CN111337819B - 基于优选小波基函数的模拟电路故障特征提取方法及系统 - Google Patents
基于优选小波基函数的模拟电路故障特征提取方法及系统 Download PDFInfo
- Publication number
- CN111337819B CN111337819B CN202010134689.2A CN202010134689A CN111337819B CN 111337819 B CN111337819 B CN 111337819B CN 202010134689 A CN202010134689 A CN 202010134689A CN 111337819 B CN111337819 B CN 111337819B
- Authority
- CN
- China
- Prior art keywords
- fault
- wavelet basis
- basis function
- data point
- score
- 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.)
- Active
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
- G01R31/316—Testing of analog circuits
-
- 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
- G01R31/3163—Functional testing
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tests Of Electronic Circuits (AREA)
Abstract
本发明公开了一种基于优选小波基函数的模拟电路故障特征提取方法及系统，属于电子电路工程及计算机视觉领域，其中，方法的实现包括：获取模拟电路在不同故障时的输出信号；依次应用基于不同小波基函数的小波变换方法提取输出信号的特征；对于每一种特征，计算各个故障的中心位置、各个故障数据点到中心位置的距离，故障数据点最远位置和故障数据点平均位置；依据得分判别法，确定用于模拟电路故障特征提取的最优小波基函数。本发明可克服应用小波变换进行特征提取时小波基无法直接确定，需要依靠经验法设定的问题，可有效地提高模拟电路故障诊断的效率和正确率。
Description
技术领域
本发明属于电子电路工程及计算机视觉领域，更具体地，涉及一种基于优选小波基函数的模拟电路故障特征提取方法及系统。
背景技术
模拟电路广泛地应用于工业电子设备、农业电子设备、航空电子设备和家用电子设备中，模拟电路的故障将会引起所在电子设备的性能下降﹑反应迟缓﹑功能失灵等。模拟电路的精确故障诊断有助于电路的及时维护，从而保障所在电子设备正常运行。
模拟电路的故障诊断分为两个部分，特征提取和分类器识别。其中特征提取是故障诊断的基础，提取出易于分类的特征，对于模拟电路的精确故障诊断至关重要。当前常用的故障特征提取方法为小波变换方法。然而小波变换方法中需要设定小波基函数，当前一般使用经验法进行小波基函数的选择，无法确定最优小波基函数，进而降低了模拟电路故障诊断的效率和正确率。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提出了一种基于优选小波基函数的模拟电路故障特征提取方法及系统，由此解决现有故障特征提取所采用的小波变换方法中无法确定最优小波基函数的技术问题。
为实现上述目的，按照本发明的一个方面，提供了一种基于优选小波基函数的模拟电路故障特征提取方法，包括：
获取模拟电路在不同故障时的输出信号；
依次应用基于不同小波基函数的小波变换方法提取各输出信号的特征；
对于每种小波基函数提取的特征，计算各个故障的中心位置、各个故障数据点到中心位置的距离，故障数据点最远位置和故障数据点平均位置；
根据各个故障的中心位置、各个故障数据点到中心位置的距离，故障数据点最远位置和故障数据点平均位置，得到各小波基函数提取特征的得分，进而根据得分确定用于模拟电路故障特征提取的最优小波基函数。
优选地，由
得到各个故障的中心位置，由Oj,k,i＝Distance(Meanj,k,Pj,k,i)得到各个故障数据点到中心位置的距离，由maxOj,k＝argmax{Oj,k,i}得到故障数据点最远位置，由
得到故障数据点平均位置，其中，j＝1…J，J为小波基函数的数量；k＝1…K，K为故障的数量；i＝1…N，N为单一故障的数据点个数；Pj,k,i为基于第j种小波基函数提取的特征中第k个故障第i个数据点的坐标位置，Distance为欧氏距离计算函数，Oj,k,i为基于第j种小波基函数提取的特征中第k个故障第i个数据点Pj,k,i到中心位置Meanj,k的距离。
