CN110298085A - 基于XGBoost和随机森林算法的模拟电路故障诊断方法 - Google Patents
基于XGBoost和随机森林算法的模拟电路故障诊断方法 Download PDFInfo
- Publication number
- CN110298085A CN110298085A CN201910500600.7A CN201910500600A CN110298085A CN 110298085 A CN110298085 A CN 110298085A CN 201910500600 A CN201910500600 A CN 201910500600A CN 110298085 A CN110298085 A CN 110298085A
- Authority
- CN
- China
- Prior art keywords
- xgboost
- circuit
- model
- analog
- feature
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 28
- 238000007637 random forest analysis Methods 0.000 title claims abstract description 23
- 238000003745 diagnosis Methods 0.000 title claims abstract description 19
- 230000009467 reduction Effects 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 238000004088 simulation Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000007619 statistical method Methods 0.000 claims abstract description 7
- 238000002405 diagnostic procedure Methods 0.000 claims abstract description 6
- 238000003066 decision tree Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 11
- 241000208340 Araliaceae Species 0.000 claims description 8
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 8
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 235000008434 ginseng Nutrition 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 7
- 238000002790 cross-validation Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000007423 decrease Effects 0.000 claims description 2
- 238000002955 isolation Methods 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000000342 Monte Carlo simulation Methods 0.000 claims 1
- 238000005086 pumping Methods 0.000 claims 1
- 238000013461 design Methods 0.000 abstract description 6
- 238000010801 machine learning Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 3
- 238000012795 verification Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
-
- 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
- G01R31/316—Testing of analog circuits
-
- 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
