WO2017024692A1 - 一种单测量节点模拟电路故障诊断方法 - Google Patents

一种单测量节点模拟电路故障诊断方法 Download PDF

Info

Publication number
WO2017024692A1
WO2017024692A1 PCT/CN2015/095475 CN2015095475W WO2017024692A1 WO 2017024692 A1 WO2017024692 A1 WO 2017024692A1 CN 2015095475 W CN2015095475 W CN 2015095475W WO 2017024692 A1 WO2017024692 A1 WO 2017024692A1
Authority
WO
WIPO (PCT)
Prior art keywords
fault
mode
sample
tested
characteristic factor
Prior art date
Application number
PCT/CN2015/095475
Other languages
English (en)
French (fr)
Inventor
何怡刚
袁莉芬
吴磊
孙业胜
张朝龙
龙英
程珍
袁志杰
赵德勤
Original Assignee
合肥工业大学
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 合肥工业大学 filed Critical 合肥工业大学
Priority to US15/555,076 priority Critical patent/US10539613B2/en
Publication of WO2017024692A1 publication Critical patent/WO2017024692A1/zh

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
    • G01R31/316—Testing of analog circuits
    • 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
    • G01R31/3161—Marginal testing

Definitions

  • the invention relates to a single measurement node analog circuit fault diagnosis method.
  • Analog circuit fault diagnosis is essentially equivalent to the pattern recognition problem, and the key is the search for the relationship between feature extraction and mode criterion function. Therefore, how to find the potential fault characteristic factors from the seemingly complicated measurement data, and based on this, the correct judgment and recognition of the fault mode is called an important research topic in the field of analog circuit testing.
  • the analog circuit fault diagnosis has evolved over the past few decades, and the existing results in this area are diverse, and new research results are constantly emerging. Summarizing the various techniques used in the fault diagnosis process, the most widely used methods are based on statistical theory, wavelet analysis fault feature extraction method, and fault pattern recognition method based on neural network and support vector machine. These aspects have played a significant role in promoting the development of analog circuit fault diagnosis technology. However, due to the wide range of knowledge areas of analog circuit fault diagnosis design, the lack of fault models and the constraint of the method itself, the analog circuit faults have been caused so far. Diagnostic technology is still in development.
  • the measured data collected is usually mixed data of various independent sources, and its characteristic factors are implicit. Deeply, when diagnosing such a circuit, if the collected raw data is directly sent to the classifier for classification, the calculation amount of the classification is often very large, the implementation is difficult, the classification effect is not good, and the false positive ratio is high. Since the independent factors from the underlying system are not single, and for the end user, these are invisible independent sources, ie blind sources. At present, the technology for blind source processing should mainly It is used in the field of speech recognition, and its application premise is multi-channel measurement data source. Therefore, the circuit of a single measurement node cannot directly apply blind source separation technology to achieve feature factor extraction.
  • the technical problem to be solved by the present invention is to overcome the above-mentioned drawbacks existing in the prior art, and to provide a single-measurement node analog circuit fault diagnosis method with low false positive rate.
  • the essence of the single measurement node analog circuit fault diagnosis method of the invention is that a single measurement node signal is converted into a multi-path signal through a set of orthogonal wavelet analysis filter banks, thereby applying blind source separation technology for fault feature extraction, and calculating circuit specific
  • the correlation matrix between the node independent fault feature and the known sample fault independent feature, and the correlation degree measurement parameter is used to estimate the fault type of the specific node to be tested. It is known from statistical knowledge that the greater the correlation coefficient between two random vectors, the greater the correlation between the two random vectors, that is, the higher the similarity between the two random vectors, within the error tolerance. We take an approximation and consider the failure mode approximation of a known sample as the type of fault to be tested.
  • a single measurement node analog circuit fault diagnosis method includes the following steps:
  • Feature mode extraction of fault mode to be tested Collect the voltage measurement vector of the M group to be tested in the fault mode, take the statistical average of the voltage measurement vector, and decompose it by using the Haar orthogonal wavelet filter group in step (3).
  • the Haar wavelet analysis filter bank of the K layer is characterized in that each layer of the filter bank is composed of a low frequency filter g(n) and a high pass filter h(n).
  • the output portion of the high-frequency filter h(n) is down-sampled to the next layer of the wavelet filter bank, and the output of the low-frequency filter g(n) of each layer is directly sampled and outputted twice, and is low.
  • the method for determining the number K of the K-layer Haar wavelet analysis filter bank is: setting the input signal of the filter bank to x, the high-pass filter of the K-th layer, and the low-pass filter
  • the output is y K, H and y K, L respectively , then the K value is determined as follows:
  • the invention can convert a single signal into a multi-channel signal without losing the original measurement information, and uses the blind signal technology to extract the fault mode independence characteristic factor, so as to reflect the change of the circuit structure under different failure modes, and then Study the relevant mode decision rules to complete the successful classification of circuit failure modes.
  • Figure 1 is a block diagram of a single measurement node analog circuit fault diagnosis method
  • FIG. 2 is a schematic structural view of a wavelet filter bank
  • Figure 3 is a flow chart of determining the number of layers of the filter bank
  • Figure 4 shows the single measurement node feature factor extraction process.
  • a single measurement node analog circuit fault diagnosis method includes the following steps:
  • Feature mode extraction of fault mode to be tested Collect the voltage measurement vector of the M group to be tested in the fault mode, take the statistical average of the voltage measurement vector, and decompose it by using the Haar orthogonal wavelet filter group in step (3).
  • the Haar wavelet analysis filter bank of the K layer is characterized in that each layer of the filter bank consists of a low frequency filter g(n) and a high pass filter h(n).
  • the output portion of the high-frequency filter h(n) is down-sampled to the next layer of the wavelet filter bank, and the output of the low-frequency filter g(n) of each layer is directly sampled and outputted directly.
  • the method for determining the number K of the K-layer Haar wavelet analysis filter bank is: setting the input signal of the filter bank to x, the high-pass filter of the K-th layer, and low-pass filtering.
  • the output of the device is y K, H and y K, L , then the K value is determined as follows:

