CN110020637A - 一种基于多粒度级联森林的模拟电路间歇故障诊断方法 - Google Patents

一种基于多粒度级联森林的模拟电路间歇故障诊断方法 Download PDF

Info

Publication number
CN110020637A
CN110020637A CN201910303804.1A CN201910303804A CN110020637A CN 110020637 A CN110020637 A CN 110020637A CN 201910303804 A CN201910303804 A CN 201910303804A CN 110020637 A CN110020637 A CN 110020637A
Authority
CN
China
Prior art keywords
analog circuit
data
granularities
intermittent fault
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
Application number
CN201910303804.1A
Other languages
English (en)
Other versions
CN110020637B (zh
Inventor
屈剑锋
范滨淇
钟婷
肖晨
李豪
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.)
Chongqing University
Original Assignee
Chongqing 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 Chongqing University filed Critical Chongqing University
Priority to CN201910303804.1A priority Critical patent/CN110020637B/zh
Publication of CN110020637A publication Critical patent/CN110020637A/zh
Application granted granted Critical
Publication of CN110020637B publication Critical patent/CN110020637B/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
    • 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
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tests Of Electronic Circuits (AREA)
  • Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)

Abstract

本专利提出了一种基于多粒度级联森林的模拟电路间歇故障诊断方法，针对于传统的故障诊断方法已经不适用于现阶段大规模复杂集成电路，以及间歇故障数据规模较小的问题，采用多粒度级联森林利用算法对于小数据也可以有很好的表现这一特性对不同种类的故障数据进行分类，来进行模拟电路间歇故障的诊断。该方法采用深度神经网络逐层级联的结构，可根据实际情况调整级联层的深度以及每一层中随机森林、完全随机森林的个数，对小规模的间歇故障数据进行训练也可以达到较好的结果，避免了深度学习对大规模数据集的要求，同时可以达到同深度学习算法相媲美的检测效果。

