CN116736091A - 电子系统测试点扩展方法及系统、故障诊断方法及系统 - Google Patents
电子系统测试点扩展方法及系统、故障诊断方法及系统 Download PDFInfo
- Publication number
- CN116736091A CN116736091A CN202310999867.1A CN202310999867A CN116736091A CN 116736091 A CN116736091 A CN 116736091A CN 202310999867 A CN202310999867 A CN 202310999867A CN 116736091 A CN116736091 A CN 116736091A
- Authority
- CN
- China
- Prior art keywords
- test
- electronic system
- feature vector
- signal
- fault
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 170
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000003745 diagnosis Methods 0.000 title claims abstract description 26
- 239000013598 vector Substances 0.000 claims abstract description 107
- 238000013101 initial test Methods 0.000 claims abstract description 61
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 32
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 238000007619 statistical method Methods 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims description 10
- 230000004069 differentiation Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 7
- 239000000243 solution Substances 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000010354 integration Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Tests Of Electronic Circuits (AREA)
Abstract
本发明公开了电子系统测试点扩展方法及系统、故障诊断方法及系统,包括:获取电子系统的故障模式、各故障模式对应的故障原因、测试点信息;获取电子系统在多个不同工作状态下的测试点对应的测试信息,构成初始测试信号;基于,基于统计学方法、小波包分解方法分别获取电子系统在多个不同工作状态下对应的统计信号特征和;基于和构成初始测试特征向量;识别中各特征向量包含的电子系统状态信息量,选取包含状态信息量最多的前S1个特征向量形成新的测试特征向量,作为扩展后的测试信号。其对测试点包含的测试信息进行特征提取,以扩展有限测试点,获得其内含的丰富特征信息,实现多尺度分析,提高故障诊断的准确性。
Description
技术领域
本发明涉及故障诊断技术领域,特别涉及一种电子系统测试点扩展方法及系统、故障诊断方法及系统。
背景技术
电路是所有电子设备的基础,随着电子技术的发展,电路的集成化程度越来越高,结构和功能也日益复杂化,如今电路的整合强度已达到空前的程度,因此对电路运行的可靠性、测试性、维修性等提出了更高的要求。
当前的电子系统一般为模拟电路与数字电路的混合电路,其中模拟电路因为其模拟信号具有连续性、非线性,元器件存在容差等不稳定因素,使得电子系统的故障主要是因为模拟电路故障造成的。因此,为提高电子系统的可靠性,对模拟电路开展故障诊断技术的研究具有十分重要的工程意义。
电子系统高度集成化、轻小型化的特点使得系统可用测试点非常有限,工程应用中,一般仅将输出节点作为测试点,其包含的测试信息是非常有限的,难以满足故障诊断的需要;另一方面,因为模拟电路故障具有非线性、不稳定的特点,有限的测试信息难以实现准确的故障诊断。
