CN111368919A - 特征数据构建方法、数据集构建方法、数据分类方法、emc故障的诊断方法和系统 - Google Patents

特征数据构建方法、数据集构建方法、数据分类方法、emc故障的诊断方法和系统 Download PDF

Info

Publication number
CN111368919A
CN111368919A CN202010145766.4A CN202010145766A CN111368919A CN 111368919 A CN111368919 A CN 111368919A CN 202010145766 A CN202010145766 A CN 202010145766A CN 111368919 A CN111368919 A CN 111368919A
Authority
CN
China
Prior art keywords
data
frequency
test
fault
sample
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
CN202010145766.4A
Other languages
English (en)
Other versions
CN111368919B (zh
Inventor
韩庆文
牟洁
曾令秋
柴勇
叶蕾
胡龙彪
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 CN202010145766.4A priority Critical patent/CN111368919B/zh
Publication of CN111368919A publication Critical patent/CN111368919A/zh
Application granted granted Critical
Publication of CN111368919B publication Critical patent/CN111368919B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G01R31/001—Measuring interference from external sources to, or emission from, the device under test, e.g. EMC, EMI, EMP or ESD testing
    • 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
    • G01R31/003—Environmental or reliability tests
    • 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
    • G01R31/005—Testing of electric installations on transport means
    • G01R31/006—Testing of electric installations on transport means on road vehicles, e.g. automobiles or trucks
    • G01R31/007—Testing of electric installations on transport means on road vehicles, e.g. automobiles or trucks using microprocessors or computers
    • 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
    • G06F18/245—Classification techniques relating to the decision surface
    • G06F18/2451—Classification techniques relating to the decision surface linear, e.g. hyperplane
    • 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
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G06F2218/14—Classification; Matching by matching peak patterns

Abstract

本发明公开了一种特征数据构建方法、数据集构建方法、数据分类方法、EMC故障的诊断方法和系统。特征数据构建方法包括：获取待处理数据；从待处理数据中获得测试标准和测试类型，测试类型包括AV、PK、E、B和QP五者中的全部或部分；对待处理数据进行预处理，获取超标频段和数据类型；将测试标准、测试类型、超标频段、数据类型以及相关的故障源进行组合，创建第一样本数据；或者将测试标准、测试类型、超标频段、数据类型以及相关的故障源进行组合创建第二样本数据，对第二样本数据进行打标。有效提取待处理数据的特征，准确表征待处理数据的测试环境、频率、幅值和波形等特性；通过特征的不同组合创建不同的样本数据，拓展了样本数量。

