表故障元件所对应的圆模型参数上限向量(wfmax,vfmax,rfmax)和圆模型参数下限向量(wfmin,vfmin,rfmin),对基于SVM的F类分类模型进行训练,得到训练好的分类模型。
SVM本身是一个二值分类器,当处理多类问题时,需要构建合适的多类分类器,主要模型有两类,一对多模型和一对一模型。一对多模型在训练时依次把某一类的样本归为一类,其他剩余的样本归为另一类,F类样本就需要构造F个分类器。当对测试样本进行分类时,将测试样本分类为最大分类函数值的一类。一对一模型是在任意两类样本之间构造一个分类器,则F类样本需要构造F(F-1)/2个分类器。当对测试样本进行分类时,得票最多的类别即为该测试样本的类别。可以根据实际需要选用多类分类器的模型。
S514:故障诊断:
当模拟电路发生故障时,在模拟电路性能退化过程中,分两次输入与仿真相同的输入电压得到测点t的两个故障电压结合无故障电压计算得到故障元件单独作用的输出电压 采用步骤S603中的方法计算得到模拟电路故障时的圆模型参数,记其圆心为(w*,v*),半径为r*,构成圆模型参数向量(w*,v*,r*),将其输入至步骤S512训练好的基于SVM的F类分类模型中,其分类结果即为故障诊断结果。
为了更好地说明本发明的实施过程和技术效果,以二阶托马斯模拟滤波电路为例对本发明进行说明。图7是本实施例中二阶托马斯模拟滤波电路的拓扑图。如图7所示,本实施例的二阶托马斯模拟滤波电路以Vout作为测点,模糊组为{R1}、{R2}、{R3,C1}、{R4,R5,R6,C2},糊组内部元件的故障不可区分,模糊组之间的故障理论上都能被区分。
为了获得每个模糊组的圆模型特征参数范围,每个模糊组任选一个元件作为代表性元件,分别为R1,R2,R3,R4作为代表故障元件,设置元件精度α=1%,然后获得各代表故障元件的圆模型参数范围。表1是本实施例中各代表故障元件对应的圆模型参数范围。
标称值 | 下限 | 上限 | |
w<sub>0</sub>,v<sub>0</sub>,r<sub>0</sub> | w<sub>min</sub>,v<sub>min</sub>,r<sub>min</sub> | w<sub>max</sub>,v<sub>max</sub>,r<sub>max</sub> | |
{R<sub>1</sub>} | -1,0,0 | -1.1484,0,0 | -0.9417,0,0 |
{R<sub>2</sub>} | -0.8261,0.0000,0.8261 | -0.7801,0,0.7801 | -0.8781,0,0.8781 |
{R<sub>3</sub>,C<sub>1</sub>} | 0.0000,0.7958,0.7958 | 0,0.7495,0.7495 | 0,0.8451,0.8451 |
{R<sub>4</sub>,R<sub>5</sub>,R<sub>6</sub>,C<sub>2</sub>} | -0.5000,0.3142,0.5905 | -0.4901,0.3018,0.5756 | -0.5101,0.3269,0.6059 |
表1
根据表1不难画出各代表故障元件的圆特征图。图8是本实施例中各代表故障元件的圆特征图。如图8所示,各个代表故障元件的圆模型在一定范围内变化。图9是本实施例中各代表故障元件的圆模型特征参数。如图9所示,所有故障是线性可分的。
本实施例中基于SVM的4类分类模型采用一对一模型实现,分类模型需要构建6个分类器,分类器由圆模型的参数上下限数据进行训练,训练好的模型可以对每一个故障源对应的测试样本进行预测。对于某个测试样本,将其输入6个分类器,分别得到一个分类结果,统计6个分类结果中出现次数最多的代表故障元件,即为故障诊断结果。
为了测试模型的故障诊断精度,需要产生测试样本,即故障样本。对于每个代表故障元件,用蒙特卡洛仿真方法获得100个圆模型参数向量,然后用分类模型进行分类。具体方法为:首先在容差范围内随机设置元件参数值,仿真得到无故障下测点的输出电压,每次仿真时在代表故障元件的参数值故障范围内随机取两个值,得到测点的输出电压,然后得到圆模型参数。本实施例中4个代表故障元件共计获得400个圆模型参数向量作为测试样本,然后用训练好的4类分类模型进行分类。表2是本实施例4个测试样本的分类结果示例表。
Test1(R<sub>1</sub>) | Test2(R<sub>2</sub>) | Test3(R<sub>3</sub>) | Test4(R<sub>4</sub>) | |
Model(1,2) | 100(1) | 100(2) | 100(2) | 100(2) |
Model(1,3) | 100(1) | 100(1) | 100(3) | 100(3) |
Model(1,4) | 100(1) | 100(4) | 100(4) | 100(4) |
Model(2,3) | 100(2) | 100(2) | 100(3) | 100(2) |
Model(2,4) | 85(4) | 100(2) | 100(4) | 100(4) |
Model(3,4) | 100(4) | 100(4) | 100(3) | 100(4) |
表2
如表2所示,以Model(i,j)表示代表故障元件i和代表故障元件j的SVM分类器,分类结果s(i)表示分类结果所对应的代表故障元件i的得分。以测试样本Test1为例,6个分类器对其进行分类,其中三个分类器分类结果对应的代表故障元件R1,且R1获得票数最多,因此诊断Test1样本属于元件R1故障。以此类推,Test2样本属于元件R2故障,Test3属于元件R3或C1故障,Test4样本属于元件R4或R5或R6或C2故障。可见,本发明可以有效实现对线性模拟电路的故障诊断。
