CN117269735B - 基于电磁微波手段的电力工器具智能电子芯片检测方法 - Google Patents

基于电磁微波手段的电力工器具智能电子芯片检测方法 Download PDF

Info

Publication number
CN117269735B
CN117269735B CN202311548843.0A CN202311548843A CN117269735B CN 117269735 B CN117269735 B CN 117269735B CN 202311548843 A CN202311548843 A CN 202311548843A CN 117269735 B CN117269735 B CN 117269735B
Authority
CN
China
Prior art keywords
value
signal
target
data
taking
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
CN202311548843.0A
Other languages
English (en)
Other versions
CN117269735A (zh
Inventor
朱转军
麻晓军
伞宏
贾灿
师希虎
刘磊
焦文军
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.)
Gansu Transmission & Substation Engineering Co ltd
Original Assignee
Gansu Transmission & Substation Engineering 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 Gansu Transmission & Substation Engineering Co ltd filed Critical Gansu Transmission & Substation Engineering Co ltd
Priority to CN202311548843.0A priority Critical patent/CN117269735B/zh
Publication of CN117269735A publication Critical patent/CN117269735A/zh
Application granted granted Critical
Publication of CN117269735B publication Critical patent/CN117269735B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28Testing of electronic circuits, e.g. by signal tracer
    • G01R31/2851Testing of integrated circuits [IC]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • G06F18/243Classification techniques relating to the number of classes
    • G06F18/24323Tree-organised classifiers

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Indication And Recording Devices For Special Purposes And Tariff Metering Devices (AREA)

Abstract

本发明涉及电磁微波检测技术领域,具体涉及一种基于电磁微波手段的电力工器具智能电子芯片检测方法。获取所有测点的电磁微波信号,任选一个作为目标信号;根据目标信号中各类数据值的分布获得特征参数,进而构建决策树;根据各类数据值的数量分布和在决策树中的路径长度获得保留价值;分析所有电磁微波信号的波动情况以及之间的差异,获得波动抑制因子用于调整目标信号获得修正信号,进而获得修正信号对应的能量剩余值;通过能量剩余值、保留价值调整均值包络线并对目标信号重新进行经验模态分解、重构,获得高质量信号,在消除噪声的同时极大程度上保证了信号的信息完整性,提高了根据高质量信号完成电子芯片检测的准确度。

