CN112285541A - 一种电流频率转换电路的故障诊断方法 - Google Patents

一种电流频率转换电路的故障诊断方法 Download PDF

Info

Publication number
CN112285541A
CN112285541A CN202010998121.5A CN202010998121A CN112285541A CN 112285541 A CN112285541 A CN 112285541A CN 202010998121 A CN202010998121 A CN 202010998121A CN 112285541 A CN112285541 A CN 112285541A
Authority
CN
China
Prior art keywords
fault
wolf
conversion circuit
particles
current
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
CN202010998121.5A
Other languages
English (en)
Other versions
CN112285541B (zh
Inventor
卜雄洙
朱颖
付明睿
卜伟雄
胡隽
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.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
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 Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN202010998121.5A priority Critical patent/CN112285541B/zh
Publication of CN112285541A publication Critical patent/CN112285541A/zh
Application granted granted Critical
Publication of CN112285541B publication Critical patent/CN112285541B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tests Of Electronic Circuits (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种电流频率转换电路的故障诊断方法，该方法提出了具有引力搜索策略的灰狼混合优化算法(GSA‑GWO)，并首次提出将该模型应用于IF转换电路的故障诊断中；首先，通过小波包分解对IF转换电路的输出信号进行能量特征提取，有效降低特征向量维度；其次，采用引力搜索的灰狼混合优化算法优化SVM模型参数，建立GSA‑GWO‑SVM故障诊断模型；最后，对IF转换电路进行故障诊断验证实验，并与其他方法进行对比。对比结果表明，该方法相对于传统方法，能更好地提高故障诊断率，缩短诊断所用时间。