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tests Of Electronic Circuits (AREA)
  • Measurement Of Current Or Voltage (AREA)

Abstract

一种单测量节点模拟电路故障诊断方法，包括如下实施步骤：(1)获取各故障模式下的先验样本数据向量；(2)计算各故障模式下的先验样本向量的统计平均值；(3)信号的haar正交小波滤波器组分解；(4)先验样本故障模式特征因子提取；(5)待测故障模式特征因子提取；(6)计算待测故障模式特征因子与先验样本故障模式特征因子之间的互相关系数矩阵、相关程度衡量参数(7)比较相关程度衡量参数，按最大相关原则判断故障模式。该方法能在不丢失原始测量信息的前提下，把单路信号转化为多路信号,提取故障模式独立性特征因子，使其具有反映不同故障模式下电路结构的变化情况，再研究相关的模式判决规则，完成电路故障模式的成功归类。

Description

一种单测量节点模拟电路故障诊断方法 技术领域
本发明涉及一种单测量节点模拟电路故障诊断方法。
背景技术
模拟电路故障诊断在本质上等价于模式识别问题，其关键在于特征提取与模式判据函数关系的寻找。因此，如何从看似繁杂的测量数据中，寻找其潜在的故障特征因子，并依此为依据，对故障模式进行正确的判断与识别，称为模拟电路测试领域的一大重要研究课题。
模拟电路故障诊断经过了几十年的发展，已有的该方面的成果多种多样，且新的研究成果不断涌现。总结故障诊断过程中所采用的各种技术，现较为广泛使用的主要有基于统计理论、小波分析故障特征提取方法，基于神经网络、支持向量机的故障模式识别方法等。这些方面对于促进模拟电路故障诊断技术的发展起了重大的推动作用，但由于模拟电路故障诊断设计的知识领域范围大、故障模型的缺失以及方法本身的约束性，导致到目前为止，模拟电路故障诊断技术还处于发展状态。
由于模拟电路的可测节点数目有限，多数情况下仅有输出端一个节点为可测节点，这种情形下采集到的测量数据，通常是各类独立源的混合数据，其特征因子隐含较深，对这类电路进行诊断时，倘若直接把采集到的原始数据送往分类器进行分类，往往会使得分类的计算量非常大，实现困难，且分类效果也不好，误判比率高。由于来自系统底层的独立因子不单一，且对于终端用户来说，这些都是不可见的独立源，即盲源。目前针对盲源处理方面的技术主要应 用于语音识别领域，且其应用前提为多通道测量数据源。因此，单测量节点的电路不能直接应用盲源分离技术实现特征因子的提取。
发明内容
本发明要解决的技术问题是，克服现有技术存在的上述缺陷，提供一种误判率低的单测量节点模拟电路故障诊断方法。
本发明之单测量节点模拟电路故障诊断方法的实质在于通过一组正交小波分析滤波器组把单测量节点信号转化为多路信号，从而应用盲源分离技术进行故障特征提取，通过计算电路特定节点待测故障独立特征与已知样本故障独立特征间的互相关系数矩阵，通过相关程度衡量参数来估计电路特定节点待测故障类型。由统计学知识可知，两个随机向量的互相关系数越大，那么这两个随机向量相关性就越大，也就是说这两个随机向量的相似程度越高，在误差允许的范围内，我们取一种近似，把已知样本的故障模式近似看成是待测故障的类型。
本发明解决其技术问题所采用的技术方案是：
单测量节点模拟电路故障诊断方法，包括如下步骤：
(1)获取各故障模式下的先验样本数据向量：利用计算机仿真软件获取待测模拟电路每种故障模式Fi下的M组电压样本向量Vij，i＝1,2,…,N，j＝1,2,3,…,M，其中N为电路故障模式总数，i代表电路工作在第i类故障模式，j为采集到的第j组样本，Vij代表电路工作在第i类故障模式下采集到的第j组电压样本向量；