Description

特征数据构建方法、数据集构建方法、数据分类方法、EMC故障 的诊断方法和系统
技术领域
本发明涉及EMC故障诊断方法，特别是涉及一种特征数据构建方法、数据集构建方法、数据分类方法、EMC故障的诊断方法和系统。
背景技术
随着现代电气、电子技术的高速发展，汽车上安装的电子设备的种类和数目越来越多，类型越来越复杂，也就导致了汽车上的电磁环境越来越复杂，电磁兼容(ElectroMagnetic Compatibility，简称EMC)故障问题日益突出。电磁兼容故障一般不是零件产品失效所致，而是设计缺陷，是电磁兼容性设计考虑不周，或者电气、电子设备集成上一级系统时，电磁环境不协调导致的。若汽车车载系统中的某个或某几个电子设备发生电磁兼容故障，那么整车对外界环境的电磁干扰强度很有可能满足不了相关要求。因此，针对整车电磁兼容的故障诊断尤为重要。
目前，面向车辆电磁兼容检测带整改的数据是小样本数据，“带整改”也就是表示明确了是不是某故障源引起的故障，整车中对外界环境造成电磁干扰的电子设备可能不止一个，并且挨个排查进行现场测试分析，效率低下。研究人员认为能够又快又准确地定位故障源，是车辆电磁兼容故障诊断研究的一大重点。
现有技术中，2015年度西安电子科技大学公开的硕士论文″基于故障树和现场测试的EMC故障诊断方法″中提出了一种基于故障树理论和现场测试技术的电磁兼容故障诊断方法。该方法使用故障树来分析电子设备的电磁兼容薄弱环节，得出故障发生的最小割集(导致电磁兼容故障发生的最少因素的集合)和底事件(导致故障发生的各因素)的重要度，然后对各集合因素按照重要度从高到低进行现场测试来定位故障源。其中，建树方法有两种，演绎法和计算机辅助法。演绎法是人为建模，费时费力，效率低下，同时依靠技术人员的工作经验，容易忽略隐藏的联系；计算机辅助法，建树过程死板，内容补充困难。且该文章描述的故障树的建树和分析方法要求系统特性稳定不变且底事件之间相互独立，而实际的汽车上的电磁兼容问题很难满足这个要求。
随着计算机相关技术的迅猛提升及进步，电磁兼容的故障检测可以通过机器语言来完成和实现。机器学习研究的是主要内容是在计算机上从数据中产生“模型”的算法。有了这种算法，我们把经验数据给它，它就能基于这些数据产生模型；在面对新的情况时，模型给我们提供相应的判断。目前，针对车辆电磁兼容故障检测，很少看到有应用机器学习来定位故障源的。现有技术中，中国科学院大学(中国科学院长春光学精密机械与物理研究所)2018年度公开了名称为″基于小波及聚类分析的空间相机电磁兼容故障诊断，″的硕士论文，在该论文中结合空间相机的带标签的电磁兼容发射测试数据，引入了模式识别的思想，选择小波分析完成信号特征提取，随后运用聚类算法完成聚类，将故障信号与正常信号特征参数比对，完成故障信号和正常信号特征样本库的构建。当有新的测试数据输入时，进行特征提取，得到测试信号的特征参数，随后与故障信号特征样本库进行比对，确定是否存在故障源。此种方法，小波分析选取的信号特征较为单一，不够丰富，不能准确描述信号特征的参数，对于样本数的变化十分敏感。
发明内容
本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种特征数据构建方法、数据集构建方法、数据分类方法、EMC故障的诊断方法和系统。
为了实现本发明的上述目的，根据本发明的第一个方面，本发明提供了一种特征数据构建方法，包括如下步骤：获取待处理数据；从所述待处理数据中获得测试标准和测试类型，所述测试类型包括AV、PK、E、B和QP五者中的全部或部分；对所述待处理数据进行预处理，基于预处理后的数据获取超标频段和数据类型；将测试标准、测试类型、超标频段、数据类型以及相关的故障源进行组合，创建第一样本数据；或者将测试标准、测试类型、超标频段、数据类型以及相关的故障源进行组合并打标创建第二样本数据。
上述技术方案的有益效果为：能够从众多特征中求出对分类识别最有效的特征，获取一组“少而精”的特征属性，从而实现特征空间维数的压缩；能够有效全面的提取待处理数据的特征，准确表征待处理数据的测试环境、频率、幅值和波形等特性；同时通过特征的不同组合创建不同的样本数据，一个待处理数据可获得多个样本数据，拓展了样本数据数量。
在本发明的一种优选实施方式中，对待处理数据进行预处理的过程包括：步骤S1，从待处理数据中提取出幅值大于幅度限值的超标频点，所有超标频点的频率值组成超标频点集合；步骤S2，在待处理数据的整个频段中，根据每个频点的幅值与与其相邻两个频点幅值的大小关系，判断所述频点为山顶点或山脚点，具体为：若所述频点的幅值均高于与其相邻的两个频点的幅值，则认为所述频点为山顶点，若所述频点的幅值均低于相邻两个频点的幅值，则认为所述频点为山脚点；步骤S3，将每个山顶点和与所述山顶点左右相邻的山脚点一起作为一个小山峰，记录所述小山峰中山顶点和两个山脚点的频率和幅值。
上述技术方案的有益效果为：为后续特征提取提供数据基础，便于后续提取具体的幅频特征。
在本发明的一种优选实施方式中，所述超标频段包含五个级别，第一级别的频率小于150KHz，第二级别的频率范围为150KHz到1MHz，第三级别的频率范围为1MHz到30MHz，第四级别的频率范围为30MHz到200MHz，第五级别的频率大于200MHz；若超标频点集合全部或部分位于第一级别的频率范围，则超标频段至少包括第一级别；若超标频点集合全部或部分位于第二级别的频率范围，则超标频段至少包括第二级别；若超标频点集合全部或部分位于第三级别的频率范围，则超标频段至少包括第三级别；若超标频点集合全部或部分位于第四级别的频率范围，则超标频段至少包括第四级别；若超标频点集合全部或部分位于第五级别的频率范围，则超标频段级别至少包括第五级别。