Description

基于电磁微波手段的电力工器具智能电子芯片检测方法
技术领域
本发明涉及电磁微波检测技术领域,具体涉及一种基于电磁微波手段的电力工器具智能电子芯片检测方法。
背景技术
电磁微波测试电子芯片是一种非接触的检测方法,无需直接接触电子芯片。这可以避免物理接触对芯片的损坏或干扰,电磁微波检测可以全方位地探测芯片中不同类型的缺陷,包括焊接问题、电路连通性、器件故障等;并且可以在较短的时间内进行快速扫描和检测,在检测效率、全面性、可靠性方面具有一定优势。
由于电子芯片中存在复杂的电磁干扰,电磁微波测试信号中总是存在密集的噪声,并且会由信号接收器放大,导致在识别异常电磁微波测试信号动时出现大量非正常的干扰成分,现有技术对电磁微波测试信号的处理方法为无差别平滑,会存在信息失真的问题,造成去噪效果不佳,进而导致电子芯片的检测结果不准确。
发明内容
为了解决现有技术对电磁微波测试信号的处理方法为无差别平滑,会存在信息失真的问题,造成去噪效果不佳,进而导致电子芯片的检测结果不准确的技术问题,本发明的目的在于提供一种基于电磁微波手段的电力工器具智能电子芯片检测方法,所采用的技术方案具体如下:
获取待测电子芯片上所有测点的电磁微波信号;
以任意一个测点作为目标测点,将目标测点的电磁微波信号作为目标信号;根据所述目标信号中数据值的分布情况获得各类数据值的特征参数;根据所述目标信号中各类数据值的特征参数构建孤立森林决策树;根据所述目标信号中各类数据值的数量分布和各类数据值在所述孤立森林决策树中对应的路径长度,获得目标信号中各类数据值的保留价值;
根据每个测点的电磁微波信号的波动情况以及目标测点与其他所有测点的电磁微波信号之间数据值的差异,获得目标信号的波动抑制因子;根据所述波动抑制因子对所述目标信号进行调整,获得修正信号;获得所述修正信号的频域信号,基于定积分计算根据所述频域信号获得目标信号的能量剩余值;
将所述目标信号经验模态分解过程中的第一个均值包络线作为目标包络线;根据目标信号对应的能量剩余值、目标信号中各类数据值对应的保留价值和在目标包络线中对应的数据值,获得修正包络线;
根据所述修正包络线对目标信号进行经验模态分解、重构,获得目标测点对应的高质量信号;将正常的电子芯片上与目标测点同位置的测点处的电测微波信号作为对比信号,根据所述对比信号和所述目标测点对应的高质量信号对目标测点处进行检测,获得检测结果。
进一步地,所述各类数据值的特征参数的获取方法包括:
将每类数据值的频率作为出现频率,其中,具有相同数值的数据值为一类;
将所有种类数据值的出现频率的均值作为频率均值,将所述频率均值与每类数据值的出现频率的比值作为每类数据值的频率溢出比;
将所有种类的数据值的均值作为数值均值,将每类数据值的数值与所述数值均值的差值作为数值差值,将每类数据值对应的数值差值与所述数值均值的比值作为数值离散比;
将每类数据值对应的频率溢出比与数值离散比的欧式范数作为每类数据值的特征参数。
进一步地,所述根据所述目标信号中各类数据值的特征参数构建孤立森林决策树,包括:
根据特征参数对所有种类的数据值进行降序排列,获得排列序列,在所述排列序列中除起始数据和终止数据外,随机选择一类数据值为界限并作为孤立森林决策树的一个节点,将所述排列序列划分为两个子序列,对所述子序列进行孤立划分操作,直至所述排列序列中每类数据值孤立为止;
所述孤立划分操作包括:以任意一个子序列作为目标序列,在目标序列中除起始数据和终止数据外,随机选择一类数据值为界限并作为孤立森林决策树的一个节点,将所述目标序列划分的两个子序列作为更新后的子序列,对更新后的子序列重复进行孤立划分操作。
进一步地,所述目标信号中各类数据值的保留价值的获取方法包括:
根据各类数据值在所述孤立森林决策树中的路径长度对所有种类的数据值进行降序排列,获得降序序列;
将所述降序序列的起始位置作为起点,依次将降序序列中每类数据值作为终点,获得每类数据值对应的数据序列;将每类数据值对应的数据序列中的数据值作为目标数据值;将每类数据值对应的目标数据值的路径长度的均值作为路径均值;将每类数据值对应的每类目标数据值的路径长度与所述路径均值的差异的平方作为路径差异,将每类数据值对应的每类目标数据值的所述路径差异与目标数据值在所属数据序列中的序号相乘,作为每类目标数据值的路径指标,将每类数据值对应的所有目标数据值的路径指标累加后求均值作为第一参数;
将所述降序序列中每类数据值后续所有数据值的出现频率的峰度值作为每类数据值对应的峰度值;将每类数据值对应的峰度值与预设标准峰度值的比值作为第二参数;其中,预设标准峰度值设置为3;
将每类数据值对应的第一参数与第二参数的比值进行负相关映射并归一化后作为每类数据值的保留价值。
进一步地,所述目标信号的波动抑制因子的获取方法包括:
将每个测点的电磁微波信号中前一个极值点的数据值与相邻的后一个极值点的数据值的差值作为落差值,将数值相同的落差值作为一类落差值;
将所述目标测点与其他每个测点的所有种类的落差值的频率之间的均方误差作为差异参数,将所述目标测点与所有其他测点的差异参数的均值作为差异特征值;
将所述差异特征值进行归一化并负相关映射后的值作为所述目标信号的波动抑制因子。
进一步地,所述修正信号的获取方法包括:
将所述目标信号中的所有数据值中的极大值作为原始值;
将所述波动抑制因子进行负相关映射后与每个原始值相乘,获得每个原始值对应的调整后的数据值;
将所有所述调整后的数据值在目标信号中代替对应的所述原始值,并与相邻的数据值进行平滑连接,获得修正信号。
进一步地,所述获得所述修正信号的频域信号,基于定积分计算根据所述频域信号获得目标信号的能量剩余值,包括:
基于傅里叶变换将所述修正信号转换为对应的频域信号,将所述频域信号中所有数据值的均值作为均值特征值,将所述均值特征值作为数据值,构建与所述修正信号长度相等的参考信号;
对整个所述频域信号进行定积分计算,获得能量预测值,对整个所述参考信号进行定积分计算,获得能量参考值;
将所述能量预测值与所述能量参考值的比值作为目标信号的能量剩余值。
进一步地,所述修正包络线的获取方法包括:
对每类数据值的保留价值进行归一化,作为每类数据值对应的保留权重;
将目标信号的能量剩余值、每类数据值在所述目标包络线中的数值以及所述保留权重的乘积作为更新包络值;
将所有所述更新包络值进行平滑连接,获得修正包络线。
进一步地,所述根据所述修正包络线对目标信号进行经验模态分解、重构,获得目标测点对应的高质量信号,包括:
利用所述修正包络线对所述目标信号进行经验模态分解,得到所有分量信号;
将所有分量信号中前预设数量个分量信号舍弃,将剩余的分量信号进行整合重构,获得目标测点对应的所述高质量信号。
进一步地,所述根据所述对比信号和所述目标测点对应的高质量信号对目标测点处进行检测,获得检测结果,包括:
将所述对比信号中所有数据值的均值作为异常阈值;
若所述目标测点对应的高质量信号中存在数据值小于所述异常阈值,则目标测点处存在异常。
本发明具有如下有益效果:
