CN112505531B - 基于支持向量优选的电路故障诊断方法及其装置 - Google Patents

基于支持向量优选的电路故障诊断方法及其装置 Download PDF

Info

Publication number
CN112505531B
CN112505531B CN202110150666.5A CN202110150666A CN112505531B CN 112505531 B CN112505531 B CN 112505531B CN 202110150666 A CN202110150666 A CN 202110150666A CN 112505531 B CN112505531 B CN 112505531B
Authority
CN
China
Prior art keywords
support vector
data
fault diagnosis
sample data
circuit
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
Application number
CN202110150666.5A
Other languages
English (en)
Other versions
CN112505531A (zh
Inventor
邓威
罗康
杨葳
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.)
Hunan Yaoguang Technology Co ltd
Original Assignee
Hunan Yaoguang Technology Co ltd
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 Hunan Yaoguang Technology Co ltd filed Critical Hunan Yaoguang Technology Co ltd
Priority to CN202110150666.5A priority Critical patent/CN112505531B/zh
Publication of CN112505531A publication Critical patent/CN112505531A/zh
Application granted granted Critical
Publication of CN112505531B publication Critical patent/CN112505531B/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
    • G01R31/2832—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
    • 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

Abstract

本发明提供一种基于支持向量优选的电路故障诊断方法及其装置，包括：获取电路各状态下的样本数据，并进行数据预处理；根据获得的样本数据对两两状态之间构建SVM分类器，通过计算得到各状态下的支持向量作为训练样本数据；利用支持向量数据构建故障诊断模型，应用故障诊断模型进行故障诊断，输出诊断结果。与相关技术相比，本发明提供的基于支持向量优选的电路故障诊断方法及其装置，其提高故障诊断的准确性，减少计算量。