(2)计算各故障模式下的先验样本向量的统计平均值：
Figure PCTCN2015095475-appb-000001
i＝1,2,…,N,Vi为电路工作在故障模式Fi下的电压样本统计平均值向量；
(3)信号的haar正交小波滤波器组分解：对各故障模式的电压样本统计 平均值向量Vi(i＝1,2,…,N)利用一个K层的haar正交小波分析滤波器组，使Vi分解为(K+1)条滤波输出信号；
(4)先验样本故障模式特征因子提取：将故障模式Fi下的(K+1)条滤波输出信号利用盲源处理技术，提取(K+1)个先验样本故障模式特征因子si,d，其中d表示故障特征因子的序号，其取值为d＝1,2,…,K+1，si,d表示故障模式Fi下的电压样本信号的第d个先验样本故障模式特征因子；
(5)待测故障模式特征因子提取：采集M组待测故障模式下电压测量向量，取电压测量向量的统计平均值，利用步骤(3)中的Haar正交小波滤波器组进行分解，通过步骤(4)中的盲源处理技术，得待测故障模式下电压测量向量的(K+1)个特征因子sT,h，T表示待测，为Test首字母，目的是用来区分待测故障模式与先验故障模式的；h表示特征因子的序号，h＝1,2,…,K+1，sT,h代表待测故障模式电压测量信号的第h个特征因子；
(6)分别计算待测故障模式特征因子与所有故障模式Fi(i＝1,2,…,N)的先验样本故障模式特征因子之间的互相关系数矩阵Ri、相关程度衡量参数δi：
Figure PCTCN2015095475-appb-000002
其中ρhd＝E((sT,h-E(sT,h))·(si,d-E(si,d))),i＝1,2,…,N,E(·)表示求期望值，sT,h(h＝1,2,…,K+1)代表待测故障模式电压测量信号的第h个特征因子，si,d(d＝1,2,…,K+1)表示故障模式Fi下的电压样本信号的第d个先验样本故障模式特征因子，ρhd的物理含义为待测故障模式电压测量信号的第h个特征因子与故障模式Fi下的电压样本信号的第d个先验样本故障模式特征因子的相关系数；
Figure PCTCN2015095475-appb-000003
代表h不变，d＝1,2,…,(K+1)时的ρhd最大值；
(7)比较所有δi，i＝1,2,…,N，若
Figure PCTCN2015095475-appb-000004
则判为第k类故障模式，其中Index(·)代表求索引。
进一步，所述步骤(3)中，K层的haar小波分析滤波器组的特征为：滤波器组的每一层由一个低频滤波器g(n)和一个高通滤波器h(n)构成，对高频滤波器h(n)的输出部分进行2倍下采样进入下一层小波滤波器组，对每层的低频滤波器g(n)的输出进行2倍下采样后直接输出，且低通滤波器
Figure PCTCN2015095475-appb-000005
高通滤波器
Figure PCTCN2015095475-appb-000006
进一步，所述步骤(3)中，K层Haar小波分析滤波器组的层数K的确定方法为：设滤波器组的输入信号为x，第K层的高通滤波器和低通滤波器的输出分别为yK,H和yK,L，则K值的确定步骤如下：
(3.1)初始化：K＝1；β0＝Th,其中K为滤波层数，β0为能量比率阈值，Th为预设的能量比率阈值初始值，其值可为大于0小于1的任一实数；
(3.2)计算能量比率
Figure PCTCN2015095475-appb-000007
其中<，>代表求内积；
(3.3)若β>β0，则K＝K+1，返回执行步骤(3.2)，否则，输出滤波层数K。