Description

一种基于多粒度级联森林的模拟电路间歇故障诊断方法
技术领域
本发明涉及电子信息科学与技术、机器学习领域，特别是采用多粒度级联森林对模拟电路进行间歇故障的诊断。
技术背景
随着电子技术和计算机技术的不断发展，设备的结构组成越来越复杂，各种元器件的微型化也导致其规模迅速增大，当前模拟电路的大规模使用，对系统的测试和板卡级间歇故障的诊断提出了更为迫切的需求和更高的要求，以期在电路发生故障前就能检测并做出分类，可以避免很多损失。据报道，电路设备故障的80％都出自模拟部分，虽然传统的方法已经取得一定的成果，通过小波变换、小波包分解、希尔伯特黄变换或主元分析法处理响应信号，提取故障特征，然后通过专家系统、神经网络、支持向量机、模糊技术、粗糙集及分型理论等实现故障诊断和分类。但是由于电路的间歇故障没有明确的模式或频率，根据其系统内部的缺陷(不稳定的硬件和软件)，间歇故障易重复出现和消失，是一种间歇发生、难以预料的现象。因此我们可以采集到间歇故障的数据集是小规模的，约占总体数据集的百分之零点几，其余全部为正常数据。近几年深度学习因其强劲的特征提取能力而受到广泛关注，但是深度学习算法的一大要求就是需要用大规模的数据来训练算法模型，使用传统的方法检测间歇故障成本太高且自动化程度不高，因此采用新的模拟电路间歇故障检测方法就显得尤为重要。本发明采用的多粒度级联森林基于算法本身的特性可以在小规模数据集上面有着媲美深度学习算法的表现。
发明内容
有鉴于此，本发明的目的就是提出一种基于多粒度级联森林的模拟电路间歇故障诊断方法，由于间歇故障发生的时间极短，所以采用多通道高速采集卡在电路中的关键位置设置采集点将数据采集并存储下来，通过对数据的预处理将存储的数据进行分类与增强，采用小波包分解对数据进行特征提取，建立训练集、验证集以及测试集，通过K-折交叉验证的方法对多粒度级联森林的模型进行训练、验证和评估。检测故障的时候，只需要将采集卡采集到的数据送入训练好的GCForest(多粒度级联森林)模型进行间歇故障的检测，由于多粒度级联森林可以针对于间歇故障数据量极小的情况调整级联的层数，使得模型的参数量相较于深度学习有了极大的下降，在普通的CPU上面也可以很好的运行，做到实时地对间歇故障进行检测。极大地提高了系统电路的调试效率。
为达到上述目的，本发明提供如下技术实施方案：
S1：基础硬件模拟电路和开发环境的搭建，搭建故障测试电路，在电路中容易发生异常故障的地方人为地设置故障，如虚焊、接触不良，或是由DSP通过高速DA产生额外的信号加入到原有信号中生成故障信号；
S2：在模拟电路的关键位置设置采集点，用高速多通道的采集卡进行数据的采集，将电路正常运行和出现故障时的数据分别存储下载；
S3：将上一步存储下来的数据通过预处理分为训练数据、验证数据和测试数据，并对数据进行小波包分解来提取特征，对GCForest(多粒度级联森林)进行K-折交叉验证训练，通过观察训练集的损失曲线和验证集上的损失曲线，当达到模型最优值的时候人为地停止训练，提高效率；
S4：对多粒度级联森林进行训练的时候，针对于不同规模的数据集，可以设置不同的超参数如学习率等，在训练过程中可以根据损失函数收敛情况修改网络参数，如级联层数、每一层中随机森林和完全随机森林的个数、随机森林中决策树的个数以及细粒度扫描的感受野大小，达到适当的准确度就可以停止训练并保存模型；
S5：进行板卡级的在线测试，发生间歇故障并进行分类。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：
图1为基于多粒度级联森林的模拟电路间歇故障诊断方法的框图。
图2基于多粒度级联森林的模拟电路间歇故障诊断方法的详细流程示意图。
图3为实现特征转换的流程框图。
图4为训练多粒度级联森林流程示意图。
具体实施方式
进一步，S1中所述的基础硬件模拟电路和开发环境包括了模拟电路故障输出平台、C语言软件开发环境。搭建由DSP为核心的故障验证平台，在一些容易出现异常故障的地方设置数据采集点，对一部分元器件进行虚焊等操作，制造间歇故障的发生。DSP通过高速DA产生额外的信号加入到原有信号中去，构成故障信号。对这些故障信号进行分类，如电流型故障、电压型故障等等。
进一步，S2中所述的在模拟电路中的关键位置设置采集点，一般选取开关、运放引脚等容易发生异常故障的地方，用多通道的高速采集卡对采集点进行数据的采集并将数据存储到硬盘中。
进一步，S3中所述分别采集电路板正常工作时和出现间歇故障时测试点的数据。我们将正常工作时的数据作为一组数据集，将出现间歇故障现象时采集到的数据作为另一组数据集，将总体带有标签的数据分类训练集、验证集和测试集。对采集到的数据进行小波包分解来提取特征，提取到的特征将有利于算法的收敛速度。小波包分解的具体步骤是：1、采用小波系中db2小波对去噪后的信号进行小波包分解，然后提取第N层从低频到高频的所有子频带内各频率成分的信号特征；2、根据小波包分解系数重构第N层上各子频带范围的信号Sj；3、：根据各子频带信号的能量Ej，式中Xik是离散信号重构点的幅值，j为1到N；4、构造特征向量X＝[E1,E2,...,EN]，并对其归一化得到模拟电路故障特征向量。
由于多粒度级联森林算法本身的特性，我们不需要像深度学习一样需要大量的数据集，深度森林在小规模数据集上也可以有很好的表现，将不同的故障数据精确分类，这样可以保证识别间歇故障的正确率，为了防止出现过拟合现象，我们对故障数据进行数据增强来提高故障数据在总体数据中的比重。在不进行任何事先处理的情况下运行测试平台，通过采集卡采集到的数据作为一组测试数据集，来测试GCForest(多粒度级联森林)模型对故障信号检测的正确率与速度。
进一步，S4中所述将对GCForest(多粒度级联森林)模型进行训练，具体包括以下：首先搭建整个网络结构，选定合适的输入维度的和输出的维度，中间级联层的个数选择为4-5层，可根据训练的结果进行级联层层数、每一层中随机森林的个数以及完全随机森林的个数进行调整。正是这样的结构，使得多粒度级联森林有着可以媲美深度学习算法的特征提取能力。在训练过程中，分别将训练数据送入算法网络来调整网络的超参数达到最优的结果。具体步骤为：1、首先对第一层的两个随机森林和两个完全随机森林进行训练；2、然后通过多粒度扫描将特征向量与小波包分解得到的故障特征向量送入下一层进行训练；3、依次完成整个模型的训练过程，在训练过程中可以调整学习率等超参数使得模型收敛；4、通过观察训练集的损失曲线和验证集上的损失曲线，当达到模型最优值的时候人为地停止训练，防止过拟合。在训练过程中为了提高间歇故障辨识率和避免达到过拟合状态，数据集的大小同样关键，实验表明对故障数据进行预处理会大大提高检测的准确度。
进一步，S5中所述进行板级在线测试，对故障信号进行分类。进行在线测试，通过把采集到的数据送入GCForest(多粒度级联森林)进行故障检测与分类，判断是否出现间歇故障。出现间歇故障时，采集点的数值将会发生突变，区别于正常工作时采集到的数据，所以可以被GCForest识别出，不同的故障信号又有着不同的特征，通过GCForest强大的特征提取能力可以将故障信号进行分类，判别出是什么类型的故障。
本专利提出一种基于多粒度级联森林的模拟电路间歇故障诊断的方法，区别于传统的物理探针对整个电路板进行测试，运用高速采集卡加多粒度级联森林，可以高效、快速地发现间歇故障，并对故障进行实时的分类。