本发明主要针对利用电磁微波技术对电子芯片进行检测时,信号中会存在噪声干扰,不利于缺陷、故障检测的问题;首先获取待测电子芯片上所有测点处的电磁微波信号,将任意一个测点作为目标测点,则目标测点的电磁微波信号作为目标信号;然后根据目标信号中数据值的分布情况对各类数据值进行评价,获得各类数据值的特征参数;进而可基于各类数据值的特征参数构建孤立森林决策树,此时,各类数据值在孤立森林决策树中对应的路径长度即可作为评价该类数据值的保留价值的指标之一,然后再与各类数据值的数量分布特征进行结合,获得各类数据值的保留价值;进一步地,分析电子芯片的导电特性,导电特性可由目标信号的能量进行表征,故本发明先根据每个测点的电磁微波信号的波动情况以及目标测点与其他所有测点的电磁微波信号之间的差异,获得波动抑制因子,用于调整目标信号中的噪声干扰成分以及非平稳成分,获得修正信号,可以使得后续能量值的估测更为准确;进而获得修正信号的频域信号,并基于定积分计算根据频域信号获得目标信号的能量剩余值;进一步地,通过能量剩余值、各类数据值的保留价值对目标信号经验模态分解过程中第一个均值包络线的数据值进行调整,获得修正包络线,然后根据修正包络线对目标信号重新进行经验模态分解,此时可以使得具有保留意义的数据值向下层分量信号保留,而噪声成分则更好的集中在上层分量信号中,然后再进行重构,即可获得目标测点对应的高质量信号,可以在消除噪声的同时极大程度上保证信号的信息完整性;最后将高质量信号和正常的对比信号进行比较,实现对目标测点处的检测,同时获得了更加准确的检测结果,提高了可信度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,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的介绍,显而易见地,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附图。
图1为本发明一个实施例所提供的一种基于电磁微波手段的电力工器具智能电子芯片检测方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于电磁微波手段的电力工器具智能电子芯片检测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
一种基于电磁微波手段的电力工器具智能电子芯片检测方法实施例:
下面结合附图具体的说明本发明所提供的一种基于电磁微波手段的电力工器具智能电子芯片检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于电磁微波手段的电力工器具智能电子芯片检测方法的方法流程图,该方法包括以下步骤:
步骤S1:获取待测电子芯片上所有测点的电磁微波信号。
电磁微波检测技术可用于检测电子芯片封装材料的空洞、裂纹、气泡等封装缺陷;部分结构缺陷,如晶体管、电容器、电感器等元件的损坏、失效或变形等;以及导线、电路板或器件间的连通性问题,包括开路、短路、焊接质量不良等。本发明实施例主要针对电子芯片上导体材料的导电性能测试。
首先,需要获取待测电子芯片上所有测点的电磁微波信号;电磁波探针是一种专门设计用于非接触式检测电子设备和电路的工具,基于电磁波传播和相互作用原理来探测目标设备或电路中的缺陷。因此可利用电磁波探针对待测电子芯片进行扫描,可以设置扫描间距为0.5mm,测试信号的采样长度为3秒。电磁波探针可将射频信号输出为待测电子芯片上每个测点位置的微波参数,然后读取微波参数,利用射频检波电路将高频微波信号转化为直流模拟信号,经过高速模数转换器将模拟信号转换为数字信号,再利用波形图生成器将数字信号转化为波形图。需要说明的是,具体获取电子芯片上所有测点的电磁微波信号的装置以及扫描间距和采样长度等参数均可根据实施场景进行调整,在此不作限定及赘述。
至此,可以得到待测电子芯片上所有测点处的电磁微波测试信号,每个测点处的电磁微波测试信号为随着时间变化的电压,即信号波横轴为时间,单位为毫秒,纵轴为数据值,单位为伏特。
步骤S2:以任意一个测点作为目标测点,将目标测点的电磁微波信号作为目标信号;根据目标信号中数据值的分布情况获得各类数据值的特征参数;根据目标信号中各类数据值的特征参数构建孤立森林决策树;根据目标信号中各类数据值的数量分布和各类数据值在孤立森林决策树中对应的路径长度,获得目标信号中各类数据值的保留价值。
为了便于解释和说明,在本发明实施例中以任意一个测点作为目标测点,同时将目标测点的电磁微波信号作为目标信号,以此来解释后续步骤中的过程。
当电子芯片存在缺陷或发生线路、元件故障时,其电磁微波测试信号中会出现非正常的数据值,根据这一特性,可以根据电子芯片正常运行时的电磁微波测试信号设置经验阈值用以识别故障信息,但是由于噪声成分复杂时也会存在大量非正常的干扰信号成分,且电磁微波测试信号本身就是非平稳信号,故若不对信号进行处理直接设置阈值将难以准确识别和区分非正常信号成分,所以本发明实施例通过统计目标信号中数据值的类型,然后获取各类数据值的特征参数,进而得到各类数据值的保留价值,为后续分离有效信号和噪声信号做准备。
由于数据值的分布情况可以反映出数据值的特征,故本发明实施例首先根据目标信号中数据值的分布情况构建各类数据值的特征参数。
优选地,本发明一个实施例中根据目标信号中数据值的分布情况获得各类数据值的特征参数,包括:
首先将具有相同数值也即具有相同幅值的数据值作为同一类,并统计每类数据值的频率,将该频率作为出现频率,频率的计算方法即为每类数据值的出现次数除以所有数据值的总数。然后将所有种类数据值的出现频率的均值作为频率均值,将频率均值与每类数据值的出现频率的比值作为每类数据值的频率溢出比,频率溢出比可以表征出每类数据值的出现频率相对于整体的偏离程度。
然后获取所有种类的数据值的均值,并将该均值作为数值均值,将每类数据值的数值与数值均值的差值作为数值差值,再将每类数据值对应的数值差值与数值均值的比值作为数值离散比,数值离散比则可表征出每类数据值相对于整体的集中程度。
最后将每类数据值对应的频率溢出比与数值离散比的欧式范数作为每类数据值的特征参数。特征参数的公式模型为:
其中,表示第/>类数据值的特征参数,/>表示第/>类数据值的出现频率,/>表示频率均值,/>表示第/>类数据值的数值,/>表示数值均值。
在特征参数的公式模型中,当某类数据值的出现频率越大时,则其频率溢出比的值就越小,而当某类数据值的数值离散比/>越大时,则说明该类数据值相对于数据整体分布越分散;将每类数据值的频率溢出比和数值离散比作为评价该类数据值的特征参数的指标,获取二者的欧式距离,作为特征参数,此时,可以使得即使数值相对于整体而言较为分散,但是出现频率大的某类数据值在后续构建孤立森林决策树时不会轻易被孤立,同理,也可以使得即使出现频率小,但是相对于整体而言较为集中的某类数据值在后续构建孤立森林决策树时不会轻易被孤立,有效延长其在孤立森林决策树上的路径长度。需要说明的是,欧式范数的获取方法为本领域技术人员熟知的操作过程,在此不做赘述。