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
Abstract
本发明公开了一种针对模拟电路ITC’97国际标准电路中的跳蛙（Leapfrog）滤波电路出现的故障进行检测的方法，该方法包括Leapfrog电路仿真系统的电路设计、Monte‑Carlo统计分析法产生数据、对测试信号进行小波包变换的特征提取方法、对特征进行随机森林算法的特征降维方法和对最终特征进行基于XGBoost模型的诊断方法。本发明的优点在于提出了一种将基于机器学习算法的模拟电路故障的数据处理形式。将该方法运用在模拟电路故障诊断上的，并通过不同方法的对比验证其故障诊断率超越了传统的模拟电路故障诊断方法且在模型训练的速度性能方面也有所提高，更加符合于工业现场对模拟电路故障诊断的精度与速度要求。
Description
技术领域
本发明涉及一种基于XGBoost和随机森林算法的模拟电路故障诊断方法,属于故障诊断技术领域。
背景技术
随着第三次科技革命的兴起，电子设备与系统的规模在不断扩大，保障电子器械的低故障率，成为各大电子器械厂商普遍关注的内容，因此也对电路的故障诊断方法不断提出了新的要求。同时在电路设备中，模拟电路对环境敏感且故障率高，因此快速并且准确得寻找到模拟电路的故障具有重要的研究意义。
此外，在大数据技术的发展中，许多机器学习算法相继提出，比如：随机森林、XGBoost、Adaboost等，其在推荐算法、供应商信用评价、结构损伤识别和交通状态短时预测等问题中都得到了广泛的应用，但其至今还很少应用在模拟电路故障诊断方面。该类方法难以运用在模拟电路故障诊断的一个重要原因是该领域尚未产生足够多的数据样本信息，难以训练出准确的分类模型，另一个原因是电子设备的生产加工对故障的诊断速度提出了要求，然而此类算法在模型的训练过程的时间开销大，无法满足工业要求。
发明内容
本发明的目的是提供一种基于XGBoost和随机森林算法的模拟电路故障诊断方法，在保证诊断准确率的同时，提高诊断速度以满足工业现场对电路诊断的精度与速度要求。
为了达到上述目的，本发明采用的方法是：一种基于XGBoost和随机森林算法的模拟电路故障诊断方法，包括以下步骤：
(1)采用Monte-Carlo统计方法对Leapfrog电路容差和阻差故障进行模拟仿真并构建样本集合；
(2)通过小波包变换对测试源采集到的信号进行分解，选择合适的基小波函数进行5层小波包分解，提取粗第5层从低频到高频的共32个频率成分系数，作为样本特征部分；
(3)构建随机森林模型RF，其弱分类器为CART决策树，通过网格搜索法调整RF模型参数，通过不同弱分类器的基尼指数评估特征重要性，之后对选取最重要的5个特征从而实现降维；
(4)将降维后的特征与故障ID进行样本重构，将样本分组为训练样本与测试样本，选取XGBoost模型作为分类器,对XGBoost模型进行调参。
本发明选择模拟电路ITC’97国际标准电路中的跳蛙(Leapfrog)滤波电路作为研究对象，该电路作为一种低通滤波器，常被用来滤除高频信号，通过直流信号和低频带的部分信号，广泛应用在音频放大器和数字机顶盒中，是低通滤波器的代表性电路，具有典型意义，能够保障样本的数量和有效性。
作为本发明的一种改进，所述的步骤(1)的具体步骤如下：
(1-1)用OrCAD/PSpice软件仿真跳蛙(Leapfrog)滤波电路，设置激励源，选取输出节点作为测试信号来源；
(1-2)构建软故障模型，电阻标称值设为10k，容差范围设为5％。当R∈[9.5k，10.5k]时，电阻值处于标称值的±5％以内，因此认为其为无故障状态。同理认为15k为偏高软故障模型，当R∈[14.5k，15.5k]时，认为其为偏高软故障。5k为偏低软故障模型，当当R∈[4.5k，5.5k]时，认为其为偏低软故障，电容故障构建方式与此类似，具体软故障编码如下：
以上为单故障模式的模型构建方式，此外模拟电路电容电阻原件也可能存在多故障模式，及同时有多个元件发生故障，我们假定多故障模式为同时仅有两个元件发生故障，其故障模型构建方式如下表：
(1-3)对Leapfrog低通滤波器电路进行交流小信号扫描分析(AC Sweep)，激励信号的偏置设置为0V，幅值设置为5V，扫描信号的频率范围设置为10Hz～1MEGHz，用蒙特卡洛(Monte-Carlo)统计分析方法进行200次仿真分析，收集不同的电路元件分析得到的正常状况与故障模式的测试信号的电压数据。
作为本发明的一种改进，所述的步骤(2)中采用Monte-Carlo分析得到的正常状况与故障模式下的输出相应波形进行小波包去噪，选择‘db1’小波包对信号进行小波包分解，对其进行5层小波包分解，对第五层节点的各个系数进行重构，一共得到32个频带的能量值，具体分解方式如下：