在工程应用中,模拟电路的故障诊断通常直接采集输出的有效电压值,以此为测试信息,然后采用故障字典的方法进行故障诊断。但由于模拟电路的输出信号具有连续、不稳定、模糊性强等特点,直接的测试信息难以反映其真实状态。
发明内容
本发明的目的在于,针对现有技术中电子系统测试点有限、测试点包含的测试信息有限的不足,提供一种电子系统测试点扩展方法及系统、故障诊断方法及系统,对测试点包含的测试信息进行特征提取,以实现有限测试点的扩展,获得其内含的丰富特征信息,从而实现多尺度分析,最终提高故障诊断的准确性。
为解决上述技术问题,本发明所采用的技术方案是:
一种电子系统测试点扩展方法,其特点是包括以下步骤:
步骤一,获取所述电子系统的故障模式、各故障模式对应的故障原因、测试点信息;
步骤二,获取所述电子系统在多个不同工作状态下的测试点对应的测试信息,构成初始测试信号;其中,所述多个不同工作状态包括正常状态和至少一个故障状态;
步骤三,基于初始测试信号,基于统计学方法获取电子系统在多个不同工作状态下对应的统计信号特征/>;基于小波包分解方法获取电子系统在多个不同工作状态下对应的小波包分解信号特征/>;基于/>和/>构成初始测试特征向量/>;
步骤四,识别初始测试特征向量中各特征向量包含的电子系统状态信息量,选取包含状态信息量最多的前S1个特征向量形成新的测试特征向量/>,作为扩展后的测试信号。作为一种优选方式,所述步骤四包括:
计算初始测试特征向量中各特征向量的方差,选取方差最大的前S2个特征向量形成测试特征向量/>;
评估中各特征向量对电子系统各工作状态信息识别的能力,获得/>中各特征向量对应的系统状态区分度/>;
选取系统状态区分度最大的前S1个特征向量形成新的测试特征向量。
作为一种优选方式,所述评估中各特征向量对电子系统各工作状态信息识别的能力,获得/>中各特征向量对应的系统状态区分度/>包括:
对初始测试信号中各特征向量进行归一化处理,并计算各特征向量对应的电子系统各工作状态下样本点间的类内距离、各类内距离中的最大值、各类内距离的平均值;计算各工作状态样本间的类间距离、各类间距离中的最小值、各类间距离的平均值;
基于各类内距离中的最大值、各类内距离的平均值、各类间距离中的最小值、各类间距离的平均值,计算获得各特征向量对应的系统状态区分度。
作为一种优选方式,所述步骤三中,统计信号特征包括峰值、均值、标准差、偏态系数、峰态系数中的一种或多种。
作为一种优选方式,所述步骤三中,所述基于小波包分解方法获取电子系统在多个不同工作状态下对应的小波包分解信号特征包括:
在各工作状态下,对初始测试信号进行三层小波包分解;
提取第三层从高频到低频的分解系数,并对小波包分解树第三层信号进行重构,提取各频段能力构成小波包分解信号特征。
基于同一个发明构思,本发明还提供了一种电子系统测试点扩展系统,其特点是包括:
故障模式影响分析模块:用于获取所述电子系统的故障模式、各故障模式对应的故障原因、测试点信息;
初始测试信号获取模块:用于获取所述电子系统在多个不同工作状态下的测试点对应的测试信息,构成初始测试信号;其中,所述多个不同工作状态包括正常状态和至少一个故障状态;
初始测试特征向量构造模块:用于基于初始测试信号,基于统计学方法获取电子系统在多个不同工作状态下对应的统计信号特征/>;基于小波包分解方法获取电子系统在多个不同工作状态下对应的小波包分解信号特征/>;基于/>和/>构成初始测试特征向量;
测试信号扩展输出模块:用于识别初始测试特征向量中各特征向量包含的电子系统状态信息量,选取包含状态信息量最多的前S1个特征向量形成新的测试特征向量/>,作为扩展后的测试信号输出。
作为一种优选方式,所述测试信号扩展输出模块中,测试特征向量形成逻辑包括:
计算初始测试特征向量中各特征向量的方差,选取方差最大的前S2个特征向量形成测试特征向量/>;
评估中各特征向量对电子系统各工作状态信息识别的能力,获得/>中各特征向量对应的系统状态区分度/>;
选取系统状态区分度最大的前S1个特征向量形成新的测试特征向量。
基于同一个发明构思,本发明还提供了一种电子系统故障诊断方法,其特点是包括:
根据所述的电子系统测试点扩展方法,获得扩展后的测试信号;
根据扩展后的测试信号,获得电子系统故障诊断结果。
基于同一个发明构思,本发明还提供了一种电子系统故障诊断系统,其特点是包括:
所述的电子系统测试点扩展系统;
处理器:所述处理器基于测试信号扩展输出模块输出的扩展后的测试信号,计算获得电子系统故障诊断结果。
与现有技术相比,本发明具有以下有益效果:
第一,本发明考虑到电子系统测试点有限,难以满足系统故障诊断的要求,建立了一种基于统计学和小波包分解的测试特征提取方法,将有限的测试信息扩展,有利于提高系统故障状态诊断的能力。
第二,本发明考虑到存在部分测试点含有的系统状态信息较少,其存在会增加测试向量的维度,不利于后续的系统状态识别,因此建立了一种基于方差滤波处理和系统状态区分度的测试点优选方法,以实现测试向量的降维,为后续系统的故障诊断奠定基础,提高故障诊断的准确性。