至此,根据目标信号中各类数据值的频率分布情况以及数值分布情况对各类数据值进行了评价,获得了特征参数,即可根据特征参数构建孤立森林决策树,从而评价各类数据值的保留价值。
优选地,本发明一个实施例中根据目标信号中各类数据值的特征参数构建孤立森林决策树,包括:
首先根据特征参数对所有种类的数据值进行降序排列,获得排列序列,在该排列序列中除起始数据和终止数据外,即除第一个数据和最后一个数据外,在其他的数据中随机选择一类数据值作为界限并将其作为孤立森林决策树中的一个节点,同时将该排列序列划分为了两个子序列,即界限左侧的数据值种类作为一个子序列,界限右侧的数据值种类作为一个子序列,进而对每个子序列进行孤立划分操作,直至排列序列中每类数据值孤立,即每类数据值都成为决策树中的一个节点为止。
其中,孤立划分操作包括:以任意一个子序列作为目标序列,在目标序列中除起始数据和终止数据外,随机选择一类数据值作为界限并将其作为孤立森林决策树中的一个节点,同时将目标序列划分为两个子序列,将这次划分的两个子序列作为更新后的子序列,然后对更新后的子序列重复进行上述孤立划分操作。需要说明的是,孤立森林决策树的构建方法为本领域技术人员熟知的技术手段,在此不作过多赘述。
至此,通过数据值的特征参数构建了孤立森林决策树,使得每类数据值都成为了决策树中的一个节点,然后即可将每类数据值在决策树中的路径长度作为评价该类数据值的保留价值的指标之一,并与各类数据值的数量分布情况相结合,获得目标信号中各类数据值的保留价值。
优选地,本发明一个实施例中目标信号中各类数据值的保留价值的获取方法包括:
根据先验知识可知,在孤立森林决策树的构建过程中,越异常的数据会最容易被孤立出来,因此其在决策树中的路径长度就短,而正常的数据会不容易被孤立出来,因此其在决策树中的路径长度就长;同时,在本发明实施例中认为正常数据的保留价值更高,故首先根据各类数据值在孤立森林决策树中的路径长度对所有种类的数据值进行降序排列,获得降序序列,将降序序列的起始位置作为起点,依次将降序序列中每类数据值作为终点,即可获得每类数据值对应的数据序列;然后将每类数据值对应的数据序列中的数据值作为该类数据值的目标数据值,将每类数据值对应的目标数据值的路径长度的均值作为路径均值,此时每类数据值都有一个对应的数据序列,并且,每类数据值都有对应的路径均值,同时,数据序列中的数据值作为该类数据值的目标数据值。
将每类数据值对应的每类目标数据值的路径长度与路径均值的差异的平方作为路径差异,将每类数据值对应的每类目标数据值的路径差异与目标数据值在所属数据序列中的序号相乘,作为每类目标数据值的路径指标,将每类数据值对应的所有目标数据值的路径指标累加后求均值作为第一参数。其中,每类数据值对应的目标数据值在所属数据序列中的序号表示为每类数据值对应的目标数据值在对应的数据序列中的序号。
然后对各类数据值的数量分布进行分析:将降序序列中每类数据值后续所有数据值的出现频率的峰度值作为该类数据值对应的峰度值,将每类数据值对应的峰度值与预设标准峰度值的比值作为第二参数。
最后即可根据每类数据值对应的第一参数和第二参数获得保留价值:将每类数据值对应的第一参数与第二参数的比值进行负相关映射并归一化后作为每类数据值的保留价值。保留价值的公式模型具体可以例如为:
其中,表示降序序列中第/>类数据值的保留价值,/>表示每类数据值对应的数据序列的索引,/>表示数据序列中第/>类目标数据值在决策树中的路径长度,/>表示路径均值,/>表示目标数据值在数据序列中的序号,/>表示降序序列的长度,/>表示第/>类数据值后续所有数据值的索引,/>表示降序序列中第/>类数据值后续所有数据值中第/>类数据值的出现频率,/>表示降序序列中第/>类数据值后续所有数据值的出现频率的平均值,/>表示降序序列中第/>类数据值后续所有数据值的出现频率的标准差,/>表示预设标准峰度值,/>表示以自然常数/>为底的指数函数。
在保留价值的公式模型中,基于上述分析可知,在孤立森林决策树的构建过程中,越异常的数据在决策树中的路径长度短,而正常的数据在决策树中的路径长度长,因此保留价值的公式模型中的分子部分,即第一参数,通过对降序序列中每类数据值对应的数据序列中的数据值对应的路径长度进行计算,并且结合了目标数据值在数据序列中的序号,当序号越小时,说明越靠前,表征路径长度越长,同时当路径差异越小时,则说明数据序列中的数据值的路径长度分布比较集中,因此将二者结合获得的分子,即第一参数/>越小,则该类数据值的保留价值就越高;对于分母部分:基于峰度公式根据降序序列中每类数据值后续的数据值的出现频率获得峰度值,由于噪声信号较于真实有效信号更具高斯性,并且在本发明实施例中认为真实有效信号以及噪声信号的峰度值均小于预设标准峰度值,且噪声信号的峰度值比真实有效信号的峰度值大,所以当降序序列中每类数据值对应的峰度值越大时,那么与预设标准峰度值的比值,即第二参数/>越大,说明该类数据值后续的数据值越可能属于噪声成分,那么该类数据值对应的数据序列中所有数据值就越可能属于真实有效信号的成分;所以当分母越大,分子越小时,说明该类数据值的保留价值越高,因此对/>进行负相关映射并归一化,实现逻辑关系矫正。需要说明的是,峰度公式的计算方法为本领域技术人员熟知的操作过程,在此不做赘述。
至此,获得了目标信号中各类数据值的保留价值,可以继续进行后续对电子芯片导电特性的分析。
步骤S3:根据每个测点的电磁微波信号的波动情况以及目标测点与其他所有测点的电磁微波信号之间数据值的差异,获得目标信号的波动抑制因子;根据波动抑制因子对目标信号进行调整,获得修正信号;获得修正信号的频域信号,基于定积分计算根据频域信号获得目标信号的能量剩余值。
在材料的导电性较好的情况下,电磁微波信号会更容易通过材料,此时能量损耗会较低;而在材料的导电性较差的情况下,电磁微波信号会难以通过材料,导致能量损耗会较高;所以基于此,当测点处的电磁微波信号具有较低的能量损耗时,则说明电子芯片该测点处的导电性较好。
由于目标信号中存在噪声干扰信号,会导致目标信号出现非平稳波动,因此,若直接对目标信号进行能量的计算,会导致结果不准确,故本发明实施例首先对每个测点的电磁微波信号的波动情况以及目标测点与其他所有测点的电磁微波信号之间数据值的差异进行分析,获得目标信号的波动抑制因子。
优选地,本发明一个实施例中目标信号的波动抑制因子的获取方法包括:
由于信号中极值点的幅值变化可以表征出信号本身的非平稳波动以及噪声影响,故首先获取所有测点的电磁微波信号中的极值点,根据相邻极值点的数据值计算落差值,落差值的具体计算方法为:将每个测点的电磁微波信号中前一个极值点的数据值与相邻的后一个极值点的数据值的差值作为落差值,并将落差值进行分类,分类方法为将数值相同的落差值作为一类落差值。
然后获取每个测点的电磁微波信号中各类落差值的频率,将目标测点与其他每个测点的所有种类的落差值的频率之间的均方误差作为差异参数。
