CN111239588A - 一种基于woa和gmkl-svm的模拟电路故障诊断方法 - Google Patents
一种基于woa和gmkl-svm的模拟电路故障诊断方法 Download PDFInfo
- Publication number
- CN111239588A CN111239588A CN202010067595.8A CN202010067595A CN111239588A CN 111239588 A CN111239588 A CN 111239588A CN 202010067595 A CN202010067595 A CN 202010067595A CN 111239588 A CN111239588 A CN 111239588A
- Authority
- CN
- China
- Prior art keywords
- gmkl
- svm
- fault diagnosis
- woa
- whale
- 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
Images
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
- G01R31/2846—Fault-finding or characterising using hard- or software simulation or using knowledge-based systems, e.g. expert systems, artificial intelligence or interactive algorithms
- G01R31/2848—Fault-finding or characterising using hard- or software simulation or using knowledge-based systems, e.g. expert systems, artificial intelligence or interactive algorithms using simulation
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Tests Of Electronic Circuits (AREA)
Abstract
一种基于WOA和GMKL‑SVM的模拟电路故障诊断方法,属于故障诊断技术领域。解决了现有模拟电路故障诊断存在准确率低的问题。本发明利用PSPICE软件对需要故障诊断的模拟电路进行仿真,将电路输出端作为测试点获得电路脉冲响应信号,通过Monte‑Carlo分析,针对每种电路故障获取多组样本信号;对每种电路故障的多组样本信号分别进行小波包分解,计算小波包系数的能量作为特征量,构建小波包特征向量样本集,并将样本集随机分为训练集和测试集;基于训练集数据,采用WOA算法寻找GMKL‑SVM的最优惩罚参数、权衡参数和组合核函数参数,建立GMKL‑SVM故障诊断分类器;利用GMKL‑SVM故障诊断分类器对测试集数据进行诊断分类,获得模拟电路故障的诊断结果。本发明适用于模拟电路故障诊断使用。
Description
技术领域
本发明属于故障诊断技术领域。
背景技术
模拟电路广泛应用于包括航空航天、军事、通信和工业控制等领域在内的诸多领域,其故障会影响系统功能,甚至造成灾难性事故。模拟电路的故障类型为主要分为硬故障和软故障。硬故障是电路短路或断路故障,会造成电路完全失效,故障特征明显从而比较容易诊断。软故障表示电路元器件参数值偏离了允许的范围,是一个元器件缓慢退化的过程,所以诊断模拟电路软故障具备很大的困难性。此外,元器件在加工过程中产生容差特性,会导致电路故障状态与正常工作状态发生混叠,从而对电路故障诊断效果产生一定的影响。因此,为了提高系统的可靠性与安全性,研究模拟电路故障诊断方法具有重要的学术意义和巨大的实际价值。
支持向量机(Support Vector Machine,SVM)是模拟电路故障诊断领域常用的故障分类方法。SVM具备强大的泛化能力和学习能力,可以有效解决小样本、非线性及高维模式识别问题。为了降低SVM的计算复杂度,最小二乘支持向量机(Least Squares SupportVector Machine,LSSVM)被应用于模拟电路故障诊断领域,其利用等式约束条件代替SVM标准算法中的不等式约束条件以提高分类速度。然而,LSSVM丢失了解的稀疏性和可解释性。为了增强SVM解决分类问题的能力,将多核学习(Multiple Kernel Learning,MKL)思想引入SVM中,将SVM的单一核函数映射变为多核函数自适应映射,增强了算法的灵活性。广义多核学习方法(Generalized Multiple Kernel Learning,GMKL)方法将L1-MKL和L2-MKL约束核函数的方法线性组合,在稀疏解的同时并可获取数据中的群体结构信息,从而展现出了更高效的性能。GMKL-SVM的经验参数包括惩罚参数、权衡参数和核函数参数,其对GMKL-SVM的分类效果影响很大。一般来讲,其惩罚参数、权衡参数和组合核函数参数均根据经验直接设置。虽然研究人员尝试采用一些智能算法对GMKL-SVM的经验参数进行优化,但在寻优过程中均存在易陷入局部最优、反复震荡等问题,致使未寻找到GMKL-SVM的最优经验参数。导致模拟电路故障诊断准确率低。
