CN111896823A - 一种对功放进行在线健康监测与故障预警的系统 - Google Patents
一种对功放进行在线健康监测与故障预警的系统 Download PDFInfo
- Publication number
- CN111896823A CN111896823A CN202010618062.4A CN202010618062A CN111896823A CN 111896823 A CN111896823 A CN 111896823A CN 202010618062 A CN202010618062 A CN 202010618062A CN 111896823 A CN111896823 A CN 111896823A
- Authority
- CN
- China
- Prior art keywords
- power amplifier
- early warning
- network
- module
- chip
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 21
- 230000036541 health Effects 0.000 title claims abstract description 16
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 24
- 238000005070 sampling Methods 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000000034 method Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 238000003786 synthesis reaction Methods 0.000 claims description 2
- 230000004913 activation Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/25—Arrangements for measuring currents or voltages or for indicating presence or sign thereof using digital measurement techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/25—Arrangements for measuring currents or voltages or for indicating presence or sign thereof using digital measurement techniques
- G01R19/2513—Arrangements for monitoring electric power systems, e.g. power lines or loads; Logging
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Amplifiers (AREA)
Abstract
本发明公开了一种对功放进行在线健康监测与故障预警的系统，主要解决现有技术中存在的功放不能提前发现故障，从而对功放功率管造成损坏的问题。该系统包括FPGA芯片，与FPGA芯片连接的高速AD采集芯片，与FPGA芯片连接的Flash芯片，与FPGA芯片连接的LCD显示屏；所述FPGA芯片包括AD采样控制模块、FIFO模块、数据预处理模块、卷积神经网络模块和LCD显示驱动模块，AD采样控制模块与高速AD采集芯片相互传递信号用于获取功放工作状态信息，卷积神经网络模块根据功放工作状态信息进行故障预警分析，LCD显示驱动模块向LCD显示屏传递功放运行实时数据以及故障预警结果。通过上述方案，本发明达到了提升功放乃至整个系统运行的可靠性的目的，具有很高的实用价值和推广价值。
Description
技术领域
本发明属于射频功放技术领域，具体地讲，是涉及一种对功放进行在线健康监测与故障预警的系统。
背景技术
射频功放作为发射机系统的核心设备，其工作是否稳定可靠直接关系到整个系统能否正常运行。然而，作为大功率设备，射频功放具有天生的脆弱性，对温度、射频过载以及输出失配等敏感度较高，易受到不可逆的损坏。因此，在功放设计时，比较常规的做法是引入相应的过热、过压、过流、过载等监测电路来实时跟踪功放的运行状态变化，让来自状态监测的数据与预设的保护或者预警门限进行比较，然后执行相应的保护动作，以避免功放发生故障或者失效。