进一步，所述步骤(4)中，利用盲源处理技术提取特征因子的方法为：设需要利用盲源技术处理的信号矩阵为Yi，提取的特征因子矩阵为Si＝[si,1 si,2…si,d…si,(K+1)]，si,d表示故障模式Fi下的电压样本信号的第d个先验样本故障模式特征因子，其中Yi与Si的维数相等；
(4.1)初始化：特征提取矩阵W0、更新步长μ，并让W1←W0，“←”表示将W0的值赋给W1，其中W0为任意单位矩阵，μ取(0,0.3)之间的实数；
(4.2)计算：Si＝W0Yi；
(4.3)更新W1：W1←W0+μ[I-f[Si]]gT[Si]，这里函数f(·)与g(·)的形式分别取
Figure PCTCN2015095475-appb-000008
gT(·)代表取矩阵转置；I表示标准单位矩阵；
(4.4)标准化
Figure PCTCN2015095475-appb-000009
||·||表示矩阵范数，
Figure PCTCN2015095475-appb-000010
为对W1进行标准化处理，“←”表示将W1标准化后赋给W1；
(4.5)判断收敛性：W1W1 T→I？即判断W1W1 T的乘积是否无限接近单位矩阵I，“→”表示“无限接近”，如果是，则输出Si；否则W0←W1，“←”表示赋值，并返回(4.2)；I表示标准单位矩阵。
本发明能在不丢失原始测量信息的前提下，把单路信号转化为多路信号,利用盲信号技术提取故障模式独立性特征因子，使其具有反映不同故障模式下电路结构的变化情况，再研究相关的模式判决规则，从而完成电路故障模式的成功归类。
附图说明
图1为单测量节点模拟电路故障诊断方法框图；
图2为小波滤波器组结构示意图；
图3为滤波器组层数确定流程；
图4为单测量节点特征因子提取流程。
具体实施方式
以下结合附图对本发明进行详细的说明。
参照图1，单测量节点模拟电路故障诊断方法，包括如下步骤：
(1)获取各故障模式下的先验样本数据向量：利用计算机仿真软件获取待测模拟电路每种故障模式Fi下的M组电压样本向量Vij，i＝1,2,…,N， j＝1,2,3,…,M，其中N为电路故障模式总数，i代表电路工作在第i类故障模式，j为采集到的第j组样本，Vij代表电路工作在第i类故障模式下采集到的第j组电压样本向量。在图1中表示为：采集M组第1类故障模式下电压样本向量；采集M组第2类故障模式下电压样本向量；……；采集M组第N类故障模式下电压样本向量。
(2)计算各故障模式下的先验样本向量的统计平均值：
Figure PCTCN2015095475-appb-000011
i＝1,2,…,N,Vi为电路工作在故障模式Fi下的电压样本统计平均值向量；
(3)信号的haar正交小波滤波器组分解：对各故障模式的电压样本统计平均值向量Vi(i＝1,2,…,N)利用一个K层的haar正交小波分析滤波器组，使Vi分解为(K+1)条滤波输出信号；
(4)先验样本故障模式特征因子提取：将故障模式Fi下的(K+1)条滤波输出信号利用盲源处理技术，提取(K+1)个先验样本故障模式特征因子si,d，其中d表示故障特征因子的序号，其取值为d＝1,2,…,K+1，si,d表示故障模式Fi下的电压样本信号的第d个先验样本故障模式特征因子；
(5)待测故障模式特征因子提取：采集M组待测故障模式下电压测量向量，取电压测量向量的统计平均值，利用步骤(3)中的Haar正交小波滤波器组进行分解，通过步骤(4)中的盲源处理技术，得待测故障模式下电压测量向量的(K+1)个特征因子sT,h，T表示待测，为Test首字母，目的是用来区分待测故障模式与先验故障模式的；h表示特征因子的序号，h＝1,2,…,K+1，sT,h代表待测故障模式电压测量信号的第h个特征因子；
(6)分别计算待测故障模式特征因子与所有故障模式Fi(i＝1,2,…,N)的先验样本故障模式特征因子之间的互相关系数矩阵Ri、相关程度衡量参数δi：
