CN113791328A - 基于相空间重构的电子元器件的故障判断方法、装置、电子设备及存储介质 - Google Patents
基于相空间重构的电子元器件的故障判断方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113791328A CN113791328A CN202110934576.5A CN202110934576A CN113791328A CN 113791328 A CN113791328 A CN 113791328A CN 202110934576 A CN202110934576 A CN 202110934576A CN 113791328 A CN113791328 A CN 113791328A
- Authority
- CN
- China
- Prior art keywords
- parameter
- phase space
- test data
- space reconstruction
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012360 testing method Methods 0.000 claims abstract description 90
- 239000011159 matrix material Substances 0.000 claims abstract description 34
- 230000001419 dependent effect Effects 0.000 claims abstract description 21
- 238000012163 sequencing technique Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 18
- 238000004891 communication Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 6
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 230000002265 prevention Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 235000012431 wafers Nutrition 0.000 description 2
- 241000218993 Begonia Species 0.000 description 1
- 241000218033 Hibiscus Species 0.000 description 1
- 235000005206 Hibiscus Nutrition 0.000 description 1
- 235000007185 Hibiscus lunariifolius Nutrition 0.000 description 1
- 230000008859 change Effects 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
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000000007 visual effect Effects 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
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/2851—Testing of integrated circuits [IC]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Data Mining & Analysis (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Algebra (AREA)
- Computer Hardware Design (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Tests Of Electronic Circuits (AREA)
Abstract
本发明涉及一种基于相空间重构的电子元器件的故障判断方法、装置、电子设备及存储介质,方法包括:获取按电子元器件编号排列的多项参数测试数据的矩阵;将测试数据按照某一自变量参数进行排序,对其他所有参数列按照时间延迟嵌入法绘制二维或三位相空间轨迹图形;计算各因变量参数数据序列的相空间重构轨迹;对于确定的每个元件种子参数,计算测试数据恢复在相轨迹图上与原相轨迹整体的距离dist,如果该距离大于某一阈值,则判断为故障元件;反之,若小于该阈值,则判断为正常元件。可以一次性处理所有电子元器件测试数据,并从系统层面对电子元器件状态的展示和可能故障,实现对工艺过程的诊断和早期故障预防。