Description

基于支持向量优选的电路故障诊断方法及其装置
技术领域
本发明涉及故障诊断技术领域，尤其涉及一种基于支持向量优选的电路故障诊断方法、装置、终端设备及其存储介质。
背景技术
电路是电子设备的基础，随着现代电子设备结构复杂化、自动化程度的不断提高，同一设备的不同电路间、不同设备间都存在着复杂的藕合关系，一个电路元器件的故障可能导致设备功能失效，甚至整个生产线无法正常运行，轻则造成停机、停产，重则可能产生甚至灾难性的人员伤亡。为了保证设备长期高效的安全运行，电路故障诊断技术得到了广泛的研究，这不仅可减少设备的带故障运行时间，降低了因故障导致的停机及额外拆卸，而且提高了电子产品可用性、可靠性，降低了使用与维护费用。
然而在工程实际中，基于分类器的故障诊断模型的效果很大程度上取决于训练样本数据的质量与数量，如何确定合适的训练样本及样本数量仍然是一个难题，选择不合适的训练样本数据会降低故障诊断的准确性，出现虚警现象，选取的训练数据数量过多，则会导致诊断模型复杂、诊断过程计算量过大等问题，影响诊断效率。
因此，有必要提供一种新型的基于支持向量优选的电路故障诊断方法。装置、终端设备及其存储介质，以克服上述缺陷。
发明内容
本发明的目的在于提供一种新型的基于支持向量优选的电路故障诊断方法，其提高故障诊断的准确性，减少计算量。
为了达到上述目的，本发明提供一种基于支持向量优选的电路故障诊断方法包括：
获取电路各状态下的样本数据，并进行数据预处理；
根据获得的样本数据对两两状态之间构建SVM分类器，通过计算得到各状态下的支持向量作为训练样本数据；
利用支持向量数据构建故障诊断模型，应用故障诊断模型进行故障诊断，输出诊断结果。
作为本发明的另一方面，本发明还提供一种基于支持向量优选的电路故障诊断装置包括：
预处理模块，获取电路各状态下的样本数据，并进行数据预处理；
支持向量模块，根据SVM分类器获取支持向量作为训练样本数据；
诊断模块，根据支持向量数据构建故障诊断模型，输出诊断数据。
作为本发明的第二方面，本发明还提供一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
作为本发明的第三方面，本发明还提供一种计算机可读介质，所述计算机可读介质存储有计算机程序，所述计算机程序被处理执行时实现上述方法的步骤。
与相关技术相比较，本发明的基于支持向量优选的电路故障诊断方法。装置。终端设备及其存储介质的优点及积极效果在于：
1.本发明提出了一种基于支持向量优选的训练样本选取方法，使得诊断模型对训练样本的选择更加合理，提高了故障诊断的准确性。
2.本发明提出的基于支持向量的故障诊断模型结构简单，诊断过程中只需计算待诊断数据与支持向量之间的相关关系即可实现故障诊断，减少了计算量。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图，其中：
图1为本发明基于支持向量优选的电路故障诊断方法的电源电路的结构示意图；
图2为本发明基于支持向量优选的电路故障诊断方法的流程图；
图3为本发明基于支持向量优选的电路故障诊断装置的结构示意图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，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做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1，本发明提供一种基于支持向量优选的电路故障诊断方法主要应用产品对象是电源电路的故障诊断，因此图1为本发明实施例所对应的电源电路，仅用于对本发明做详细说明，并不是对电源电路产品的限定。
电源电路由5V外部供电，对外可输出3.3V、0.9V电压。在电源电路上设故障注入接口如P1、P2，通过故障注入接口可注入相应的故障，其中T1、T2表示测试点。通过P1的短路冒设计，将短路冒拔出，模拟3.3V电压转换芯片的输入端开路故障，通过P2的的短路冒设计，将短路冒拔出，模拟0.9V转换芯片的输入端开路故障。
本发明实施例电源电路包括两个电压转换芯片，两个电压转换芯片分别为3.3V电压转换芯片和0.9V电压转换芯片，3.3V电压转换芯片的VIN端设置P1故障注入口，P1故障注入口外接5V电压，0.9V电压转换芯片的VIN端设置P2故障注入口，P2故障注入口与3.3V电压转换芯片VOUT端连接，P1和P2均采用短路冒设计。
P1外接5V电压的一端通过电容C与3.3V电压转换芯片的接地端连接，3.3V电压转换芯片的VOUT端通过电容C1-6与3.3V电压转换芯片的接地端连接。
P2与3.3V电压转换芯片的VOUT端连接的一端设有发光二极管LD1-4，发光二极管LD1-4通过电阻R1-4接地，P2与3.3V电压转换芯片的VOUT端连接的一端通过电容C1-11接地，0.9V电压转换芯片的电压调节端通过电阻R1-6接地，0.9V电压转换芯片的接地端接地，0.9V电压转换芯片的output端通过电容C1-12接地。
发光二极管LD1-4和电阻R1-4之间为T1测试点，电容C1-12到0.9V电压转换芯片的output端之间为T2测试点。
请参阅图2，本发明提供一种基于支持向量优选的电路故障诊断方法，包括：
步骤一，获取电路各状态下的样本数据，并进行数据预处理。
1.1、将获取的电路各状态下的样本数据进行划分，将一种状态划分为一个分类类别标签，一种状态包含多个特征，并将状态和特征表格化，所述电路各状态包括电路正常状态和电路故障状态。
电路状态主要包括三个状态，具体如下：F0（正常状态）、F1（3.3V电压转换芯片输入端开路故障）、F2（0.9V电压转换芯片输入端开路故障），通过测试点T1和T2采集电路的电压特征信息，从而获得三个状态下的样本数据如下表所示：
Figure 468151DEST_PATH_IMAGE001
1.2、对每一维特征的样本数据进行标准化处理，消除量纲影响，获得预处理后各状态下的样本数据。
所述标准化处理采用标准化处理计算公式：
Figure DEST_PATH_IMAGE003A
其中，x表示某一维特征的样本数据，xmin表示该特征的最小样本数据，xmax表示该特征的最大样本数据。
按照上述公式得到各个状态下消除量纲影响后的标准化数据，其中正常状态下标准化处理后的数据如下表所示：
Figure 867515DEST_PATH_IMAGE004
1.3、然后获得其他2个状态下标准化处理后的数据，将获得预处理后3个状态下的样本数据统一列表，如下表所示：
Figure 100002_DEST_PATH_IMAGE005