a)对电路所有模式下的输出模型进行分析，选择合适的基小波函数进行5层小波包分解，提取粗第5层从低频到高频的共32个频率成分系数，构成的系数序列可表示为：
{W0，W1，W2，……，W31}
b)对小波包的分解系数进行重构，提取频带范围不互相重叠的信号，Wj的重构信号用Sj表示，则原始信号可表示为：
c)计算各频带Sj对应的能量特征值Ej：
d)将各个频带的能量特征值Ej进行组合，表示为模拟电路故障特征向量T：
T＝[E0,E1,E2,E3,……，E31]
e)若能量相差较大，需对T进行归一化处理得到T’:
作为本发明的一种改进，所述的步骤(3)中降维的具体步骤如下:
(3-1)构建Bagging模型，其每一个弱分类器为CART决策树，即随机森林算法，将故障特征向量T与故障类型F作为样本集，通过样本集对随机森林算法(RF)进行训练，其中针对不同的弱分类器构建数据集时，采用自助采样阀，同时在构建决策树选择、结点的划分属性时也引入随机性；
RF的参数包括：决策树数量n_estimators，每棵决策树最大特征数max_feature，决策树最大深度max_depth以及叶子节点最小样本数min_samples_leaf,这些参数的变化都将对RF的性能产生影响。
(3-2)运用网格搜索法对RF的参数进行调节，通过交叉验证的思路对学习模型进行评估从而寻找最优参数。Python的scikit-learn库中提供的GridSearchCV模块对这一功能进行了支持。最终确定随机森林中决策树数量(n_estimators)为12，决策树最大深度(max_depth)为20；
(3-3)调整好参数，并通过(3-1)中的方法构建了N课的CARF决策树作为弱分类器，根据基尼指数(Gini Index)判断不同特征在每一弱分类器中的贡献度，其中基尼指数的计算方式为：
特征Ej在节点m处的贡献度即可用m结点分枝前后的基尼指数变化量来衡量：
若Ej所在的CARF的结点属于集合M，则Ej在第i棵树中的重要性为：
若RF中CARF分类器个数为n，则
最后将Ej对所有弱分类器的贡献度进行归一化处理即可。
(3-4)根据(3-3)中的VIM计算方法得到E0～E31的VIM，根据VIM对特征的相关性进行排序，选取前5维特征，从而实现特征降维。
作为本发明的一种改进，所述的步骤(4)中的调参结果如下：
此外部分提升器参数对实验结果的影响较大，仍需重点调节，包括：学习率eta、决策树最大深度max_depth、最小叶子节点样本权重min_child_weight和最小损失函数下降值gamma。
调参的具体调节步骤如下：
a)首先选择较大学习率eta,设置在0.05到0.3之间，其余参数设定为默认初始值，利用XGBoost内部的交叉验证函数获取最佳决策树数量n_estimators，XGBoost中将对该参数作为命令行参数和num_round一起输入到模型中；
b)结合给定的学习速率和决策树数量，对提升器其他参数设置合理的范围，包括：max_depth、min_child_weight和gamma，在该范围内初始设定一个较大的值，然后根据网格搜索法不断缩小范围；
c)重复以上步骤，进一步降低学习率eta，直至找到最优参数。
最终对单故障模式和多故障模式的模型分别进行模型训练，得到的最优参数及测试集的诊断率如下表：
与现有的模拟电路诊断技术相比，本发明的有益效果如下：
(1)本发明将机器学习算法运用在模拟电路故障诊断领域，其诊断方法相比传统诊断方法，更适用于工业大规模生产；
(2)本发明的电路故障仿真方法可以针对单元件故障与多元件故障产生大量的样本数据，保障机器学习算法对样本量的要求；
(3)本发明中对测试点信号的小波包分析最大程度保存了信号的低频和高频信息，最小化信息的丢失率，从而保障了诊断特征的完整性；
(4)本发明中的特征降维技术优于传统的主成分分析技术(PCA)，避免了复杂的协方差计算过程，缩短了降维时间；
(5)本发明的诊断分类器采用XGBoost算法，其训练模型结果中利用了CPU多线程技术，大大缩短了模型训练时间，在同等样本数量的前提下，其训练时间远小于GDBT算法，同时其诊断准确率依旧保持较高水平。
附图说明
图1是本发明方法针对的电路类型(Leapfrog滤波电路)的仿真原理图；
图2是本发明中模拟电路故障诊断的流程图；
图3是图2故障诊断系统具体的仿真流程；
图4是本发明中的诊断方法中的模型训练和故障诊断时序图；
图5是图4中时序图对应的故障诊断系统结构图；
图6是本发明中所应用的Bagging算法的流程框图；
图7是本发明中所应用的XGBoost的原理示意图。
具体实施方式
以下结合附图对本发明中的技术方案做进一步说明：