附图说明
图1为本发明电子系统测试点扩展方法流程示意图。
图2为本发明实施例中所涉及到的Sallen-Key带通滤波器电路图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面结合实施例中的附图,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一部分的实施例,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他实施例,都应当属于本发明保护的范围。
如图1所示,本发明实施例的第一方面提供了一种电子系统测试点扩展方法,包括以下步骤:
步骤一,对系统进行故障模式影响分析,获取所述电子系统的故障模式、各故障模式对应的故障原因、测试点信息。
在一些优选实施例中,对系统进行故障模式影响分析包括,根据电子系统的组成结构、功能和历史维修资料等,对电子系统进行故障模式影响分析,找到电子系统可能存在的所有故障模式、每种故障模式对系统工作的影响、每种故障模式对应的故障原因、故障检测方法以及测试点,并可形成故障模式影响分析表,故障模式影响分析表形式可参考表1。
表1 故障模式影响分析表
本发明针对模拟电路集成化程度高,可测节点有限的问题进行分析,即初始测试点的测试信息不足以完全识别并隔离系统状态,因此需进一步挖掘测试信号内含的信息,扩展测试,以提高系统状态的故障检测率。
步骤二,获取所述电子系统在多个不同工作状态下的测试点对应的测试信息,构成初始测试信号,/>;其中,所述多个不同工作状态包括正常状态和至少一个故障状态。其中,故障状态下的初始测试信号通过故障注入(施加特定激励信号)的方式获得。步骤二即建立健康状态-测试相关性矩阵、故障症状-测试相关性矩阵。
中,/>表示系统正常状态下的测试信号集;
表示系统不同故障状态下的测试信号集,m表示故障状态数量。
步骤三,对初始测试信号进行特征提取,以获得丰富的测试信息。
所述步骤三优选但不限于包括:
步骤3.1 基于初始测试信号,基于统计学方法获取电子系统在多个不同工作状态下对应的统计信号特征/>。
作为一种优选方式,步骤3.1中,统计信号特征包括峰值、均值/>、标准差/>、偏态系数/>、峰态系数/>,对应的,统计信号特征/>。
;
;
;
;
;
其中,n和中初始测试信号的样本数量。
步骤3.2 基于小波包分解的方法提取测试信号的特征,通过各频带小波系数的变化识别出信号能量的变化,从而识别出因系统异常造成的测试信号能量变化。
作为一种优选方式,步骤3.2包括:
步骤3.2.1 在各工作状态下,采用“db3”作为小波包分解的母小波函数,对初始测试信号进行三层小波包分解。
步骤3.2.2 提取第三层从高频到低频的分解系数,并对小波包分解树第三层信号进行重构,提取各频段能力构成小波包分解信号特征。
步骤3.3 基于和/>构成初始测试特征向量/>;/>优选但不限于为
;
步骤四,对初始测试特征向量进行测试信号优选。具体包括:识别初始测试特征向量/>中各特征向量包含的电子系统状态信息量,选取包含状态信息量最多的前S1个特征向量形成新的测试特征向量/>,作为扩展后的测试信号。
所述步骤四优选但不限于包括:
步骤4.1 采用低方差滤波的方法对初始特征向量进行降维,将系统不同状态下数值基本一致的特征剔除。
步骤4.1优选但不限于包括:
步骤4.1.1 将系统不同故障和正常状态下的测试信号的初始测试特征向量按13项(与项数相同)测试特征向量为列进行合并。
步骤4.1.2计算13项测试特征向量的方差,并将方差最大的前S2个(如6个)特征向量提取出来组成新的测试特征向量;/>。
步骤4.2 评估中各特征向量/>对电子系统各工作状态/>信息识别的能力,获得中各特征向量对应的系统状态区分度/>;
选取系统状态区分度最大的前S1个特征向量形成新的测试特征向量。
步骤4.2优选但不限于包括:
步骤4.2.1 对初始测试信号中各特征向量进行归一化处理。
;
其中:
为/>的所有样本;
为/>样本集中的样本点。
步骤4.2.2 计算在各处测得系统在状态/>下样本点间的类内距离。
;
其中:,/>为系统状态/>的样本;
为系统状态/>的样本数。
步骤4.2.3 计算在各处测得系统/>个状态的类内距离的最大值、最小值(可选)和平均值;平均值的公式如下所示:
;
步骤4.2.4 计算在各处测得系统/>个状态样本间的类间距离,系统状态/>与/>之间的距离表示为:
;
其中:
为系统状态/>的样本;
为系统状态/>的样本数;
为系统状态/>的样本;
为系统状态/>的样本数;
h,j=0,1,……,m,且。