步骤二，根据获得的样本数据对两两状态之间构建SVM分类器，通过计算得到各状态下的支持向量作为训练样本数据。
所述构建SVM分类器，获取支持向量作为训练样本数据还包括：
选取两个状态的数据，构建一个SVM分类器，若电路中共有k个状态，每两个状态之间需要构建一个一对一的SVM分类器，则总共需要构建
Figure 506307DEST_PATH_IMAGE006
个SVM分类器；所述SVM分类器的构建可按照下列公式训练得到w和b；
Figure 793194DEST_PATH_IMAGE007
其中，x表示样本数据，y表示样本对应的标签数据，w表示一组向量，wT表示这组向量的转置，b为实数表示支持平面到原点的距离。
针对每一个SVM分类器，获取SVM分类器的支持平面，根据支持平面，获取支持向量，遍历
Figure 794517DEST_PATH_IMAGE008
个SVM分类器，从而得到所有的支持向量作为训练样本数据。根据上述公式可得，所述支持平面分别为
Figure 820242DEST_PATH_IMAGE009
和
Figure 778620DEST_PATH_IMAGE010
；支持向量是落在支持平面上的样本数据，通过SVM分类器得到满足
Figure 446362DEST_PATH_IMAGE011
的支持向量，以及得到满足
Figure 318503DEST_PATH_IMAGE012
的支持向量。
具体步骤如下：
2.1、选取F0和F1状态的数据，构建一个SVM分类器。
2.2、通过训练好的SVM分类器，找到分类器的支持平面。
2.3、根据F0和F1状态数据构建的SVM分类器找到确定支持向量（1，0.999855093526931）和（0.000309913579019800，0）。
2.4、对F0与F2，F1与F2构建一对一SVM分类器，获取所有的支持向量。
针对F0和F2构建的一对一SVM分类器，获得支持向量（0.999486542784512，0.999493364034900）以及（0.994321316467516，0.00600449489145647）。
对F1和F2构建的一对一SVM分类器，获得支持向量（0，0.000434075390437077）和（0.995401875682199，0.00716202926595533）。
2.5、在预处理后的数据样本中，删除所有的非支持向量样本，仅保留支持向量作为训练数据，则训练数据如下表所示：
Figure 764397DEST_PATH_IMAGE013
步骤三，利用支持向量数据构建故障诊断模型，应用故障诊断模型进行故障诊断，输出诊断结果。
所述利用支持向量数据构建故障诊断模型还包括：
确定诊断模型输入层神经元数量，输入层神经元的数量需等于支持向量特征的数量；
确定训练样本、样本数量，支持向量被选为训练样本，训练样本数量等于支持向量的数量；
确定模型输出神经元数量，诊断模型的分类类别数量等于输出的神经元数量，并且等于电路状态的数量；
通过诊断计算公式构建诊断模型，所述诊断计算公式如下：
Figure 721988DEST_PATH_IMAGE014
Figure 927842DEST_PATH_IMAGE015
Figure 405222DEST_PATH_IMAGE016
其中，
Figure 303908DEST_PATH_IMAGE017
是支持向量，表示第i类的第k个训练样本，X表示需诊断的输入数据，Ni表示第i类的训练样本数量，
Figure 748796DEST_PATH_IMAGE018
表示g取最大时候的类别即为X的最终分类类别。
应用故障诊断模型进行故障诊断，输出诊断结果；具体的，在0.9V电压转换芯片输入端开路故障（F2）条件下收集一个待诊断数据（1.32288，0.026892），将该数据进行预处理，消除量纲影响，得到预处理的数据为（0.994942063250419，0.00672795387551826）。
根据公式
Figure 742028DEST_PATH_IMAGE019
计算所有的yik；其中，y11=0.61,y12=0.62,y21=0.61,y22=0.60,y31=0.99,y32=0.98。
根据公式
Figure 792024DEST_PATH_IMAGE020
计算所有的g；其中，g1=0.615,g2=0.605,g3=0.985。
根据公式
Figure 78255DEST_PATH_IMAGE021
找到最大的g对应的类别为最终的诊断结果，而最大的g是g3，因此，故障诊断结果为0.9V电压转换芯片输入端开路故障（F2），诊断结果准确。
请参阅图3，本发明还提供一种基于支持向量优选的电路故障诊断装置，包括：
预处理模块10，获取电路各状态下的样本数据，并进行数据预处理；
支持向量模块20，根据SVM分类器获取支持向量作为训练样本数据；
诊断模块30，根据支持向量数据构建故障诊断模型，输出诊断数据。
所述预处理模块10包括数据采集模块101和消除量纲模块102，所述数据采集模块101用于采集数据，所述消除量纲模块102用于对采集的数据消除量纲影响，可采用上述的标准化处理计算公式进行计算处理，也可以采用线性比例变换法、极差变换法、极值处理或比重法等都是可行的。
所述支持向量模块20采用SVM分类器，通过SVM分类器获得支持平面，SVM分类器通过上述SVM分类器构建公式训练得到w和b，若电路中共有k个状态，则每两个状态之间需要构建一个SVM分类器，则总共需要构建
Figure 10439DEST_PATH_IMAGE022
个SVM分类器，遍历
Figure 292516DEST_PATH_IMAGE023
个SVM分类器获得所有的支持向量，删除所有的非支持向量样本，仅保留支持向量作为训练数据。
所述诊断模块30包括神经元输入单元301、神经元输出单元302、样本训练单元303以及诊断模型单元304。
所述神经元输入单元301用于确定诊断模型输入层神经元数量，所述神经元输出单元302用于确定模型输出神经元数量，所述样本训练单元303用于确定训练样本和样本数量，所述诊断模型单元304用于根据上述诊断计算公式构建计算模型进行诊断计算，并输出诊断结果。
本发明还提供一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
本发明还提供一种计算机可读介质，所述计算机可读介质存储有计算机程序，所述计算机程序被处理执行时实现上述方法的步骤。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (9)