上述技术方案的有益效果为：划分级别，使得超标频段有五个不同的取值，特征更明显，便于后续机器模型更好地学习。
在本发明的一种优选实施方式中，获取数据类型的过程包括：判断每个小山峰的山顶点分别与两个山脚点的幅度差，若两个幅度差均大于尖峰判断阈值，则将所述小山峰视为尖峰；若两个幅度差不是均大于尖峰判断阈值，则将所述小山峰视为包络；若待处理数据整个频段中只包含尖峰，则数据类型为尖峰，把该尖峰的频段存入尖峰矩阵；若待处理数据整个频段中只包含包络，则数据类型为包络，把该包络的频段存入包络矩阵；若待处理数据整个频段中包含尖峰和包络，则把尖峰对应的频段存入尖峰矩阵，其余数据频段存入包络矩阵。
在本发明另外的优选实施方式中，对尖峰数据的处理还包括：
判断所有尖峰中相邻尖峰的山顶点的频率间隔是否为等间隔或近似等间隔，若等间隔或近似等间隔，则将这些尖峰视为谐波，将其频段存入谐波矩阵；否则这些尖峰视为单点尖峰，将其频段存入单点尖峰矩阵。
上述技术方案的有益效果为：提供了识别待处理数据中包络、尖峰，以及进一步地识别尖峰中的单点尖峰和谐波等特征的算法，计算量少，能够快速识别特征；将待处理数据的波形特征采用包络、单点尖峰和谐波来进行表征，特征更明显更准确表达待处理数据，便于后续机器模型更好地学习。
在本发明的一种优选实施方式中，还包括如下步骤：如果相邻包络中，前一个包络的终止频率与后一个包络的起始频率的间隔值不超过包络类型合并阈值，则将相邻包络合并成为一个包络。
上述技术方案的有益效果为：合并包络，简化数据。
为了实现本发明的上述目的，根据本发明的第二个方面，本发明提供了一种数据集构建方法，包括如下步骤：获取多个故障测试带整改的案例数据，对于每个案例数据按照本发明所述的特征数据构建方法创建第二样本数据；创建第二样本数据时打标的方法包括：
步骤A，从案例数据中获得故障源与所述案例数据故障的相关性；
步骤B，根据每个第二样本数据中的故障源与所述案例数据故障的相关性设置与所述第二样本数据对应的类标号，当第二样本数据的故障源与所述案例数据故障有关时，将所述第二样本数据对应的类标号赋值为第一数值，当第二样本数据中的故障源与所述案例数据故障无关时，将所述第二样本数据对应的类标号赋值为第二数值；
将获得的多个第二样本数据划分为训练集和测试集。
上述技术方案的有益效果为：除了具有上述特征数据构建方法的有益效果外，该方法还能够有效快速的获得故障测试数据样本，一个案例数据可获得多个样本数据，拓展了样本数量。
在本发明的一种优选实施方式中，在每个样本中，测试标准、测试类型、超标频段、数据类型和故障源的内容按照在案例数据中出现的顺序自动排序。
上述技术方案的有益效果为：有利于准确表征案例数据的特征，同时建立统一标准。
为了实现本发明的上述目的，根据本发明的第三个方面，本发明提供了一种数据分类方法，包括如下步骤：
步骤I，获取待分类数据，利用所述待分类数据按照本发明所述的特征数据构建方法创建第一样本数据，将第一样本数据作为待预测数据；
步骤II，将待预测数据输入分类模型进行分类处理获得类标号，完成数据分类。
上述技术方案的有益效果为：除了具有上述数据集构建方法的有益效果外，该分类方法还具有分类效率高的有益效果。
在本发明的一种优选实施方式中，所述分类模型的建立过程包括：按照本发明所述的数据集构建方法创建训练集和测试集；利用所述训练集和测试集分别对SVM模型进行训练和测试，获得分类模型。
上述技术方案的有益效果为：分类方法适合小样本数据，对样本数的变化不敏感，显著提高了训练正确率和诊断效率。
在本发明的一种优选实施方式中，所述分类模型的分类决策函数为：
Figure BDA0002391954940000071
其中，m表示训练集的样本个数；αi表示第i个拉格朗日乘子；x表示待预测数据；xi表示第i个训练样本；i为训练样本序号，取值为小于或等于m的正整数；yi表示第i个训练样本中打标的类标号；函数K(·，·)表示高斯核函数；b表示在特征空间中划分超平面的线性方程的位移项，
Figure BDA0002391954940000072
xj表示第j个训练样本。
上述技术方案的有益效果为：能够提高SVM模型分类的准确性，该模型输出最接近真实输出。
为了实现本发明的上述目的，根据本发明的第四个方面，本发明提供了一种EMC故障诊断方法，包括：
步骤一，利用待诊断的电磁兼容测试数据按照本发明所述的特征数据构建方法创建第一样本数据；
步骤二，利用本发明所述的数据分类方法对每个第一样本数据进行分类处理获得对应的类标号，认为对应类标号为第一数值的第一样本数据中的故障源与待诊断的电磁兼容测试数据故障有关，认为对应类标号为第二数值的第一样本数据中的故障源与待诊断的电磁兼容测试数据故障无关。上述技术方案的有益效果为：引入了一种新的汽车电磁兼容诊断方法，根据EMC测试工程师的整改经验，提出了EMC测试数据特征提取的算法流程，并将机器学习的分类算法应用于EMC故障的分类，通过反向诊断来定位故障源；目前提出的很多汽车电磁兼容故障检测方法都适合样本大的场合，不适合样本少的场合，本发明解决了目前由于整车电磁兼容故障检测带整改的试验数据样本较少的问题，定位故障源的效率和准确率高。
为了实现本发明的上述目的，根据本发明的第五个方面，本发明提供了一种EMC故障诊断系统，包括处理器，所述处理器从电磁兼容测试设备获取待诊断的电磁兼容测试数据并按照本发明所述的EMC故障诊断方法对EMC故障进行诊断，获得引起待诊断的电磁兼容测试数据故障的故障源。