发明内容
本发明的目的是为了解决现有模拟电路故障诊断存在准确率低的问题,提出了一种基于WOA和GMKL-SVM的模拟电路故障诊断方法。
本发明所述一种基于WOA和GMKL-SVM的模拟电路故障诊断方法,具体包括:
步骤一、利用PSPICE软件对需要故障诊断的模拟电路进行仿真,将对需要故障诊断的模拟电路的输出端作为测试点,获得电路脉冲响应信号,通过Monte-Carlo(蒙特卡洛)分析,针对每种电路故障获取多组样本信号;
步骤二、对每种电路故障的多组样本信号分别进行小波包分解,计算小波包系数的能量作为特征量,构建小波包特征向量样本集,并将样本集随机分为训练集和测试集;
步骤三、基于训练集数据,采用WOA算法寻找GMKL-SVM的最优惩罚参数、权衡参数和组合核函数参数,建立GMKL-SVM故障诊断分类器;
步骤四、利用GMKL-SVM故障诊断分类器对测试集数据进行诊断分类,获得模拟电路故障的诊断结果。
进一步地,步骤二所述的对多组样本信号分别进行小波包分解,计算小波包系数的能量作为特征量,构建小波包特征向量样本集的具体过程为:
首先利用哈尔小波基函数对每类故障样本信号分别进行5层小波包分解,获取每类故障样本的第五层小波包各个节点系数的能量,获取每类故障的故障特征向量,将所有故障的故障特征向量组合为模拟电路构建小波包特征向量样本集。
进一步地,步骤三所述基于训练集数据,采用WOA算法寻找GMKL-SVM的最优惩罚参数、权衡参数和组合核函数参数的具体过程为:
步骤三一、初始化WOA算法,该算法中鲸鱼的种群规模X、收敛因子A、摆动因子C、随机数p和l、最大迭代次数Max_Iter,并随机产生X只鲸鱼的位置,将待优化的惩罚参数、权衡参数和核函数参数一一映射为每个鲸鱼位置的D个维度;其中,D由参数的个数决定;
步骤三二,计算每只鲸鱼位置对应的适应度值;根据所述适应度值获取当前迭代下鲸鱼的最优位置;
步骤三三、计算WOA算法当前迭代的收敛因子A;
步骤三三、判断WOA算法当前迭代的收敛因子是否满足|A|≤1,若满足,执行步骤三四;否则,执行全局搜索更新公式,获取下一次迭代中各个鲸鱼的位置;返回执行步骤三二;
步骤三四,则执行局部搜索更新公式,获取下一次迭代中各个鲸鱼的位置,执行步骤三五;
步骤三五、判断当前WOA算法的迭代次数是否达到最大迭代次数Max_Iter,若是,则执行步骤三六,否则,返回执行步骤三二;
步骤三六、将步骤三三获得的最优位置的D个维度对应的作为GMKL-SVM的最优惩罚参数、权衡参数和组合核函数参数。
进一步地,步骤三一所述的最大迭代次数Max_Iter的范围为50到100。
本发明中,步骤三三所述计算WOA算法当前迭代的收敛因子A通过公式:A=2ar-a计算实现,其中,r是[0,1]范围内的随机数,a随着迭代次数的增加从2线性递减到0。
本发明中,步骤三三所述的局部搜索位置更新公式为:
其中,Xi(t+1)为下一次迭代鲸鱼的最优位置,X*(t)为当前鲸鱼的最优位置,t为迭代次数,即为当前最优位置,d为螺旋形常数,l属于[-1,1],q属于[0,1];q为[0,1]范围内的随机数,表示鲸鱼执行两种位置更新的概率各为50%;
D=|C·X*(t)-Xi(t)|表示随机一只鲸鱼与第i只鲸鱼的等效距离,D′=|X*(t)-Xi(t)|为第i只鲸鱼到食物的距离。
本发明中,步骤三四所述的全局搜索位置更新公式为:
Xi(t+1)=Xrand(t)-A·D
其中D=|C·Xrand(t)-Xi(t)|表示随机一只鲸鱼与第i只鲸鱼的等效距离,Xrand(t)为当前迭代次数下随机一只鲸鱼的位置。
进一步地,步骤三所述的GMKL-SVM故障诊断分类器通过决策函数fw,b,θ(x)建立:
决策函数fw,b,θ(x)为:
本发明提出的基于鲸鱼优化算法(Whale Optimization Algorithm,WOA)和广义多核学习支持向量机(Generalized Multiple Kernel Learning Support VectorMachin,GMKL-SVM)的模拟电路故障诊断方法,其作用是避免在模拟电路故障诊断分类器参数寻优过程中陷入局部最优,提高模拟电路故障诊断准确率,从而保证模拟电路的可靠性和安全性。WOA是一种模拟座头鲸捕食行为的元启发式优化算法,使用螺旋来模拟座头鲸的泡泡网攻击机制,在鲸鱼捕食的过程中实现参数寻优。WOA算法具有调整参数少、收敛速度快和避免局部最优等优点,二者结合有效的提高了模拟电路故障诊断的准确性。