如图2-5，本发明提出了一种针对模拟电路故障诊断的方法，包括：模拟电路故障的仿真、信号的收集，特征的降维和诊断器的设计。本发明的具体方法针对的是如图1所述的ITC’97国际标准电路中的Leapfrog滤波电路。
本发明中设计模拟电路仿真的软件平台为：OrCAD/PSpice，其中故障元件取自BREAKOUT元件库。软故障的仿真与信号的生成采用的方法为Monte-Carlo统计方法，OrCAD/PSpice平台对该方法提供了支持。数据采集后的数据处理部分采用Python3语言，数据的保存和读取格式为csv。其数据的小波包分析使用pyWavelets库，降维所用的随机森林算法、参数调整方法、诊断器XGBoost算法由scikit-learn库提供支持。
通过OrCAD/PSpice的模拟电路绘制功能绘制想要诊断的电路仿真图，如图1为Leapfrog滤波电路的仿真图。仿真图确定后，选取电路的激励源和测试源，在本电路结构中激励源与测试源分别设置为Leapfrog滤波电路的输入和输出。
设置激励源，本发明中的Leapfrog电路激励源偏置设置为0V，幅值设置为5V，扫描信号的频率范围设置为10Hz～1MEGHz，之后用蒙特卡洛(Monte-Carlo)统计分析方法进行200次仿真分析，收集不同的电路元件分析得到的正常状况与故障模式的测试信号的电压数据。
通过小波包变换对测试源采集到的信号进行分解，选择合适的基小波函数进行5层小波包分解，提取粗第5层从低频到高频的共32个频率成分系数，作为样本特征部分，同时结合故障ID生成样本数据，样本数据保存为csv文件。
用Python程序读取样本文件,读取结果通过模型随机森林算法来估计不同特征的重要性，其结果如图6，随机森林模型的参数通过网格搜索法通过交叉验证的方式不断缩小最小参数范围进而找到最小参数，scikit—learn库中提供的GridSearchCV模块对这一功能进行了支持。通过随机森林算法的弱分类器的基尼指数(Gini Index)评估不同特征对弱分类器的贡献度，最后平均得到不同特征的重要性评估结果，将32维的特征按照特征重要性进行排序，选择前5维的特征结果作为最终的诊断特征，从而实现特征的降维。其具体的实现方式可通过scikit-learn库中的RandomForest模块来实现。
用如图7所示的XGBoost作为诊断器，其xgboost库对该诊断器的设计提供了支持。将RF降维后的特征结果结合故障ID作为标签，分别对单故障模式与多故障模式设计分类器，通过调整参数得到最优结果，其参数调整方式如下：
a)首先选择较大学习率eta,设置在0.05到0.3之间，其余参数设定为默认初始值，利用XGBoost内部的交叉验证函数获取最佳决策树数量n_estimators，XGBoost中将对该参数作为命令行参数和num_round一起输入到模型中；
b)结合给定的学习速率和决策树数量，对提升器其他参数设置合理的范围，包括：max_depth、min_child_weight和gamma，在该范围内初始设定一个较大的值，然后根据网格搜索法不断缩小范围；
c)重复以上步骤，进一步降低学习率eta，直至找到最优参数。
以上是本发明中方法的全部具体实施方法，执行该方案需要使用OrCAD/PSpice软件平台进行数据采集，通过Python3进行数据的融合与诊断器的设计。
Claims (5)
1.基于XGBoost和随机森林算法的模拟电路故障诊断方法，其特征在于，包括以下步骤：
(1)采用Monte-Carlo统计方法对Leapfrog电路容差和阻差故障进行模拟仿真并构建样本集合；
(2)通过小波包变换对测试源采集到的信号进行分解，选择合适的基小波函数进行5层小波包分解，提取粗第5层从低频到高频的共32个频率成分系数，作为样本特征部分；
(3)构建随机森林模型RF，其弱分类器为CART决策树，通过网格搜索法调整RF模型参数，通过不同弱分类器的基尼指数评估特征重要性，之后对选取最重要的5个特征从而实现降维；
(4)将降维后的特征与故障ID进行样本重构，将样本分组为训练样本与测试样本，选取XGBoost模型作为分类器,对XGBoost模型进行调参。
2.根据权利要求1所述的基于XGBoost和随机森林算法的模拟电路故障诊断方法，其特征在于：所述的步骤(1)的具体步骤如下：
(1-1)用OrCAD/PSpice软件仿真Leapfrog滤波电路，设置激励源，选取输出节点作为测试信号来源；
(1-2)构建软故障模型，分别构建单故障模型和多故障模型；
(1-3)对Leapfrog低通滤波器电路进行交流小信号扫描分析，激励信号的偏置设置为0V，幅值设置为5V，扫描信号的频率范围设置为10Hz～1MEGHz，用Monte-Carlo统计分析方法进行200次仿真分析，收集不同的电路元件分析得到的正常状况与故障模式的测试信号的电压数据。