上述技术方案的有益效果为：该系统根据EMC测试工程师的整改经验，提出了EMC测试数据特征提取的算法流程，并将机器学习的分类算法应用于EMC故障的分类，通过反向诊断来定位故障源；目前提出的很多汽车电磁兼容故障检测方法都适合样本大的场合，不适合样本少的场合，该系统解决了目前由于整车电磁兼容故障检测带整改的试验数据样本较少的问题，定位故障源的效率和准确率高。
附图说明
图1是本发明一具体实施方式中特征数据构建方法流程示意图；
图2是本发明一具体实施方式中超标频段和数据类型的流程示意图；
图3是本发明一具体实施方式中从待处理数据提取超标频点的示意图；
图4是图3的局部放大图；
图5是本发明一具体实施方式中支持向量和软间隔示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
本发明公开了一种特征数据构建方法，在一种优选实施方式中，如图1所示，包括如下步骤：
获取待处理数据；
从待处理数据中获得测试标准和测试类型，测试类型包括AV、PK、E、B和QP五者中的全部或部分；
对待处理数据进行预处理，基于预处理后的数据获取超标频段和数据类型；
将测试标准、测试类型、超标频段、数据类型以及相关的故障源进行组合，创建第一样本数据；或者将测试标准、测试类型、超标频段、数据类型以及相关的故障源进行组合并打标创建第二样本数据。
在本实施方式中，优选的，还包括对测试标准、测试类型、超标频段、数据类型以及相关的故障源组合的数据进行数字化处理，将数字化处理后的数据作为第一样本数据的步骤；或者还包括对测试标准、测试类型、超标频段、数据类型以及相关的故障源组合后打标的数据进行数字化处理，将数字化处理后的数据作为第二样本数据的步骤。
在本实施方式中，优选的，测试标准和测试类型可以是已知的，进一步优选的，其被写入了待处理数据中。AV表示平均值，PK表示峰值，E表示电场，B表示磁场，QP表示准峰值，也就是说待处理数据可以为测量平均值AV、峰值PK、电场E、磁场B和准峰值QP五者中全部或部分的数据；待处理数据可为单独一种测试类型的数据，也可为一种以上的测试类型的数据，还可以为在本申请中未提到但为本领域常规测试类型的数据。
在本实施方式中，待处理数据为具有幅频特性的数据，其幅值会随着频率变化，优选但不限于为信号干扰故障测试数据，EMC故障测试数据等。
在本实施方式中，测试标准为待处理数据领域的常规标准，当待处理数据为汽车EMC故障测试数据时，测试标准优选但不限于为GB14023或GB/T18387。
在本实施方式中，得到了待处理数据的四个特征属性：测试标准、测试类型、超标频段以及数据类型。由于在这四个特征属性相同的情况下，可能是由多个故障源引起。因此，我们将故障源作为一个特征属性与前面四种属性进行组合。通过整改确定是故障源与测试数据故障的相关性，并根据相关性对第二样本数据进行打标处理，若某个故障源与测试数据故障有关，则打标为“是”，否则标记为“否”。
在本实施方式中，优选的，相关的故障源是指与待处理数据故障相关性较大的故障源，可为一个或多个。具体的，在汽车电磁兼容测试的应用场景中，如在待处理数据中，测试标准为GB14023，测试类型为AV，超标频段为四级，数据类型为包络的超标现象下，相关的故障源有：电池系统、MCU(电机控制器)、发电机、DC-DC、PDU(电源分配单元)、电池管理器以及内部走线；又如在待处理数据中，测试标准为GB/T18387，测试类型为E，超标频段为一级，数据类型为谐波的超标现象下，相关的故障源有：VCU、DC-DC及其线束、电池包端线束。把相关的故障源作为一个特征属性分别与前四个特征属性组合构成第一样本数据或第二样本数据。在第二样本数据创建的过程中，根据待处理数据的整改情况，若确实是由某个相关的故障源引起的此频段超标现象，对第二样本数据打标的标签就是“是”，若该相关的故障源确实没有引起此频段超标现象，对第二样本数据打标的标签就是“否”。
在一种优选实施方式中，如图2所示，对待处理数据进行预处理的过程包括：
步骤S1，从待处理数据中提取出幅值大于幅度限值的超标频点，所有超标频点的频率值组成超标频点集合；
步骤S2，在待处理数据的整个频段中，根据每个频点的幅值与与其相邻两个频点幅值的大小关系，判断频点为山顶点或山脚点，具体为：
若频点的幅值均高于与其相邻的两个频点的幅值，则认为频点为山顶点，若频点的幅值均低于相邻两个频点的幅值，则认为频点为山脚点；
步骤S3，将每个山顶点和与山顶点左右相邻的山脚点一起作为一个小山峰，记录小山峰中山顶点和两个山脚点的频率和幅值。
在本实施方式中，在步骤S1中，提取超标数据频段：每一个测试数据频点幅值与测试标准规定的该频点的幅度限值进行比较，将幅值大于幅度限值的数据频点取出，如取出图3中幅值高于直线(幅度限值线)的频点数据，取出的频点数据形成多个分段，每个分段中相邻的超标频点为原始数据中的相邻频点，以便于后续处理。
在本实施方式中，每个频点的幅度限值与测试标准的规定有关，如图3所示，230MHz前后的幅度限值不同。
在本实施方式中，如图3所示，待处理数据为整车电磁兼容检测带整改的数据时，频谱图图像类似锯齿形状，图4为图3的局部放大图。在整个频段上，通过比较每一个频点的幅值与相邻两频点幅值的大小关系，来判断该频点属于山顶点还是山脚点。将每一个山顶点与其相邻的两山脚点组合起来，看成一个小山峰，记录这三个频点的频率和幅值。
在本实施方式中，幅度限值的设置与测试标准有关，如可为测试标准中符合规范的最大幅度值。
在一种优选实施方式中，超标频段包含五个级别，第一级别的频率小于150KHz，第二级别的频率范围为150KHz到1MHz，第三级别的频率范围为1MHz到30MHz，第四级别的频率范围为30MHz到200MHz，第五级别的频率大于200MHz；
