CN114297963A - 基于K-Means小波神经网络的软电路故障诊断方法 - Google Patents
基于K-Means小波神经网络的软电路故障诊断方法 Download PDFInfo
- Publication number
- CN114297963A CN114297963A CN202111568934.1A CN202111568934A CN114297963A CN 114297963 A CN114297963 A CN 114297963A CN 202111568934 A CN202111568934 A CN 202111568934A CN 114297963 A CN114297963 A CN 114297963A
- Authority
- CN
- China
- Prior art keywords
- fault
- neural network
- data
- circuit
- analysis
- 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.)
- Withdrawn
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开的基于K‑Means小波神经网络的软电路故障诊断方法，通过采用K‑Means聚类分析与有效性指标分析相结合的方式，得出聚类中心的信号，可以剔除训练样本集中的离群集数据；随后利用小波分析中的小波变换剔除冗余信号，从样本信号中提取尽可能少且能足够表征电路状态的特征信号，将经过处理后的特征信号再送给BP网络进行训练，其能够减少确定神经元数目的工作量，快速的确定最优的神经网络结构。本发明涉及的技术方案，其能够减少确定神经元数目的工作量，快速的确定最优的神经网络结构，降低计算的复杂度，加快网络的训练速度和收敛速度，从而提高故障诊断效率。
Description
技术领域
本申请涉及电路故障诊断技术领域，更具体地说，尤其涉及一种基于神经网络的软电路故障诊断方法。
背景技术
在电路模拟诊断研究领域中，软故障又称渐变故障，它是由元件参量随时间和环境条件的影响缓慢变化而超出容差造成的、通过事前测试或监控可以预测的故障。随着超大规模模拟电路的发展和电子器件复杂性的提高，人们越来越意识到电路的可靠性是系统稳定运行的保证，在许多场合其重要性甚至超过了系统的功能和性能，因此对电路的测试诊断提出来更高要求。
目前，当BP神经网络成为诊断模拟电路中软故障的常用方法时，BP神经网络的局限性也逐渐曝漏出来。对于一个单隐含层的BP神经网络来讲，在理想情形下当神经元的数目足够多时，足以以任何精度逼近任何一个具有有限间断点的非线性函数，但随着神经元数目的增多，计算复杂性增大，网络训练速度和收敛速度都会减慢，导致网络训练所需要的时间也会随之增长，影响故障诊断的效率。所以，如何提高BP神经网络诊断电路软故障的效率成为本领域技术人员的一个热门的研究课题。
因此，如何提供一种基于神经网络的软电路故障诊断方法，其能够减少确定神经元数目的工作量，快速的确定最优的神经网络结构，降低计算的复杂度，加快网络的训练速度和收敛速度，从而提高故障诊断效率，已经成为本领域技术人员亟待解决的技术问题。
发明内容
为解决上述技术问题，本申请提供一种基于神经网络的软电路故障诊断方法，其能够减少确定神经元数目的工作量，快速的确定最优的神经网络结构，降低计算的复杂度，加快网络的训练速度和收敛速度，从而提高故障诊断效率。
本申请提供一种基于K-Means小波神经网络的软电路故障诊断方法，包括以下步骤：S1、测试电路模拟：选择有待进行故障检测的设备电路，将所述设备电路利用电路仿真软件进行电路模拟，随后在模拟电路中设置故障测试点；S2、故障响应设置：将需要诊断的所述模拟电路赋予激励信号，分类设置仿真模拟电路中出现各种故障状态和无故障状态的输出响应；S3、获取初始样本数据：运用统计模拟法对所述模拟电路进行仿真分析，获取大量原始故障数据作为训练初始样本数据；S4、K-Means聚类分析：将经过仿真得到的原始故障数据进行K-Means聚类分析与有效性指标分析，获取聚类中心的信号数据，并且随后剔除其中训练初始样本数据中的离群数据；S5、信号数据小波分析：将所述信号数据通过小波变换进行多层多尺度分解，剔除冗余信号数据，随后从中提取尽可能少且能足够表征电路状态的故障特征信号数据；S6、故障诊断对比分析：构建BP神经网络，将所述故障特征信号数据导入所述BP神经网络中进行训练验证预测，将输出的故障预测值与故障实际真实情况进行对比，确定故障诊断的准确率。