但是，这种保护响应是滞后的，只能在故障已经发生后才发现故障，进而做出防止故障进一步扩大的保护措施。以常见的驻波故障为例，当发生驻波故障时，首先要等待耦合检波电路对输入、输出功率的变化做出响应并传给控制电路，然后控制电路再据此做出判断并进行相应关发射的操作。当驻波检测以及响应时间超出功放功率管对驻波的持续可承受时间，就会造成功放功率管损坏。因此，如何解决现有技术存在的问题是本领域技术人员亟需解决的问题。
发明内容
本发明的目的在于提供一种对功放进行在线健康监测与故障预警的系统，主要解决现有技术中存在的功放不能提前发现故障，从而对功放功率管造成损坏的问题。
为了实现上述目的，本发明采用的技术方案如下：
一种对功放进行在线健康监测与故障预警的系统，包括FPGA芯片，与FPGA芯片连接并用于采集功放工作状态信息的高速AD采集芯片，与FPGA芯片连接的Flash芯片，以及与FPGA芯片连接用于实现人机互动的LCD显示屏；所述FPGA芯片包括信号相互传递的AD采样控制模块、FIFO模块、数据预处理模块、卷积神经网络模块和LCD显示驱动模块，其中，AD采样控制模块与高速AD采集芯片相互传递信号用于获取功放工作状态信息，卷积神经网络模块根据功放工作状态信息进行故障预警分析，LCD显示驱动模块向LCD显示屏传递功放运行实时数据以及故障预警结果。
进一步地，所述卷积神经网络模块的构建包括软件端训练网络和硬件端实现网络。
进一步地，所述软件端训练网络构建的具体步骤如下：
(A11)在TensorFlow上用Python语言搭建卷积神经网络；
(A12)根据功放运行历史数据作为数据库训练网络，并由此得到训练完成后的模型；
(A13)将训练好的网络的各权值参数经过浮点转定点的量化处理后生成FPGA芯片中ROM可以读取的COE文件。
进一步地，所述步骤(A12)中根据功放运行历史数据作为数据库，随机选取其中80％的数据作为训练集数据，20％的数据作为测试集数据来训练整个网络，并由此得到训练完成后的模型。
进一步地，所述硬件端实现网络构建的具体步骤如下：
(A21)在Vivado平台用Verilog HDL语言根据流水线设计思想搭建硬件网络环境；
(A22)将步骤(A13)中训练好的网络权值参数以COE文件的形式流入到网络中并验证网络的准确性；
(A23)逻辑综合、布局布线、生成bit流文件。
进一步地，所述高速AD采集芯片的具体采集流程如下：
(B1)FPGA芯片将AD采样控制模块的CONVST引脚信号由低变高，开启AD转换；
(B2)AD采样控制模块判断BUSY信号是否由低变高，如果是则进行下一步，如果不是则继续判断；
(B3)AD转换结束，并将转换结果发送给FPGA芯片。
具体地，所述高速AD采集芯片用于采集功放的温度信息、输入功率信息、功放电压信息、功放电流信息、输出功率信息和反射功率信息。
与现有技术相比，本发明具有以下有益效果：
(1)本发明通过FPGA芯片和高速AD采集芯片实现功放在线健康状态的无缝实时监测。该方法和传统的MCU作为控制芯片配合AD进行状态监测相比，速率快，效率高。
(2)本发明借助卷积神经网络强大的特征提取和分类能力，从功放运行的历史数据中挖掘出不同功放运行参数与故障之间的映射关系，以获得功放故障预警的能力，对提升功放运行的可靠性意义重大。并且采用软件和硬件结合的方式在FPGA上构建卷积神经网络，降低了网络实现的复杂度。
附图说明
图1为本发明的系统结构示意图。
图2为本发明高速AD采集芯片的采集流程图。
图3为本发明卷积神经网络模块构建过程的流程图。
图4为本发明卷积神经网络模块的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明，本发明的实施方式包括但不限于下列实施例。
实施例
如图1至图4所示，一种对功放进行在线健康监测与故障预警的系统，包括FPGA芯片，与FPGA芯片连接并用于采集功放工作状态信息的高速AD采集芯片，与FPGA芯片连接的Flash芯片，以及与FPGA芯片连接用于实现人机互动的LCD显示屏；所述FPGA芯片包括信号相互传递的AD采样控制模块、FIFO模块、数据预处理模块、卷积神经网络模块和LCD显示驱动模块，其中，AD采样控制模块与高速AD采集芯片相互传递信号用于获取功放工作状态信息，卷积神经网络模块根据功放工作状态信息进行故障预警分析，LCD显示驱动模块向LCD显示屏传递功放运行实时数据以及故障预警结果。