若超标频点集合全部或部分位于第一级别的频率范围，则超标频段至少包括第一级别；若超标频点集合全部或部分位于第二级别的频率范围，则超标频段至少包括第二级别；若超标频点集合全部或部分位于第三级别的频率范围，则超标频段至少包括第三级别；若超标频点集合全部或部分位于第四级别的频率范围，则超标频段至少包括第四级别；若超标频点集合全部或部分位于第五级别的频率范围，则超标频段级别至少包括第五级别。
在本实施方式中，超标频段可包含一个或一个以上的级别，根据超标频点集合中超标频点分布在哪些级别的频率区间范围确定。
在一种优选实施方式中，如图2和图3所示，获取数据类型的过程包括：
判断每个小山峰的山顶点分别与两个山脚点的幅度差，若两个幅度差均大于尖峰判断阈值，则将所述小山峰视为尖峰；若两个幅度差不是均大于尖峰判断阈值，则将所述小山峰视为包络；若待处理数据整个频段中只包含尖峰，则数据类型为尖峰，把该尖峰的频段存入尖峰矩阵；若待处理数据整个频段中只包含包络，则数据类型为包络，把该包络的频段存入包络矩阵；若待处理数据整个频段中包含尖峰和包络，则把尖峰对应的频段存入尖峰矩阵，其余数据频段存入包络矩阵。在本实施方式中，判断每个小山峰山顶点与左右山脚点的幅值差：如果两个幅值差均大于尖峰判断阈值，则将其视作尖峰，把山顶点和山脚点的频率存入尖峰矩阵。反之，视作包络，存入包络矩阵中。
在本实施方式中，数据类型包括包络和尖峰。
在本实施方式，在判断山顶点和山脚点之前，可以首先判断每个频段的起始频点和终止频点，具体可根据起始频点和终止频点处的数值发生阶跃，数值从无到有的频点为起始频点，数值从有到无的频点为终止频点。
在本实施方式中，尖峰判断阈值的取值优选但不限于为8dB。
在本实施方式中，进一步优选的，还包括如下步骤：
如果相邻包络中，前一个包络的终止频率与后一个包络的起始频率的间隔值不超过包络类型合并阈值，则将相邻包络合并成为一个包络。
在本实施方式中，优选的，包络类型合并阈值的取值范围可依据测试标准设定，如测试标准GB14023的包络类型合并阈值可为2MHz，测试标准GB/T18387的包络类型合并阈值可为0.6MHz。
在一种优选实施方式中，获取数据类型的过程还包括：
对尖峰数据的进一步处理：
判断所有尖峰中相邻尖峰的山顶点的频率间隔是否为等间隔或近似等间隔，若等间隔或近似等间隔，则将这些尖峰视为谐波，将其频段存入谐波矩阵；否则这些尖峰视为单点尖峰，将其频段存入单点尖峰矩阵。在本实施方式中，数据类型包括包络、单点尖峰和谐波。
在本实施方式中，优选的，近似等间隔的确认过程为：若多个尖峰山顶点的频率值间隔的标准差小于等于标准差阈值，则认为该多个尖峰山顶点的频率值近似等间隔，反之，则认为该多个尖峰山顶点的频率值不是近似等间隔。标准差阈值的取值可根据经验设置，例如标准差阈值优选但不限于为5MHz。
在本实施方式中，优选的，近似等间隔的确认过程为：多个尖峰山顶点的频率值间隔中的最大值与最小值的差值小于等于差值阈值，则认为该多个尖峰山顶点的频率值近似等间隔，反之，则认为该多个尖峰山顶点的频率值不是近似等间隔。差值阈值的取值可根据经验设置，例如差值阈值优选但不限于为5MHz。
在本实施方式中，判断相邻尖峰的山顶点对应的频率间隔是否满足近似等间隔的条件：如果满足，则将这些山顶点频率以及对应山脚点频率存入谐波矩阵中；反之，存入单点尖峰矩阵中。
本发明还公开了一种数据集构建方法，在一种优选实施方式中，包括如下步骤：
获取多个故障测试带整改的案例数据，对于每个案例数据按照上述特征数据构建方法创建第二样本数据；
创建第二样本数据时打标的方法包括：
步骤A，从案例数据中获得故障源与该案例数据故障的相关性；
步骤B，根据每个第二样本数据中的故障源与该案例数据故障的相关性设置与该第二样本数据对应的类标号，当第二样本数据的故障源与该案例数据故障有关时，将该第二样本数据对应的类标号赋值为第一数值，当第二样本数据中的故障源与该案例数据故障无关时，将该第二样本数据对应的类标号赋值为第二数值；
将获得的多个第二样本数据划分为训练集和测试集。
在本实施方式中，故障测试带整改的案例数据，可为整改解决故障问题后的数据，其记录有与该故障问题有关的至少一个故障源，即记录了引起该故障问题的至少一个故障源。
在本实施方式中，构建的数据集D为(x1，y1)，(x2，y2)，...(xm，ym)，这里m是数据集D的样本个数；第i个样本中，xi＝{x1，x2，…，xn}，n表示特征个数，如具有5个特征属性；样本数据中，yi是类标号。每个样本数据里面都有一个类标号，如第一数值为+1，代表该样本数据中的故障源与故障有关，第二数值为-1，代表该样本数据中的故障源与故障无关。
在一种优选实施方式中，在每个样本中，测试标准、测试类型、超标频段、数据类型和故障源的内容按照在案例数据中出现的顺序自动排序。
本发明还公开了一种数据分类方法，在一种优选实施方式中，包括如下步骤：
步骤I，获取待分类数据，利用待分类数据按照上述特征数据构建方法创建第一样本数据，将第一样本数据作为待预测数据；
步骤II，将待预测数据输入分类模型进行分类处理获得类标号，完成数据分类。
在本实施方式中，分类模型优选但不限于选择SVM(Support Vector Machine，支持向量机)模型。SVM是一种分类学习方法，根据有限的样本数据在模型的复杂性(即对特定训练样本的学习精度)和学习能力(即无错误识别任意样本的能力)之间寻求最佳折中，获得最好的推广能力。
在一种优选实施方式中，分类模型的建立过程包括：
按照上述数据集构建方法创建训练集和测试集；利用训练集和测试集分别对SVM模型进行训练和测试，获得分类模型。