1.一种基于支持向量优选的电路故障诊断方法，其特征在于，包括：
获取电路各状态下的样本数据，并进行数据预处理；
根据获得的样本数据对两两状态之间构建SVM分类器，通过计算得到各状态下的支持向量作为训练样本数据；
利用支持向量数据构建故障诊断模型，应用故障诊断模型进行故障诊断，输出诊断结果；
所述利用支持向量数据构建故障诊断模型还包括：
确定诊断模型输入层神经元数量，输入层神经元的数量需等于支持向量特征的数量；
确定训练样本、样本数量，支持向量被选为训练样本，训练样本数量等于支持向量的数量；
确定模型输出神经元数量，诊断模型的分类类别数量等于输出的神经元数量，并且等于电路状态的数量；
通过诊断计算公式构建诊断模型；
所述诊断计算公式如下：
Figure DEST_PATH_IMAGE001
Figure DEST_PATH_IMAGE002
Figure DEST_PATH_IMAGE003
其中，
Figure DEST_PATH_IMAGE004
是支持向量，表示第i类的第k个训练样本，X表示需诊断的输入数据，Ni表示第i类的训练样本数量，
Figure DEST_PATH_IMAGE005
表示g取最大时候的类别即为X的最终分类类别。
2.根据权利要求1所述的基于支持向量优选的电路故障诊断方法，其特征在于，所述获取电路各状态下的样本数据，并进行数据预处理还包括：
将获取的电路各状态下的样本数据进行划分，将一种状态划分为一个分类类别标签，一种状态包含多个特征，并将状态和特征表格化；
对每一维特征的样本数据进行标准化处理，消除量纲影响，获得预处理后各状态下的样本数据；
所述电路各状态包括电路正常状态和电路故障状态。
3.根据权利要求2所述的基于支持向量优选的电路故障诊断方法，其特征在于，所述标准化处理采用标准化处理计算公式：
Figure DEST_PATH_IMAGE007
其中，x表示某一维特征的样本数据，xmin表示该特征的最小样本数据，xmax表示该特征的最大样本数据。
4.根据权利要求1所述的基于支持向量优选的电路故障诊断方法，其特征在于，所述构建SVM分类器，获取支持向量作为训练样本数据还包括：
选取两个状态的数据，构建一个SVM分类器，若电路中共有k个状态，每两个状态之间需要构建一个一对一的SVM分类器，则总共需要构建
Figure DEST_PATH_IMAGE008
个SVM分类器；
针对每一个SVM分类器，获取SVM分类器的支持平面，根据支持平面，获取支持向量，遍历
Figure DEST_PATH_IMAGE009
个SVM分类器，从而得到所有的支持向量作为训练样本数据。
5.根据权利要求4所述的基于支持向量优选的电路故障诊断方法，其特征在于，所述SVM分类器的构建可按照下列公式训练得到w和b；
Figure 333828DEST_PATH_IMAGE010
其中，x表示样本数据，y表示样本对应的标签数据，w表示一组向量，wT表示这组向量的转置，b为实数表示支持平面到原点的距离。
6.根据权利要求5所述的基于支持向量优选的电路故障诊断方法，其特征在于，所述支持平面分别为
Figure 454231DEST_PATH_IMAGE011
和
Figure 499547DEST_PATH_IMAGE012
；支持向量是落在支持平面上的样本数据，通过SVM分类器得到满足
Figure DEST_PATH_IMAGE013
的支持向量，以及得到满足
Figure 816128DEST_PATH_IMAGE014
的支持向量。
7.一种基于支持向量优选的电路故障诊断装置，其特征在于，该装置应用如权利要求1-6中任一项所述方法的步骤，包括：
预处理模块，获取电路各状态下的样本数据，并进行数据预处理；
支持向量模块，根据SVM分类器获取支持向量作为训练样本数据；
诊断模块，根据支持向量数据构建故障诊断模型，输出诊断数据。
8.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-6中任一项所述方法的步骤。
9.一种计算机可读介质，所述计算机可读介质存储有计算机程序，其特征在于，所述计算机程序被处理执行时实现如权利要求1-6中任一项所述方法的步骤。
CN202110150666.5A 2021-02-04 2021-02-04 基于支持向量优选的电路故障诊断方法及其装置 Active CN112505531B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110150666.5A CN112505531B (zh) 2021-02-04 2021-02-04 基于支持向量优选的电路故障诊断方法及其装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110150666.5A CN112505531B (zh) 2021-02-04 2021-02-04 基于支持向量优选的电路故障诊断方法及其装置