Figure PCTCN2015095475-appb-000012
其中ρhd＝E((sT,h-E(sT,h))·(si,d-E(si,d))),i＝1,2,…,N,E(·)表示求期望值，sT,h(h＝1,2,…,K+1)代表待测故障模式电压测量信号的第h个特征因子，si,d(d＝1,2,…,K+1)表示故障模式Fi下的电压样本信号的第d个先验样本故障模式特征因子，ρhd的物理含义为待测故障模式电压测量信号的第h个特征因子与故障模式Fi下的电压样本信号的第d个先验样本故障模式特征因子的相关系数；
Figure PCTCN2015095475-appb-000013
代表h不变，d＝1,2,…,(K+1)时的ρhd最大值；
(7)比较所有δi，i＝1,2,…,N，若
Figure PCTCN2015095475-appb-000014
则判为第k类故障模式，其中Index(·)代表求索引。
参照图2，所述步骤(3)中，K层的haar小波分析滤波器组的特征为：滤波器组的每一层由一个低频滤波器g(n)和一个高通滤波器h(n)构成，对高频滤波器h(n)的输出部分进行2倍下采样进入下一层小波滤波器组，对每层的低频滤波器g(n)的输出进行2倍下采样后直接输出，且低通滤波器
Figure PCTCN2015095475-appb-000015
高通滤波器
Figure PCTCN2015095475-appb-000016
图2中，ycL(c＝1,2,…,K)代表滤波器组的第c层低通滤波器的输出，下标c代表滤波器的滤波层数序号，L表示低通的意思；yKH代表滤波器组的第K层高通滤波器的输出，下标K代表滤波器的滤波层数序号，H表示高通的意思。
参照图3，所述步骤(3)中，K层Haar小波分析滤波器组的层数K的确定方法为：设滤波器组的输入信号为x，第K层的高通滤波器和低通滤波器的输出分别为yK,H和yK,L，则K值的确定步骤如下：
(3.1)初始化：K＝1；β0＝Th,其中K为滤波层数，β0为能量比率阈值，Th为预设的能量比率阈值初始值，其值可为大于0小于1的任一实数；
(3.2)计算能量比率
Figure PCTCN2015095475-appb-000017
其中<，>代表求内积；
(3.3)若β>β0，则K＝K+1，返回执行步骤(3.2)，否则，输出滤波层数K。
参照图4，所述步骤(4)中，利用盲源处理技术提取特征因子的方法为：设需要利用盲源技术处理的信号矩阵为Yi，提取的特征因子矩阵为Si＝[si,1 si,2…si,d…si,(K+1)]，si,d表示故障模式Fi下的电压样本信号的第d个先验样本故障模式特征因子，其中Yi与Si的维数相等；
(4.1)初始化：特征提取矩阵W0、更新步长μ，并让W1←W0，“←”表示将W0的值赋给W1，其中W0为任意单位矩阵，μ取(0,0.3)之间的实数；
(4.2)计算：Si＝W0Yi；
(4.3)更新W1：W1←W0+μ[I-f[Si]]gT[Si]，这里函数f(·)与g(·)的形式分别取
Figure PCTCN2015095475-appb-000018
gT(·)代表取矩阵转置；I表示标准单位矩阵；
(4.4)标准化
Figure PCTCN2015095475-appb-000019
||·||表示矩阵范数，
Figure PCTCN2015095475-appb-000020
为对W1进行标准化处理，“←”表示将W1标准化后赋给W1；
(4.5)判断收敛性：W1W1 T→I？即判断W1W1 T的乘积是否无限接近单位矩阵I，“→”表示“无限接近”，如果是，则输出Si；否则W0←W1，“←”表示赋值，并返回(4.2)；I表示标准单位矩阵。