在本实施方式中，利用训练集对SVM模型进行学习得到分类模型，并用测试集评估模型的学习能力。在测试中，将测试集样本中除了打标的类标号外其余数据输入分类模型中，获得一个类标号，将该类标号与打标的类标号进行比对，若两者相同，认为测试结果正确，若两者不相同，认为测试结果错误，因此通过将多个测试集样本对分类模型进行测试，获得该分类模型的错误率，若错误率达不到目标错误率，继续利用训练集训练模型，再利用测试集测试，重复这个过程，直到错误率达到目标错误率。
在一种优选实施方式中，分类模型的分类决策函数为：
Figure BDA0002391954940000161
其中，m表示训练集的样本个数；αi表示第i个拉格朗日乘子；x表示待预测数据；xi表示第i个训练样本；i为训练样本序号，取值为小于或等于m的正整数；yi表示第i个训练样本中打标的类标号；函数K(·，·)表示高斯核函数；b表示在特征空间中划分超平面的线性方程的位移项，
Figure BDA0002391954940000171
xj表示第j介训练样本。
在本实施方式中，分类学习最基本的思想就是基于训练集在样本空间或特征空间找到一个划分超平面，将不同类别的样本分开。特征空间的好坏对支持向量的性能至关重要。
在本实施方式中，样本数据非线性可分，我们选取核函数通过非线性映射把输入数据变换到较高维特征空间，再在新的空间内构造线性分类，选择高斯核函数，将样本映射到一个合适的特征空间，使训练集在特征空间中线性可分，高斯核函数为：
Figure BDA0002391954940000172
其中，高斯核的带宽σ可通过MATLAB中的fitcsvm的函数自动进行超参数优化来获得，xi表示第i个训练样本，xj表示第j个训练样本。
在本实施方式中，为训练样本在新的特征空间中找到一个划分超平面，将两种类标号的样本分开。在新的特征空间中，划分超平面通过如下线性方程来描述：
ω·x+b＝0；
如图5所示，倾斜实线表示超平面。ω为权重向量，ω＝{ω1，ω2，…ωn}，决定超平面的方向；b是位移项，决定超平面与原点之间的距离；划分超平面由权重向量ω和位移b确定。
如图5所示，“+”代表的训练样本类标号为+1，“-”代表的训练样本类标号为-1，每个训练样本点距离超平面的远近决定其分类结果的置信度，距离越远，置信度越高。用圆圈圈住的“+”或者“-”是训练样本点中距离超平面最近的点，代表“支持向量”；两种异类支持向量到超平面的距离之和是“间隔”。间隔越大，分类置信度越高，其中间隔为：
Figure BDA0002391954940000181
本实施方式中，选择软间隔，允许某些样本不满足约束。在最大化间隔的同时，为使不满足约束的样本尽可能少，引入松弛变量ξi≥0。在训练集中，每个样本都有一个对应的松弛变量，用以表征每个样本不满足约束的程度。目标函数为：
Figure BDA0002391954940000182
上式中，C为惩罚参数，可通过MATLAB中的fitcsvm函数自动进行超参数优化获得。上式中每条约束添加拉格朗日乘子αi≥0，μ≥0，构建拉格朗日函数：
Figure BDA0002391954940000183
其中权重向量ω和位移b为：
Figure BDA0002391954940000184
Figure BDA0002391954940000185
其中，α＝(α1；α2；…；αm)，令L(ω，b，α，ξ，μ)对ω，b，ξi的偏导均为0，解出α后，求出超平面参数ω与b，得到分类决策函数：
Figure BDA0002391954940000186
本发明还公开了一种EMC故障诊断方法，在一种优选实施方式中，包括：
步骤一，利用待诊断的电磁兼容测试数据按照上述特征数据构建方法创建第一样本数据；
步骤二，利用上述数据分类方法对每个第一样本数据进行分类处理获得对应的类标号，认为对应类标号为第一数值的第一样本数据中的故障源与待诊断的电磁兼容测试数据故障有关，认为对应类标号为第二数值的第一样本数据中的故障源与待诊断的电磁兼容测试数据故障无关。
在本实施方式中，第一样本数据可以基于整车电磁兼容带整改的数据获得，可进一步打标构建第二样本数据；第一样本数据也可以基于整车电磁兼容测试故障的数据获取并作为待预测数据，优选地，包含有特征属性“测试标准”有GB14023、GB/T18387；特征属性“测试类型”有AV、PK、E、B、QP；特征属性“超标频段”有一级、二级、三级、四级、五级；特征属性“数据类型”有单点尖峰、包络、谐波；特征属性“故障源”有电机控制器、电机驱动系统、仪表等。
在本实施方式中，在步骤二中，对第一样本数据进行分类处理获得对应的类标号，类标号为第一数值，设第一数值为“+1”，则说明问题和此故障源有关，类标号为第二数值，设第二数值为“-1”，则说明问题和此故障源无关。因此，一个第一样本数据获得一个类标号，将获得类标号数值为“+1”的所有第一样本的故障源认为与引起待诊断的电磁兼容测试数据故障有关。
在本实施方式中，通过对车辆电磁兼容检测带整改的数据进行特征提取，创建训练集和测试集。针对样本数据较少的问题，应用在小样本数据上有许多优越性能的SVM(Support Vector Machine，支持向量机)来搭建模型，定位故障源。实验结果表明：该方法适合小样本数据，对样本数的变化不敏感，显著提高了训练正确率和诊断效率。
本发明还公开了一种EMC故障诊断系统，在一种优选实施方式中，包括处理器，处理器从电磁兼容测试设备获取待诊断的电磁兼容测试数据并按照上述EMC故障诊断方法对EMC故障进行诊断，获得引起待诊断的电磁兼容测试数据故障的故障源，即从相关故障源中筛选出类标号为“+1”的故障源，实现故障源定位。
在本实施方式中，该系统采用逆向诊断的方法可用于指导EMC的正向设计，找出设计的不足。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (13)