Description

一种电流频率转换电路的故障诊断方法
技术领域
本发明涉及模拟电子电路故障诊断技术，具体涉及一种基于电流频率转换电路的故障诊断方法。
背景技术
在惯性系统中，陀螺、加速度计等采用电流反馈控制的敏感器件，都是将电流/频率转换电路(I/F转换电路)作为模拟系统向数字系统转换的途径。随着我国惯导事业的迅猛发展，惯性系统的产量不断增加，精度水平也不断提高。I/F转换电路作为惯性系统通用测量模块，也得到了快速的发展。但是，由于模拟信号连续性、电子元器件特有的容差特征以及模拟电路的非线性等一系列不稳定因素，极大地增加了IF转换电路故障发生的概率，电路中元器件发生参数性变化而导致的电力事故及电路板损坏情况屡见不鲜。为了保证惯性导航系统运行时的可靠性和稳定性，对IF转换电路的故障诊断手段的研究显得尤为重要。
目前，已有的故障诊断方法多采用解析模型的方法建立数学模型，通过对比输出响应信号的不同点判断模拟电路是否发生故障，但是，这个过程中需要进行大量计算，而且难以建立较为精确的数学表达式。
发明内容
本发明的目的在于提供一种电流频率转换电路的故障诊断方法。
实现本发明目的的技术解决方案为：一种电流频率转换电路的故障诊断方法，包括以下步骤：
步骤1、信号激励与数据采集：对电流频率转换电路输入0～3mA阶跃电流信号，分别在非线性故障和不同参数故障的情况下采集输出响应信号；
步骤2、特征提取与SVM建模：采用小波包分解得到各层高、低频系数，再利用小波重构的方法对数据进行降维处理，将最优特征子集构造的样本数据作为SVM的特征数据集，建立故障模型；
步骤3、参数优化与实验验证：在原有灰狼算法的基础上，引入引力搜索策略，利用引力搜索的灰狼混合优化算法优化SVM模型参数，并将该模型应用在已有的电流频率转换电路上进行验证。
本发明与现有技术相比，其显著优点如下：(1)采用小波包分析的特征提取方法分别提取高、低频系数能量，得到对应的能量特征矩阵，减小了输入数据维度，大大降低了计算量；(2)采用本发明方法优化后的SVM故障诊断模型比用传统的GWO-SVM算法诊断的SVM模型，具有明显的优化效果，该方法在保证较高正确率的情况下，收敛速度更快，寻优能力更好；(3)将GSA-GWO-SVM模型应用于IF转化电路中，进一步拓宽了IF转换电路的研究内容，具有一定的工程应用价值。
下面结合附图对本发明作进一步详细描述。
附图说明
图1本发明小波包分解系数图。
图2本发明整体方案流程图。
图3本发明IF转换电路故障诊断结果图。
具体实施方式
近些年，受生物群体社会行为的启发，并伴随人工智能领域的迅猛发展，不少学者将智能优化算法引入到模拟电路的故障诊断研究中，包括粒子群优化算法、萤火虫优化算法以及遗传算法等。灰狼算法作为一种新型智能优化算法，相比于其他智能优化算法，具有优化参数少、鲁棒性高的优点，并且在收敛能力和搜索时间等方面均有所提高。
本发明基于I/F转换电路提供一种改进的模拟电路故障诊断优化算法，将引力搜索策略融入到传统的灰狼算法中，使得在算法迭代前期有更多的粒子具有全局吸引力，增强了算法的全局都搜索能力，将该算法应用到IF转换电路中，可以实现IF转换电路的故障诊断。
本发明的一种电流频率转换电路的故障诊断方法，包括以下步骤：
步骤1、信号激励与数据采集：对电流频率转换电路输入0～3mA阶跃电流信号，分别在非线性故障和不同参数故障的情况下采集输出响应信号；
步骤2、特征提取与SVM建模：采用小波包分解得到各层高、低频系数，再利用小波重构的方法对数据进行降维处理，将最优特征子集构造的样本数据作为SVM的特征数据集，建立故障模型；
步骤3、参数优化与实验验证：在原有灰狼算法的基础上，引入引力搜索策略，利用引力搜索的灰狼混合优化算法优化SVM模型参数，并将该模型应用在已有的电流频率转换电路上进行验证。
进一步的，所述步骤1中信号激励与数据采集方法具体为：
以工业级IF转换电路为实验对象，±12V电压源对其进行供电，采用恒流源输入恒值稳定电流，通过频率计采集输出频率，分别在不同故障模式下对其进行实验，采集IF转换电路在故障状态下和正常状态下的阶跃响应信号，该输出电压响应信号即为获得的最原始故障信息。IF转换电路故障类型主要包括小电流输入时的阈值非线性故障、大电流输入时的饱和非线性故障、电路元器件参数过大时的故障。电流输入过小时，输出频率会产生死区，电流输入过大时，输出频率会达到饱和，另外，元件参数发生变化时会使IF转换电路产生软故障。在不同故障类型下，采集对应的输出电压响应信号，可以获得原始故障信息。
进一步的，所述步骤2中选择3层Haar小波对输出频率信号进行小波分解，分别得到分解后的输出电压波形和各层小波包系数，计算高、低频率段上的能量得到不同故障状态下的小波系数能量矩阵，将能量值进行归一化后作为故障特征。将故障数据集作归一化处理，选择高斯径向基函数，采用交叉验证得到最佳参数C与g，进而对整个训练集进行训练得到SVM模型。
进一步的，所述步骤3中在原有灰狼算法的基础上，引入引力搜索策略，采用GSA-GWO算法建立SVM模型，并对IF待测电路进行故障诊断分析。
采用GSA-GWO灰狼算法优化SVM模型参数方法具体为：
通过引入引力搜索策略，对IF待测电路进行故障诊断分析。引力搜索的灰狼混合优化算法具体步骤如下：