进一步地，在本发明一种优选方式中，在所述步骤S4中，剔除所述离群数据的步骤包括：
S401、令数据聚类数量K＝i，其中i＝1,2,3......,n，随后进行聚类分析；
S402、利用公式计算聚类有效性指标——CH指标值；
S403、获取聚类数据由1到n情况下所有的所述CH指标值，并计算所述CH指标值的变化率，绘制聚类分析指标曲线图；
S404、选取聚类有效性指标小且变化稳定时的聚类数量K作为最终的聚类数，根据所述最终聚类数剔除所述训练初始样本数据中的离群数据。
3、根据权利要求2所述的基于K-Means小波神经网络的软电路故障诊断方法，其特征在于，所述聚类有效性指标的计算公式为：
其中，CH指标值越小代表此时类自身越紧密，类与类之间越分散，即聚类结果更优；NC—类的总数；
—两类质心Ci和Cj之间的距离；Ci—第i个聚类质心；Cj—第j个聚类质心。
进一步地，在本发明一种优选方式中，其特征在于，在所述步骤S5中，所述信号数据小波分析具体为：调用小波变换中最常用的小波基函数对数据进行分解，其中选用haar对信号数据进行多层分解，提取分解到各层的系数得到故障特征向量，随后确定网络输入层神经元的数目。
进一步地，在本发明一种优选方式中，其特征在于，在所述步骤S6中，所述故障诊断对比分析具体包括：
S601、将所述故障特征信号数据分成训练样本集以及测试样本集两部分；
S602、构建BP神经网络结构，将所述训练样本集进行归一化处理后用于网络训练，训练完成后确定隐含层神经元的具体数量，得到最终的BP神经网络训练模型；
S603、随后将所述测试样本集归一化并导入所述BP神经网络训练模型中进行验证预测；S604、将预测后的数据进行反归一化与误差计算，而后将故障实际真实情况与故障预测值进行对比，确定故障诊断的正确率。
进一步地，在本发明一种优选方式中，其特征在于，在所述步骤S601中，所述故障特征信号数据按比例划分为所述训练样本集和所述测试样本集，具体为：70％所述训练样本集和30％所述测试样本集。
进一步地，在本发明一种优选方式中，其特征在于，在所述步骤S602中，还包括：在构建BP神经网络结构后，设置网络参数；其中所述网络参数包括训练次数、学习速率以及训练目的。
进一步地，在本发明一种优选方式中，在所述步骤S604中，所述误差计算包括：平均绝对误差MAE、均方误差MSE以及均方根误差RMSE。
本发明提供的一种基于K-Means小波神经网络的软电路故障诊断方法，与现有技术相比，包括以下步骤：S1、测试电路模拟：选择有待进行故障检测的设备电路，将所述设备电路利用电路仿真软件进行电路模拟，随后在模拟电路中设置故障测试点；S2、故障响应设置：将需要诊断的所述模拟电路赋予激励信号，分类设置仿真模拟电路中出现各种故障状态和无故障状态的输出响应；S3、获取初始样本数据：运用统计模拟法对所述模拟电路进行仿真分析，获取大量原始故障数据作为训练初始样本数据；S4、K-Means聚类分析：将经过仿真得到的原始故障数据进行K-Means聚类分析与有效性指标分析，获取聚类中心的信号数据，并且随后剔除其中训练初始样本数据中的离群数据；S5、信号数据小波分析：将所述信号数据通过小波变换进行多层多尺度分解，剔除冗余信号数据，随后从中提取尽可能少且能足够表征电路状态的故障特征信号数据；S6、故障诊断对比分析：构建BP神经网络，将所述故障特征信号数据导入所述BP神经网络中进行训练验证预测，将输出的故障预测值与故障实际真实情况进行对比，确定故障诊断的准确率。本发明提供的一种基于K-Means小波神经网络的软电路故障诊断方法，采用K-Means聚类分析与有效性指标分析相结合的方式，得出聚类中心的信号，可以剔除训练样本集中的离群集数据；而后通过小波分析对聚类中心的信号进行处理，将需要诊断的模拟电路赋予激励信号，模拟电路中各种类型的故障状态以及无无故障状态都会有不同的输出响应，通过小波变换将聚类中心的信号进行分解：小波变换的过程主要是剔除冗余信号，从样本信号中提取尽可能少且能足够表征电路状态的特征信号；这些经过处理的样本信号，再送给BP神经网络进行训练时，其能够减少确定神经元数目的工作量，快速的确定最优的神经网络结构，降低计算的复杂度，加快网络的训练速度和收敛速度。相对于现有技术而言，本方法能够减少确定神经元数目的工作量，快速的确定最优的神经网络结构，降低计算的复杂度，加快网络的训练速度和收敛速度，从而提高故障诊断效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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他的附图。