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 (2)
1.一种基于圆模型参数的线性模拟电路故障诊断方法,其特征在于,包括以下步骤:
S1:将线性模拟电路中元件数量记为C,所有元件参数的标称值向量P0=[p10,p20,…,pC0],pc0表示元件c的参数标称值,c=1,2,…,C;对C个元件进行经测点t进行故障诊断的模糊组分析,将得到的模糊组数量记为F,每个模糊组选取一个元件作为代表故障元件;
S2:令代表故障元件序号f=1;
S3:初始化长度为C的标签数组Lf=[0,0,…,0];
S4:令元件序号c=1;
S5:判断是否元件c与代表故障元件f为同一元件,如果是,进入步骤S6,否则不作任何操作,直接进入步骤S7;
S6:令元件参数向量P=[p1,p2,…,pC]中元件c的参数值pc=pc0×(1+α),其中α表示元件参数值的精度,其他元件的参数值pc′=pc′0,c′=1,2,…,C且c′≠c,仿真获取得到元件参数向量P下测点t处输出电压对应的圆模型,记其半径为r1;
然后令元件参数向量P=[p1,p2,…,pC]中元件c的参数值pc=pc0×(1-α),其他元件的参数值pc′=pc′0,c′=1,2,…,C且c′≠c,仿真获取得到元件参数向量P下测点t处输出电压对应的圆模型,记其半径为r2;
如果r1>r2,则令标签数组Lf中的第c个元素的值Lf(c)=1,否则令Lf(c)=-1;
其中圆模型的仿真获取方法如下:
S6.2:按照元件参数向量P设置代表故障元件f以外的元件的参数值,将代表故障元件f的参数值设置为pf1和pf2分别进行仿真,得到测点t的故障电压,分别记为计算得到故障元件f单独作用的输出电压其中j是虚数单位;
S7:判断是否c<C,如果是,进入步骤S8,否则进入步骤S9;
S8:令c=c+1,返回步骤S5;
S9:令元件参数值向量P=P0·(1+αLf),仿真获取得到元件参数向量P下测点t处输出电压对应的圆模型,记其圆心为(w,v),半径为r,将该圆模型的参数作为故障元件f的上限,即令wfmax=w,vfmax=v,rfmax=r,构成故障元件f的圆模型参数上限向量(wfmax,vfmax,rfmax);
S10:令元件参数值向量P=P0·(1-αL),仿真获取得到元件参数向量P下测点t处输出电压对应的圆模型,记其圆心为(w,v),半径为r,将该圆模型的参数作为故障元件f的下限,即令wfmin=w,vfmin=v,rfmin=r,构成故障元件f的圆模型参数下限向量(wfmin,vfmin,rfmin);
S11:判断是否f<F,如果是,进入步骤S12,否则进入步骤S13;
S12:令f=f+1,返回步骤S3;
S13:构建基于SVM的F类分类模型,其输入为故障元件的贺模型参数向量,输出为模糊组序号;根据每个代表故障元件所对应的圆模型参数上限向量(wfmax,vfmax,rfmax)和圆模型下限参数向量(wfmin,vfmin,rfmin),对基于SVM的F类分类模型进行训练,得到训练好的分类模型;
2.根据权利要求1所述的线性模拟电路故障诊断方法,其特征在于,所述步骤S6.2中pf1设置为代表故障元件f参数的最小值pfmin,pf2设置为代表故障元件f参数的最大值pfmax。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910233059.8A CN109948267B (zh) | 2019-03-26 | 2019-03-26 | 基于圆模型参数的线性模拟电路故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910233059.8A CN109948267B (zh) | 2019-03-26 | 2019-03-26 | 基于圆模型参数的线性模拟电路故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109948267A CN109948267A (zh) | 2019-06-28 |
CN109948267B true CN109948267B (zh) | 2022-06-14 |
Family
ID=67010778
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910233059.8A Expired - Fee Related CN109948267B (zh) | 2019-03-26 | 2019-03-26 | 基于圆模型参数的线性模拟电路故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109948267B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110308384B (zh) * | 2019-07-11 | 2020-09-18 | 电子科技大学 | 基于圆模型和神经网络的模拟电路故障诊断方法 |
CN110470979B (zh) * | 2019-08-15 | 2020-12-01 | 电子科技大学 | 基于故障特征区域的模拟电路故障诊断方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104198923A (zh) * | 2014-08-29 | 2014-12-10 | 电子科技大学 | 一种线性模拟电路故障诊断方法 |