如图1所示，该系统选用多通道高精度的16位高速AD采集芯片对功放的关键运行状态信息进行实时采集，采集完成后通过高速串行接口将实时数据发送给FPGA芯片进行处理。FPGA芯片内部构建了可以进行功放故障预警的卷积神经网络模型。FPGA芯片在接收到来自高速AD采集芯片的功放数据后将数据先写入内部FIFO模块，FIFO模块中的数据经过数据预处理后输出给卷积神经网络，然后经过卷积神经网络的运算得到功放故障预警结果。功放运行的实时数据以及故障预警结果可以通过LCD显示驱动模块直接显示在LCD显示屏上，方便进行人机交互。系统中的FPGA芯片的型号为Xilinx XC7VX485T。由于FPGA基于SRAM编程的特性，因此在使用时需要使用额外的Flash或者EEPROM等外部非易失器件来存储其配置信息。本系统选择Linear BPI Flash，优选地，型号为MicronPC28F00AG18FE。
系统中的高速AD采集芯片的型号为AD7606B，它与FPGA芯片通过高速串行接口进行交互。FPGA需要对AD工作时序进行控制以获得正确的采样结果。其工作流程图如图2所示。
卷积神经网络模型在构建时分为软件端训练网络和硬件端实现网络两大步骤，如图3所示。软件端训练时，首先在TensorFlow上用Python语言搭建卷积神经网络。然后以功放运行历史数据作为数据库，随机选取其中80％的数据作为训练集数据，20％的数据作为测试集数据来训练整个网络，并由此得到训练完成后的模型。最后将训练好的网络的各权值参数经过浮点转定点的量化处理后生成FPGA中ROM可以读取的COE文件。硬件端实现网络时，在Xilinx的Vivado平台上用VerilogHDL语言搭建硬件网络环境，然后将FPGA的ROM中的权值参数引入网络。整个网络在逻辑验证成功后经综合优化、布局布线以及生成bit流文件后在FPGA上得以实现。
系统使用的卷积神经网络模型由1个输入层、3个卷积层、1个全连接层和一个输出层组成，如图4所示。该网络去掉了池化操作，通过在卷积层3后和全连接层前引入Dropout层来防止训练集过拟合。模型中的输入层是一个多元时间序列，由n个不同时刻的m个功放关键运行状态信息构成，此处要求m≤n。模型中的全连接层的神经元数根据经验设定为32个，激活函数f(x)采用修正线性单元ReLU(x)，即f(x)＝ReLU(x)＝max(0,x)。输出层有2个神经元，激活函数g(x)为Sigmoid函数，即g(x)＝Sigmoid(x)＝1/(1+e-x)，输出数据分别对应功放正常和故障的概率。模型中的各个卷积层不采用补零机制，滑动步长γ＝1，激活函数f(x)为修正线性单元，假设卷积层1、卷积层2和卷积层3的卷积核尺寸分别为α1×α1，α2×α2和α3×α3，卷积核的数量分别为
和
则几个参数的选取应满足如下几个条件：
α1+α3≤m (1)
2≤α1≤m-2 (2)
2≤α3≤m-2 (3)
选取满足上述约束条件的各个参数进行排列组合，然后分别按照不同参数组合设置网络，训练网络，计算每种参数组合下训练所得模型的召回率、精度和F度量等指标，并选择指标最好的参数作为最终的模型参数。根据卷积神经网络并行运算的特点，从卷积、激活等基本运算入手，通过对基本运算进行并列(层内)、重用或级联(层间)在FPGA上实现所构建的卷积神经网络。
通过上述系统，本发明主要解决两方面的问题：一是功放在线健康状态的实时监测。本方案摒弃常规功放控制保护电路中采用大规模硬件保护电路或者采用MCU等控制器进行状态检测和处理的方案，采用FPGA芯片作为核心控制器，配以高速AD采集芯片，利用FPGA芯片的高速和并行特性来实现对功放运行状态的无缝实时监测。二是功放故障信息的早期预警。本方案充分发挥FPGA芯片的并行处理优势，基于FPGA芯片构建卷积神经网络模型，该模型通过对功放运行状态历史数据的学习来获得故障预警能力，可以根据功放运行状态的实时监测数据来预测其短期变化，对潜在故障进行早期预警，引导功放及时进行自我保护，提升整个系统的可靠性。
本发明可以实现功放运行状态的无缝实时监控以及潜在故障的早期预警，可以将功放故障的“事后保护”变为“事前预防”，进而极大地提升功放乃至整个系统运行的可靠性。
上述实施例仅为本发明的优选实施例，并非对本发明保护范围的限制，但凡采用本发明的设计原理，以及在此基础上进行非创造性劳动而做出的变化，均应属于本发明的保护范围之内。
Claims (7)
1.一种对功放进行在线健康监测与故障预警的系统，其特征在于，包括FPGA芯片，与FPGA芯片连接并用于采集功放工作状态信息的高速AD采集芯片，与FPGA芯片连接的Flash芯片，以及与FPGA芯片连接用于实现人机互动的LCD显示屏；所述FPGA芯片包括信号相互传递的AD采样控制模块、FIFO模块、数据预处理模块、卷积神经网络模块和LCD显示驱动模块，其中，AD采样控制模块与高速AD采集芯片相互传递信号用于获取功放工作状态信息，卷积神经网络模块根据功放工作状态信息进行故障预警分析，LCD显示驱动模块向LCD显示屏传递功放运行实时数据以及故障预警结果。