Claims (4)

  1. 一种单测量节点模拟电路故障诊断方法，其特征在于，包括如下步骤：
    (1)获取各故障模式下的先验样本数据向量：利用计算机仿真软件获取待测模拟电路每种故障模式Fi下的M组电压样本向量Vij，i＝1,2,…,N，j＝1,2,3,…,M，其中N为电路故障模式总数，i代表电路工作在第i类故障模式，j为采集到的第j组样本，Vij代表电路工作在第i类故障模式下采集到的第j组电压样本向量；
    (2)计算各故障模式下的先验样本向量的统计平均值：
    Figure PCTCN2015095475-appb-100001
    i＝1,2,…,N,Vi为电路工作在故障模式Fi下的电压样本统计平均值向量；
    (3)信号的haar正交小波滤波器组分解：对各故障模式的电压样本统计平均值向量Vi(i＝1,2,…,N)利用一个K层的haar正交小波分析滤波器组，使Vi分解为(K+1)条滤波输出信号；
    (4)先验样本故障模式特征因子提取：将故障模式Fi下的(K+1)条滤波输出信号利用盲源处理技术，提取(K+1)个先验样本故障模式特征因子si,d，其中d表示故障特征因子的序号，其取值为d＝1,2,…,K+1，si,d表示故障模式Fi下的电压样本信号的第d个先验样本故障模式特征因子；
    (5)待测故障模式特征因子提取：采集M组待测故障模式下电压测量向量，取电压测量向量的统计平均值，利用步骤(3)中的Haar正交小波滤波器组进行分解，通过步骤(4)中的盲源处理技术，得待测故障模式下电压测量向量的(K+1)个特征因子sT,h，T表示待测，为Test首字母，目的是用来区分待测故障模式与先验故障模式的；h表示特征因子的序号，h＝1,2,…,K+1，sT,h代表待测故障模式电压测量信号的第h个特征因子；
    (6)分别计算待测故障模式特征因子与所有故障模式Fi(i＝1,2,…,N)的先验样本故障模式特征因子之间的互相关系数矩阵Ri、相关程度衡量参数δi：
    Figure PCTCN2015095475-appb-100002
    其中ρhd＝E((sT,h-E(sT,h))·(si,d-E(si,d))),i＝1,2,…,N,E(·)表示求期望值，sT,h(h＝1,2,…,K+1)代表待测故障模式电压测量信号的第h个特征因子，si,d(d＝1,2,…,K+1)表示故障模式Fi下的电压样本信号的第d个先验样本故障模式特征因子，ρhd的物理含义为待测故障模式电压测量信号的第h个特征因子与故障模式Fi下的电压样本信号的第d个先验样本故障模式特征因子的相关系数；
    Figure PCTCN2015095475-appb-100003
    代表h不变，d＝1,2,…,(K+1)时的ρhd最大值；
    (7)比较所有δi，i＝1,2,…,N，若
    Figure PCTCN2015095475-appb-100004
    则判为第k类故障模式，其中Index(·)代表求索引。
  2. 根据权利要求1所述的单测量节点模拟电路故障诊断方法，其特征在于，所述步骤(3)中，K层的haar小波分析滤波器组的特征为：滤波器组的每一层由一个低频滤波器g(n)和一个高通滤波器h(n)构成，对高频滤波器h(n)的输出部分进行2倍下采样进入下一层小波滤波器组，对每层的低频滤波器g(n)的输出进行2倍下采样后直接输出，且低通滤波器