步骤4.2.5 计算在各处测得系统/>个状态的类间平均距离;计算在各/>处测得系统/>个状态的类间距离最大值(可选)、最小值和平均值;平均值计算公式如下:
;
步骤4.2.6 计算各对系统状态/>的系统状态区分度(即某测试信号/>的同一系统状态间的类内距离越小,不同系统状态间的类间距离越大,则此测试信号的系统状态区分度越高):
;
步骤4.2.7 根据各特征向量对应的系统状态区分度的大小,进行排序,并取最大的前S1个(优选但不限于为4个)特征向量形成新的测试特征向量/>,/>,作为扩展后的测试信号输出。
至此,完成本发明基于多特征信息融合和测点优选的测试扩展方法。
下面以图2中所示的经典的Sallen-Key带通滤波器电路为例,对本发明的电子系统测试点扩展方法做进一步详细说明。
约定图2中电路元器件的故障范围为,/>取值为元器件标称值的10%,电路元器件标称值及故障值如表2所示。
表2 元器件标称值及故障值
步骤一,对系统进行故障模式影响分析。
对Sallen-Key带通滤波器电路进行故障模式影响分析,填写故障模式影响分析表如下表3。
表3 故障模式影响分析表(部分)
步骤二、获取电路故障、正常状态下的测试信号。
本实施例主要对输出响应存在明显变化的故障模式进行分析,因此主要考虑五种系统工作状态{正常,C1故障,C2故障,R2故障,R3故障}。
通过PSPICE仿真软件对五种系统状态进行200次Monte-Carlo分析,进行故障注入,可以获得5×200组数据样本,以此作为初始测试信号。
步骤三、对初始测试信号进行特征提取,以获得丰富的测试信息。
步骤3.1 基于统计学的方法获得5×200组数据的峰值、均值/>、标准差/>、偏态系数/>、峰态系数/>,如下表4所示:
表4 统计信号特征(平均值)
步骤3.2 基于小波包分解的方法提取测试信号的特征。
采用“db3”作为小波包分解的母小波函数,对测试信号进行三层小波包分解,提取特征向量如下表5所示。
表5 小波包分解信号特征(平均值)
步骤3.3 将特征向量和/>联合构成初始测试特征向量/>如下表6所示。
表6 初始测试特征
步骤四、对初始测试特征向量进行测试信号优选。
采用低方差滤波的方法对初始特征向量进行降维,计算13项测试特征向量的方差,如下表7所示,并将方差最大的6个特征向量提取出来组成新的测试特征向量。
表7 初始测试特征方差
步骤4.2 评估各对系统状态/>信息识别的能力,即系统状态区分度/>。
对初始测试信号进行归一化处理,并计算在各处测得系统/>状态下样本点间的类内距离,如表8所示。
表8 各测试信号的类内距离
计算在各测试信号处测得系统9个状态的类内距离的最大值、最小值和平均值,如表9所示。
表9 各测试信号的类内距离最大值、最小值和平均值
计算在各测试信号处测得系统9个状态样本间的类间距离(以峰值为例),如表10所示。
表10 测试信号(峰值)处的类间距离
计算在各测试信号处测得系统9个状态的类间距离最大值、最小值和平均值,如表11所示。
表11 各测试信号的类间距离
计算各测试信号对系统状态/>的系统状态区分度,如表12所示。/>
表12 各测试信号的系统状态区分度
从上表12中可以得到,各测试信号对应的系统状态区分度从大到小分别为:,表明,均值/>对于系统状态信息的区分能力最强,其次为E0、标准差/>,和峰值p,因此,将此4个测试信号提取出来组成新的测试特征向量/>,即为最优测试信号。
至此,完成测试点多特征信息融合和测试点的优选。
本发明实施例的第二方面提供了一种电子系统测试点扩展系统,其包括:
故障模式影响分析模块:用于获取所述电子系统的故障模式、各故障模式对应的故障原因、测试点信息;
初始测试信号获取模块:用于获取所述电子系统在多个不同工作状态下的测试点对应的测试信息,构成初始测试信号;其中,所述多个不同工作状态包括正常状态和至少一个故障状态;
初始测试特征向量构造模块:用于基于初始测试信号,基于统计学方法获取电子系统在多个不同工作状态下对应的统计信号特征/>;基于小波包分解方法获取电子系统在多个不同工作状态下对应的小波包分解信号特征/>;基于/>和/>构成初始测试特征向量;
测试信号扩展输出模块:用于识别初始测试特征向量中各特征向量包含的电子系统状态信息量,选取包含状态信息量最多的前S1个特征向量形成新的测试特征向量/>,作为扩展后的测试信号输出。
所述测试信号扩展输出模块中,测试特征向量形成逻辑优选但不限于包括:
计算初始测试特征向量中各特征向量的方差,选取方差最大的前S2个特征向量形成测试特征向量/>;
评估中各特征向量对电子系统各工作状态信息识别的能力,获得/>中各特征向量对应的系统状态区分度/>;
选取系统状态区分度最大的前S1个特征向量形成新的测试特征向量。