3.根据权利要求1所述的基于XGBoost和随机森林算法的模拟电路故障诊断方法，其特征在于：所述的步骤(2)中小波包分解，的具体分解方式如下：
a)对电路所有模式下的输出模型进行分析，选择合适的基小波函数进行5层小波包分解，提取粗第5层从低频到高频的共32个频率成分系数，构成的系数序列可表示为：
{W0，W1，W2，……，W31}
b)对小波包的分解系数进行重构，提取频带范围不互相重叠的信号，Wj的重构信号用Sj表示，则原始信号可表示为：
c)计算各频带Sj对应的能量特征值Ej：
d)将各个频带的能量特征值Ej进行组合，表示为模拟电路故障特征向量T：
T＝[E0,E1,E2,E3,……，E31]
e)若能量相差较大，需对T进行归一化处理得到T’:
4.根据权利要求1中的权利要求1所述的基于XGBoost和随机森林算法的模拟电路故障诊断方法，其特征在于：所述的步骤(3)中降维的具体步骤如下:
(3-1)构建Bagging模型，其每一个弱分类器为CART决策树，即随机森林算法，将故障特征向量T与故障类型F作为样本集，通过样本集对随机森林算法RF进行训练，其中针对不同的弱分类器构建数据集时，采用自助采样阀，同时在构建决策树选择、结点的划分属性时也引入随机性；
(3-2)运用网格搜索法对RF的参数进行调节，通过交叉验证的思路对学习模型进行评估从而寻找最优参数；
(3-3)调整好参数，并通过步骤(3-1)中的方法构建了N课的CARF决策树作为弱分类器，根据基尼指数判断不同特征在每一弱分类器中的贡献度；所述的基尼指数的计算方式为：
特征Ej在节点m处的贡献度即可用m结点分枝前后的基尼指数变化量来衡量：
若Ej所在的CARF的结点属于集合M，则Ej在第i棵树中的重要性为：
若RF中CARF分类器个数为n，则
最后将Ej对所有弱分类器的贡献度进行归一化处理即可
(3-4)根据(3-3)中的VIM计算方法得到E0～E31的VIM，根据VIM对特征的相关性进行排序，选取前5维特征，从而实现特征降维。
5.根据权利要求1中的基于XGBoost算法的诊断方法，其特征在于：所述的步骤(4)中的调参方法为：
(4-1)首先选择较大学习率eta,设置在0.05到0.3之间，其余参数设定为默认初始值，利用XGBoost内部的交叉验证函数获取最佳决策树数量n_estimators，XGBoost中将对该参数作为命令行参数和num_round一起输入到模型中；
(4-2)结合给定的学习速率和决策树数量，对提升器其他参数设置合理的范围，包括：max_depth、min_child_weight和gamma，在该范围内初始设定一个较大的值，然后根据网格搜索法不断缩小范围；
(4-3)重复以上步骤，进一步降低学习率eta，直至找到最优参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910500600.7A CN110298085A (zh) | 2019-06-11 | 2019-06-11 | 基于XGBoost和随机森林算法的模拟电路故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910500600.7A CN110298085A (zh) | 2019-06-11 | 2019-06-11 | 基于XGBoost和随机森林算法的模拟电路故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110298085A true CN110298085A (zh) | 2019-10-01 |
Family
ID=68027844
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910500600.7A Pending CN110298085A (zh) | 2019-06-11 | 2019-06-11 | 基于XGBoost和随机森林算法的模拟电路故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110298085A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111239588A (zh) * | 2020-01-20 | 2020-06-05 | 哈尔滨工业大学 | 一种基于woa和gmkl-svm的模拟电路故障诊断方法 |
| CN111243751A (zh) * | 2020-01-17 | 2020-06-05 | 河北工业大学 | 一种基于双重特征选择和XGBoost算法的心脏病预测方法 |