2.根据权利要求1所述的一种对功放进行在线健康监测与故障预警的系统，其特征在于，所述卷积神经网络模块的构建包括软件端训练网络和硬件端实现网络。
3.根据权利要求2所述的一种对功放进行在线健康监测与故障预警的系统，其特征在于，所述软件端训练网络构建的具体步骤如下：
(A11)在TensorFlow上用Python语言搭建卷积神经网络；
(A12)根据功放运行历史数据作为数据库训练网络，并由此得到训练完成后的模型；
(A13)将训练好的网络的各权值参数经过浮点转定点的量化处理后生成FPGA芯片中ROM可以读取的COE文件。
4.根据权利要求3所述的一种对功放进行在线健康监测与故障预警的系统，其特征在于，所述步骤(A12)中根据功放运行历史数据作为数据库，随机选取其中80％的数据作为训练集数据，20％的数据作为测试集数据来训练整个网络，并由此得到训练完成后的模型。
5.根据权利要求2所述的一种对功放进行在线健康监测与故障预警的系统，其特征在于，所述硬件端实现网络构建的具体步骤如下：
(A21)在Vivado平台用Verilog HDL语言根据流水线设计思想搭建硬件网络环境；
(A22)将步骤(A13)中训练好的网络权值参数以COE文件的形式流入到网络中并验证网络的准确性；
(A23)逻辑综合、布局布线、生成bit流文件。
6.根据权利要求1所述的一种对功放进行在线健康监测与故障预警的系统，其特征在于，所述高速AD采集芯片的具体采集流程如下：
(B1)FPGA芯片将AD采样控制模块的CONVST引脚信号由低变高，开启AD转换；
(B2)AD采样控制模块判断BUSY信号是否由低变高，如果是则进行下一步，如果不是则继续判断；
(B3)AD转换结束，并将转换结果发送给FPGA芯片。
7.根据权利要求1所述的一种对功放进行在线健康监测与故障预警的系统，其特征在于，所述高速AD采集芯片用于采集功放的温度信息、输入功率信息、功放电压信息、功放电流信息、输出功率信息和反射功率信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010618062.4A CN111896823A (zh) | 2020-06-30 | 2020-06-30 | 一种对功放进行在线健康监测与故障预警的系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010618062.4A CN111896823A (zh) | 2020-06-30 | 2020-06-30 | 一种对功放进行在线健康监测与故障预警的系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111896823A true CN111896823A (zh) | 2020-11-06 |
Family
ID=73191129
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010618062.4A Pending CN111896823A (zh) | 2020-06-30 | 2020-06-30 | 一种对功放进行在线健康监测与故障预警的系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111896823A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114264911A (zh) * | 2022-03-03 | 2022-04-01 | 成都市克莱微波科技有限公司 | 一种功率放大器可靠性测试方法及测试系统 |
| CN116400201A (zh) * | 2023-06-06 | 2023-07-07 | 中诚华隆计算机技术有限公司 | 一种芯粒工作状态监测方法、装置、电子设备及存储介质 |
| CN116471198A (zh) * | 2023-06-19 | 2023-07-21 | 南京典格通信科技有限公司 | 一种基于受限玻尔兹曼机的功放故障预测方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201467381U (zh) * | 2009-04-28 | 2010-05-12 | 陕西科技大学 | 一种发射机运行智能监测控制器 |
| CN108229670A (zh) * | 2018-01-05 | 2018-06-29 | 中国科学技术大学苏州研究院 | 基于fpga的深度神经网络加速平台 |
| CN109444604A (zh) * | 2018-12-13 | 2019-03-08 | 武汉理工大学 | 一种基于卷积神经网络的dc/dc变换器故障诊断方法 |