Description
技术领域
本技术涉及电子元器件的故障诊断、故障溯源与预测分析,特别是具有海量电子系统性能测量数据时,对电子元器件的性能进行的质量分析和整体质量的判断。
背景技术
现代芯片研发中,生产的芯片通过各类测试仪器和测试平台的检测,生成了各类的性能测试数据,测试参数个数最多时达2000个,参与测试的芯片样片个数达数百个,形成了海量数据。这些数据是芯片生产工艺过程的反映,体现了生产过程的内在演化规律和变化过程。由于生产工艺的复杂性,测试数据呈现非线性、非平衡性、非典型性和海量性的特征,呈现多特征并存的特点。因此,如何实现对工艺过程的诊断和早期故障预防,是一个重要而尚未解决的问题。
发明内容
本发明的目的是提供一种基于相空间重构的电子元器件的故障判断方法,可以一次性处理所有电子元器件测试数据,并从系统层面对电子元器件状态的展示和可能故障。
为达到上述目的,本发明采用的技术方案是:一种基于相空间重构的电子元器件的故障判断方法,其包括以下步骤:
a.将电子元器件按顺序编号,获取按电子元器件编号排列的多项参数的测试数据矩阵,该测试数据矩阵X为m×n维,如下:
测试数据矩阵的每一行代表某一个元器件对所有可用参数的测试数据样本,每一列表示某可用参数对所有元器件的测试数据;m是样本的数量,n是参数的个数;
b.从测试的所有参数中选择一个参数作为自变量参数,并将该列按照从小到大进行排序,同时X中的其他所有参数列也按照此顺序排列,得到矩阵Y:
假设将第一个参数作为自变量参数,那么将矩阵X的第一列x1=[x11 x21 ... xm1]T进行从小到大的排序得到Y的第一列y1=[y11 y21 ... ym1]T,矩阵X除了第一列以外的其他所有列的顺序需按照此顺序重新排列,得到矩阵Y的除了第一列以外的所有列,所有其他列为因变量参数数据序列;
c.计算各因变量参数数据序列的相空间重构轨迹;
d.获取新的参数测试数据,若新的参数测试数据不在所述相空间重构轨迹上,则认定该元件是有故障的;反之则无故障。
优化的,步骤c:根据Takens嵌入定理,将单个时间序列{x(t),t=1,2,…,L}嵌入到m维空间,形成的相空间向量可以表示为:
X(t)=[x(t),x(t+τ),…,x(t+(m-1)τ)]
m是嵌入维数,τ是延迟时间,m维向量构成的空间称为m维重构的相空间;
由于测试数据矩阵Y中并没有时间向量,我们将Y中选定的自变量的列向量作为伪时间向量使用,除了Y中自变量列向量,其他列都作为因变量序列来进行观察,需要做出各因变量参数序列的相空间重构轨迹,
进一步的,当m=2和m=3时,即二维或三维的情况,设τ=100,将Y中的第二列的因变量参数数据序列y2=[y12 y22 ... ym2]T,转换为3维相空间轨迹,其三个维度的坐标可按伪时间延迟嵌入法得到:
根据上述参数序列重构相空间轨迹,如果新的参数测试数据不在该轨迹上,则该元件的相关测试数据是有故障的。
优化的,步骤c中,根据每个因变量参数序列进行相空间重构得到相空间重构轨迹,分别计算各参数相轨迹的分形维数Df,保留分形维数大于A的相轨迹并得到新的相空间重构轨迹,确定为此类元器件的种子参数,用于元器件对应参数的故障数据的判断,
分形维数的计算方法,使用盒维数,定义如下:
其中:Df表示盒维数,NE(ε)是能够用尺度大小为ε的小盒子(ε为边长)的覆盖所需测量的几何对象的最小数据的盒子数;
对于确定的每个元件种子参数,计算测试数据恢复在新的相空间重构轨迹上与原相轨迹整体的距离dist,如果该距离大于B,则判断为故障元件;反之,若小于B,则判断为正常元件。
进一步的,A<2。
进一步的,B为样本对应参数值标准差的3倍。
优化的,步骤a中,需剔除所有测试数据中的空行数据,空行数据为包含至少一个参数值为空值或非数值数据的样本行数据。
本发明还提供了一种电子元器件的故障判断装置,所述装置包括:
获取模块,获取按电子元器件编号排列的多项参数的测试数据矩阵;
第一计算模块,从测试的所有参数中选择一个参数作为自变量参数,并将该列按照从小到大进行排序,同时X中的其他所有参数列也按照此顺序排列,得到矩阵Y;
第二计算模块,用于计算各因变量参数数据序列的相空间重构轨迹;
判断模块,用于获取新的参数测试数据并将获取新的参数测试数据与新的相空间重构轨迹相比较,若新的参数测试数据不在所述相空间重构轨迹上,则该元件的相关测试数据是有故障的;反之则无故障。
本发明还提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述故障判断方法。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有故障判断方法的程序,所述故障判断方法的程序被处理器执行时实现上述故障判断方法的步骤。