| CN111310825A (zh) * | 2020-02-14 | 2020-06-19 | 逸驾智能科技有限公司 | 用于分析汽车故障的方法和装置 |
| CN111708343A (zh) * | 2019-10-31 | 2020-09-25 | 中国科学院沈阳自动化研究所 | 一种面向制造业行业现场工艺行为异常行为检测方法 |
| CN112183423A (zh) * | 2020-10-09 | 2021-01-05 | 中国国家铁路集团有限公司 | 高频弓网动态响应信号的滤波方法及装置 |
| CN112245728A (zh) * | 2020-06-03 | 2021-01-22 | 北京化工大学 | 一种基于集成树的呼吸机假阳性报警信号识别方法及系统 |
| CN112883672A (zh) * | 2021-03-05 | 2021-06-01 | 清华大学 | 混合信号电路的数字化建模方法和装置 |
| CN112904157A (zh) * | 2021-01-19 | 2021-06-04 | 重庆邮电大学 | 一种基于集成机器学习的故障电弧检测方法 |
| CN114764599A (zh) * | 2022-04-26 | 2022-07-19 | 国网四川省电力公司电力科学研究院 | 一种配电网单相接地故障灵敏度分析方法和系统 |
| CN116776819A (zh) * | 2023-05-26 | 2023-09-19 | 深圳市海孜寻网络科技有限公司 | 一种集成电路设计方案的测试方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN108551167A (zh) * | 2018-04-25 | 2018-09-18 | 浙江大学 | 一种基于XGBoost算法的电力系统暂态稳定判别方法 |
| 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 |
| CN109840541A (zh) * | 2018-12-05 | 2019-06-04 | 国网辽宁省电力有限公司信息通信分公司 | 一种基于XGBoost的电网变压器故障分类方法 |
-
2019
- 2019-06-11 CN CN201910500600.7A patent/CN110298085A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN108551167A (zh) * | 2018-04-25 | 2018-09-18 | 浙江大学 | 一种基于XGBoost算法的电力系统暂态稳定判别方法 |
| 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 |
| CN109840541A (zh) * | 2018-12-05 | 2019-06-04 | 国网辽宁省电力有限公司信息通信分公司 | 一种基于XGBoost的电网变压器故障分类方法 |
Non-Patent Citations (2)
| Title |
|---|
| 孙琛等: "基于XGBOOST算法的变压器故障诊断", 《佳木斯大学学报(自然科学版)》 * |
| 钱力扬: "基于随机森林和XGBoost的大型风力机故障诊断方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111708343A (zh) * | 2019-10-31 | 2020-09-25 | 中国科学院沈阳自动化研究所 | 一种面向制造业行业现场工艺行为异常行为检测方法 |
| CN111708343B (zh) * | 2019-10-31 | 2021-11-09 | 中国科学院沈阳自动化研究所 | 一种面向制造业行业现场工艺行为异常行为检测方法 |
| CN111243751B (zh) * | 2020-01-17 | 2022-04-22 | 河北工业大学 | 一种基于双重特征选择和XGBoost算法的心脏病预测方法 |
| CN111243751A (zh) * | 2020-01-17 | 2020-06-05 | 河北工业大学 | 一种基于双重特征选择和XGBoost算法的心脏病预测方法 |
| CN111239588A (zh) * | 2020-01-20 | 2020-06-05 | 哈尔滨工业大学 | 一种基于woa和gmkl-svm的模拟电路故障诊断方法 |
| CN111310825A (zh) * | 2020-02-14 | 2020-06-19 | 逸驾智能科技有限公司 | 用于分析汽车故障的方法和装置 |