附图说明
图1是本发明所述方法的流程图;
图2是WOA算法的流程图;
图3具体实施例中所述四运放双二阶高通滤波电路的电路图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明,但不作为本发明的限定。
具体实施方式一:下面结合图1和图2说明本实施方式,本实施方式所述一种基于WOA和GMKL-SVM的模拟电路故障诊断方法,具体包括:
步骤一、利用PSPICE软件对需要故障诊断的模拟电路进行仿真,将电路输出端作为测试点获得电路脉冲响应信号,通过Monte-Carlo分析,针对每种电路故障获取多组样本信号;
步骤二、对每种电路故障的多组样本信号分别进行小波包分解,计算小波包系数的能量作为特征量,构建小波包特征向量样本集,并将样本集随机分为训练集和测试集;
步骤三、基于训练集数据,采用WOA算法寻找GMKL-SVM的最优惩罚参数、权衡参数和组合核函数参数,建立GMKL-SVM故障诊断分类器;
步骤四、利用GMKL-SVM故障诊断分类器对测试集数据进行诊断分类,获得模拟电路故障的诊断结果。
进一步地,步骤二所述的对多组样本信号分别进行小波包分解,计算小波包系数的能量作为特征量,构建小波包特征向量样本集的具体过程为:
首先利用哈尔小波基函数对每类故障样本信号分别进行5层小波包分解,获取每类故障样本的第五层小波包各个节点系数的能量,获取每类故障的故障特征向量,T=[E1,E2,...,E32],将所有故障的故障特征向量组合为模拟电路构建小波包特征向量样本集。
进一步地,步骤三所述基于训练集数据,采用WOA算法寻找GMKL-SVM的最优惩罚参数、权衡参数和组合核函数参数的具体过程为:
步骤三一、初始化WOA算法,该算法中鲸鱼的种群规模X、收敛因子A、摆动因子C、随机数p和l、最大迭代次数Max_Iter,并随机产生X只鲸鱼的位置,将待优化的惩罚参数、权衡参数和核函数参数一一映射为每个鲸鱼位置的D个维度;其中,D由参数的个数决定;
步骤三二,计算每只鲸鱼位置对应的适应度值;根据所述适应度值获取当前迭代下鲸鱼的最优位置;
步骤三三、计算WOA算法当前迭代的收敛因子A;
步骤三三、判断WOA算法当前迭代的收敛因子是否满足|A|≤1,若满足,执行步骤三四;否则,执行全局搜索更新公式,获取下一次迭代中各个鲸鱼的位置;返回执行步骤三二;
步骤三四,则执行局部搜索更新公式,获取下一次迭代中各个鲸鱼的位置,执行步骤三五;
步骤三五、判断当前WOA算法的迭代次数是否达到最大迭代次数Max_Iter,若是,则执行步骤三六,否则,返回执行步骤三二;
步骤三六、将步骤三三获得的最优位置的D个维度对应的作为GMKL-SVM的最优惩罚参数、权衡参数和组合核函数参数。
进一步地,步骤三一所述的最大迭代次数Max_Iter的范围为50到100。
本实时方式中,步骤三三所述计算WOA算法当前迭代的收敛因子A通过公式:A=2ar-a计算实现,其中,r是[0,1]范围内的随机数,a随着迭代次数的增加从2线性递减到0。
本实时方式中,步骤三三所述的局部搜索位置更新公式为:
其中,Xi(t+1)为下一次迭代鲸鱼的最优位置,X*(t)为当前鲸鱼的最优位置,t为迭代次数,即为当前最优位置,d为螺旋形常数,l属于[-1,1],q属于[0,1];q为[0,1]范围内的随机数,表示鲸鱼执行两种位置更新的概率各为50%;
D=|C·X*(t)-Xi(t)|表示随机一只鲸鱼与第i只鲸鱼的等效距离,D′=|X*(t)-Xi(t)|为第i只鲸鱼到食物的距离。
本实时方式中,步骤三四所述的全局搜索位置更新公式为:
Xi(t+1)=Xrand(t)-A·D
其中D=|C·Xrand(t)-Xi(t)|表示随机一只鲸鱼与第i只鲸鱼的等效距离,Xrand(t)为当前迭代次数下随机一只鲸鱼的位置。
进一步地,步骤三所述的GMKL-SVM故障诊断分类器通过决策函数fw,b,θ(x)建立:
决策函数fw,b,θ(x)为:
本发明选择模拟电路国际标准电路中的四运放双二阶高通滤波电路作为研究对象,该电路常被用来滤除直流信号和低频信号,通过高频信号,是一种典型的高通滤波器,能够保证样本的有效性。
针对四运放双二阶高通滤波电路的诊断实例,结合图3进行说明,具体步骤如下:
(1-1)采用PSPICE软件对四运放双二阶高通滤波电路进行仿真,选取幅值为5V的10us脉冲信号作为激励源,选择电路输出端作为测试点;