优选地，由
得到第j种小波基函数提取特征的得分，其中，m＝1…C(K，2)，是K种故障中第m个两种故障组合，Judgej,m是第m个两种故障组合的得分，且
k1,k2表示两种不同的故障。
优选地，由Scoret＝argmax{Scorej}确定得分最高的小波基函数，若仅有一个得分最高的小波基函数，则将该得分最高的小波基函数作为模拟电路故障特征提取的最优小波基函数；
若满足得分最高的小波基函数有S种，则将该S种小波基函数中满足
的第s种小波基函数作为模拟电路故障特征提取的最优小波基函数。
优选地，小波基函数的数量等于特征的数量；第j种小波基函数提取的特征中第k个故障第i个数据点的坐标位置，为第j种小波基函数提取的特征中第k个故障第i个数据点的值。
按照本发明的另一方面，提供了一种基于优选小波基函数的模拟电路故障特征提取系统，包括：
数据获取模块，用于获取模拟电路在不同故障时的输出信号；
特征提取模块，用于依次应用基于不同小波基函数的小波变换方法提取各输出信号的特征；
计算模块，用于对于每种小波基函数提取的特征，计算各个故障的中心位置、各个故障数据点到中心位置的距离，故障数据点最远位置和故障数据点平均位置；
特征得分确定模块，用于根据各个故障的中心位置、各个故障数据点到中心位置的距离，故障数据点最远位置和故障数据点平均位置，得到各小波基函数提取特征的得分；
小波基函数确定模块，用于根据得分确定用于模拟电路故障特征提取的最优小波基函数。
优选地，所述计算模块，用于由
得到各个故障的中心位置，由Oj,k,i＝Distance(Meanj,k,Pj,k,i)得到各个故障数据点到中心位置的距离，由maxOj,k＝argmax{Oj,k,i}得到故障数据点最远位置，由
得到故障数据点平均位置，其中，j＝1…J，J为小波基函数的数量；k＝1…K，K为故障的数量；i＝1…N，N为单一故障的数据点个数；Pj,k,i为基于第j种小波基函数提取的特征中第k个故障第i个数据点的坐标位置，Distance为欧氏距离计算函数，Oj,k,i为基于第j种小波基函数提取的特征中第k个故障第i个数据点Pj,k,i到中心位置Meanj,k的距离。
优选地，所述特征得分确定模块，用于由
得到第j种小波基函数提取特征的得分，其中，m＝1…C(K，2)，是K种故障中第m个两种故障组合，Judgej,m是第m个两种故障组合的得分，且
k1,k2表示两种不同的故障。
优选地，所述小波基函数确定模块，用于由Scoret＝argmax{Scorej}确定得分最高的小波基函数，若仅有一个得分最高的小波基函数，则将该得分最高的小波基函数作为模拟电路故障特征提取的最优小波基函数；
若满足得分最高的小波基函数有S种，则将该S种小波基函数中满足
的第s种小波基函数作为模拟电路故障特征提取的最优小波基函数。
优选地，小波基函数的数量等于特征的数量；第j种小波基函数提取的特征中第k个故障第i个数据点的坐标位置，为第j种小波基函数提取的特征中第k个故障第i个数据点的值。
按照本发明的另一方面，提供了一种计算机可读存储介质，其上存储有程序指令，所述程序指令被处理器执行时实现如上述任一所述的基于优选小波基函数的模拟电路故障特征提取方法。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
本发明提出的优选小波基函数的模拟电路故障特征提取方法，优于传统的利用经验法设定小波基函数进行模拟电路故障特征提取的方法，可以有效地找到最优小波基函数，进而可有效地提高模拟电路故障诊断的效率和正确率。
附图说明
图1是本发明实施例提供的一种优选小波基函数的模拟电路故障特征提取方法的流程示意图；
图2是本发明实施例提供的Sallen–Key带通滤波器原理图；
图3是本发明实施例提供的一种优选小波基函数的模拟电路故障特征提取系统的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明提供一种优选小波基函数的模拟电路故障特征提取方法，首先获取模拟电路在不同故障时的输出信号，依次应用基于不同小波基函数的小波变换方法提取输出信号的特征，对于每一种特征，计算各个故障的中心位置、各个故障数据点到中心位置的距离，故障数据点最远位置和故障数据点平均位置，依据得分判别法，确定用于模拟电路故障特征提取的最优小波基函数，该最优小波基函数所提取的特征可得到更高的故障诊断正确率。
如图1所示是本发明实施例提供的一种优选小波基函数的模拟电路故障特征提取方法的流程示意图，包括以下步骤：