上述故障模式影响分析模块、初始测试信号获取模块、初始测试特征向量构造模块、测试信号扩展输出模块用于实现上述电子系统测试点扩展方法。
本发明实施例的第三方面提供了一种电子系统故障诊断方法,其包括:
根据所述的电子系统测试点扩展方法,获得扩展后的测试信号;
根据扩展后的测试信号,获得电子系统故障诊断结果。
本发明实施例的第四方面提供了一种电子系统故障诊断系统,其包括:
所述的电子系统测试点扩展系统;
处理器:所述处理器基于测试信号扩展输出模块输出的扩展后的测试信号,计算获得电子系统故障诊断结果。
上述故障模式影响分析模块、初始测试信号获取模块、初始测试特征向量构造模块、测试信号扩展输出模块、处理器用于实现上述电子系统故障诊断方法。
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,即将所述系统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,所揭露的方法和系统,可以通过其它的方式实现。例如,以上所描述的方法和系统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。
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,即可以位于一个地方,或者也可以分布到多个单元上。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。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种电子系统测试点扩展方法,其特征在于,包括以下步骤:
步骤一,获取所述电子系统的故障模式、各故障模式对应的故障原因、测试点信息;
步骤二,获取所述电子系统在多个不同工作状态下的测试点对应的测试信息,构成初始测试信号;其中,所述多个不同工作状态包括正常状态和至少一个故障状态;
步骤三,基于初始测试信号,基于统计学方法获取电子系统在多个不同工作状态下对应的统计信号特征/>;基于小波包分解方法获取电子系统在多个不同工作状态下对应的小波包分解信号特征/>;基于/>和/>构成初始测试特征向量/>;
步骤四,识别初始测试特征向量中各特征向量包含的电子系统状态信息量,选取包含状态信息量最多的前S1个特征向量形成新的测试特征向量/>,作为扩展后的测试信号。
2.根据权利要求1所述的电子系统测试点扩展方法,其特征在于,所述步骤四包括:
计算初始测试特征向量中各特征向量的方差,选取方差最大的前S2个特征向量形成测试特征向量/>;
评估中各特征向量对电子系统各工作状态信息识别的能力,获得/>中各特征向量对应的系统状态区分度/>;
选取系统状态区分度最大的前S1个特征向量形成新的测试特征向量。
3.根据权利要求2所述的电子系统测试点扩展方法,其特征在于,所述评估中各特征向量对电子系统各工作状态信息识别的能力,获得/>中各特征向量对应的系统状态区分度包括:
对初始测试信号中各特征向量进行归一化处理,并计算各特征向量对应的电子系统各工作状态下样本点间的类内距离、各类内距离中的最大值、各类内距离的平均值;计算各工作状态样本间的类间距离、各类间距离中的最小值、各类间距离的平均值;
基于各类内距离中的最大值、各类内距离的平均值、各类间距离中的最小值、各类间距离的平均值,计算获得各特征向量对应的系统状态区分度。
4.根据权利要求1所述的电子系统测试点扩展方法,其特征在于,所述步骤三中,统计信号特征包括峰值、均值、标准差、偏态系数、峰态系数中的一种或多种。
5.根据权利要求1所述的电子系统测试点扩展方法,其特征在于,所述步骤三中,所述基于小波包分解方法获取电子系统在多个不同工作状态下对应的小波包分解信号特征包括:
在各工作状态下,对初始测试信号进行三层小波包分解;
提取第三层从高频到低频的分解系数,并对小波包分解树第三层信号进行重构,提取各频段能力构成小波包分解信号特征。
6.一种电子系统测试点扩展系统,其特征在于,包括:故障模式影响分析模块:用于获取所述电子系统的故障模式、各故障模式对应的故障原因、测试点信息;
初始测试信号获取模块:用于获取所述电子系统在多个不同工作状态下的测试点对应的测试信息,构成初始测试信号;其中,所述多个不同工作状态包括正常状态和至少一个故障状态;初始测试特征向量构造模块:用于基于初始测试信号/>,基于统计学方法获取电子系统在多个不同工作状态下对应的统计信号特征/>;基于小波包分解方法获取电子系统在多个不同工作状态下对应的小波包分解信号特征/>;基于/>和/>构成初始测试特征向量;
测试信号扩展输出模块:用于识别初始测试特征向量中各特征向量包含的电子系统状态信息量,选取包含状态信息量最多的前S1个特征向量形成新的测试特征向量/>,作为扩展后的测试信号输出。