Publications (2)

Publication Number Publication Date
CN112505531A CN112505531A (zh) 2021-03-16
CN112505531B true CN112505531B (zh) 2021-05-07

Family

ID=74952470

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110150666.5A Active CN112505531B (zh) 2021-02-04 2021-02-04 基于支持向量优选的电路故障诊断方法及其装置

Country Status (1)

Country Link
CN (1) CN112505531B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114406409B (zh) * 2022-03-30 2022-07-12 中国船级社 一种焊接机故障状态的确定方法、装置及设备

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6954678B1 (en) * 2002-09-30 2005-10-11 Advanced Micro Devices, Inc. Artificial intelligence system for track defect problem solving
CN101464964B (zh) * 2007-12-18 2011-04-06 同济大学 一种设备故障诊断的支持向量机模式识别方法
CN101533068A (zh) * 2009-04-08 2009-09-16 南京航空航天大学 基于dagsvc的模拟电路故障诊断方法
CN102830341A (zh) * 2012-08-28 2012-12-19 南京航空航天大学 基于rs-cmac的功率电子电路在线智能故障预测方法
CN103064008B (zh) * 2012-12-26 2016-01-20 浙江大学 一种基于希尔伯特-黄变换的非线性模拟电路软故障诊断方法

Also Published As

Publication number Publication date
CN112505531A (zh) 2021-03-16

Similar Documents

Publication Publication Date Title
CN109193650B (zh) 一种基于高维随机矩阵理论的电网薄弱点评估方法
CN108303632A (zh) 基于随机森林算法的电路故障诊断方法
CN111459700A (zh) 设备故障的诊断方法、诊断装置、诊断设备及存储介质
CN110503004A (zh) 一种开关电源运行状态的在线判别方法
CN112505531B (zh) 基于支持向量优选的电路故障诊断方法及其装置
CN108205580A (zh) 一种图像检索方法、装置及计算机可读存储介质
CN115577701A (zh) 针对大数据安全的风险行为识别方法、装置、设备及介质
CN112990259A (zh) 基于改进迁移学习的旋转机械轴承的早期故障诊断方法
CN113592343A (zh) 二次系统的故障诊断方法、装置、设备和存储介质
CN102663418A (zh) 一种基于回归模型的图像集合建模与匹配方法
CN114021425A (zh) 电力系统运行数据建模与特征选择方法、装置、电子设备和存储介质
Barros et al. Detection and classification of voltage disturbances in electrical power systems using a modified Euclidean ARTMAP neural network with continuous training
Pan et al. Study on intelligent anti–electricity stealing early-warning technology based on convolutional neural networks
CN111080489A (zh) 一种负荷趋势预测方法、系统以及设备
CN113376564B (zh) 基于数据分析的智能电表计量校正方法、装置及终端
CN114443384A (zh) 一种固态硬盘老化数量测试装置
CN113391256A (zh) 一种现场作业终端的电能表计量故障分析方法及系统
CN113935413A (zh) 一种基于卷积神经网的配网录波文件波形识别方法
Wang et al. Unsupervised mechanical fault feature learning based on consistency inference-constrained sparse filtering
CN117310351B (zh) 一种用于工厂充电线pd协议的检测设备
Wu et al. Recognition Method of Voltage Sag Sources Based on RMT-CNN Model
Shi et al. Evaluation of health condition for IMA module based on Mahalanobis distance
CN109657683A (zh) 文字识别建模方法及装置、文字识别方法及电子设备
CN110543897A (zh) 一种内存条归类方法、系统、终端及存储介质
CN113221306B (zh) 基于自适应状态观测器的配网拓扑检测方法、装置及设备

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