图1为本发明实施例提供的基于K-Means小波神经网络的软电路故障诊断方法的方法流程图；
图2为本发明实施例提供的基于K-Means小波神经网络的软电路故障诊断方法的步骤流程框架图；
图3为本发明实施例提供的剔除所述离群数据的方法流程图；
图4为本发明实施例提供的所述故障诊断对比分析的步骤流程图；
图5为本发明实施例提供的所述低通滤波器模拟电路图；
图6为本发明实施例提供的聚类有效性指标曲线图；
图7为本发明实施例提供的预测值和真实值的误差对比分析图；
图8为本发明实施例提供的各样本集与总体之间的相关性分析图。
具体实施方式
为了使本领域的技术人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，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他实施例，都属于本申请保护的范围。
需要说明的是，当元件被称为“固定于”或“设置于”另一个元件上，它可以直接在另一个元件上或者间接设置在另一个元件上；当一个元件被称为是“连接于”另一个元件，它可以是直接连接到另一个元件或间接连接至另一个元件上。
需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“第一”、“第二”、“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申请和简化描述，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申请的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，“多个”、“若干个”的含义是两个或两个以上，除非另有明确具体的限定。
须知，本说明书附图所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本申请可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本申请所能产生的功效及所能达成的目的下，均应仍落在本申请所揭示的技术内容得能涵盖的范围内。
如图1至图8所示，本发明提供的一种基于K-Means小波神经网络的软电路故障诊断方法，包括以下步骤：S1、测试电路模拟：选择有待进行故障检测的设备电路，将所述设备电路利用电路仿真软件进行电路模拟，随后在模拟电路中设置故障测试点；S2、故障响应设置：将需要诊断的所述模拟电路赋予激励信号，分类设置仿真模拟电路中出现各种故障状态和无故障状态的输出响应；S3、获取初始样本数据：运用统计模拟法对所述模拟电路进行仿真分析，获取大量原始故障数据作为训练初始样本数据；S4、K-Means聚类分析：将经过仿真得到的原始故障数据进行K-Means聚类分析与有效性指标分析，获取聚类中心的信号数据，并且随后剔除其中训练初始样本数据中的离群数据；S5、信号数据小波分析：将所述信号数据通过小波变换进行多层多尺度分解，剔除冗余信号数据，随后从中提取尽可能少且能足够表征电路状态的故障特征信号数据；S6、故障诊断对比分析：构建BP神经网络，将所述故障特征信号数据导入所述BP神经网络中进行训练验证预测，将输出的故障预测值与故障实际真实情况进行对比，确定故障诊断的准确率。本发明提供的一种基于K-Means小波神经网络的软电路故障诊断方法，采用K-Means聚类分析与有效性指标分析相结合的方式，得出聚类中心的信号，可以剔除训练样本集中的离群集数据；而后通过小波分析对聚类中心的信号进行处理，将需要诊断的模拟电路赋予激励信号，模拟电路中各种类型的故障状态以及无无故障状态都会有不同的输出响应，通过小波变换将聚类中心的信号进行分解：小波变换的过程主要是剔除冗余信号，从样本信号中提取尽可能少且能足够表征电路状态的特征信号；这些经过处理的样本信号，再送给BP神经网络进行训练时，其能够减少确定神经元数目的工作量，快速的确定最优的神经网络结构，降低计算的复杂度，加快网络的训练速度和收敛速度。相对于现有技术而言，本方法在能够减少确定神经元数目的工作量，快速的确定最优的神经网络结构，降低计算的复杂度，加快网络的训练速度和收敛速度，从而提高故障诊断效率。