由于上述技术方案运用,本发明与现有技术相比具有下列优点:由于本发明可以一次性处理所有电子元器件测试数据,并从系统层面对电子元器件状态的展示和可能故障,极大的提高了测试效率,并且能够利用多特征数据发现生产工艺过程中的潜在异常和动态演化规律,实现对工艺过程的诊断和早期故障预防。
附图说明
附图1为参数序列相空间重构轨迹的三维图像;
附图2为当参数有误时,参数在相空间中的对应的点与相空间重构轨迹的相对位置关系示意图;
附图3为由三个储能元件和一个分段线性电阻构成的蔡氏电路的电路图;
附图4为蔡氏电路测试数据分析方法中的相空间重构轨迹图;
附图5为蔡氏电路测试数据中值选为[1.4759,0.1878,-0.1677]的点在重构的三维相空间上与相空间重构轨迹的位置关系示意图;
附图6为;蔡氏电路测试数据中值选为[2.1973,0.5408,1..6190]的点在重构的三维相空间上与相空间重构轨迹的位置关系示意图;
附图7为ADC转换芯片测试数据对应的相空间重构轨迹图像;
附图8为ADC转换芯片测试数据中,编号为200的芯片的测试数据的点在重构的三维相空间上与相空间重构轨迹的位置关系示意图;
附图9为ADC转换芯片测试数据中,编号为201的芯片的测试数据的点在重构的三维相空间上与相空间重构轨迹的位置关系示意图。
具体实施方式
下面结合附图所示的实施例对本发明作进一步描述。
利用电子元器件在外部测试条件改变时对应测试数据的关联性与耦合性,将二维或三维相空间演化轨迹图像用于对器件质量及可靠性的判断中。该方法包含如下步骤:
(1)获取按电子元器件编号排列的多项参数测试数据的矩阵。
电子元器件测试中得到的大量数据可以表示为一个测试数据矩阵,在进行后续处理之前,应先剔除空行数据,剔除对于该参数过大或过小的测量数据。该测试数据矩阵X为m×n维,如下:
数据矩阵的每一行代表某一个元器件对所有可用参数的测试数据样本,每一列表示某参数对所有元器件的测试数据;m是样本的数量,n是参数的个数,可用参数指:在所有样本中该参数为空值或非数值数据(NaN)的样本不超过W%,W<100,最佳取W=20,以免因样本数据量不足导致后续无法绘制该参数对应的相轨迹。
(2)将测试数据按照某一自变量参数进行排序。
从测试的所有参数中选择一个参数作为自变量参数,并将该列按照从小到大进行排序,同时X中的其他所有参数列也按照此顺序排列,得到矩阵Y:
假设将第一个参数作为自变量参数,那么将矩阵X的第一列x1=[x11 x21 ...xm1]T进行从小到大的排序得到Y的第一列y1=[y11 y21 … ym1]T,矩阵X除了第一列以外的其他所有列的顺序需按照此顺序重新排列,得到矩阵Y的除了第一列以外的所有列,这里所有其他列被认为是因变量参数列。
(3)计算各因变量参数数据序列的相空间重构轨迹。
对其他所有参数列按照时间延迟嵌入法绘制二维或三位相空间轨迹图形,根据Takens嵌入定理,将单个时间序列{x(t),t=1,2,…,L}嵌入到m维空间,形成的相空间向量可以表示为:
X(t)=[x(t),x(t+τ),…,x(t+(m-1)τ)]
这里m是嵌入维数,τ是延迟时间。m维向量构成的空间称为m维重构的相空间。
由于测试数据矩阵Y中并没有时间向量,我们将Y中选定的自变量的列向量作为(伪)时间向量使用。除了Y中自变量列向量,其他列都作为因变量序列来进行观察,需要做出各因变量参数序列的相空间重构轨迹。
为便于直观观察,我们只考虑m=2和m=3,即二维或三维的情况,设τ=100,例如将Y中的第二列的因变量参数数据序列y2=[y12 y22...ym2]T,转换为3维相空间轨迹,其三个维度的坐标可按(伪)时间延迟嵌入法得到:
例如,某参数序列重构相空间轨迹的三维图像如下图所示,该参数的演化规律可以直观的通过该图像展示出来,如果该参数的测试数据不在该轨迹上,则该元件的相关测试数据是有故障的。
(4)剔除随机的相空间轨迹,得到种子参数及其对应的相空间轨迹。
并不是所有的相空间轨迹图像都具有规律可用于质量评价,需剔除随机的相空间轨迹。本方法根据每个因变量参数序列进行相空间重构的轨迹图像,分别计算各参数相轨迹的分形维数Df,保留分形维数大于某个阈值(例如,Df>1.5)的相轨迹,确定为此类元器件的种子参数,用于元器件对应参数的故障数据的判断。(这里的种子参数,是指能够用于元器件故障判断的参数。)
分形维数的计算方法,使用盒维数,定义如下:
这里Df表示盒维数,NE(ε)是能够用尺度大小为ε的小盒子(ε为边长)的覆盖所需测量的几何对象的最小数据的盒子数。
(5)对于确定的每个元件种子参数判断电子元器件故障状态。
计算测试数据恢复在相轨迹图上与原相轨迹整体的距离dist,如果该距离大于某一阈值,则判断为故障元件;反之,若小于该阈值,则判断为正常元件。
为计算某测试数据点z到相轨迹的距离dist,一种求法是计算该数据点到相轨迹上所有点的距离的最小值,即:
distz=miny∈Y{dist(z,y)}<threshold
其中Y是相轨迹上的所有点的集合,dist(z,y)表示测试数据点到相轨迹上任意一点的欧氏距离,如图2所示。
将上述方法应用到具体测试数据中分析:
一.蔡氏电路测试数据分析方法