(1-2)实验电路原理图如图3所示,电路包含电阻元件和电容元器件,电阻和电容的容差范围分别为5%和10%。通过对电路元器件的灵敏度分析,选择C1、C2、R2、R3、R4、R5为被测元器件。在元器件参数值偏离标称值大约50%时,电路被认定发生软故障。实验电路中各元件的故障类别、标称值和故障值如下表所示:
(1-3)通过Monte-Carlo(蒙特卡洛)分析,为每个故障类别生成200组脉冲响应样本信号;
(2-1)对每个故障类别的所有脉冲响应信号进行5层小波包分解,选择Harr小波为小波基函数;
(2-2)计算第五层各个节点小波包系数的能量,组合为模拟电路故障特征向量T=[E1,E2,...,E32],用以构建小波包特征向量样本集;
(2-3)将样本集平均且随机地分为训练集和测试集;
(3-1)选择线性核函数k(x,xi)=xT·xi、高斯径向基核函数和多项式核函数k(x,xi)=(xT·xi+1)g等基本核函数来组合多核函数,其中x为测试诊断效果的测试集数据,xi为构建分类器的训练集数据,σ是高斯核函数的宽度因子,g为多项式核函数的阶数,σ和g为核函数参数。
则约束核权值的最小化优化函数为:
其中yi为训练集数据标签,N是训练集数据的数量,P是核函数的数量,R是决策函数f的经验风险,θ=(θ1,θ2,...,θP)是核函数的权值,C是惩罚参数,用于平衡分类间隔和损失,z是权衡参数,用于调整GMKL中L1范式约束项和L2范式约束项的比例。合理调整C和z可以提高GMKL-SVM分类器的故障诊断准确率。
(3-2)以故障诊断准确率为适应度,故障诊断准确率公式为其中NA是测试集样本数量,nA是被正确识别的样本数量,应用测试集数据,采用WOA寻找GMKL-SVM的最优惩罚参数、权衡参数和核函数参数,具体寻优过程如下:
(3-2-1)初始化鲸鱼的种群规模X、收敛因子A、摆动因子C、随机数p和l、最大迭代次数Max_Iter等算法参数,并随机产生X只鲸鱼的位置,待优化参数映射为每个鲸鱼的D维位置;
(3-2-2)计算每只鲸鱼位置对应的适应度值;(3-2-3)获取当前迭代下的个体最优位置和全局最优位置;
(3-2-4)当|A|≤1时,执行局部搜索更新鲸鱼位置,否则,执行全局搜索更新鲸鱼位置,从而避免陷入局部最优;
(3-2-5)重复(3-2-2)-(3-2-4)直到达到最大迭代次数Max_Iter;
(3-2-6)输出最优鲸鱼位置对应的惩罚参数、权衡参数和核函数参数;
局部搜索位置更新公式为:
其中X*(t)为当前食物的位置,D=|C·X*(t)-Xi(t)|和D′=|X*(t)-Xi(t)|为第i只鲸鱼到食物的距离,b为螺旋形常数。
全局搜索位置更新公式为:
Xi(t+1)=Xrand(t)-A·D
其中D=|C·Xrand(t)-Xi(t)|表示随机一只鲸鱼与第i只鲸鱼的等效距离,Xrand(t)为当前迭代次数下随机一只鲸鱼的位置。
(3-3)将最优惩罚参数、权衡参数和核函数参数应用于GMKL-SVM中,基于训练集数据对GMKL-SVM进行训练,获得决策函数为:
获得了决策函数表示GMKL-SVM诊断分类器构建完成。
(4)利用构建完成的GMKL-SVM故障诊断分类器对测试集数据进行诊断分类,获得模拟电路故障诊断准确率。
本发明具有如下优点:
(1)利用GMKL-SVM作为模拟电路故障诊断分类器,在稀疏解的同时并可获取数据中的群体结构信息,从而展现出了更好的诊断效果;
(2)首次提出利用WOA优化GMKL-SVM的惩罚参数、权衡参数和核函数参数,WOA可以避免在参数寻优过程中陷入局部最优和反复震荡等问题,将寻找到的最优经验参数应用于GMKL-SVM故障诊断分类器,能够获得更高的故障诊断准确率。
虽然在本文中参照了特定的实施方式来描述本发明,但是应该理解的是,这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是,可以对示例性的实施例进行许多修改,并且可以设计出其他的布置,只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是,可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是,结合单独实施例所描述的特征可以使用在其他所述实施例中。
Claims (8)
1.一种基于WOA和GMKL-SVM的模拟电路故障诊断方法,其特征在于,该方法具体包括:
步骤一、利用PSPICE软件对需要故障诊断的模拟电路进行仿真,将电路输出端作为测试点获得电路脉冲响应信号,通过Monte-Carlo分析,对每种电路故障获取多组样本信号;
步骤二、对每种电路故障的多组样本信号分别进行小波包分解,计算小波包系数的能量,并将小波包系数的能量作为特征量,构建小波包特征向量样本集,并将样本集随机分为训练集和测试集;