实施例1：通过低通滤波器进行举例说明
步骤S1、测试电路模拟：选择有待进行故障检测的设备电路，将所述设备电路利用电路仿真软件进行电路模拟，随后在模拟电路中设置故障测试点。
在本实施例中，利用电路仿真软件pspice将待测设备电路在软件中模拟出来，如附图5所示；在仿真软件中选择待检测的元件作为故障测试点，故障测试点选择完成后进行容差参数设置；在本实施例中，选择电阻R1和电阻R2作为故障测试点，共有如下表1所示的5中故障状态：
表1.故障状态类型表
S2、故障响应设置：将需要诊断的所述模拟电路赋予激励信号，分类设置仿真模拟电路中出现各种故障状态和无故障状态的输出响应。
S3、获取初始样本数据：运用统计模拟法对所述模拟电路进行仿真分析，获取大量原始故障数据作为训练初始样本数据。
具体地，由于模拟电路需要获得大量数据作为训练初始样本数据，在本实施例中，选择蒙特卡洛分析法，迭代次数设置为500；参数设置完成后在电脑的本地文件中可以得到仿真结果以及所述原始故障数据。
S4、K-Means聚类分析：将经过仿真得到的原始故障数据进行K-Means聚类分析与有效性指标分析，获取聚类中心的信号数据，并且随后剔除其中训练初始样本数据中的离群数据；
具体地，在本发明实施例中，在获取所述训练样本数据后，对其进行第一次数据处理：K-Means聚类分析——得出聚类中心的信号，可以剔除训练样本集中的离群集数据。
具体地，在本发明实施例中，如图3所示，剔除所述离群数据的步骤包括：S401、令数据聚类数量K＝i，其中i＝1,2,3......,n，随后进行聚类分析；
S402、利用公式计算聚类有效性指标——CH指标值；
S403、获取聚类数据由1到n情况下所有的所述CH指标值，并计算所述CH指标值的变化率，绘制聚类分析指标曲线图；
S404、选取聚类有效性指标小且变化稳定时的聚类数量K作为最终的聚类数，根据所述最终聚类数剔除所述训练初始样本数据中的离群数据。
具体地，在本发明实施例中，所述聚类有效性指标的计算公式为：
其中，CH指标值越小代表此时类自身越紧密,类与类之间越分散,即聚类结果更优；NC—类的总数；
—两类质心Ci和Cj之间的距离；Ci—第i个聚类质心；Cj—第j个聚类质心。
在本实施例中，运用MATLAB仿真软件将本地文件中的所述原始故障数据以及上述CH指标的计算方法，利用C语言进行数据处理获取CH指标值与聚类数据K的关系图——聚类有效性指标曲线图，如图6所示。
其中，由于数据对神经网络模型效果有很大的影响，据附图6种的曲线可得出，将聚类数量达到300时，CH数值逐渐平缓，因此在本实施例中可选择所述聚类数量K值为300。
S5、信号数据小波分析：将所述信号数据通过小波变换进行多层多尺度分解，剔除冗余信号数据，随后从中提取尽可能少且能足够表征电路状态的故障特征信号数据。
具体地，在本发明实施例中，在所述步骤S5中，所述信号数据小波分析具体为：调用小波变换中最常用的小波基函数对数据进行分解，其中选用haar对信号数据进行多层分解，提取分解到各层的系数得到故障特征向量，随后确定网络输入层神经元的数目。
其中，在本实施例中，利用小波变换中最常用的小波基函数：haar小波来对300个聚类数据进行分解，考虑到haar小波具有紧支撑和正则性零点的特点，适合于信号特征的提取，因此选择haar小波对信号数据进行2层分解，提取分解到各层系数得到的故障特征向量，随后便可确定网络输入层神经元数目为6。
S6、故障诊断对比分析：构建BP神经网络，将所述故障特征信号数据导入所述BP神经网络中进行训练验证预测，将输出的故障预测值与故障实际真实情况进行对比，确定故障诊断的准确率。
具体地，在本发明实施例中，所述故障诊断对比分析具体包括：
S601、将所述故障特征信号数据分成训练样本集以及测试样本集两部分；