蔡氏电路(Chua’s circuit)是1983年美籍华裔科学家蔡少棠教授设计的用来证实混沌现象的电路,也是能产生复杂动力学的简单电路,通过改变该电路的拓扑结构或电路参数,可以产生倍周期分岔、单涡卷、双涡卷、多涡卷吸引子等十分丰富的混沌现象。蔡氏电路使用三个储能元件和一个分段线性电阻,电路如图3所示:
一种简化的蔡氏电路对应的三阶微分方程组为:
其中,各参数的值分别为a=7,b=0.35,c=0.5,d=0.7,初值为[1.5,-4.4,0.15]。为说明本方法,使用该模型产生201组[x,y,z]的数据,作为反映该模型演化规律的正常数据,然后,通过加入扰动产生1组新的测试数据[xe,ye,ze],计算该测试数据是否在该演化轨迹上来判断是否是故障数据。这200组数据的前10组如下:
此即为本方法中的步骤1中的测量数据矩阵X,数据的每一列可视为一个参数的测量序列。由于这些数据本身即按照时间顺序生成,故而步骤2中的矩阵Y=X,在步骤3中,以延迟时间τ=1使用时间延迟的相空间重构方法,做出第1个参数列的相空间重构轨迹如图4所示,该相空间重构轨迹呈斜向螺旋圆盘曲线,反映了该电路系统内在的演化规律。测试的数据是否在该相轨迹曲线上,可以作为该测试数据相关的元件是否是正常数据的判断依据。
设定判断任意测试数据组到该相空间重构轨迹上的距离阈值为1。
第一组测试数据的值选为[1.4759,0.1878,-0.1677],在重构的相空间重构轨迹上绘制出该点(星号点)与相轨迹的位置时,如图5所示,发现该组数据基本在相空间重构轨迹上,计算得到该点与相空间重构轨迹的最小欧氏距离为0.3347(<1),因此判断为正常数据组。
第二组测试数据的值选为[2.1973,0.5408,1..6190],在在重构的相空间重构轨迹上绘制出该点(星号点)与相空间重构轨迹的位置时,如图6所示,通过旋转坐标轴可观察到该测试数据组距离相空间重构轨迹有一段空隙。计算得到该点与相空间重构轨迹的最小欧氏距离为2.1156(>1),因此判断为故障数据组。
二.某ADC转换芯片测试数据的处理
超高速模拟数字转换器(ADC)是数字处理系统中的核心器件。对于元件研发中的各类测试数据,经整理后,测试参数个数达544个,参与测试的样片个数达1007个,形成如下所示的测试数据矩阵X:
将参数1选为自变量参数,按照第一列从小到大排序后,调整所有芯片的顺序,得到矩阵Y。将其他所有参数的测试数据按照时间延迟的相空间重构轨迹为三维空间的相空间重构轨迹。计算所有相空间重构轨迹的分形维数,只选择大于1.75的相空间重构轨迹。例如,参数213的相空间重构轨迹如图7所示,其分形盒维数为1.82。
设定判断任意测试数据组到该相空间重构轨迹上的距离阈值为2。编号为200的芯片,将其测试数据加入相空间重构轨迹后,计算得到其与相空间重构轨迹的最小距离为0.0409(<2),观察图8发现其基本在相空间重构轨迹上,判定为正常元件测试数据,即元件正常;编号为201的芯片,将其测试数据加入相空间重构轨迹后,计算得到其与相空间重构轨迹的最小距离为4.7397(>2),通过旋转相空间坐标轴并观察图9发现其距离相轨迹有一段距离,判定为故障元件测试数据,即元件故障。
上述实施例只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于相空间重构的电子元器件的故障判断方法,其特征在于,其包括以下步骤:
a.将电子元器件按顺序编号,获取按电子元器件编号排列的多项参数的测试数据矩阵,该测试数据矩阵X为m×n维,如下:
测试数据矩阵的每一行代表某一个元器件对所有可用参数的测试数据样本,每一列表示某可用参数对所有元器件的测试数据;m是样本的数量,n是参数的个数;
b.从测试的所有参数中选择一个参数作为自变量参数,并将该列按照从小到大进行排序,同时X中的其他所有参数列也按照此顺序排列,得到矩阵Y:
假设将第一个参数作为自变量参数,那么将矩阵X的第一列x1=[x11 x21 … xm1]T进行从小到大的排序得到Y的第一列y1=[y11 y21 … ym1]T,矩阵X除了第一列以外的其他所有列的顺序需按照此顺序重新排列,得到矩阵Y的除了第一列以外的所有列,所有其他列为因变量参数数据序列;
c.计算各因变量参数数据序列的相空间重构轨迹;
d.获取新的参数测试数据,若新的参数测试数据不在所述相空间重构轨迹上,则认定该元件是有故障的;反之则无故障。
2.根据权利要求1所述的基于相空间重构的电子元器件的故障判断方法,其特征在于,步骤c:根据Takens嵌入定理,将单个时间序列{x(t),t=1,2,…,L}嵌入到m维空间,形成的相空间向量可以表示为:
X(t)=[x(t),x(t+τ),…,x(t+(m-1)τ)]
m是嵌入维数,τ是延迟时间,m维向量构成的空间称为m维重构的相空间;
由于测试数据矩阵Y中并没有时间向量,我们将Y中选定的自变量的列向量作为伪时间向量使用,除了Y中自变量列向量,其他列都作为因变量序列来进行观察,需要做出各因变量参数序列的相空间重构轨迹。