S1：获取模拟电路在不同故障时的输出信号；
在本发明实施例中，输出信号可以为模拟电路输出端采样的电压信号。
S2：依次应用基于不同小波基函数的小波变换方法提取各输出信号的特征；
在本发明实施例中，依次采用不同的小波基函数对各输出信号进行小波变换，将生成的尺度系数作为特征，其计算方法如下：
设f(x)为采集的输出信号，在小波变换中，设{Vk}k∈Z是正交的多分辨率分析，{Wk}k∈Z是相应分解的小波空间，其中，f(x)在Vk上的正交投影表示为：
其中，
和
分别表示f(x)在Vk+1和Wk+1上的投影，k和i为离散化参数，φk+1,i和ψk+1,i分别为f(x)在2k+1分辨率下的尺度函数和小波函数，
和
分别是f(x)在2k+1分辨率下的尺度系数和小波系数，ck+1和dk+1分别为f(x)在2k+1分辨率下的逼近部分和细节部分，即信号f(x)的低频分量和高频分量，Z表示实数。
S3：对于每种小波基函数提取的特征，计算各个故障的中心位置、各个故障数据点到中心位置的距离，故障数据点最远位置和故障数据点平均位置；
在本发明实施例中，各个故障的中心位置计算公式为：
其中，j＝1…J，J为小波基函数的数量；k＝1…K，K为故障的数量；i＝1…N，N为单一故障的数据点个数；Pj,k,i为基于第j种小波基函数提取的特征中第k个故障第i个数据点的坐标位置，即为第j种小波基函数提取的特征中第k个故障第i个数据点的值。
其中，一种小波基函数可以提取出来一种特征，一种特征可用于识别K个故障。因此，小波基函数与特征具有一一对应关系，小波基函数的数量等于特征的数量。
各个故障数据点到中心位置的距离是计算各个故障数据点到该故障中心位置的欧氏距离：
Oj,k,i＝Distance(Meanj,k,Pj,k,i) (2)
其中，Distance为欧氏距离计算函数，计算得到的Oj,k,i为基于第j种小波基函数提取的特征中第k个故障第i个数据点到中心位置的距离。
故障数据点最远距离为：
maxOj,k＝arg max{Oj,k,i} (3)
故障数据点平均距离为：
S4：依据得分判别法，确定用于模拟电路故障特征提取的最优小波基函数。
在本发明实施例中，得分判别法的判别过程如下：
第j种小波基对应的得分Scorej为：
其中，m＝1…C(K，2)，是K种故障中第m个两种故障组合，Judgej,m是第m个两种故障组合的得分，计算方法为：
选择第t种小波基函数的依据为：
Scoret＝arg max{Scorej} (7)
如果有S种小波基函数都满足公式(7)，那么在S种小波基函数中满足公式(8)的第s种小波基函数：
以下以一个模拟电路的故障诊断实例对本发明的优选小波基函数的模拟电路故障特征提取方法进行说明。
图2所示为Sallen–Key带通滤波器，各元件的标称值均于图上标出。以此电路为例展示本发明提出的优选小波基函数的模拟电路故障特征提取方法的整个流程，激励源采用持续时间为10us，幅值为5v的脉冲波，故障时域响应信号在电路输出端采样获得。电阻和电容的容差范围分别设置为5％和10％。选择R2↑,R2↓,R3↑,R3↓,C1↑,C1↓,C2↑和C2↓一共8种故障，其中↑和↓分别表示故障值高出和低于标称值。表1给出了电路元件的故障类别、标称值和故障值。
表1故障码、故障类别、标称值和故障值
| 故障类别 | 标称值 | 故障值 |
| R2↑ | 3kΩ | 3.75kΩ |
| R2↓ | 3kΩ | 2.25kΩ |
| R3↑ | 2kΩ | 2.5kΩ |
| R3↓ | 2kΩ | 1.5kΩ |
| C1↑ | 5nF | 6.25nF |
| C1↓ | 5nF | 3.75nF |
| C2↑ | 5nF | 6.25nF |
| C2↓ | 5nF | 3.75nF |
为每种故障分别采集200个数据，均分成2部分，前100个利用相同的支持向量机建立故障诊断模型，后100个数据用于计算故障诊断正确率，从而测试本发明提出的优选小波基函数进行模拟电路故障特征提取的优劣。应用小波变换方法分别采用Haar、Daubechies、Coiflets、Fejer-Korovkin filters和Biorthogonal为小波基函数，分别提取特征，按照本发明提出的方法计算提取各个特征的得分。结果记录于表2，其中以Fejer-Korovkinfilters为小波基函数小波变换方法提取的特征得分最高，为20.6542，对应故障诊断正确率也最高，为100％，这说明了本发明提出的优选小波基函数，用于模拟电路故障特征提取的方法具有先进性和创新性。
表2各故障的诊断结果
| 小波基函数 | 得分 | 故障诊断正确率 |
| Haar | 19.7624 | 99.5％ |