Claims (5)

1.一种基于多粒度级联森林的模拟电路间歇故障诊断方法，主要包括下述几个步骤：
步骤一：硬件实验平台的搭建，从模拟电路的特定节点中采集信号；
步骤二：对数据进行预处理，将采集到的数据划分为训练集、验证集和测试集，并对数据进行小波包分解，提取故障特征；
步骤三：搭建多粒度级联森林模型，在训练集和验证集上进行训练，根据损失函数的收敛情况对模型进行微调直到得到模型最优解；
步骤四：进行板卡级的在线测试，发生间歇故障并用多粒度级联森林进行诊断。
2.根据权利要求1所述的一种基于多粒度级联森林的模拟电路间歇故障诊断方法，其特征在于：步骤一中所述硬件平台搭建以及信号采集，具体方法如下：搭建故障测试电路，在电路中容易发生异常故障的地方人为地设置故障，如虚焊、接触不良，或是由DSP通过高速DA产生额外的信号加入到原有信号中生成故障信号。
3.根据权利要求1所述的一种基于多粒度级联森林的模拟电路间歇故障诊断方法，其特征在于：在步骤二中的对采集到的数据进行数据预处理，具体方法如下：将总体带有标签的数据分类训练集、验证集和测试集。对采集到的数据进行小波包分解来提取特征，提取到的特征将有利于算法的收敛速度。小波包分解的具体步骤是：1、采用小波系中db2小波对去噪后的信号进行小波包分解，然后提取第N层从低频到高频的所有子频带内各频率成分的信号特征；2、根据小波包分解系数重构第N层上各子频带范围的信号Sj；3、：根据各子频带信号的能量Ej，式中Xik是离散信号重构点的幅值，j为1到N；4、构造特征向量X＝[E1,E2,...,EN]，并对其归一化得到模拟电路故障特征向量。
4.根据权利要求1所述的一种基于多粒度级联森林的模拟电路间歇故障诊断方法，其特征在于：在步骤三中所述的搭建多粒度级联森林模型，中间隐含层选择为3，每一层有两个随机森林和两个完全随机森林，将上一步划分好的训练集和验证集对GCForest(多粒度级联森林)模型进行K-折交叉验证训练，训练方法采用逐层有监督训练，具体步骤为：1、首先对第一层的两个随机森林和两个完全随机森林进行训练；2、然后通过多粒度扫描将特征向量与小波包分解得到的故障特征向量送入下一层进行训练；3、依次完成整个模型的训练过程，在训练过程中可以调整学习率等超参数使得模型收敛；4、通过观察训练集的损失曲线和验证集上的损失曲线，当达到模型最优值的时候人为地停止训练，防止过拟合。
5.根据权利要求1所述的一种基于多粒度级联森林的模拟电路间歇故障诊断方法，其特征在于：在步骤四中所述的进行板卡级的在线测试，具体步骤为：将硬件平台中的测试点采集数据，在不进行数据预处理的情况下将数据送入到模型中去，通过模型诊断是否数显故障，并对故障进行分类，如：电压型故障、电流型故障、开关量型故障等等。
CN201910303804.1A 2019-04-16 2019-04-16 一种基于多粒度级联森林的模拟电路间歇故障诊断方法 Active CN110020637B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910303804.1A CN110020637B (zh) 2019-04-16 2019-04-16 一种基于多粒度级联森林的模拟电路间歇故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910303804.1A CN110020637B (zh) 2019-04-16 2019-04-16 一种基于多粒度级联森林的模拟电路间歇故障诊断方法