4.根据权利要求1所述的基于相空间重构的电子元器件的故障判断方法,其特征在于:步骤c中,根据每个因变量参数序列进行相空间重构得到相空间重构轨迹,分别计算各参数相轨迹的分形维数Df,保留分形维数大于A的相轨迹并得到新的相空间重构轨迹,确定为此类元器件的种子参数,用于元器件对应参数的故障数据的判断,
分形维数的计算方法,使用盒维数,定义如下:
其中:Df表示盒维数,NE(ε)是能够用尺度大小为ε的小盒子(ε为边长)的覆盖所需测量的几何对象的最小数据的盒子数;
对于确定的每个元件种子参数,计算测试数据恢复在新的相空间重构轨迹上与原相轨迹整体的距离dist,如果该距离大于B,则判断为故障元件;反之,若小于B,则判断为正常元件。
5.根据权利要求4所述的基于相空间重构的电子元器件的故障判断方法,其特征在于:A<2。
6.根据权利要求4所述的基于相空间重构的电子元器件的故障判断方法,其特征在于:B为样本对应参数值标准差的3倍。
7.根据权利要求1所述的基于相空间重构的电子元器件的故障判断方法,其特征在于:步骤a中,需剔除所有测试数据中的空行数据,空行数据为包含至少一个参数值为空值或非数值数据的样本行数据。
8.一种电子元器件的故障判断装置,其特征在于,所述装置包括:
获取模块,获取按电子元器件编号排列的多项参数的测试数据矩阵;
第一计算模块,从测试的所有参数中选择一个参数作为自变量参数,并将该列按照从小到大进行排序,同时X中的其他所有参数列也按照此顺序排列,得到矩阵Y;
第二计算模块,用于计算各因变量参数数据序列的相空间重构轨迹;
判断模块,用于获取新的参数测试数据并将获取新的参数测试数据与新的相空间重构轨迹相比较,若新的参数测试数据不在所述相空间重构轨迹上,则该元件的相关测试数据是有故障的;反之则无故障。
9.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1~7任一所述的故障判断方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有故障判断方法的程序,所述故障判断方法的程序被处理器执行时实现权利要求1-7任一所述的故障判断方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110934576.5A CN113791328A (zh) | 2021-08-16 | 2021-08-16 | 基于相空间重构的电子元器件的故障判断方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110934576.5A CN113791328A (zh) | 2021-08-16 | 2021-08-16 | 基于相空间重构的电子元器件的故障判断方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113791328A true CN113791328A (zh) | 2021-12-14 |
Family
ID=79181718
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110934576.5A Pending CN113791328A (zh) | 2021-08-16 | 2021-08-16 | 基于相空间重构的电子元器件的故障判断方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113791328A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130151156A1 (en) * | 2011-12-13 | 2013-06-13 | Saudi Arabian Oil Company | Electrical Submersible Pump Monitoring and Failure Prediction |
CN103163353A (zh) * | 2011-12-08 | 2013-06-19 | 沈阳工业大学 | 基于电流波形相空间重构和分形理论的电弧故障检测方法 |
CN108008332A (zh) * | 2017-11-29 | 2018-05-08 | 国网山东省电力公司电力科学研究院 | 一种基于数据挖掘的新能源远程测试设备故障诊断方法 |
CN108963976A (zh) * | 2018-07-12 | 2018-12-07 | 三峡大学 | 基于差动电流极坐标系相空间重构技术的变压器励磁涌流识别方法 |
WO2020224112A1 (zh) * | 2019-05-07 | 2020-11-12 | 深圳大学 | 一种基于训练级数模型的时间序列预测方法 |
CN112529191A (zh) * | 2020-12-29 | 2021-03-19 | 南水北调东线江苏水源有限责任公司 | 一种基于混沌算法的泵站故障树建立方法 |
-
2021