7.根据权利要求6所述的电子系统测试点扩展系统,其特征在于,所述测试信号扩展输出模块中,测试特征向量形成逻辑包括:
计算初始测试特征向量中各特征向量的方差,选取方差最大的前S2个特征向量形成测试特征向量/>;
评估中各特征向量对电子系统各工作状态信息识别的能力,获得/>中各特征向量对应的系统状态区分度/>;
选取系统状态区分度最大的前S1个特征向量形成新的测试特征向量。
8.根据权利要求7所述的电子系统测试点扩展系统,其特征在于,所述评估中各特征向量对电子系统各工作状态信息识别的能力,获得/>中各特征向量对应的系统状态区分度包括:
对初始测试信号中各特征向量进行归一化处理,并计算各特征向量对应的电子系统各工作状态下样本点间的类内距离、各类内距离中的最大值、各类内距离的平均值;计算各工作状态样本间的类间距离、各类间距离中的最小值、各类间距离的平均值;
基于各类内距离中的最大值、各类内距离的平均值、各类间距离中的最小值、各类间距离的平均值,计算获得各特征向量对应的系统状态区分度。
9.一种电子系统故障诊断方法,其特征在于,包括:
根据权利要求1至5任一项所述的电子系统测试点扩展方法,获得扩展后的测试信号;
根据扩展后的测试信号,获得电子系统故障诊断结果。
10.一种电子系统故障诊断系统,其特征在于,包括:
如权利要求6至8任一项所述的电子系统测试点扩展系统;
处理器:所述处理器基于测试信号扩展输出模块输出的扩展后的测试信号,计算获得电子系统故障诊断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310999867.1A CN116736091A (zh) | 2023-08-10 | 2023-08-10 | 电子系统测试点扩展方法及系统、故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310999867.1A CN116736091A (zh) | 2023-08-10 | 2023-08-10 | 电子系统测试点扩展方法及系统、故障诊断方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116736091A true CN116736091A (zh) | 2023-09-12 |
Family
ID=87906294
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310999867.1A Pending CN116736091A (zh) | 2023-08-10 | 2023-08-10 | 电子系统测试点扩展方法及系统、故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116736091A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102279358A (zh) * | 2011-06-20 | 2011-12-14 | 湖南大学 | 一种基于mcskpca的神经网络模拟电路故障诊断方法 |
CN103076556A (zh) * | 2013-01-21 | 2013-05-01 | 中国民航大学 | 航电组件功能维护测试点选取方法 |
CN105652182A (zh) * | 2015-12-28 | 2016-06-08 | 北京航天测控技术有限公司 | 一种基于电路网络和图搜索的电路板故障定位系统及方法 |
CN110879351A (zh) * | 2019-11-28 | 2020-03-13 | 山东科技大学 | 一种基于rcca-svm的非线性模拟电路故障诊断方法 |
CN112347588A (zh) * | 2020-11-26 | 2021-02-09 | 中国舰船研究设计中心 | 基于小波包分解的旋转机械故障诊断方法 |
CN113484738A (zh) * | 2021-05-25 | 2021-10-08 | 北京航空航天大学 | 基于多特征信息融合的电路故障诊断方法 |
CN116481821A (zh) * | 2023-04-17 | 2023-07-25 | 国能北电胜利能源有限公司 | 基于大数据分析管理的发动机故障预警方法及系统 |
-
2023
- 2023-08-10 CN CN202310999867.1A patent/CN116736091A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102279358A (zh) * | 2011-06-20 | 2011-12-14 | 湖南大学 | 一种基于mcskpca的神经网络模拟电路故障诊断方法 |