| Daubechies | 18.5062 | 88.5％ |
| Coiflets | 20.0406 | 99.75％ |
| Fejer-Korovkin filters | 20.6542 | 100％ |
| Biorthogonal | 19.4994 | 99.25％ |
如图3所示是本发明实施例提供的一种基于优选小波基函数的模拟电路故障特征提取系统的结构示意图，包括：
数据获取模块，用于获取模拟电路在不同故障时的输出信号；
特征提取模块，用于依次应用基于不同小波基函数的小波变换方法提取各输出信号的特征；
计算模块，用于对于每种小波基函数提取的特征，计算各个故障的中心位置、各个故障数据点到中心位置的距离，故障数据点最远位置和故障数据点平均位置；
特征得分确定模块，用于根据各个故障的中心位置、各个故障数据点到中心位置的距离，故障数据点最远位置和故障数据点平均位置，得到各小波基函数提取特征的得分；
小波基函数确定模块，用于根据得分确定用于模拟电路故障特征提取的最优小波基函数。
在本发明实施例中，上述计算模块，用于由
得到各个故障的中心位置，由Oj,k,i＝Distance(Meanj,k,Pj,k,i)得到各个故障数据点到中心位置的距离，由maxOj,k＝arg max{Oj,k,i}得到故障数据点最远位置，由
得到故障数据点平均位置，其中，j＝1…J，J为小波基函数的数量；k＝1…K，K为故障的数量；i＝1…N，N为单一故障的数据点个数；Pj,k,i为基于第j种小波基函数提取的特征中第k个故障第i个数据点的坐标位置，Distance为欧氏距离计算函数，Oj,k,i为基于第j种小波基函数提取的特征中第k个故障第i个数据点Pj,k,i到中心位置Meanj,k的距离。
在本发明实施例中，上述特征得分确定模块，用于由
得到第j种小波基函数提取特征的得分，其中，m＝1…C(K，2)，是K种故障中第m个两种故障组合，Judgej,m是第m个两种故障组合的得分，且
k1,k2表示两种不同的故障。
在本发明实施例中，上述小波基函数确定模块，用于由Scoret＝arg max{Scorej}确定得分最高的小波基函数，若仅有一个得分最高的小波基函数，则将该得分最高的小波基函数作为模拟电路故障特征提取的最优小波基函数；
若满足得分最高的小波基函数有S种，则将该S种小波基函数中满足
的第s种小波基函数作为模拟电路故障特征提取的最优小波基函数。
在本发明实施例中，小波基函数的数量等于特征的数量；第j种小波基函数提取的特征中第k个故障第i个数据点的坐标位置，为第j种小波基函数提取的特征中第k个故障第i个数据点的值。
其中，各模块的具体实施方式可以参考上述方法实施例的描述，本发明实施例将不再复述。
在本发明的另一实施例中，还提供了一种计算机可读存储介质，其上存储有程序指令，该程序指令被处理器执行时实现如上述的基于优选小波基函数的模拟电路故障特征提取方法。
需要指出，根据实施的需要，可将本申请中描述的各个步骤/部件拆分为更多步骤/部件，也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件，以实现本发明的目的。
上述根据本发明的方法可在硬件、固件中实现，或者被实现为可存储在记录介质(诸如CD ROM、RAM、软盘、硬盘或磁光盘)中的软件或计算机代码，或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件(诸如ASIC或FPGA)的记录介质上的这样的软件处理。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件(例如，RAM、ROM、闪存等)，当所述软件或计算机代码被计算机、处理器或硬件访问且执行时，实现在此描述的处理方法。此外，当通用计算机访问用于实现在此示出的处理的代码时，代码的执行将通用计算机转换为用于执行在此示出的处理的专用计算机。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于优选小波基函数的模拟电路故障特征提取方法，其特征在于，包括：
获取模拟电路在不同故障时的输出信号；
依次应用基于不同小波基函数的小波变换方法提取各输出信号的特征；
对于每种小波基函数提取的特征，计算各个故障的中心位置、各个故障数据点到中心位置的距离，故障数据点最远位置和故障数据点平均位置；
由
得到各个故障的中心位置，由Oj,k,i＝Distance(Meanj,k,Pj,k,i)得到各个故障数据点到中心位置的距离，由maxOj,k＝argmax{Oj,k,i}得到故障数据点最远位置，由