最后将目标测点与所有其他测点的差异参数的均值作为差异特征值;并将该差异特征值进行归一化并负相关映射后的值作为目标信号的波动抑制因子。目标信号的波动抑制因子的公式模型具体可以例如为:
其中,表示波动抑制因子,/>表示电子芯片上的测点总数,/>表示目标测点中的落差值种类数,/>表示目标测点/>的电磁微波信号中的第/>类落差值,/>表示其他第/>个测点的电磁微波信号中的第/>类落差值。
在波动抑制因子的公式模型中,首先对每个测点的数据值进行分析,获得了落差值,然后基于根据目标测点和其所有测点的落差值的频率获取差异特征值,差异特征值可以反映出目标测点的电磁微波信号中存在的所有类型的落差值的频率与其他测点处电磁微波信号中同类落差值的分布差异,那么对其进行归一化并负相关映射后/>即可反映出目标测点与其他测点的电磁微波信号中落差值不存在差异的部分,本质上即可视为电子芯片中普遍存在的非平稳波动和噪声干扰。需要说明的是,在计算均方误差时,若第/>个测点的电磁微波信号中不存在第/>类落差值,则/>为0即可。
至此,通过对所有测点处的电磁微波信号进行分析,获得了波动抑制因子,可用于在后续调整目标信号。
根据波动抑制因子对目标信号进行调整,获得修正信号,目的在于将普遍存在的非平稳波动或噪声干扰成分进行抑制,从而在后续的过程中能够得到更加准确的能量估测值。
优选地,本发明一个实施例中修正信号的获取方法包括:
由于极大值为信号中的峰值,通常代表信号中的较强干扰或异常,因此通过对极大值进行调整,可以有效降低干扰波动对能量估测值的影响,从而更加准确的评估能量值。所以首先获取目标信号中所有数据值中的极大值,并将其作为原始值。然后将波动抑制因子进行负相关映射后与每个原始值相乘,即可获得每个原始值对应的调整后的数据值;最后将所有调整后的数据值在目标信号中代替对应的原始值,并与相邻的数据值进行平滑连接,获得修正信号。获取调整后的数据值的公式模型具体可以例如为:
其中,表示目标信号中第/>个原始值对应的调整后的数据值,/>表示目标信号中第/>个原始值,/>表示波动抑制因子。
至此,可以获得目标信号经过调整后的修正信号,能够更加准确的对能量值进行预测。
在通过信号估测能量值时,可以采用将时域信号转换为频域信号,进而采用对频域信号进行计算用以估测能量值的方法。
故优选地,本发明一个实施例中获得修正信号的频域信号,基于定积分计算根据频域信号获得目标信号的能量剩余值,包括:
首先基于傅里叶变换将修正信号转换为对应的频域信号,并且将频域信号中所有数据值的均值作为均值特征值,将该均值特征值作为数据值,用以构建与修正信号长度相等的参考信号,该参考信号可用于估测信号包含的整体能量。然后对整个频域信号进行定积分计算,获得能量预测值,再对整个参考信号进行定积分计算,获得能量参考值。最后将能量预测值与能量参考值的比值作为目标信号的能量剩余值。能量剩余值的公式模型为:
其中,表示目标信号的能量剩余值,/>表示频域信号,/>表示参考信号,/>表示信号的左端点,/>表示信号的右端点,/>表示积分符号。
在能量剩余值的公式模型中,分母可视为信号中包含的整体能量值,而分子则作为信号中实际包含的能量值,因此当比值越小时,则说明能量损耗的越多,即电子芯片的导电性能差;反之,当比值越大时,则说明能量损耗的越少,即电子芯片的导电性能好。需要说明的是,傅里叶变换为本领域技术人员熟知的技术手段,在此不做赘述。
至此,通过对电磁微波信号的波动情况以及能量信息进行分析,获得了能量剩余值用于评价电子芯片的导电特性,可以继续进行后续的分析过程。
步骤S4:将目标信号经验模态分解过程中的第一个均值包络线作为目标包络线;根据目标信号对应的能量剩余值、目标信号中各类数据值对应的保留价值和在目标包络线中对应的数据值,获得修正包络线。
本发明实施例通过经验模态分解对目标信号进行分解,然后重构用于实现对目标信号的去噪,而在分解过程中,可以根据上述过程中获得的各类数据值的保留价值、目标信号的能量剩余值对分解过程进行优化,使得最终重构出来的信号质量更优。由于信号的均值包络线在经验模态分解过程中有极其重要的作用,所以将目标信号经验模态分解过程中的第一个均值包络线作为目标包络线,本发明实施例通过对目标包络线进行调整获得修正包络线,用以提高后续重构出的信号的质量。需要说明的是,经验模态分解的具体过程为本领域技术人员熟知的技术手段,在此不做过多赘述。
优选地,本发明一个实施例中修正包络线的获取方法包括:
首先对每类数据值的保留价值进行归一化,将归一化后的值作为每类数据值对应的保留权重。然后将目标信号的能量剩余值、每类数据值在目标包络线中的数值以及保留权重三者的乘积作为更新包络值。最后将所有更新包络值进行平滑连接,获得修正包络线。获取到修正包络线后,可以使得具有保留价值的数据值在分解过程中向下层分量信号保留,并且使得噪声成分集中分布在上层分量信号中。以第类数据值为例,更新包络值的公式模型具体可以例如为:
其中,表示第/>类数据值对应的更新包络值,/>表示目标信号的能量剩余值,表示第/>类数据值的保留价值,/>表示数据值的种类数,/>表示第/>类数据值在目标包络线中的数值。
在更新包络值的公式模型中,将每类数据值的保留价值比上所有种类的数据值的保留价值的累加和,以此实现对每类数据值的保留价值进行归一化,获得每类数据值对应的保留权重,由于数据的数值可以反映出蕴含的信息,所以根据保留权重以及目标信号的能量剩余值对目标包络线中的数值进行调整;当某类数据值的保留权重越大,同时目标信号的能量剩余值也越大时,那么该类数据值的数值就需要调大,反之,当某类数据值的保留权重越小,同时目标信号的能量剩余值越小时,那么该类数据值的数值就需要调小。
至此,完成了对目标包络线的调整,获得了修正包络线,此时通过修正包络线进行后续的分解,然后完成重构,即可获得更高质量的信号,便于进行后续的检测过程。
步骤S5:根据修正包络线对目标信号进行经验模态分解、重构,获得目标测点对应的高质量信号;将正常的电子芯片上与目标测点同位置的测点处的电测微波信号作为对比信号,根据对比信号和目标测点对应的高质量信号对目标测点处进行检测,获得检测结果。
在上述步骤中获得了调整过后的均值包络线,即修正包络线,因此可利用修正包络线对目标信号进行经验模态分解并重构,获得高质量信号。
优选地,本发明一个实施例中根据修正包络线对目标信号进行经验模态分解、重构,获得目标测点对应的高质量信号,包括:
将修正包络线作为目标信号经验模态分解过程中第一个均值包络线,然后对目标信号进行经验模态分解,得到所有的分量信号。由于经过调整后,保留价值低也即属于噪声成分的数据值在修正包络线中的数值会较小,因此其所在的局部信号会迅速完成分解,导致其被分解至第一个分量信号中,而保留价值高的数据值则会经过多次分解,会向下继承得以保留,故本发明实施例中将所有分量信号中前预设数量个分量信号舍弃,将剩余的分量信号进行整合重构,获得目标测点对应的高质量信号。需要说明的是,在本发明实施例中前预设数量设置为1,也即在本发明实施例中将第一个分量信号舍弃,具体舍弃前几个分量信号实施者可根据实施场景进行调整,在此不做限定。