步骤三、基于训练集数据,采用WOA算法寻找GMKL-SVM的最优惩罚参数、权衡参数和组合核函数参数,建立GMKL-SVM故障诊断分类器;
步骤四、利用GMKL-SVM故障诊断分类器对测试集数据进行诊断分类,获得模拟电路故障的诊断结果。
2.根据权利要求1所述一种基于WOA和GMKL-SVM的模拟电路故障诊断方法,其特征在于,步骤二所述的对多组样本信号分别进行小波包分解,计算小波包系数的能量作为特征量,构建小波包特征向量样本集的具体过程为:
首先利用哈尔小波基函数对每类故障样本信号分别进行五层小波包分解,获取每类故障样本的第五层小波包各个节点系数的能量,获取每类故障的故障特征向量,将所有故障的故障特征向量组合为模拟电路构建小波包特征向量样本集。
3.根据权利要求1所述一种基于WOA和GMKL-SVM的模拟电路故障诊断方法,其特征在于,步骤三所述基于训练集数据,采用WOA算法寻找GMKL-SVM的最优惩罚参数、权衡参数和组合核函数参数的具体过程为:
步骤三一、初始化WOA算法,该算法中鲸鱼的种群规模X、收敛因子A、摆动因子C、随机数p和l、最大迭代次数Max_Iter,并随机产生X只鲸鱼的位置,将待优化的惩罚参数、权衡参数和核函数参数一一映射为每个鲸鱼位置的D个维度;其中,D由参数的个数决定;
步骤三二,计算每只鲸鱼位置对应的适应度值;根据所述适应度值获取当前鲸鱼的最优位置;
步骤三三、计算WOA算法当前迭代的收敛因子A;
步骤三三、判断WOA算法当前迭代的收敛因子是否满足|A|≤1,若满足,执行步骤三四;否则,执行全局搜索更新公式,获取下一次迭代中各个鲸鱼的位置;返回执行步骤三二;
步骤三四,则执行局部搜索更新公式,获取下一次迭代中各个鲸鱼的位置,执行步骤三五;
步骤三五、判断当前WOA算法的迭代次数是否达到最大迭代次数Max_Iter,若是,则执行步骤三六,否则,返回执行步骤三二;
步骤三六、将步骤三三获得的最优位置的D个维度对应的参数作为GMKL-SVM的最优惩罚参数、权衡参数和组合核函数参数。
4.根据权利要求3所述一种基于WOA和GMKL-SVM的模拟电路故障诊断方法,其特征在于,步骤三一所述的最大迭代次数Max_Iter的范围为50到100。
5.根据权利要求3所述一种基于WOA和GMKL-SVM的模拟电路故障诊断方法,其特征在于,步骤三三所述计算WOA算法当前迭代的收敛因子A通过公式:A=2ar-a计算获得,其中,r是[0,1]范围内的随机数,a随着迭代次数的增加从2线性递减到0。
7.根据权利要求3所述一种基于WOA和GMKL-SVM的模拟电路故障诊断方法,其特征在于,步骤三四所述的全局搜索位置更新公式为:
Xi(t+1)=Xrand(t)-A·D
其中,Xi(t+1)为下一次迭代鲸鱼的最优位置,D=|C·Xrand(t)-Xi(t)|表示随机一只鲸鱼与第i只鲸鱼的等效距离,Xrand(t)为当前迭代次数下随机一只鲸鱼的位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010067595.8A CN111239588B (zh) | 2020-01-20 | 2020-01-20 | 一种基于woa和gmkl-svm的模拟电路故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010067595.8A CN111239588B (zh) | 2020-01-20 | 2020-01-20 | 一种基于woa和gmkl-svm的模拟电路故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111239588A true CN111239588A (zh) | 2020-06-05 |
CN111239588B CN111239588B (zh) | 2023-02-07 |
Family
ID=70864157
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010067595.8A Active CN111239588B (zh) | 2020-01-20 | 2020-01-20 | 一种基于woa和gmkl-svm的模拟电路故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111239588B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101116A (zh) * | 2020-08-17 | 2020-12-18 | 北京无线电计量测试研究所 | 一种基于深度学习的模拟电路故障诊断方法 |