1.一种特征数据构建方法，其特征在于，包括如下步骤：
获取待处理数据；
从所述待处理数据中获得测试标准和测试类型，所述测试类型包括AV、PK、E、B和QP五者中的全部或部分；
对所述待处理数据进行预处理，基于预处理后的数据获取超标频段和数据类型；
将测试标准、测试类型、超标频段、数据类型以及相关的故障源进行组合，创建第一样本数据；或者将测试标准、测试类型、超标频段、数据类型以及相关的故障源进行组合并打标创建第二样本数据。
2.如权利要求1所述的特征数据构建方法，其特征在于，对待处理数据进行预处理的过程包括：
步骤S1，从待处理数据中提取出幅值大于幅度限值的超标频点，所有超标频点的频率值组成超标频点集合；
步骤S2，在待处理数据的整个频段中，根据每个频点的幅值与与其相邻两个频点幅值的大小关系，判断所述频点为山顶点或山脚点，具体为：
若所述频点的幅值均高于与其相邻的两个频点的幅值，则认为所述频点为山顶点，若所述频点的幅值均低于相邻两个频点的幅值，则认为所述频点为山脚点；
步骤S3，将每个山顶点和与所述山顶点左右相邻的山脚点一起作为一个小山峰，记录所述小山峰中山顶点和两个山脚点的频率和幅值。
3.如权利要求2所述的特征数据构建方法，其特征在于，所述超标频段包含五个级别，第一级别的频率小于150KHz，第二级别的频率范围为150KHz到1MHz，第三级别的频率范围为1MHz到30MHz，第四级别的频率范围为30MHz到200MHz，第五级别的频率大于200MHz；
若超标频点集合全部或部分位于第一级别的频率范围，则超标频段至少包括第一级别；若超标频点集合全部或部分位于第二级别的频率范围，则超标频段至少包括第二级别；若超标频点集合全部或部分位于第三级别的频率范围，则超标频段至少包括第三级别；若超标频点集合全部或部分位于第四级别的频率范围，则超标频段至少包括第四级别；若超标频点集合全部或部分位于第五级别的频率范围，则超标频段级别至少包括第五级别。
4.如权利要求2所述的特征数据构建方法，其特征在于，获取数据类型的过程包括：
判断每个小山峰的山顶点分别与两个山脚点的幅度差，若两个幅度差均大于尖峰判断阈值，则将所述小山峰视为尖峰；若两个幅度差不是均大于尖峰判断阈值，则将所述小山峰视为包络；若待处理数据整个频段中只包含尖峰，则数据类型为尖峰；若待处理数据整个频段中只包含包络，则数据类型为包络；若待处理数据整个频段中包含尖峰和包络，则尖峰的数据类型为尖峰，其余数据的类型为包络。
5.如权利要求4所述的特征数据构建方法，其特征在于，对尖峰数据的处理还包括：
判断所有尖峰中相邻尖峰的山顶点的频率间隔是否为等间隔或近似等间隔，若等间隔或近似等间隔，则将这些尖峰视为谐波；否则这些尖峰视为单点尖峰。
6.如权利要求4所述的特征数据构建方法，其特征在于，还包括如下步骤：
如果相邻包络中，前一个包络的终止频率与后一个包络的起始频率的间隔值不超过包络类型合并阈值，则将相邻包络合并成为一个包络。
7.一种数据集构建方法，其特征在于，包括如下步骤：
获取多个故障测试带整改的案例数据，对于每个案例数据按照权利要求1-6之一所述方法创建第二样本数据，打标的方法包括：
步骤A，从案例数据中获得故障源与所述案例数据故障的相关性；
步骤B，根据每个第二样本数据中的故障源与所述案例数据故障的相关性设置与所述第二样本数据对应的类标号，当第二样本数据的故障源与所述案例数据故障有关时，将所述第二样本数据对应的类标号赋值为第一数值，当第二样本数据中的故障源与所述案例数据故障无关时，将所述第二样本数据对应的类标号赋值为第二数值；
将获得的多个第二样本数据划分为训练集和测试集。
8.如权利要求7所述的数据集构建方法，其特征在于，在每个样本中，测试标准、测试类型、超标频段、数据类型和故障源的内容按照在案例数据中出现的顺序自动排序。
9.一种数据分类方法，其特征在于，包括如下步骤：
步骤I，获取待分类数据，利用所述待分类数据按照权利要求1-6之一所述方法创建第一样本数据，将第一样本数据作为待预测数据；
步骤II，将待预测数据输入分类模型进行分类处理获得类标号，完成数据分类。
10.如权利要求9所述的数据分类方法，其特征在于，所述分类模型的建立过程包括：
按照权利要求7或8所述的方法创建训练集和测试集；利用所述训练集和测试集分别对SVM模型进行训练和测试，获得分类模型。
11.如权利要求10所述的数据分类方法，其特征在于，所述分类模型的分类决策函数为：
Figure FDA0002391954930000041
其中，m表示训练集的样本个数；αi表示第i个拉格朗日乘子；x表示待预测数据；xi表示第i个训练样本；i为训练样本序号，取值为小于或等于m的正整数；yi表示第i个训练样本中打标的类标号；函数K(·，·)表示高斯核函数；b表示在特征空间中划分超平面的线性方程的位移项，
Figure FDA0002391954930000042
xj表示第j介训练样本。
12.一种EMC故障诊断方法，其特征在于，包括：
步骤一，利用待诊断的电磁兼容测试数据按照权利要求1-6之一所述方法创建第一样本数据；
步骤二，利用权利要求9-11之一所述的数据分类方法对每个第一样本数据进行分类处理获得对应的类标号，认为对应类标号为第一数值的第一样本数据中的故障源与待诊断的电磁兼容测试数据故障有关，认为对应类标号为第二数值的第一样本数据中的故障源与待诊断的电磁兼容测试数据故障无关，完成故障诊断。
13.一种EMC故障诊断系统，其特征在于，包括处理器，所述处理器从电磁兼容测试设备获取待诊断的电磁兼容测试数据并按照权利要求12所述的方法对EMC故障进行诊断，获得引起待诊断的电磁兼容测试数据故障的故障源。
CN202010145766.4A 2020-02-25 2020-02-25 特征数据构建方法、数据集构建方法、数据分类方法、emc故障的诊断方法和系统 Active CN111368919B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010145766.4A CN111368919B (zh) 2020-02-25 2020-02-25 特征数据构建方法、数据集构建方法、数据分类方法、emc故障的诊断方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010145766.4A CN111368919B (zh) 2020-02-25 2020-02-25 特征数据构建方法、数据集构建方法、数据分类方法、emc故障的诊断方法和系统