至此,通过分解、重构,获得了目标测点对应的高质量信号,即可根据该高质量信号完成目标测点的检测过程。
在对目标测点进行检测之前,可以首先获取正常的电子芯片上与目标测点同位置的测点处的电磁微波信号,并将其作为对比信号,然后通过将目标测点对应的高质量信号与对比信号进行比较,完成检测过程。
优选地,本发明一个实施例中根据对比信号和目标测点对应的高质量信号对目标测点处进行检测,获得检测结果,包括:
获取对比信号中所有数据值的均值,并将该均值作为异常阈值;将目标测点对应的高质量信号中数据值与该异常阈值进行比较,若目标测点对应的高质量信号中存在数据值小于异常阈值,则目标测点处存在异常。需要说明的是,在本发明其他实施例中异常阈值也可通过其他方式获取,在此不做限定。
综上所述,本发明实施例首先获取待测电子芯片上所有测点的电磁微波信号,并任选一个作为目标测点,将目标测点的电磁微波信号作为目标信号。然后根据目标信号中数据值的分布情况对各类数据值进行评价,也即获得各类数据值的特征参数;进一步地,基于各类数据值的特征参数构建孤立森林决策树,此时,各类数据值在孤立森林决策树中对应的路径长度即可作为评价该类数据值的保留价值的指标之一,然后再与各类数据值的数量分布特征进行结合,获得各类数据值的保留价值;进一步地,分析电子芯片的导电特性,导电特性可由目标信号的能量进行表征,故本发明实施例根据每个测点的电磁微波信号的波动情况以及目标测点与其他所有测点的电磁微波信号之间的差异,获得波动抑制因子,用于调整目标信号中的噪声干扰成分以及非平稳成分,获得修正信号,可以使得后续能量值的估测更为准确;进而利用傅里叶转换将修正信号转换为频域信号,并基于定积分计算根据频域信号获得目标信号的能量剩余值;进一步地,通过能量剩余值、各类数据值的保留价值对目标信号经验模态分解过程中第一个均值包络线的数据值进行调整,获得修正包络线,然后根据修正包络线对目标信号重新进行经验模态分解,此时可以使得具有保留意义的数据值向下层分量信号保留,而噪声成分则更好的集中在上层分量信号中,然后再对分量信号进行重构,即可获得目标测点对应的高质量信号,在消除噪声的同时极大程度上保证了信号的信息完整性;最后将高质量信号和正常的对比信号进行比较,实现对目标测点处的检测,获得更加准确的检测结果,提高了检测结果的可信度。
一种电子芯片的电磁微波信号去噪方法实施例:
电磁微波测试电子芯片是一种非接触的检测方法,这可以避免物理接触对芯片的损坏或干扰,在检测效率、全面性、可靠性方面具有一定优势。由于电子芯片中存在复杂的电磁干扰,电磁微波测试信号中总是存在密集的噪声,并且会由信号接收器放大,导致在识别异常电磁微波测试信号动时出现大量非正常的干扰成分,现有技术对电磁微波测试信号的处理方法为无差别平滑,会存在信息失真的问题,造成去噪效果不佳;因此本发明实施例提供了一种电子芯片的电磁微波信号去噪方法,包括:
步骤S1:获取待测电子芯片上所有测点的电磁微波信号;
步骤S2:以任意一个测点作为目标测点,将目标测点的电磁微波信号作为目标信号;根据目标信号中数据值的分布情况获得各类数据值的特征参数;根据目标信号中各类数据值的特征参数构建孤立森林决策树;根据目标信号中各类数据值的数量分布和各类数据值在孤立森林决策树中对应的路径长度,获得目标信号中各类数据值的保留价值;
步骤S3:根据每个测点的电磁微波信号的波动情况以及目标测点与其他所有测点的电磁微波信号之间数据值的差异,获得目标信号的波动抑制因子;根据波动抑制因子对目标信号进行调整,获得修正信号;获得修正信号的频域信号,基于定积分计算根据频域信号获得目标信号的能量剩余值;
步骤S4:将目标信号经验模态分解过程中的第一个均值包络线作为目标包络线;根据目标信号对应的能量剩余值、目标信号中各类数据值对应的保留价值和在目标包络线中对应的数据值,获得修正包络线。
其中,步骤S1~S4在上述一种基于电磁微波手段的电力工器具智能电子芯片检测方法实施例中已给出了详细说明,在此不再赘述。
步骤S5:根据修正包络线对目标信号进行经验模态分解、重构,获得目标测点对应的高质量信号。
在上述步骤中获得了调整过后的均值包络线,即修正包络线,因此可利用修正包络线对目标信号进行经验模态分解并重构,获得高质量信号。
优选地,本发明一个实施例中根据修正包络线对目标信号进行经验模态分解、重构,获得目标测点对应的高质量信号,包括:
将修正包络线作为目标信号经验模态分解过程中第一个均值包络线,然后对目标信号进行经验模态分解,得到所有的分量信号。由于经过调整后,保留价值低也即属于噪声成分的数据值在修正包络线中的数值会较小,因此其所在的局部信号会迅速完成分解,导致其被分解至第一个分量信号中,而保留价值高的数据值则会经过多次分解,会向下继承得以保留,故本发明实施例中将所有分量信号中前预设数量个分量信号舍弃,将剩余的分量信号进行整合重构,获得目标测点对应的高质量信号。需要说明的是,在本发明实施例中前预设数量设置为1,也即在本发明实施例中将第一个分量信号舍弃,具体舍弃前几个分量信号实施者可根据实施场景进行调整,再次不做限定。
至此,通过分解、重构,获得了目标测点对应的高质量信号。
本实施例带来的有益效果包括:
本发明主要针对电子芯片的电磁微波信号中会存在噪声干扰,而现有技术通常采用无差别平滑,会导致去噪效果不佳的问题;首先获取待测电子芯片上所有测点处的电磁微波信号,将任意一个作为目标测点,则目标测点的电磁微波信号作为目标信号;然后根据目标信号中数据值的分布情况对各类数据值进行评价,获得各类数据值的特征参数;进而可基于各类数据值的特征参数构建孤立森林决策树,此时,各类数据值在孤立森林决策树中对应的路径长度即可作为评价该类数据值的保留价值的指标之一,然后再与各类数据值的数量分布特征进行结合,获得各类数据值的保留价值;进一步地,分析电子芯片的导电特性,导电特性可由目标信号的能量进行表征,故本发明先根据每个测点的电磁微波信号的波动情况以及目标测点与其他所有测点的电磁微波信号之间的差异,获得波动抑制因子,用于调整目标信号中的噪声干扰成分以及非平稳成分,获得修正信号,可以使得后续能量值的估测更为准确;进而获得修正信号的频域信号,并基于定积分计算根据频域信号获得目标信号的能量剩余值;进一步地,通过能量剩余值、各类数据值的保留价值对目标信号经验模态分解过程中第一个均值包络线的数据值进行调整,获得修正包络线,然后根据修正包络线对目标信号重新进行经验模态分解,此时可以使得具有保留意义的数据值向下层分量信号保留,而噪声成分则更好的集中在上层分量信号中,然后再进行重构,即可获得目标测点对应的高质量信号,在消除噪声的同时极大程度上保证了信号的信息完整性,有效提高去噪效果。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。