S602、构建BP神经网络结构，将所述训练样本集进行归一化处理后用于网络训练，训练完成后确定隐含层神经元的具体数量，得到最终的BP神经网络训练模型；S603、随后将所述测试样本集归一化并导入所述BP神经网络训练模型中进行验证预测；S604、将预测后的数据进行反归一化与误差计算，而后将故障实际真实情况与故障预测值进行对比，确定故障诊断的正确率。
其中，在本发明实施例中，选择将70％的数据作为训练样本集，将30％的数据作为测试样本集。随后将70％的训练样本集再通过MATLAB软件进行归一化从处理后用于训练网络。归一化完成后在MATLAB软件中构建BP神经网络，并设置网络参数，所述网络参数包括训练次数、学习速率以及训练目标；训练完成确定隐含层神经元的具体数量后将测试样本集归一化并导入网络结构中进行验证预测，将预测后的数据进行反归一化与误差计算，而后将实际故障情况的真实值与预测值比较。
具体地，在本发明实施例中，所述误差计算包括：平均绝对误差MAE、均方误差MSE以及均方根误差RMSE。
其中，在本发明实施例中，在对比所述真实值以及所述预测值时，包括：建立预测值、期望值(实际故障情况的真实值)以及误差三者之间的误差对比分析图像，如图7所示；建立相关性分析图，如图8所示，分析各样本集(初始训练、训练样本集以及测试样本集)与总体之间的相关性关系。
从附图5—8可知，K-Means聚类分析后对数据尽心初步处理可剔除部分异常数据，再通过小波分析二次处理后，可进一步剔除冗余信号数据,可减少网络训练时间和预测时间，故障诊断准确率、优越性以及效率更强。
由上所述，本发明实施例涉及的基于K-Means小波神经网络的软电路故障诊断方法，采用K-Means聚类分析与有效性指标分析相结合的方式，得出聚类中心的信号，可以剔除训练样本集中的离群集数据；而后通过小波分析对聚类中心的信号进行处理，将需要诊断的模拟电路赋予激励信号，模拟电路中各种类型的故障状态以及无无故障状态都会有不同的输出响应，通过小波变换将聚类中心的信号进行分解：小波变换的过程主要是剔除冗余信号，从样本信号中提取尽可能少且能足够表征电路状态的特征信号；这些经过处理的样本信号，再送给BP神经网络进行训练时，其能够减少确定神经元数目的工作量，从而快速的确定最优的神经网络结构，降低计算的复杂度，加快网络的训练速度和收敛速度。相对于现有技术而言，本方法在其能够减少确定神经元数目的工作量，快速的确定最优的神经网络结构，降低计算的复杂度，加快网络的训练速度和收敛速度，从而提高故障诊断效率。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种基于K-Means小波神经网络的软电路故障诊断方法，其特征在于，包括以下步骤：
S1、测试电路模拟：选择有待进行故障检测的设备电路，将所述设备电路利用电路仿真软件进行电路模拟，随后在模拟电路中设置故障测试点；
S2、故障响应设置：将需要诊断的所述模拟电路赋予激励信号，分类设置仿真模拟电路中出现各种故障状态和无故障状态的输出响应；
S3、获取初始样本数据：运用统计模拟法对所述模拟电路进行仿真分析，获取大量原始故障数据作为训练初始样本数据；
S4、K-Means聚类分析：将经过仿真得到的原始故障数据进行K-Means聚类分析与有效性指标分析，获取聚类中心的信号数据，并且随后剔除其中训练初始样本数据中的离群数据；
S5、信号数据小波分析：将所述信号数据通过小波变换进行多层多尺度分解，剔除冗余信号数据，随后从中提取尽可能少且能足够表征电路状态的故障特征信号数据；
S6、故障诊断对比分析：构建BP神经网络，将所述故障特征信号数据导入所述BP神经网络中进行训练验证预测，将输出的故障预测值与故障实际真实情况进行对比，确定故障诊断的准确率。
2.根据权利要求1所述的基于K-Means小波神经网络的软电路故障诊断方法，其特征在于，在所述步骤S4中，剔除所述离群数据的步骤包括：
S401、令数据聚类数量K＝i，其中i＝1,2,3......,n，随后进行聚类分析；
S402、利用公式计算聚类有效性指标——CH指标值；
S403、获取聚类数据由1到n情况下所有的所述CH指标值，并计算所述CH指标值的变化率，绘制聚类分析指标曲线图；
S404、选取聚类有效性指标小且变化稳定时的聚类数量K作为最终的聚类数，根据所述最终聚类数剔除所述训练初始样本数据中的离群数据。