(1)随机产生初始种群Xi，i＝1，2，…，N，初始化种群参数，包括迭代次数t、维度D和搜索空间。
(2)计算每只灰狼的适应度值，根据万有引力确定质量最大的粒子方向。
(3)开始迭代，遍历灰狼种群依据万有引力信息主导搜索方向，实现种群个体的位置更新。
(4)在原有种群中选择适应度值最大的灰狼个体，得到目前最优参数值。
(5)循环迭代，判断t是否达到最大迭代次数，如果是，则结束循环；反之，则返回步骤(3)继续迭代。
引力搜索策略是根据粒子间的相互作用力不同，来改变粒子在迭代过程中的速度和方向；GSA-GWO算法是将所有粒子视为有质量的粒子，粒子之间存在着万有引力，通过万有引力提供的加速度促使粒子向质量大的粒子聚拢，如果将粒子质量和适应度相关联，计算每只灰狼的适应度值，确定父代种群中的α狼、β狼、β狼，其中，α狼、β狼、δ狼分别代表参数优化过程中的最优解、次优解和第三优解。
具体的万有引力公式为：
Figure BDA0002693313740000041
式中，Fij d(t)为粒子间的万有引力；G(t)为迭代t次的引力常量；ε是极小常量；Rij(t)为粒子之间的欧氏距离；Mi(t)和Mj(t)分别为两个粒子的引力质量；xj d(t)和xi d(t)分别为两个粒子的相对距离；
具体的粒子质量计算方法为：
Figure BDA0002693313740000042
式中，Mi(t)和fi(t)分别为第i个粒子的质量和适应度值；fbest(t)和fworst(t)分别是最优和最差适应度值；t为迭代次数。
根据牛顿第二定律可知，物体的加速度和作用力成正比，因此，灰狼个体能够产生的加速度为：
ai d(t)＝Fi d(t)/Mi(t) (3)
式中，ai d(t)表示粒子i在每个维度方向上的加速度；Fi d(t)为粒子i受到的万有引力；Mi(t)表示粒子i的惯性质量；
灰狼种群依据引力搜索策略主导搜索方向，加速度会促使粒子向作用力大的方向移动，从而实现灰狼个体的位置更新，具体的速度和位置更新公式为：
Figure BDA0002693313740000043
式中，vd i(t+1)和xd i(t+1)表示经过t+1次迭代后粒子i的速度和位置坐标；vi d(t)、xi d(t)和ai d(t)分别表示t次迭代后粒子i的速度、位置坐标和加速度；ri表示权重。
通过不断的更新迭代，找到灰狼个体间万有引力最大的位置即可获得参数最优解。
以下结合实施例并配合附图对本发明的技术内容及效果进行详细说明。
实施例
如图2所示，一种电流频率转换电路的故障诊断方法，具体步骤如下：
步骤1、信号激励与数据采集。对电流/频率转换电路输入0～3mA阶跃电流信号，分别在非线性故障和不同参数故障的情况下采集输出响应信号。
确定工业级IF转换电路为故障诊断的待测电路，数据样本集合分别为：小电流输入时的阈值非线性特征、大电流输入时的饱和非线性特征、采样电阻R1阻值过大时的数据特征，得到每种故障类型下50组电压输出值，并将其作为原始样本集。
步骤2、特征提取与SVM建模。如图1所示，采用小波包分解得到各层高、低频系数，再利用小波重构的方法对数据进行降维处理，将最优特征子集构造的样本数据作为SVM的特征数据集，建立故障模型。
选择3层Haar小波对输出频率信号进行小波分解，分别得到分解后的输出电压波形和各层小波包系数d3、d2、d1，计算高、低频率段上的能量得到不同故障状态下的小波系数能量矩阵，将能量值进行归一化后作为故障特征。将故障数据集作归一化处理，选择高斯径向基函数，采用交叉验证得到最佳参数C与g，进而对整个训练集进行训练得到SVM模型。
步骤3、参数优化与试验验证。在原有灰狼算法的基础上，引入引力搜索策略，利用改进后的灰狼算法优化SVM模型参数，并将该模型应用在已有的IF转换电路上进行验证。
首先，初始化GSA-GWO算法中的相关参数，包括迭代次数t、灰狼种群维度D和搜索空间范围等，随机初始化灰狼种群的位置，用GSA-GWO算法优化支持向量机的惩罚参数c和核函数g，在提取到训练数据的特征之后，将特征参数输入到SVM中进行训练，得到基于GSA-GWO算法的故障诊断模型，通过测试数据计算得出GSA-GWO-SVM模型的准确率为96.59％，IF转换电路的诊断结果如图3所示。
从图3中可以看出，第一类故障模式的所有测试样本都诊断正确；第二类故障模式只有2个故障被错误诊断为故障1；第三类故障模式有5个故障被错误诊断为故障1，说明采用灰狼优化算法优化过的支持向量机对故障的分类效果明显。
为进一步说明本文所提出的灰狼优化支持向量机方法的有效性，用标准的GWO-SVM算法FA-SVM算法对该电路进行故障诊断，各个模型的迭代时间和测试分类准确率如表1所示。
表1诊断结果比较
优化算法 迭代时间(s) 故障准确率
GSA-GWO-SVM 4.752 96.59％
GWO-SVM 10.365 90.90％
FA-SVM 3.756 89.77％
从诊断结果中可以看出，采用本发明提出的引力搜索的灰狼混合算法(GSA-GWO-SVM)优化SVM参数后，较传统的灰狼算法(GWO-SVM)迭代时间缩短，故障准确率提升效果明显。另外，与萤火虫算法(FA-SVM)相比较，故障准确率差距明显，迭代时间相差不大，说明本文提出优化算法具有较高的准确度和实用性。