Claims (10)

1.一种基于电磁微波手段的电力工器具智能电子芯片检测方法,其特征在于,所述方法包括:
获取待测电子芯片上所有测点的电磁微波信号;
以任意一个测点作为目标测点,将目标测点的电磁微波信号作为目标信号;根据所述目标信号中数据值的分布情况获得各类数据值的特征参数;根据所述目标信号中各类数据值的特征参数构建孤立森林决策树;根据所述目标信号中各类数据值的数量分布和各类数据值在所述孤立森林决策树中对应的路径长度,获得目标信号中各类数据值的保留价值;
根据每个测点的电磁微波信号的波动情况以及目标测点与其他所有测点的电磁微波信号之间数据值的差异,获得目标信号的波动抑制因子;根据所述波动抑制因子对所述目标信号进行调整,获得修正信号;获得所述修正信号的频域信号,基于定积分计算根据所述频域信号获得目标信号的能量剩余值;
将所述目标信号经验模态分解过程中的第一个均值包络线作为目标包络线;根据目标信号对应的能量剩余值、目标信号中各类数据值对应的保留价值和在目标包络线中对应的数据值,获得修正包络线;
根据所述修正包络线对目标信号进行经验模态分解、重构,获得目标测点对应的高质量信号;将正常的电子芯片上与目标测点同位置的测点处的电测微波信号作为对比信号,根据所述对比信号和所述目标测点对应的高质量信号对目标测点处进行检测,获得检测结果。
2.根据权利要求1所述的一种基于电磁微波手段的电力工器具智能电子芯片检测方法,其特征在于,所述各类数据值的特征参数的获取方法包括:
将每类数据值的频率作为出现频率,其中,具有相同数值的数据值为一类;
将所有种类数据值的出现频率的均值作为频率均值,将所述频率均值与每类数据值的出现频率的比值作为每类数据值的频率溢出比;
将所有种类的数据值的均值作为数值均值,将每类数据值的数值与所述数值均值的差值作为数值差值,将每类数据值对应的数值差值与所述数值均值的比值作为数值离散比;
将每类数据值对应的频率溢出比与数值离散比的欧式范数作为每类数据值的特征参数。
3.根据权利要求1所述的一种基于电磁微波手段的电力工器具智能电子芯片检测方法,其特征在于,所述根据所述目标信号中各类数据值的特征参数构建孤立森林决策树,包括:
根据特征参数对所有种类的数据值进行降序排列,获得排列序列,在所述排列序列中除起始数据和终止数据外,随机选择一类数据值为界限并作为孤立森林决策树的一个节点,将所述排列序列划分为两个子序列,对所述子序列进行孤立划分操作,直至所述排列序列中每类数据值孤立为止;
所述孤立划分操作包括:以任意一个子序列作为目标序列,在目标序列中除起始数据和终止数据外,随机选择一类数据值为界限并作为孤立森林决策树的一个节点,将所述目标序列划分的两个子序列作为更新后的子序列,对更新后的子序列重复进行孤立划分操作。
4.根据权利要求3所述的一种基于电磁微波手段的电力工器具智能电子芯片检测方法,其特征在于,所述目标信号中各类数据值的保留价值的获取方法包括:
根据各类数据值在所述孤立森林决策树中的路径长度对所有种类的数据值进行降序排列,获得降序序列;
将所述降序序列的起始位置作为起点,依次将降序序列中每类数据值作为终点,获得每类数据值对应的数据序列;将每类数据值对应的数据序列中的数据值作为目标数据值;将每类数据值对应的目标数据值的路径长度的均值作为路径均值;将每类数据值对应的每类目标数据值的路径长度与所述路径均值的差异的平方作为路径差异,将每类数据值对应的每类目标数据值的所述路径差异与目标数据值在所属数据序列中的序号相乘,作为每类目标数据值的路径指标,将每类数据值对应的所有目标数据值的路径指标累加后求均值作为第一参数;
将所述降序序列中每类数据值后续所有数据值的出现频率的峰度值作为每类数据值对应的峰度值;将每类数据值对应的峰度值与预设标准峰度值的比值作为第二参数;其中,预设标准峰度值设置为3;
将每类数据值对应的第一参数与第二参数的比值进行负相关映射并归一化后作为每类数据值的保留价值。
5.根据权利要求1所述的一种基于电磁微波手段的电力工器具智能电子芯片检测方法,其特征在于,所述目标信号的波动抑制因子的获取方法包括:
将每个测点的电磁微波信号中前一个极值点的数据值与相邻的后一个极值点的数据值的差值作为落差值,将数值相同的落差值作为一类落差值;
将所述目标测点与其他每个测点的所有种类的落差值的频率之间的均方误差作为差异参数,将所述目标测点与所有其他测点的差异参数的均值作为差异特征值;
将所述差异特征值进行归一化并负相关映射后的值作为所述目标信号的波动抑制因子。
6.根据权利要求1所述的一种基于电磁微波手段的电力工器具智能电子芯片检测方法,其特征在于,所述修正信号的获取方法包括:
将所述目标信号中的所有数据值中的极大值作为原始值;
将所述波动抑制因子进行负相关映射后与每个原始值相乘,获得每个原始值对应的调整后的数据值;
将所有所述调整后的数据值在目标信号中代替对应的所述原始值,并与相邻的数据值进行平滑连接,获得修正信号。
7.根据权利要求1所述的一种基于电磁微波手段的电力工器具智能电子芯片检测方法,其特征在于,所述获得所述修正信号的频域信号,基于定积分计算根据所述频域信号获得目标信号的能量剩余值,包括:
基于傅里叶变换将所述修正信号转换为对应的频域信号,将所述频域信号中所有数据值的均值作为均值特征值,将所述均值特征值作为数据值,构建与所述修正信号长度相等的参考信号;
对整个所述频域信号进行定积分计算,获得能量预测值,对整个所述参考信号进行定积分计算,获得能量参考值;
将所述能量预测值与所述能量参考值的比值作为目标信号的能量剩余值。
8.根据权利要求1所述的一种基于电磁微波手段的电力工器具智能电子芯片检测方法,其特征在于,所述修正包络线的获取方法包括:
对每类数据值的保留价值进行归一化,作为每类数据值对应的保留权重;
将目标信号的能量剩余值、每类数据值在所述目标包络线中的数值以及所述保留权重的乘积作为更新包络值;
将所有所述更新包络值进行平滑连接,获得修正包络线。
9.根据权利要求1所述的一种基于电磁微波手段的电力工器具智能电子芯片检测方法,其特征在于,所述根据所述修正包络线对目标信号进行经验模态分解、重构,获得目标测点对应的高质量信号,包括:
利用所述修正包络线对所述目标信号进行经验模态分解,得到所有分量信号;
将所有分量信号中前预设数量个分量信号舍弃,将剩余的分量信号进行整合重构,获得目标测点对应的所述高质量信号。
10.根据权利要求1所述的一种基于电磁微波手段的电力工器具智能电子芯片检测方法,其特征在于,所述根据所述对比信号和所述目标测点对应的高质量信号对目标测点处进行检测,获得检测结果,包括:
将所述对比信号中所有数据值的均值作为异常阈值;
若所述目标测点对应的高质量信号中存在数据值小于所述异常阈值,则目标测点处存在异常。
CN202311548843.0A 2023-11-21 2023-11-21 基于电磁微波手段的电力工器具智能电子芯片检测方法 Active CN117269735B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311548843.0A CN117269735B (zh) 2023-11-21 2023-11-21 基于电磁微波手段的电力工器具智能电子芯片检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311548843.0A CN117269735B (zh) 2023-11-21 2023-11-21 基于电磁微波手段的电力工器具智能电子芯片检测方法