    Figure PCTCN2015095475-appb-100005
    高通滤波器
    Figure PCTCN2015095475-appb-100006
  3. 根据权利要求1或2所述的单测量节点模拟电路故障诊断方法，其特征在于，所述步骤(3)中，K层Haar小波分析滤波器组的层数K的确定方法为：设滤波器组的输入信号为x，第K层的高通滤波器和低通滤波器的输出 分别为yK,H和yK,L，则K值的确定步骤如下：
    (3.1)初始化：K＝1；β0＝Th,其中K为滤波层数，β0为能量比率阈值，Th为预设的能量比率阈值初始值，其值可为大于0小于1的任一实数；
    (3.2)计算能量比率
    Figure PCTCN2015095475-appb-100007
    其中<，>代表求内积；
    (3.3)若β>β0，则K＝K+1，返回执行步骤(3.2)，否则，输出滤波层数K。
  4. 根据权利要求1所述的单测量节点模拟电路故障诊断方法，其特征在于，所述步骤(4)中，利用盲源处理技术提取特征因子的方法为：设需要利用盲源技术处理的信号矩阵为Yi，提取的特征因子矩阵为Si＝[si,1 si,2 … si,d … si,(K+1)]，si,d表示故障模式Fi下的电压样本信号的第d个先验样本故障模式特征因子，其中Yi与Si的维数相等；
    (4.1)初始化：特征提取矩阵W0、更新步长μ，并让W1←W0，“←”表示将W0的值赋给W1，其中W0为任意单位矩阵，μ取(0,0.3)之间的实数；
    (4.2)计算：Si＝W0Yi；
    (4.3)更新W1：W1←W0+μ[I-f[Si]]gT[Si]，这里函数f(·)与g(·)的形式分别取f[Si]＝Si，
    Figure PCTCN2015095475-appb-100008
    gT(·)代表取矩阵转置；I表示标准单位矩阵；
    (4.4)标准化W1：
    Figure PCTCN2015095475-appb-100009
    ||·||表示矩阵范数，
    Figure PCTCN2015095475-appb-100010
    为对W1进行标准化处理，“←”表示将W1标准化后赋给W1；
    (4.5)判断收敛性：
    Figure PCTCN2015095475-appb-100011
    即判断
    Figure PCTCN2015095475-appb-100012
    的乘积是否无限接近单位矩阵I，“→”表示“无限接近”，如果是，则输出Si；否则W0←W1，“←”表示赋值，并返回(4.2)；I表示标准单位矩阵。
PCT/CN2015/095475 2015-08-07 2015-11-25 一种单测量节点模拟电路故障诊断方法 WO2017024692A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US15/555,076 US10539613B2 (en) 2015-08-07 2015-11-25 Analog circuit fault diagnosis method using single testable node