Claims (4)

1.一种电流频率转换电路的故障诊断方法，其特征在于，包括以下步骤：
步骤1、信号激励与数据采集：对电流频率转换电路输入0～3mA阶跃电流信号，分别在非线性故障和不同参数故障的情况下采集输出响应信号；
步骤2、特征提取与SVM建模：采用小波包分解得到各层高、低频系数，再利用小波重构的方法对数据进行降维处理，将最优特征子集构造的样本数据作为SVM的特征数据集，建立故障模型；
步骤3、参数优化与实验验证：在原有灰狼算法的基础上，引入引力搜索策略，利用引力搜索的灰狼混合优化算法优化SVM模型参数，并将该模型应用在已有的电流频率转换电路上进行验证。
2.根据权利要求1所述电流频率转换电路的故障诊断方法，其特征在于，所述步骤1中电流频率转换电路故障类型包括小电流输入时的阈值非线性故障、大电流输入时的饱和非线性故障、电路元器件参数过大时的故障；在不同故障类型下，采集对应的输出电压响应信号，获得原始故障信息。
3.根据权利要求1所述电流频率转换电路的故障诊断方法，其特征在于，所述步骤2中选择3层Haar小波对输出频率信号进行小波分解，分别得到分解后的输出电压波形和各层小波包系数，计算高、低频率段上的能量得到不同故障状态下的小波系数能量矩阵，将能量值进行归一化后作为故障特征；将故障数据集作归一化处理，选择高斯径向基函数，采用交叉验证得到最佳参数C与g，进而对整个训练集进行训练得到SVM模型。
4.根据权利要求1所述电流频率转换电路的故障诊断方法，其特征在于，所述步骤3中在原有灰狼算法的基础上，引入引力搜索策略，采用GSA-GWO算法建立SVM模型，并对IF待测电路进行故障诊断分析；
引力搜索策略是根据粒子间的相互作用力不同，来改变粒子在迭代过程中的速度和方向；GSA-GWO算法是将所有粒子视为有质量的粒子，粒子之间存在着万有引力，通过万有引力提供的加速度促使粒子向质量大的粒子聚拢，如果将粒子质量和适应度相关联，计算每只灰狼的适应度值，确定父代种群中的α狼、β狼、δ狼，其中，α狼、β狼、δ狼分别代表参数优化过程中的最优解、次优解和第三优解；
具体的万有引力公式为：
Figure FDA0002693313730000021
式中，Fij d(t)为粒子间的万有引力；G(t)为迭代t次的引力常量；ε是极小常量；Rij(t)为粒子之间的欧氏距离；Mi(t)和Mj(t)分别为两个粒子的引力质量；xj d(t)和xi d(t)分别为两个粒子的相对距离；
具体的粒子质量计算方法为：
Figure FDA0002693313730000022
式中，Mi(t)和fi(t)分别为第i个粒子的质量和适应度值；fbest(t)和fworst(t)分别是最优和最差适应度值；t为迭代次数；
根据牛顿第二定律可知，物体的加速度和作用力成正比，因此，灰狼个体能够产生的加速度为：
ai d(t)＝Fi d(t)/Mi(t) (3)
式中，ai d(t)表示粒子i在每个维度方向上的加速度；Fi d(t)为粒子i受到的万有引力；Mi(t)表示粒子i的惯性质量；
灰狼种群依据引力搜索策略主导搜索方向，加速度会促使粒子向作用力大的方向移动，从而实现灰狼个体的位置更新，具体的速度和位置更新公式为：
Figure FDA0002693313730000023
式中，vd i(t+1)和xd i(t+1)表示经过t+1次迭代后粒子i的速度和位置坐标；vi d(t)、xi d(t)和ai d(t)分别表示t次迭代后粒子i的速度、位置坐标和加速度；ri表示权重；
通过不断的更新迭代，找到灰狼个体间万有引力最大的位置即可获得参数最优解。
CN202010998121.5A 2020-09-21 2020-09-21 一种电流频率转换电路的故障诊断方法 Active CN112285541B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010998121.5A CN112285541B (zh) 2020-09-21 2020-09-21 一种电流频率转换电路的故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010998121.5A CN112285541B (zh) 2020-09-21 2020-09-21 一种电流频率转换电路的故障诊断方法