- 2021-08-16 CN CN202110934576.5A patent/CN113791328A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103163353A (zh) * | 2011-12-08 | 2013-06-19 | 沈阳工业大学 | 基于电流波形相空间重构和分形理论的电弧故障检测方法 |
US20130151156A1 (en) * | 2011-12-13 | 2013-06-13 | Saudi Arabian Oil Company | Electrical Submersible Pump Monitoring and Failure Prediction |
CN108008332A (zh) * | 2017-11-29 | 2018-05-08 | 国网山东省电力公司电力科学研究院 | 一种基于数据挖掘的新能源远程测试设备故障诊断方法 |
CN108963976A (zh) * | 2018-07-12 | 2018-12-07 | 三峡大学 | 基于差动电流极坐标系相空间重构技术的变压器励磁涌流识别方法 |
WO2020224112A1 (zh) * | 2019-05-07 | 2020-11-12 | 深圳大学 | 一种基于训练级数模型的时间序列预测方法 |
CN112529191A (zh) * | 2020-12-29 | 2021-03-19 | 南水北调东线江苏水源有限责任公司 | 一种基于混沌算法的泵站故障树建立方法 |
Non-Patent Citations (2)
Title |
---|
孙丹等: "基于相空间重构和模糊聚类的永磁同步电机直接转矩控制系统逆变器故障诊断", 中国电机工程学报, no. 16, 30 June 2007 (2007-06-30) * |
马红光等: "基于混沌和数据挖掘的电子系统故障诊断", 数据采集与处理, no. 3, 30 August 2004 (2004-08-30) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI660277B (zh) | 資訊處理裝置及資訊處理方法 | |
AU2013343203B2 (en) | Method for processing an image | |
CN106662472B (zh) | 偏差估计装置和方法以及故障诊断装置和方法 | |
CN106909539A (zh) | 图像检索系统、服务器、数据库及相关的方法 | |
CN115015683B (zh) | 电缆生产的性能测试方法、装置、设备及存储介质 | |
CN111353391B (zh) | 雷达干扰效果评估方法、装置、电子设备及其存储介质 | |
CN110082666A (zh) | 芯片测试分析方法、装置、设备及存储介质 | |
CN111124896B (zh) | 一种主次峰值比计算算法的蜕变测试系统 | |
CN111124895B (zh) | 一种主次峰值比计算算法的蜕变测试方法 | |
CN110186962B (zh) | 一种用于电容层析成像的不完整测量数据成像方法 | |
CN111884207A (zh) | 基于电气距离的电网拓扑结构可视化方法、系统及介质 | |
CN114755010A (zh) | 一种旋转机械振动故障诊断方法及其系统 | |
CN113791328A (zh) | 基于相空间重构的电子元器件的故障判断方法、装置、电子设备及存储介质 | |
CN110631499A (zh) | 基于无网格方法的数字图像变形测量方法及电子设备 | |
CN115236272A (zh) | 多工况条件下的气体传感器故障诊断方法、装置及存储介质 | |
CN112991445B (zh) | 模型训练方法、姿态预测方法、装置、设备及存储介质 | |
CN111614318B (zh) | 光伏系统直流侧电流故障检测方法和装置 | |
CN107958089A (zh) | 构建模型的方法和装置以及异常数据的检测方法和装置 | |
CN112418305A (zh) | 一种训练样本的生成方法、装置、计算机设备和存储介质 | |
CN113836199A (zh) | 车辆的传感数据处理方法、装置、电子设备及存储介质 | |
CN106017955A (zh) | 机械设备状态类别识别方法和系统 | |
CN115683631B (zh) | 轴承故障检测方法及装置 | |
CN110907960A (zh) | 基于K-Means动态聚类分析的周跳探测方法及装置 | |
CN117970061B (zh) | 一种高压电力电容器故障预警方法及系统 | |
CN116882333B (zh) | 一种芯片极限频率的预测方法、装置、设备及介质 |
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 |