CN107576904A (zh) * | 2017-11-02 | 2018-01-12 | 电子科技大学 | 基于锯齿波的模拟电路故障诊断方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7117455B2 (en) * | 2003-07-24 | 2006-10-03 | International Business Machines Corporation | System and method for derivative-free optimization of electrical circuits |
CN106483449B (zh) * | 2016-09-09 | 2019-01-25 | 电子科技大学 | 基于深度学习与复数特征的模拟电路故障诊断方法 |
-
2019
- 2019-03-26 CN CN201910233059.8A patent/CN109948267B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104198923A (zh) * | 2014-08-29 | 2014-12-10 | 电子科技大学 | 一种线性模拟电路故障诊断方法 |
CN107576904A (zh) * | 2017-11-02 | 2018-01-12 | 电子科技大学 | 基于锯齿波的模拟电路故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
基于复模型的模拟滤波电路故障诊断;张晓;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20181015(第10期);I135-138 * |
面向三维控件的模拟电路故障建模与故障检测;胡鸿志 等;《仪表技术与传感器》;20151031(第10期);101-103 * |
Also Published As
Publication number | Publication date |
---|---|
CN109948267A (zh) | 2019-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110308384B (zh) | 基于圆模型和神经网络的模拟电路故障诊断方法 | |
CN107884706B (zh) | 基于向量值正则核函数逼近的模拟电路故障诊断方法 | |
US11238749B2 (en) | Method, apparatus, and computer program for providing personalized educational content | |
DE102007060417B4 (de) | Rohchip- und Wafer-Fehlerklassifikationssystem und Verfahren dazu | |
US5157668A (en) | Method and apparatus for locating faults in electronic units | |
CN109581203B (zh) | 基于遗传算法的测后仿真故障诊断方法 | |
Ye et al. | Board-level functional fault diagnosis using multikernel support vector machines and incremental learning | |
WO2018223865A1 (zh) | 一种电路的工作状态的检测方法及检测装置 | |
CN111260063B (zh) | 基于遗传算法的模拟电路故障定位与参数辨识方法 | |
CN109948267B (zh) | 基于圆模型参数的线性模拟电路故障诊断方法 | |
CN105137324B (zh) | 一种基于仿真分类模型的多探测点故障元器件定位方法 | |
CN110470979B (zh) | 基于故障特征区域的模拟电路故障诊断方法 | |
CN112485652B (zh) | 基于改进正余弦算法的模拟电路单故障诊断方法 | |
CN110673017B (zh) | 基于遗传算法的模拟电路故障元件参数辨识方法 | |
Stratigopoulos et al. | Efficient Monte Carlo-based analog parametric fault modelling | |
Bilski et al. | Automatic parametric fault detection in complex analog systems based on a method of minimum node selection | |
CN107490758A (zh) | 基于故障传播的模块化bp神经网络电路故障诊断方法 | |
CN104090228B (zh) | 一种模拟电路模糊组识别方法 | |
CN111308327B (zh) | 模拟电路故障定位与故障元件参数辨识方法 | |
CN107576904B (zh) | 基于锯齿波的模拟电路故障诊断方法 | |
JP2000121705A (ja) | 基板モデル修正方法および装置 | |
CN105678333A (zh) | 一种拥挤区域的确定方法和装置 | |
CN112505532A (zh) | 基于改进粒子群算法的模拟电路单故障诊断方法 | |
CN112327804A (zh) | 牵引控制单元的故障诊断方法、装置、系统和列车 | |
CN110308386B (zh) | 基于多项式拟合与状态监测的模拟电路故障诊断方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220614 |