3.根据权利要求2所述的基于K-Means小波神经网络的软电路故障诊断方法，其特征在于，所述聚类有效性指标的计算公式为：
其中，CH指标值越小代表此时类自身越紧密,类与类之间越分散,即聚类结果更优；NC—类的总数；
—两类质心Ci和Cj之间的距离；Ci—第i个聚类质心；Cj—第j个聚类质心。
4.根据权利要求1所述的基于K-Means小波神经网络的软电路故障诊断方法，其特征在于，在所述步骤S5中，所述信号数据小波分析具体为：调用小波变换中最常用的小波基函数对数据进行分解，其中选用haar对信号数据进行多层分解，提取分解到各层的系数得到故障特征向量，随后确定网络输入层神经元的数目。
5.根据权利要求1所述的基于K-Means小波神经网络的软电路故障诊断方法，其特征在于，在所述步骤S6中，所述故障诊断对比分析具体包括：
S601、将所述故障特征信号数据分成训练样本集以及测试样本集两部分；
S602、构建BP神经网络结构，将所述训练样本集进行归一化处理后用于网络训练，训练完成后确定隐含层神经元的具体数量，得到最终的BP神经网络训练模型；
S603、随后将所述测试样本集归一化并导入所述BP神经网络训练模型中进行验证预测；S604、将预测后的数据进行反归一化与误差计算，而后将故障实际真实情况与故障预测值进行对比，确定故障诊断的正确率。
6.根据权利要求5所述的基于K-Means小波神经网络的软电路故障诊断方法，其特征在于，在所述步骤S601中，所述故障特征信号数据按比例划分为所述训练样本集和所述测试样本集，具体为：70％所述训练样本集和30％所述测试样本集。
7.根据权利要求5所述的基于K-Means小波神经网络的软电路故障诊断方法，其特征在于，在所述步骤S602中，还包括：
在构建BP神经网络结构后，设置网络参数；所述网络参数包括训练次数、学习速率以及训练目的。
8.根据权利要求6所述的基于K-Means小波神经网络的软电路故障诊断方法，其特征在于，在所述步骤S604中，所述误差计算包括：平均绝对误差MAE、均方误差MSE以及均方根误差RMSE。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111568934.1A CN114297963A (zh) | 2021-12-21 | 2021-12-21 | 基于K-Means小波神经网络的软电路故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111568934.1A CN114297963A (zh) | 2021-12-21 | 2021-12-21 | 基于K-Means小波神经网络的软电路故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114297963A true CN114297963A (zh) | 2022-04-08 |
Family
ID=80968418
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111568934.1A Withdrawn CN114297963A (zh) | 2021-12-21 | 2021-12-21 | 基于K-Means小波神经网络的软电路故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114297963A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115580526A (zh) * | 2022-09-30 | 2023-01-06 | 中国人民解放军陆军工程大学 | 一种通信网络故障诊断方法、系统、电子设备及存储介质 |
-
2021
- 2021-12-21 CN CN202111568934.1A patent/CN114297963A/zh not_active Withdrawn
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115580526A (zh) * | 2022-09-30 | 2023-01-06 | 中国人民解放军陆军工程大学 | 一种通信网络故障诊断方法、系统、电子设备及存储介质 |