Publications (2)

Publication Number Publication Date
CN111368919A true CN111368919A (zh) 2020-07-03
CN111368919B CN111368919B (zh) 2023-08-22

Family

ID=71208591

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010145766.4A Active CN111368919B (zh) 2020-02-25 2020-02-25 特征数据构建方法、数据集构建方法、数据分类方法、emc故障的诊断方法和系统

Country Status (1)

Country Link
CN (1) CN111368919B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112067997A (zh) * 2020-08-14 2020-12-11 杭州小电科技股份有限公司 移动电源租赁设备诊断方法、系统、电子设备和存储介质
CN112418309A (zh) * 2020-11-20 2021-02-26 中国舰船研究设计中心 一种基于机器学习的电磁兼容管控方法预测方法
CN116303473A (zh) * 2023-05-11 2023-06-23 长鹰恒容电磁科技(成都)有限公司 一种数据库的构建方法、装置、设备及可读存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB9111264D0 (en) * 1991-05-24 1991-07-17 Rover Group Electromagnetic compatibility testing and apparatus therefor
CN102680825A (zh) * 2012-05-17 2012-09-19 西安电子科技大学 系统级电磁兼容故障诊断中的干扰源辨识方法
CN103345207A (zh) * 2013-05-31 2013-10-09 北京泰乐德信息技术有限公司 一种轨道交通监控数据的挖掘分析与故障诊断系统
CN105093014A (zh) * 2015-07-23 2015-11-25 山东省科学院自动化研究所 一种电磁干扰测试方法
EP2950177A1 (en) * 2014-05-30 2015-12-02 Rolls-Royce plc Asset condition monitoring
CN106646074A (zh) * 2017-03-07 2017-05-10 东南大学 一种传导电磁干扰接收机的建模方法
CN107356432A (zh) * 2017-07-12 2017-11-17 石家庄铁道大学 基于频域窗经验小波共振解调的滚动轴承故障诊断方法
US20170363671A1 (en) * 2016-06-21 2017-12-21 International Business Machines Corporation Noise spectrum analysis for electronic device
CN110161343A (zh) * 2019-06-12 2019-08-23 中南大学 一种智能列车外部受电装置的非侵入式实时动态监测方法
CN110346142A (zh) * 2019-07-25 2019-10-18 哈尔滨理工大学 基于无监督特征对齐的变负载下滚动轴承故障诊断方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB9111264D0 (en) * 1991-05-24 1991-07-17 Rover Group Electromagnetic compatibility testing and apparatus therefor
CN102680825A (zh) * 2012-05-17 2012-09-19 西安电子科技大学 系统级电磁兼容故障诊断中的干扰源辨识方法
CN103345207A (zh) * 2013-05-31 2013-10-09 北京泰乐德信息技术有限公司 一种轨道交通监控数据的挖掘分析与故障诊断系统
EP2950177A1 (en) * 2014-05-30 2015-12-02 Rolls-Royce plc Asset condition monitoring
CN105093014A (zh) * 2015-07-23 2015-11-25 山东省科学院自动化研究所 一种电磁干扰测试方法
US20170363671A1 (en) * 2016-06-21 2017-12-21 International Business Machines Corporation Noise spectrum analysis for electronic device
CN106646074A (zh) * 2017-03-07 2017-05-10 东南大学 一种传导电磁干扰接收机的建模方法
CN107356432A (zh) * 2017-07-12 2017-11-17 石家庄铁道大学 基于频域窗经验小波共振解调的滚动轴承故障诊断方法
CN110161343A (zh) * 2019-06-12 2019-08-23 中南大学 一种智能列车外部受电装置的非侵入式实时动态监测方法
CN110346142A (zh) * 2019-07-25 2019-10-18 哈尔滨理工大学 基于无监督特征对齐的变负载下滚动轴承故障诊断方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
TAO ZHANG 等: ""Electromagnetic Compatibility prediction model based on sensitivity incision method"", 《PROCEDIA ENGINEERING》, vol. 15, pages 1366 - 1370, XP028337575, DOI: 10.1016/j.proeng.2011.08.253 *
庄跃明: ""电磁骚扰自动测试及测试数据分析与处理"", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, vol. 2010, no. 11, pages 135 - 13 *
王玉峰等: ""基于数据挖掘技术的电力系统电磁兼容预测分析"", 《高压电器》, vol. 43, no. 3, pages 183 - 185 *
肖顺根 等: "《往复压缩机故障机理与诊断方法研究》", 《西安电子科技大学出版社》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112067997A (zh) * 2020-08-14 2020-12-11 杭州小电科技股份有限公司 移动电源租赁设备诊断方法、系统、电子设备和存储介质
CN112067997B (zh) * 2020-08-14 2023-11-14 杭州小电科技股份有限公司 移动电源租赁设备诊断方法、系统、电子设备和存储介质
CN112418309A (zh) * 2020-11-20 2021-02-26 中国舰船研究设计中心 一种基于机器学习的电磁兼容管控方法预测方法
CN116303473A (zh) * 2023-05-11 2023-06-23 长鹰恒容电磁科技(成都)有限公司 一种数据库的构建方法、装置、设备及可读存储介质
CN116303473B (zh) * 2023-05-11 2024-04-19 长鹰恒容电磁科技(成都)有限公司 一种数据库的构建方法、装置、设备及可读存储介质

Also Published As

Publication number Publication date
CN111368919B (zh) 2023-08-22

Similar Documents

Publication Publication Date Title
CN111368919A (zh) 特征数据构建方法、数据集构建方法、数据分类方法、emc故障的诊断方法和系统
CN111580500B (zh) 一种针对自动驾驶汽车安全性的评价方法
CN107657224B (zh) 一种基于部件的多层并行网络sar图像飞机目标检测方法
CN104239712B (zh) 一种雷达抗干扰效能实时评估方法
CN110750524A (zh) 一种有源配电网故障特征的确定方法及系统
CN103558519A (zh) 一种gis局部放电超声波信号识别方法
CN114564982A (zh) 雷达信号调制类型的自动识别方法
CN117242487A (zh) 一种多源混合型特高频局部放电图谱的分离识别方法
CN109492596A (zh) 一种基于K-means聚类和区域推荐网络的行人检测方法及系统
CN112348052A (zh) 一种基于改进EfficientNet的输变电设备异常声源定位方法
CN113447771A (zh) 一种基于sift-lda特征的局部放电模式识别方法
Satheeswari et al. Recognition of bird's nest in high voltage power line using SSD
CN112859807B (zh) 基于态势模拟和蒙特卡罗的水下航行器协同搜索效能评估方法
CN115408927A (zh) 用于预测岩体参数的数据处理方法和装置
CN115718886A (zh) 纯电动汽车行驶工况的构建方法及装置
CN115563500A (zh) 基于数据增强技术的配电设备局部放电模式识别方法、装置及系统
CN112133390A (zh) 一种基于电子病历的肝病认知系统
CN117612047B (zh) 基于ai大模型的电网用无人机巡检图像识别方法
Wang et al. Research on Intelligent Diagnosis System for High-voltage Cables Based on Partial Discharge Characteristics
CN112052873B (zh) 基于通用转换器的异常轨迹检测方法及装置
Wang et al. MixPCD: a novel method of constructing driving cycle for electric bus with sparse data
CN111079789B (zh) 一种故障数据标记方法及故障识别装置
CN113221949A (zh) 一种影响新能源出力的多尺度天气过程分类方法和系统
CN117233547A (zh) 一种油纸绝缘局部放电的融合识别方法及系统
Ma et al. Identification Method of Top Plate Pallet of Underground Roadways in Coal Mines Based on Improved Faster R-CNN

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Han Qingwen

Inventor after: Mou Jie

Inventor after: Zeng Lingqiu

Inventor after: Chai Yong

Inventor after: Ye Lei

Inventor after: Hu Longbiao

Inventor after: Lei Jianmei

Inventor after: Chen Lidong

Inventor before: Han Qingwen

Inventor before: Mou Jie

Inventor before: Zeng Lingqiu

Inventor before: Chai Yong

Inventor before: Ye Lei

Inventor before: Hu Longbiao

GR01 Patent grant
GR01 Patent grant