Publications (2)

Publication Number Publication Date
CN110020637A true CN110020637A (zh) 2019-07-16
CN110020637B CN110020637B (zh) 2023-04-07

Family

ID=67191579

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910303804.1A Active CN110020637B (zh) 2019-04-16 2019-04-16 一种基于多粒度级联森林的模拟电路间歇故障诊断方法

Country Status (1)

Country Link
CN (1) CN110020637B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111222800A (zh) * 2020-01-13 2020-06-02 电子科技大学 一种智能电力系统异常检测方法
CN111461461A (zh) * 2020-04-29 2020-07-28 中国水利水电科学研究院 一种水利工程异常检测方法及系统
CN112434514A (zh) * 2020-11-25 2021-03-02 重庆邮电大学 基于多粒度多通道的神经网络的语义匹配方法、装置及计算机设备
CN113919594A (zh) * 2021-11-18 2022-01-11 贵州电网有限责任公司 一种基于深度森林的需求响应潜力评估方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101178333B1 (ko) * 2012-02-20 2012-08-29 주식회사 에스엠이씨 웨이블릿 기반의 중심대칭-국부이진 패턴과 계층적 랜덤 포레스트를 이용한 사람 검출 방법
CN104777418A (zh) * 2015-05-11 2015-07-15 重庆大学 一种基于深度波尔兹曼机的模拟电路故障诊断方法
WO2015158198A1 (zh) * 2014-04-17 2015-10-22 北京泰乐德信息技术有限公司 一种基于神经网络自学习的故障识别方法及系统
CN108241873A (zh) * 2018-01-10 2018-07-03 中国水利水电科学研究院 一种面向泵站主设备的智能故障诊断方法
CN108343599A (zh) * 2018-01-10 2018-07-31 中国水利水电科学研究院 一种基于多粒度级联森林的水泵机组智能故障诊断方法
CN109102032A (zh) * 2018-09-03 2018-12-28 中国水利水电科学研究院 一种基于深度森林和自编码的泵站机组诊断方法
CN109241987A (zh) * 2018-06-29 2019-01-18 南京邮电大学 基于加权的深度森林的机器学习方法
CN109297689A (zh) * 2018-09-11 2019-02-01 中国水利水电科学研究院 一种引入权重因子的大型水力机械智能诊断方法
US20190069007A1 (en) * 2017-08-23 2019-02-28 Intel Corporation Enhanced text rendering and readability in images