| CN115580526B (zh) * | 2022-09-30 | 2024-03-22 | 中国人民解放军陆军工程大学 | 一种通信网络故障诊断方法、系统、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106570513B (zh) | 大数据网络系统的故障诊断方法和装置 | |
| Vasan et al. | Diagnostics and prognostics method for analog electronic circuits | |
| Chen et al. | Semi-supervised multiresolution classification using adaptive graph filtering with application to indirect bridge structural health monitoring | |
| Aminian et al. | Fault diagnosis of analog circuits using Bayesian neural networks with wavelet transform as preprocessor | |
| CN107894564A (zh) | 一种基于交叉小波特征的模拟电路故障诊断方法 | |
| CN113406524B (zh) | 一种动力电池系统的不一致性故障诊断方法及系统 | |
| CN114155397B (zh) | 一种小样本图像分类方法及系统 | |
| CN112433896A (zh) | 一种服务器磁盘故障预测方法、装置、设备及存储介质 | |
| CN114237046B (zh) | 一种基于sift数据特征提取算法与bp神经网络模型的局部放电模式识别方法 | |
| CN114152825A (zh) | 变压器的故障诊断方法、装置和变压器的故障诊断系统 | |
| CN114297963A (zh) | 基于K-Means小波神经网络的软电路故障诊断方法 | |
| Lall et al. | Decorrelated feature space and neural nets based framework for failure modes clustering in electronics subjected to mechanical-shock | |
| CN113156303A (zh) | 基于输出响应矩阵特性分析的模拟电路故障诊断和定位法 | |
| CN116796187A (zh) | 一种输电线局部放电检测方法 | |
| CN115775601A (zh) | 一种材料力热试验的异常数据监测方法及系统 | |
| CN108664936B (zh) | 一种基于机器故障的诊断方法及系统 | |
| CN116304940A (zh) | 基于长短期记忆神经网络的模拟电路故障诊断方法 | |
| Wenxin | Analog circuit fault diagnosis via FOA-LSSVM | |
| Khemani et al. | Electronic circuit diagnosis with no data | |
| CN116307787A (zh) | 一种基于指纹的服务器运维故障识别方法、定位方法 | |
| CN114397521A (zh) | 一种针对电子设备的故障诊断方法及系统 | |
| CN114330650A (zh) | 基于进化元学习模型训练的小样本特征分析方法及装置 | |
| CN113257329A (zh) | 一种基于机器学习的存储器故障诊断方法 | |
| Mosin | A technique of analog circuits testing and diagnosis based on neuromorphic classifier | |
| CN110631827A (zh) | 一种基于改进协同表示分类的齿轮箱故障诊断方法 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220408 |