| CN112245728A (zh) * | 2020-06-03 | 2021-01-22 | 北京化工大学 | 一种基于集成树的呼吸机假阳性报警信号识别方法及系统 |
| CN112245728B (zh) * | 2020-06-03 | 2022-11-29 | 北京化工大学 | 一种基于集成树的呼吸机假阳性报警信号识别方法及系统 |
| CN112183423A (zh) * | 2020-10-09 | 2021-01-05 | 中国国家铁路集团有限公司 | 高频弓网动态响应信号的滤波方法及装置 |
| CN112183423B (zh) * | 2020-10-09 | 2024-03-15 | 中国国家铁路集团有限公司 | 高频弓网动态响应信号的滤波方法及装置 |
| CN112904157A (zh) * | 2021-01-19 | 2021-06-04 | 重庆邮电大学 | 一种基于集成机器学习的故障电弧检测方法 |
| CN112883672A (zh) * | 2021-03-05 | 2021-06-01 | 清华大学 | 混合信号电路的数字化建模方法和装置 |
| CN114764599A (zh) * | 2022-04-26 | 2022-07-19 | 国网四川省电力公司电力科学研究院 | 一种配电网单相接地故障灵敏度分析方法和系统 |
| CN116776819A (zh) * | 2023-05-26 | 2023-09-19 | 深圳市海孜寻网络科技有限公司 | 一种集成电路设计方案的测试方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110298085A (zh) | 基于XGBoost和随机森林算法的模拟电路故障诊断方法 | |
| 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 | |
| US10706332B2 (en) | Analog circuit fault mode classification method | |
| CN102435910B (zh) | 基于支持向量分类的功率电子电路健康监测方法 | |
| CN103033362B (zh) | 一种基于改进多变量预测模型的齿轮故障诊断方法 | |
| CN106483449B (zh) | 基于深度学习与复数特征的模拟电路故障诊断方法 | |
| CN108959794B (zh) | 一种基于深度学习的结构频响动力学模型修正方法 | |
| CN106529090A (zh) | 一种航天电子类产品可靠性评估方法 | |
| 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 | |
| CN105572572A (zh) | 基于wknn-lssvm的模拟电路故障诊断方法 | |
| CN109323754A (zh) | 一种列车车轮多边形故障诊断检测方法 | |
| CN104504403B (zh) | 一种基于散射变换的旋转机械故障预测方法 | |
| CN111126471A (zh) | 微地震事件检测方法及系统 | |
| CN103743980A (zh) | 基于pso优化的svm的电能质量扰动识别与分类方法 | |
| 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 | |
| CN103310235B (zh) | 一种基于参数识别与估计的隐写分析方法 | |
| CN105258789A (zh) | 一种振动信号特征频率带的提取方法及装置 | |
| CN106874950A (zh) | 一种暂态电能质量录波数据的识别分类方法 | |
| CN110443117A (zh) | 一种风电机组故障诊断方法 | |
| CN112507479B (zh) | 一种基于流形学习和softmax的石油钻机健康状态评估方法 | |
| CN104951787A (zh) | 一种src框架下判别字典学习的电能质量扰动识别方法 | |
| CN110533007A (zh) | 一种桥梁车载应变影响线特征智能识别与提取方法 | |
| CN103020653A (zh) | 基于网络分析的结构和功能磁共振图像联合分类方法 | |
| CN105510970A (zh) | 获取地震相最佳分类数目的方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191001 |
|
| RJ01 | Rejection of invention patent application after publication |