Publications (2)

Publication Number Publication Date
CN112285541A true CN112285541A (zh) 2021-01-29
CN112285541B CN112285541B (zh) 2023-05-30

Family

ID=74421172

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010998121.5A Active CN112285541B (zh) 2020-09-21 2020-09-21 一种电流频率转换电路的故障诊断方法

Country Status (1)

Country Link
CN (1) CN112285541B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117991082A (zh) * 2024-04-07 2024-05-07 垣矽技术(青岛)有限公司 一种适用于电流频率转换芯片的故障诊断监管系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB632424A (en) * 1944-07-20 1949-11-28 Samuel Clay Hurley Improvements in or relating to an apparatus for controlling the flow of current through an electronic circuit for the photoelectric inspection of articles
US20150112976A1 (en) * 2013-10-17 2015-04-23 Nicole Lang Beebe Relevancy ranking information retrieval system and method of using the same
CN108520272A (zh) * 2018-03-22 2018-09-11 江南大学 一种改进苍狼算法的半监督入侵检测方法
CN109341722A (zh) * 2018-11-21 2019-02-15 中国船舶重工集团公司第七0七研究所 一种高精度if转换模块标定所用的多通路恒流源
CN109828860A (zh) * 2019-02-01 2019-05-31 重庆科技学院 一种基于gsa优化svm的故障诊断方法
CN110132596A (zh) * 2019-04-24 2019-08-16 昆明理工大学 一种基于小波包和gwo-svm的滚动轴承故障诊断的方法
CN111090032A (zh) * 2019-12-13 2020-05-01 北京航天时代光电科技有限公司 一种电流/频率转换电路自动化多通道测试系统
CN111563348A (zh) * 2020-04-10 2020-08-21 西安工程大学 基于深度支持向量机的变压器故障诊断方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB632424A (en) * 1944-07-20 1949-11-28 Samuel Clay Hurley Improvements in or relating to an apparatus for controlling the flow of current through an electronic circuit for the photoelectric inspection of articles
US20150112976A1 (en) * 2013-10-17 2015-04-23 Nicole Lang Beebe Relevancy ranking information retrieval system and method of using the same
CN108520272A (zh) * 2018-03-22 2018-09-11 江南大学 一种改进苍狼算法的半监督入侵检测方法
CN109341722A (zh) * 2018-11-21 2019-02-15 中国船舶重工集团公司第七0七研究所 一种高精度if转换模块标定所用的多通路恒流源
CN109828860A (zh) * 2019-02-01 2019-05-31 重庆科技学院 一种基于gsa优化svm的故障诊断方法
CN110132596A (zh) * 2019-04-24 2019-08-16 昆明理工大学 一种基于小波包和gwo-svm的滚动轴承故障诊断的方法
CN111090032A (zh) * 2019-12-13 2020-05-01 北京航天时代光电科技有限公司 一种电流/频率转换电路自动化多通道测试系统
CN111563348A (zh) * 2020-04-10 2020-08-21 西安工程大学 基于深度支持向量机的变压器故障诊断方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
FANKANG BU 等: "Radar Seeker Anti-jamming Performance Prediction and Evaluation Method Based on the Improved Grey Wolf Optimizer Algorithm and Support Vector Machine", 《2020 IEEE 3RD INTERNATIONAL CONFERENCE ON ELECTRONICS TECHNOLOGY》 *
张晓风 等: "灰狼优化算法研究综述", 《计算机科学》 *
王志华 等: "基于混沌灰狼优化算法的SVM分类器研究", 《计算机工程与科学》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117991082A (zh) * 2024-04-07 2024-05-07 垣矽技术(青岛)有限公司 一种适用于电流频率转换芯片的故障诊断监管系统
CN117991082B (zh) * 2024-04-07 2024-06-11 垣矽技术(青岛)有限公司 一种适用于电流频率转换芯片的故障诊断监管系统