CN103076556A (zh) * | 2013-01-21 | 2013-05-01 | 中国民航大学 | 航电组件功能维护测试点选取方法 |
CN105652182A (zh) * | 2015-12-28 | 2016-06-08 | 北京航天测控技术有限公司 | 一种基于电路网络和图搜索的电路板故障定位系统及方法 |
CN110879351A (zh) * | 2019-11-28 | 2020-03-13 | 山东科技大学 | 一种基于rcca-svm的非线性模拟电路故障诊断方法 |
CN112347588A (zh) * | 2020-11-26 | 2021-02-09 | 中国舰船研究设计中心 | 基于小波包分解的旋转机械故障诊断方法 |
CN113484738A (zh) * | 2021-05-25 | 2021-10-08 | 北京航空航天大学 | 基于多特征信息融合的电路故障诊断方法 |
CN116481821A (zh) * | 2023-04-17 | 2023-07-25 | 国能北电胜利能源有限公司 | 基于大数据分析管理的发动机故障预警方法及系统 |
Non-Patent Citations (2)
Title |
---|
王晓阳等(译): "惯性测量组合智能故障诊断及预测技术", 31 May 2017, 国防工业出版社, pages: 122 - 125 * |
王晓阳等(译): "数据挖掘 原理与实践", 机械工业出版社, pages: 226 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Luque et al. | Horizontal visibility graphs: Exact results for random time series | |
CN113655348B (zh) | 一种基于深度孪生网络的电力设备局部放电故障诊断方法、系统终端及可读存储介质 | |
CN110596506A (zh) | 基于时间卷积网络的变换器故障诊断方法 | |
CN105675038A (zh) | 一种仪表的故障预测装置 | |
Czaja et al. | Fault diagnosis in electronic circuits based on bilinear transformation in 3-D and 4-D spaces | |
CN111678699A (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
CN115015683B (zh) | 电缆生产的性能测试方法、装置、设备及存储介质 | |
CN114360030A (zh) | 一种基于卷积神经网络的人脸识别方法 | |
CN114325256A (zh) | 一种电力设备局部放电识别方法、系统、设备及存储介质 | |
CN113203954A (zh) | 一种基于时频图像处理的电池故障诊断方法 | |
CN109828168A (zh) | 基于核密度估计的变换器故障诊断方法 | |
JPH1078471A (ja) | 部分放電測定方法 | |
CN112729884B (zh) | 基于大数据的设备故障诊断方法及装置 | |
CN116520068B (zh) | 一种电力数据的诊断方法、装置、设备及存储介质 | |
CN111610428B (zh) | 一种基于响应混叠性度量小波包分解算法的参数优化方法 | |
CN117590172A (zh) | 应用于变压器的局部放电声电联合定位方法、装置和设备 | |
CN116736091A (zh) | 电子系统测试点扩展方法及系统、故障诊断方法及系统 | |
CN111273126A (zh) | 一种配电网拓扑快速感知方法 | |
CN114841222B (zh) | 构建高压断路器故障检测模型的方法、检测方法及配电系统 | |
CN115130748A (zh) | 一种建筑电气系统故障诊断方法 | |
CN109388512A (zh) | 针对大规模计算机集群异常程度的评估与分析系统 | |
CN115293303A (zh) | 一种高压输电线网监测方法、系统、设备和介质 | |
CN115248993A (zh) | 一种仿真场景模型真实性检测方法、装置及存储介质 | |
CN113283316A (zh) | 一种基于声音信号的开关机械故障诊断方法、装置及设备 | |
CN114970601A (zh) | 一种电力设备局部放电类型识别方法、设备及存储介质 |
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 |