得到故障数据点平均位置，其中，j＝1…J，J为小波基函数的数量；k＝1…K，K为故障的数量；i＝1…N，N为单一故障的数据点个数；Pj,k,i为基于第j种小波基函数提取的特征中第k个故障第i个数据点的坐标位置，Distance为欧氏距离计算函数，Oj,k,i为基于第j种小波基函数提取的特征中第k个故障第i个数据点Pj,k,i到中心位置Meanj,k的距离；
根据各个故障的中心位置、各个故障数据点到中心位置的距离，故障数据点最远位置和故障数据点平均位置，得到各小波基函数提取特征的得分，进而根据得分确定用于模拟电路故障特征提取的最优小波基函数；
其中，由
得到第j种小波基函数提取特征的得分，其中，m＝1…C(K，2)，是K种故障中第m个两种故障组合，Judgej,m是第m个两种故障组合的得分，且
k1,k2表示两种不同的故障。
2.根据权利要求1所述的方法，其特征在于，由Scoret＝argmax{Scorej}确定得分最高的小波基函数，若仅有一个得分最高的小波基函数，则将该得分最高的小波基函数作为模拟电路故障特征提取的最优小波基函数；
若满足得分最高的小波基函数有S种，则将该S种小波基函数中满足
的第s种小波基函数作为模拟电路故障特征提取的最优小波基函数。
3.根据权利要求1或2所述的方法，其特征在于，小波基函数的数量等于特征的数量；第j种小波基函数提取的特征中第k个故障第i个数据点的坐标位置，为第j种小波基函数提取的特征中第k个故障第i个数据点的值。
4.一种基于优选小波基函数的模拟电路故障特征提取系统，其特征在于，包括：
数据获取模块，用于获取模拟电路在不同故障时的输出信号；
特征提取模块，用于依次应用基于不同小波基函数的小波变换方法提取各输出信号的特征；
计算模块，用于对于每种小波基函数提取的特征，计算各个故障的中心位置、各个故障数据点到中心位置的距离，故障数据点最远位置和故障数据点平均位置；
其中，所述计算模块，用于由
得到各个故障的中心位置，由Oj,k,i＝Distance(Meanj,k,Pj,k,i)得到各个故障数据点到中心位置的距离，由maxOj,k＝argmax{Oj,k,i}得到故障数据点最远位置，由
得到故障数据点平均位置，其中，j＝1…J，J为小波基函数的数量；k＝1…K，K为故障的数量；i＝1…N，N为单一故障的数据点个数；Pj,k,i为基于第j种小波基函数提取的特征中第k个故障第i个数据点的坐标位置，Distance为欧氏距离计算函数，Oj,k,i为基于第j种小波基函数提取的特征中第k个故障模第i个数据点Pj,k,i到中心位置Meanj,k的距离；
特征得分确定模块，用于根据各个故障的中心位置、各个故障数据点到中心位置的距离，故障数据点最远位置和故障数据点平均位置，得到各小波基函数提取特征的得分；
其中，所述特征得分确定模块，用于由
得到第j种小波基函数提取特征的得分，其中，m＝1…C(K，2)，是K种故障中第m个两种故障组合，Judgej,m是第m个两种故障组合的得分，且
k1,k2表示两种不同的故障；
小波基函数确定模块，用于根据得分确定用于模拟电路故障特征提取的最优小波基函数。
5.根据权利要求4所述的系统，其特征在于，所述小波基函数确定模块，用于由Scoret＝argmax{Scorej}确定得分最高的小波基函数，若仅有一个得分最高的小波基函数，则将该得分最高的小波基函数作为模拟电路故障特征提取的最优小波基函数；
若满足得分最高的小波基函数有S种，则将该S种小波基函数中满足
的第s种小波基函数作为模拟电路故障特征提取的最优小波基函数。
6.根据权利要求4或5所述的系统，其特征在于，小波基函数的数量等于特征的数量；第j种小波基函数提取的特征中第k个故障第i个数据点的坐标位置，为第j种小波基函数提取的特征中第k个故障第i个数据点的值。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010134689.2A CN111337819B (zh) | 2020-03-02 | 2020-03-02 | 基于优选小波基函数的模拟电路故障特征提取方法及系统 |
| US17/129,757 US20210270892A1 (en) | 2020-03-02 | 2020-12-21 | Method and system for extracting fault feature of analog circuit based on optimal wavelet basis function |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010134689.2A CN111337819B (zh) | 2020-03-02 | 2020-03-02 | 基于优选小波基函数的模拟电路故障特征提取方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111337819A CN111337819A (zh) | 2020-06-26 |