Also Published As

Publication number Publication date
CN112285541B (zh) 2023-05-30

Similar Documents

Publication Publication Date Title
US10776232B2 (en) Deep belief network feature extraction-based analogue circuit fault diagnosis method
Zheng et al. A rolling bearing fault diagnosis method based on multi-scale fuzzy entropy and variable predictive model-based class discrimination
CN111192631B (zh) 用于构建用于预测蛋白质-rna相互作用结合位点模型的方法和系统
US10706332B2 (en) Analog circuit fault mode classification method
CN111562108A (zh) 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
CN102279358B (zh) 一种基于mcskpca的神经网络模拟电路故障诊断方法
CN105389480B (zh) 多类不平衡基因组学数据迭代集成特征选择方法及系统
CN111343147B (zh) 一种基于深度学习的网络攻击检测装置及方法
CN103412557A (zh) 一种适于非线性过程在线监控的工业故障检测与诊断方法
CN115580445B (zh) 一种未知攻击入侵检测方法、装置和计算机可读存储介质
CN111243682A (zh) 药物的毒性预测方法及装置、介质和设备
CN111398798A (zh) 基于振动信号区间特征提取的断路器储能状态辨识方法
CN113447759A (zh) 一种多分类的rvm电网故障判别方法和系统
CN112285541B (zh) 一种电流频率转换电路的故障诊断方法
CN116522153A (zh) 锂电池容量预测方法、装置、计算机设备和存储介质
CN111461923A (zh) 一种基于深度卷积神经网络的窃电监测系统和方法
CN113011164B (zh) 数据质量检测方法、装置、电子设备及介质
CN112906672B (zh) 钢轨缺陷识别方法及系统
CN114118174A (zh) 一种滚动轴承故障诊断方法及系统
Hatherall et al. Remaining discharge energy estimation for lithium-ion batteries using pattern recognition and power prediction
CN113987910A (zh) 一种耦合神经网络与动态时间规划的居民负荷辨识方法及装置
Torp et al. Driving cycle generation using statistical analysis and markov chains
CN117743971A (zh) 电动汽车直流串联电弧故障检测方法、装置、设备及介质
CN112541524A (zh) 基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法
CN110610203A (zh) 基于dwt和极限学习机的电能质量扰动分类方法

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
GR01 Patent grant
GR01 Patent grant