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101178333B1 (ko) * 2012-02-20 2012-08-29 주식회사 에스엠이씨 웨이블릿 기반의 중심대칭-국부이진 패턴과 계층적 랜덤 포레스트를 이용한 사람 검출 방법
WO2015158198A1 (zh) * 2014-04-17 2015-10-22 北京泰乐德信息技术有限公司 一种基于神经网络自学习的故障识别方法及系统
CN104777418A (zh) * 2015-05-11 2015-07-15 重庆大学 一种基于深度波尔兹曼机的模拟电路故障诊断方法
US20190069007A1 (en) * 2017-08-23 2019-02-28 Intel Corporation Enhanced text rendering and readability in images
CN108241873A (zh) * 2018-01-10 2018-07-03 中国水利水电科学研究院 一种面向泵站主设备的智能故障诊断方法
CN108343599A (zh) * 2018-01-10 2018-07-31 中国水利水电科学研究院 一种基于多粒度级联森林的水泵机组智能故障诊断方法
CN109241987A (zh) * 2018-06-29 2019-01-18 南京邮电大学 基于加权的深度森林的机器学习方法
CN109102032A (zh) * 2018-09-03 2018-12-28 中国水利水电科学研究院 一种基于深度森林和自编码的泵站机组诊断方法
CN109297689A (zh) * 2018-09-11 2019-02-01 中国水利水电科学研究院 一种引入权重因子的大型水力机械智能诊断方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
DIEGO CABRERA等: "Fault diagnosis of spur gearbox based on random forest and wavelet packet decomposition", 《FRONTIERS OF MECHANICAL ENGINEERING》 *
刘宁: "深度学习在基于MRI数据的精神疾病辅助诊断中的应用研究", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》 *
段立溟: "风力发电机组性能优化及功率提升方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *
陈吕鹏等: "基于深度森林算法的电力系统短期负荷预测", 《电力建设》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111222800A (zh) * 2020-01-13 2020-06-02 电子科技大学 一种智能电力系统异常检测方法
CN111222800B (zh) * 2020-01-13 2022-06-17 电子科技大学 一种智能电力系统异常检测方法
CN111461461A (zh) * 2020-04-29 2020-07-28 中国水利水电科学研究院 一种水利工程异常检测方法及系统
CN111461461B (zh) * 2020-04-29 2022-06-07 中国水利水电科学研究院 一种水利工程异常检测方法及系统
CN112434514A (zh) * 2020-11-25 2021-03-02 重庆邮电大学 基于多粒度多通道的神经网络的语义匹配方法、装置及计算机设备
CN112434514B (zh) * 2020-11-25 2022-06-21 重庆邮电大学 基于多粒度多通道的神经网络的语义匹配方法、装置及计算机设备
CN113919594A (zh) * 2021-11-18 2022-01-11 贵州电网有限责任公司 一种基于深度森林的需求响应潜力评估方法

Also Published As

Publication number Publication date
CN110020637B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN110020637A (zh) 一种基于多粒度级联森林的模拟电路间歇故障诊断方法
CN112858473B (zh) 一种基于特征融合的道岔尖轨伤损状态监测方法
CN109116203A (zh) 基于卷积神经网络的电力设备局部放电故障诊断方法
US10539613B2 (en) Analog circuit fault diagnosis method using single testable node
CN103728551B (zh) 一种基于级联集成分类器的模拟电路故障诊断方法
CN108414923A (zh) 一种基于深度置信网络特征提取的模拟电路故障诊断方法
CN109633368A (zh) 基于vmd和dfa的含分布式电源配电网电能质量扰动检测方法
CN111325095A (zh) 基于声波信号的设备健康状态智能检测方法和系统
CN102435910B (zh) 基于支持向量分类的功率电子电路健康监测方法
CN104052612B (zh) 一种电信业务的故障识别与定位的方法及系统
CN108573225A (zh) 一种局部放电信号模式识别方法及系统
CN107909118A (zh) 一种基于深度神经网络的配电网工况录波分类方法
CN110703057A (zh) 基于数据增强和神经网络的电力设备局部放电诊断方法
CN110298085A (zh) 基于XGBoost和随机森林算法的模拟电路故障诊断方法
CN106021771A (zh) 一种故障诊断方法及装置
CN109100627A (zh) 一种基于端到端模式的电力设备局部放电故障诊断方法
CN108537259A (zh) 基于粗糙集-神经网络模型的列控车载设备故障分类与识别方法
CN110044623A (zh) 经验模态分解剩余信号特征的滚动轴承故障智能识别方法
CN105678343A (zh) 基于自适应加权组稀疏表达的水电机组噪声异常诊断方法
CN101614786A (zh) 基于frft和ifsvc的功率电子电路在线智能故障诊断方法
CN112183643B (zh) 基于声发射的硬岩拉剪破裂识别方法及装置
CN105606914A (zh) 一种基于iwo-elm的航空功率变换器故障诊断方法
CN109858503A (zh) 基于梯度提升决策树的牵引变流器故障诊断方法
CN107328868A (zh) 一种快速识别陶瓷涂层失效类型的声发射信号分析方法
CN107798283A (zh) 一种基于决策导向无环图的神经网络故障多类分类器

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