| CN109636802A (zh) * | 2019-01-18 | 2019-04-16 | 天津工业大学 | 基于深度卷积神经网络的肺实质经ct图像分割方法 |
| CN109902802A (zh) * | 2019-01-22 | 2019-06-18 | 西安电子科技大学 | 基于fpga的卷积神经网络训练系统及方法 |
| CN110110905A (zh) * | 2019-04-17 | 2019-08-09 | 华电国际电力股份有限公司十里泉发电厂 | 一种基于cnn的电力设备故障判断预警方法，终端及可读存储介质 |
| CN110609524A (zh) * | 2019-08-14 | 2019-12-24 | 华中科技大学 | 一种工业设备剩余寿命预测模型及其构建方法和应用 |
| CN110728283A (zh) * | 2019-10-11 | 2020-01-24 | 高新兴科技集团股份有限公司 | 一种车牌类型识别方法及设备 |
| CN110880038A (zh) * | 2019-11-29 | 2020-03-13 | 中国科学院自动化研究所 | 基于fpga的加速卷积计算的系统、卷积神经网络 |
| CN111931913A (zh) * | 2020-08-10 | 2020-11-13 | 西安电子科技大学 | 基于Caffe的卷积神经网络在FPGA上的部署方法 |
| CN113284600A (zh) * | 2021-05-08 | 2021-08-20 | 武汉联影医疗科技有限公司 | 故障预测方法、装置、计算机设备和存储介质 |
-
2020
- 2020-06-30 CN CN202010618062.4A patent/CN111896823A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201467381U (zh) * | 2009-04-28 | 2010-05-12 | 陕西科技大学 | 一种发射机运行智能监测控制器 |
| CN108229670A (zh) * | 2018-01-05 | 2018-06-29 | 中国科学技术大学苏州研究院 | 基于fpga的深度神经网络加速平台 |
| CN109444604A (zh) * | 2018-12-13 | 2019-03-08 | 武汉理工大学 | 一种基于卷积神经网络的dc/dc变换器故障诊断方法 |
| CN109636802A (zh) * | 2019-01-18 | 2019-04-16 | 天津工业大学 | 基于深度卷积神经网络的肺实质经ct图像分割方法 |
| CN109902802A (zh) * | 2019-01-22 | 2019-06-18 | 西安电子科技大学 | 基于fpga的卷积神经网络训练系统及方法 |
| CN110110905A (zh) * | 2019-04-17 | 2019-08-09 | 华电国际电力股份有限公司十里泉发电厂 | 一种基于cnn的电力设备故障判断预警方法，终端及可读存储介质 |
| CN110609524A (zh) * | 2019-08-14 | 2019-12-24 | 华中科技大学 | 一种工业设备剩余寿命预测模型及其构建方法和应用 |
| CN110728283A (zh) * | 2019-10-11 | 2020-01-24 | 高新兴科技集团股份有限公司 | 一种车牌类型识别方法及设备 |
| CN110880038A (zh) * | 2019-11-29 | 2020-03-13 | 中国科学院自动化研究所 | 基于fpga的加速卷积计算的系统、卷积神经网络 |
| CN111931913A (zh) * | 2020-08-10 | 2020-11-13 | 西安电子科技大学 | 基于Caffe的卷积神经网络在FPGA上的部署方法 |
| CN113284600A (zh) * | 2021-05-08 | 2021-08-20 | 武汉联影医疗科技有限公司 | 故障预测方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 魏立线等: "基于卷积神经网络的图像隐写分析方法", 《计算机应用研究》, pages 235 - 238 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114264911A (zh) * | 2022-03-03 | 2022-04-01 | 成都市克莱微波科技有限公司 | 一种功率放大器可靠性测试方法及测试系统 |