Publications (2)

Publication Number Publication Date
CN117269735A CN117269735A (zh) 2023-12-22
CN117269735B true CN117269735B (zh) 2024-01-23

Family

ID=89212745

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311548843.0A Active CN117269735B (zh) 2023-11-21 2023-11-21 基于电磁微波手段的电力工器具智能电子芯片检测方法

Country Status (1)

Country Link
CN (1) CN117269735B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1424565A1 (en) * 2002-11-29 2004-06-02 CNX S.p.A. Method of and device for determining the transfer function of a connection on a printed circuit board
CN101995542A (zh) * 2009-08-03 2011-03-30 瑞萨电子株式会社 半导体集成电路测试装置
CN105705957A (zh) * 2013-11-07 2016-06-22 高通股份有限公司 用于测试集成电路的方法体系
CN109964116A (zh) * 2016-11-30 2019-07-02 科磊股份有限公司 用于三维半导体结构的检验的缺陷发现及配方优化
CN110231401A (zh) * 2019-05-05 2019-09-13 四川升拓检测技术股份有限公司 一种测点间信息关联方法及土木结构无损检测方法
CN112836731A (zh) * 2021-01-21 2021-05-25 黑龙江大学 基于决策树准确率和相关性度量的信号随机森林分类方法、系统及装置
CN115184927A (zh) * 2022-07-25 2022-10-14 北京众智信安信息技术研究院 一种微波无损成像目标检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1424565A1 (en) * 2002-11-29 2004-06-02 CNX S.p.A. Method of and device for determining the transfer function of a connection on a printed circuit board
CN101995542A (zh) * 2009-08-03 2011-03-30 瑞萨电子株式会社 半导体集成电路测试装置
CN105705957A (zh) * 2013-11-07 2016-06-22 高通股份有限公司 用于测试集成电路的方法体系
CN109964116A (zh) * 2016-11-30 2019-07-02 科磊股份有限公司 用于三维半导体结构的检验的缺陷发现及配方优化
CN110231401A (zh) * 2019-05-05 2019-09-13 四川升拓检测技术股份有限公司 一种测点间信息关联方法及土木结构无损检测方法
CN112836731A (zh) * 2021-01-21 2021-05-25 黑龙江大学 基于决策树准确率和相关性度量的信号随机森林分类方法、系统及装置
CN115184927A (zh) * 2022-07-25 2022-10-14 北京众智信安信息技术研究院 一种微波无损成像目标检测方法

Also Published As

Publication number Publication date
CN117269735A (zh) 2023-12-22

Similar Documents

Publication Publication Date Title
CN104090214B (zh) 一种电缆故障检测及老化分析方法
CN103645425B (zh) 一种高压电缆绝缘缺陷局部放电在线监测诊断方法
CN109375060B (zh) 一种配电网故障波形相似度计算方法
CN109799434A (zh) 局部放电模式识别系统及方法
CN103197218A (zh) 一种高压电缆绝缘缺陷局放带电检测诊断方法
KR20180047135A (ko) 반사파 처리 장치
CN112307969B (zh) 一种脉冲信号的分类辨识方法、装置及计算机设备
CN112666231B (zh) 一种换流变压器固体绝缘含水量的测试方法
CN109541405B (zh) 一种电力电缆局部放电定位方法
CN113900869A (zh) 一种芯片测试数据判断方法、装置、存储介质及测试方法
CN113805018A (zh) 一种配电网10kV电缆局部放电故障类型智能识别方法
CN115453261A (zh) 基于同步压缩小波变换的电缆缺陷检测方法
CN117269735B (zh) 基于电磁微波手段的电力工器具智能电子芯片检测方法
CN117434396A (zh) 一种变压器套管末屏在线监测系统及其方法
CN113985244A (zh) 一种基于传输线件和开路件的去嵌方法及系统
CN110764027A (zh) 基于频谱特征变化的电连接器发生间歇故障诊断方法
CN117113833A (zh) 一种检定装置的核查方法及系统
CN114236403B (zh) 基于超声测量的锂离子电池荷电状态估计方法及装置
CN110824310A (zh) 局部放电类型判断方法及装置
CN113884758B (zh) 一种直流电能计量方法、装置、设备及存储介质
Silva et al. Evaluation of partial discharge sources location algorithms on signals with different signal to noise ratio
CN115616374A (zh) 一种基于机器学习的半导体芯片的测试系统
CN110954818B (zh) 一种中间继电器线圈软故障检测方法
CN114745027A (zh) 电力线通信脉冲噪声识别方法和系统、存储介质
KR20220043548A (ko) 부분 방전 발생 탐지 방법 및 그 장치

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