| CN111337819B true CN111337819B (zh) | 2021-02-19 |
Family
ID=71185906
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010134689.2A Active CN111337819B (zh) | 2020-03-02 | 2020-03-02 | 基于优选小波基函数的模拟电路故障特征提取方法及系统 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20210270892A1 (zh) |
| CN (1) | CN111337819B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113791453A (zh) * | 2021-09-17 | 2021-12-14 | 中国人民解放军海军潜艇学院 | 一种基于水下目标磁异常信号的最优小波基函数选取方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102636742A (zh) * | 2012-05-15 | 2012-08-15 | 长沙河野电气科技有限公司 | 基于小波神经网络的大规模模拟电路故障诊断方法 |
| CN103824135A (zh) * | 2014-03-11 | 2014-05-28 | 合肥工业大学 | 一种模拟电路故障预测方法 |
| CN105651504A (zh) * | 2016-01-15 | 2016-06-08 | 北京工业大学 | 基于自适应小波能量的旋转机械故障特征提取方法 |
| CN105701470A (zh) * | 2016-01-13 | 2016-06-22 | 合肥工业大学 | 一种基于最优小波包分解的模拟电路故障特征提取方法 |
| CN107894564A (zh) * | 2017-11-09 | 2018-04-10 | 合肥工业大学 | 一种基于交叉小波特征的模拟电路故障诊断方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5361628A (en) * | 1993-08-02 | 1994-11-08 | Ford Motor Company | System and method for processing test measurements collected from an internal combustion engine for diagnostic purposes |
| US6957172B2 (en) * | 2000-03-09 | 2005-10-18 | Smartsignal Corporation | Complex signal decomposition and modeling |
| CN104793124B (zh) * | 2015-04-06 | 2017-10-20 | 长沙学院 | 基于小波变换和ica特征提取的开关电路故障诊断方法 |
| US10685159B2 (en) * | 2018-06-27 | 2020-06-16 | Intel Corporation | Analog functional safety with anomaly detection |
-
2020
- 2020-03-02 CN CN202010134689.2A patent/CN111337819B/zh active Active
- 2020-12-21 US US17/129,757 patent/US20210270892A1/en active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102636742A (zh) * | 2012-05-15 | 2012-08-15 | 长沙河野电气科技有限公司 | 基于小波神经网络的大规模模拟电路故障诊断方法 |
| CN103824135A (zh) * | 2014-03-11 | 2014-05-28 | 合肥工业大学 | 一种模拟电路故障预测方法 |