CN112380762A (zh) * | 2020-11-02 | 2021-02-19 | 国网重庆市电力公司电力科学研究院 | 一种基于vmd-woa-lssvm的输电线路短路故障诊断方法 |
CN115859201A (zh) * | 2022-11-22 | 2023-03-28 | 淮阴工学院 | 一种化工过程故障诊断方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104849650A (zh) * | 2015-05-19 | 2015-08-19 | 重庆大学 | 一种基于改进的模拟电路故障诊断方法 |
CN105548862A (zh) * | 2016-01-25 | 2016-05-04 | 合肥工业大学 | 一种基于广义多核支持向量机的模拟电路故障诊断方法 |
CN108615555A (zh) * | 2018-04-26 | 2018-10-02 | 山东师范大学 | 基于标记基因和混合核函数svm的结直肠癌预测方法和装置 |
CN109101738A (zh) * | 2018-08-24 | 2018-12-28 | 河北工业大学 | 一种igbt模块老化程度评估方法 |
CN110298085A (zh) * | 2019-06-11 | 2019-10-01 | 东南大学 | 基于XGBoost和随机森林算法的模拟电路故障诊断方法 |
CN110443433A (zh) * | 2019-08-15 | 2019-11-12 | 哈尔滨工业大学 | 基于改进鲸鱼优化算法的数字微流控芯片的调度优化方法 |
CN110516831A (zh) * | 2019-06-18 | 2019-11-29 | 国网(北京)节能设计研究院有限公司 | 一种基于mwoa算法优化svm的短期负荷预测方法 |
-
2020
- 2020-01-20 CN CN202010067595.8A patent/CN111239588B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104849650A (zh) * | 2015-05-19 | 2015-08-19 | 重庆大学 | 一种基于改进的模拟电路故障诊断方法 |
CN105548862A (zh) * | 2016-01-25 | 2016-05-04 | 合肥工业大学 | 一种基于广义多核支持向量机的模拟电路故障诊断方法 |
CN108615555A (zh) * | 2018-04-26 | 2018-10-02 | 山东师范大学 | 基于标记基因和混合核函数svm的结直肠癌预测方法和装置 |
CN109101738A (zh) * | 2018-08-24 | 2018-12-28 | 河北工业大学 | 一种igbt模块老化程度评估方法 |
CN110298085A (zh) * | 2019-06-11 | 2019-10-01 | 东南大学 | 基于XGBoost和随机森林算法的模拟电路故障诊断方法 |
CN110516831A (zh) * | 2019-06-18 | 2019-11-29 | 国网(北京)节能设计研究院有限公司 | 一种基于mwoa算法优化svm的短期负荷预测方法 |
CN110443433A (zh) * | 2019-08-15 | 2019-11-12 | 哈尔滨工业大学 | 基于改进鲸鱼优化算法的数字微流控芯片的调度优化方法 |
Non-Patent Citations (1)
Title |
---|
LI L L 等: "Extreme learning machine optimized by whale optimization algorithm using insulated gate bipolar transistor module aging degree evaluation", 《EXPERT SYSTEMS WITH APPLICATIONS》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101116A (zh) * | 2020-08-17 | 2020-12-18 | 北京无线电计量测试研究所 | 一种基于深度学习的模拟电路故障诊断方法 |
CN112101116B (zh) * | 2020-08-17 | 2024-05-07 | 北京无线电计量测试研究所 | 一种基于深度学习的模拟电路故障诊断方法 |
CN112380762A (zh) * | 2020-11-02 | 2021-02-19 | 国网重庆市电力公司电力科学研究院 | 一种基于vmd-woa-lssvm的输电线路短路故障诊断方法 |