| CN114264911B (zh) * | 2022-03-03 | 2022-05-20 | 成都市克莱微波科技有限公司 | 一种功率放大器可靠性测试方法及测试系统 |
| CN116400201A (zh) * | 2023-06-06 | 2023-07-07 | 中诚华隆计算机技术有限公司 | 一种芯粒工作状态监测方法、装置、电子设备及存储介质 |
| CN116400201B (zh) * | 2023-06-06 | 2023-08-11 | 中诚华隆计算机技术有限公司 | 一种芯粒工作状态监测方法、装置、电子设备及存储介质 |
| CN116471198A (zh) * | 2023-06-19 | 2023-07-21 | 南京典格通信科技有限公司 | 一种基于受限玻尔兹曼机的功放故障预测方法 |
| CN116471198B (zh) * | 2023-06-19 | 2023-10-03 | 南京典格通信科技有限公司 | 一种基于受限玻尔兹曼机的功放故障预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111896823A (zh) | 一种对功放进行在线健康监测与故障预警的系统 | |
| CN112818035B (zh) | 一种网络故障预测方法及终端设备及存储介质 | |
| CN113343633A (zh) | 动力锂电池热失控故障分类及风险预测方法、系统 | |
| CN113139335B (zh) | 一种基于bp神经网络的轨道电路故障智能诊断方法 | |
| WO2022174679A1 (zh) | 单体电池电压不一致故障预测方法、装置及服务器 | |
| CN113895272A (zh) | 基于深度学习的电动汽车交流充电状态监测和故障预警方法 | |
| CN109514560A (zh) | 工业机器人故障监控系统、方法以及装置 | |
| CN116840765B (zh) | 一种基于多元时序分析的电压互感器误差状态评估方法 | |
| CN111765075B (zh) | 一种锻造液压机泵源故障预测方法及系统 | |
| CN117150357A (zh) | 基于多传感器相关特征融合的旋转机械设备故障诊断方法 | |
| CN114266201A (zh) | 一种基于深度学习的自注意力电梯困人预测方法 | |
| CN117056865B (zh) | 一种基于特征融合的机泵设备运行故障诊断方法及装置 | |
| CN114462453A (zh) | 全断面隧道掘进机刀盘扭矩长时间预测方法及系统 | |
| CN116008734B (zh) | 基于数据处理的电力信息设备故障预测方法 | |
| CN116975775B (zh) | 基于多模态数据融合的煤矿瓦斯突出预测的深度学习方法 | |
| CN111126750B (zh) | 一种关键单元确定方法、装置和存储介质 | |
| Wang et al. | Application of SVM based on rough set in electricity prices forecasting | |
| CN116739996A (zh) | 基于深度学习的输电线路绝缘子故障诊断方法 | |
| CN212305308U (zh) | 一种飞行器遥测采编装置 | |
| CN108830382A (zh) | 一种基于动态证据网络的dcs可靠性评价方法 | |
| US4751673A (en) | System for direct comparison and selective transmission of a plurality of discrete incoming data | |
| Huang et al. | Ship trajectory anomaly detection based on multi-feature fusion | |
| Zhang et al. | A Fault Diagnosis and Predictive Maintenance Algorithm for Mechanical Systems Based on Deep Learning | |
| CN115630563A (zh) | 一种光伏阵列故障检测方法、装置及电子设备 | |
| CN118275007B (zh) | 基于有限传感器的矿用电铲动臂应力状态监测系统及方法 |
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: 20201106 |
|
| RJ01 | Rejection of invention patent application after publication |