| CN105701470A (zh) * | 2016-01-13 | 2016-06-22 | 合肥工业大学 | 一种基于最优小波包分解的模拟电路故障特征提取方法 |
| CN105651504A (zh) * | 2016-01-15 | 2016-06-08 | 北京工业大学 | 基于自适应小波能量的旋转机械故障特征提取方法 |
| CN107894564A (zh) * | 2017-11-09 | 2018-04-10 | 合肥工业大学 | 一种基于交叉小波特征的模拟电路故障诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| Analog Circuit Fault Diagnose Based on Wavelet Packet transform and SOFM Neural Network;Tao Xie等;《2009 International Conference on Artificial Intelligence and Computational Intelligence》;20091231;第485-489页 * |
| 基于小波包优选的模拟电路故障特征提取方法;袁莉芬等;《电工技术学报》;20180131;第33卷(第1期);第158-164页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| US20210270892A1 (en) | 2021-09-02 |
| CN111337819A (zh) | 2020-06-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20090290793A1 (en) | Signal search in three dimensional bitmaps | |
| WO2010078698A1 (zh) | 一种手写字符识别方法及系统 | |
| CN111337819B (zh) | 基于优选小波基函数的模拟电路故障特征提取方法及系统 | |
| CN112149524B (zh) | 一种雷达信号分选识别方法、装置、探测器及存储介质 | |
| CN112782684B (zh) | 一种人体目标检测方法、装置、计算机设备和存储介质 | |
| CN108428242A (zh) | 图像处理装置及其方法 | |
| Qin et al. | Radar waveform recognition based on deep residual network | |
| CN109782158B (zh) | 一种基于多级分类的模拟电路诊断方法 | |
| CN112801206B (zh) | 基于深度图嵌入网络与结构自学习的图像关键点匹配方法 | |
| CN112182264B (zh) | 地标信息的确定方法、装置、设备及可读存储介质 | |
| CN107121530B (zh) | 一种局部和全局特征相结合的电子鼻响应谱特征提取方法 | |
| CN109190693A (zh) | 基于块稀疏贝叶斯学习的变体目标高分辨距离像识别方法 | |
| CN117289013A (zh) | 用于脉冲电流测试的数据处理方法及系统 | |
| CN110990383A (zh) | 一种基于工业大数据集的相似度计算方法 | |
| CN115174638B (zh) | 光伏板数据采集设备的组网方法及系统 | |
| CN115754599A (zh) | 基于迁移学习的电缆故障定位方法和装置 | |
| CN115311576A (zh) | 一种基于农房分布的自然村边界提取方法 | |
| CN111194004B (zh) | 基站指纹定位方法、装置和系统、计算机可读存储介质 | |
| CN113283316A (zh) | 一种基于声音信号的开关机械故障诊断方法、装置及设备 | |
| CN110738191A (zh) | 一种基于声呐信号的物体分类方法、装置、设备及介质 | |
| CN113795865A (zh) | 设备运行数据的表示方法、装置及存储介质 | |
| CN111696523A (zh) | 一种语音识别引擎的准确度测试方法、装置、电子设备 | |
| CN115758101A (zh) | 一种变压器故障类型的判断方法、系统、设备和介质 | |
| CN113419141B (zh) | 直流线路故障定位方法及装置 | |
| CN115861668B (zh) | 一种仿真波形中异常信号的溯源系统 |
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 |