CN115859201A (zh) * | 2022-11-22 | 2023-03-28 | 淮阴工学院 | 一种化工过程故障诊断方法及系统 |
CN115859201B (zh) * | 2022-11-22 | 2023-06-30 | 淮阴工学院 | 一种化工过程故障诊断方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111239588B (zh) | 2023-02-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111239588B (zh) | 一种基于woa和gmkl-svm的模拟电路故障诊断方法 | |
CN106338708B (zh) | 结合深度学习与递归神经网络的电能计量误差分析方法 | |
Aliabadi et al. | Storing sparse messages in networks of neural cliques | |
Sun et al. | Cluster guide particle swarm optimization (CGPSO) for underdetermined blind source separation with advanced conditions | |
CN103489009A (zh) | 基于自适应修正神经网络的模式识别方法 | |
Nguyen et al. | Neural network structure for spatio-temporal long-term memory | |
US5446829A (en) | Artificial network for temporal sequence processing | |
CN111310902A (zh) | 神经网络模型的训练方法、边坡位移预测方法及相关装置 | |
CN111239587A (zh) | 一种基于frft和lle特征提取的模拟电路故障诊断方法 | |
CN113759323B (zh) | 基于改进K-Means联合卷积自编码器的信号分选方法及装置 | |
CN112215292A (zh) | 一种基于迁移性的图像对抗样本生成装置及方法 | |
CN113449853A (zh) | 一种图卷积神经网络模型及其训练方法 | |
CN117009780A (zh) | 一种基于对比学习的时空频域有效通道注意力运动想象脑电解码方法 | |
Eldebiky et al. | Correctnet: Robustness enhancement of analog in-memory computing for neural networks by error suppression and compensation | |
CN112711032B (zh) | 一种基于图数据和gcn的雷达目标检测方法及系统 | |
Rho et al. | Nas-vad: Neural architecture search for voice activity detection | |
Choi et al. | Information-maximizing adaptive design of experiments for wind tunnel testing | |
CN110045362B (zh) | 基于rnn的雷达目标航迹识别方法和装置 | |
CN114117876A (zh) | 基于改进哈里斯鹰算法的特征选择方法 | |
Shen et al. | A fast learning algorithm of neural network with tunable activation function | |
CN117909779A (zh) | 基于Koopman算子纯数据驱动的模拟电路软故障诊断方法 | |
Ying-chen et al. | Analog circuit fault diagnosis based on adaptive Gaussian deep belief network | |
Bose | A scalable sparse distributed neural memory model | |
CN102495823A (zh) | 一种基于演化硬件的dna微阵列数据分类系统及其构建方法 | |
Yuan et al. | Fault diagnosis in nonlinear circuit based on volterra series and recurrent neural network |
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 |