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201510482994.XA CN105044590B (zh) 2015-08-07 2015-08-07 一种单测量节点模拟电路故障诊断方法
CN201510482994.X 2015-08-07

Publications (1)

Publication Number Publication Date
WO2017024692A1 true WO2017024692A1 (zh) 2017-02-16

Family

ID=54451273

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2015/095475 WO2017024692A1 (zh) 2015-08-07 2015-11-25 一种单测量节点模拟电路故障诊断方法

Country Status (3)

Country Link
US (1) US10539613B2 (zh)
CN (1) CN105044590B (zh)
WO (1) WO2017024692A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107730494A (zh) * 2017-10-24 2018-02-23 河海大学 一种基于变分模态分解的锚杆检测方法
CN108828437A (zh) * 2018-06-27 2018-11-16 桂林电子科技大学 基于云关联系数矩阵的模拟电路故障特征提取方法
CN110059413A (zh) * 2019-04-19 2019-07-26 中国航空无线电电子研究所 一种故障诊断方法
CN110880178A (zh) * 2019-11-27 2020-03-13 济南大学 一种基于改进曼哈顿距离的滚动轴承故障诊断方法
CN113449409A (zh) * 2020-09-03 2021-09-28 鲁能集团有限公司 海上风机故障诊断模型的样本数据的存储方法及设备

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105044590B (zh) 2015-08-07 2017-08-25 合肥工业大学 一种单测量节点模拟电路故障诊断方法
CN107894564B (zh) * 2017-11-09 2020-02-18 合肥工业大学 一种基于交叉小波特征的模拟电路故障诊断方法
CN109814026A (zh) * 2019-01-02 2019-05-28 北京旋极信息技术股份有限公司 一种机内测试设计方法及系统
CN109581204A (zh) * 2019-01-02 2019-04-05 北京旋极信息技术股份有限公司 一种机内测试设计方法及系统
CN110288022A (zh) * 2019-06-26 2019-09-27 华北水利水电大学 一种提取参数非线性关系的水电机组振动故障诊断算法
CN111308327B (zh) * 2019-12-02 2021-01-26 电子科技大学 模拟电路故障定位与故障元件参数辨识方法
CN111427175B (zh) * 2020-04-23 2023-05-02 深圳市华星光电半导体显示技术有限公司 一种显示面板故障检测方法
US11486925B2 (en) * 2020-05-09 2022-11-01 Hefei University Of Technology Method for diagnosing analog circuit fault based on vector-valued regularized kernel function approximation
CN112101116B (zh) * 2020-08-17 2024-05-07 北京无线电计量测试研究所 一种基于深度学习的模拟电路故障诊断方法
CN113408441B (zh) * 2021-06-24 2022-06-10 武汉理工大学 基于DRSN和person相关系数的道床故障预警方法
CN115575796A (zh) * 2022-10-08 2023-01-06 共青科技职业学院 数据采集集成电路测试方法、系统、电子设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5469120A (en) * 1994-12-07 1995-11-21 Lsi Logic Corporation High performance voltage controlled oscillator
US6621299B1 (en) * 2001-05-04 2003-09-16 Lsi Logic Corporation Control circuit for power
CN101246200A (zh) * 2008-03-10 2008-08-20 湖南大学 一种基于神经网络的模拟pcb智能测试系统
CN102520341A (zh) * 2011-12-05 2012-06-27 南京航空航天大学 一种基于Bayes-KFCM算法的模拟电路故障诊断方法
CN103439647A (zh) * 2013-08-28 2013-12-11 深圳华越天芯电子有限公司 一种动态电源电流监测的模拟电路故障诊断方法
CN104198924A (zh) * 2014-09-11 2014-12-10 合肥工业大学 一种新颖的模拟电路早期故障诊断方法
CN105044590A (zh) * 2015-08-07 2015-11-11 合肥工业大学 一种单测量节点模拟电路故障诊断方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6031386A (en) * 1997-10-31 2000-02-29 Sandia Corporation Apparatus and method for defect testing of integrated circuits
US7139668B2 (en) * 2003-05-12 2006-11-21 Simmonds Precision Products, Inc. Wire event detection
US7512503B2 (en) * 2003-05-12 2009-03-31 Simmonds Precision Products, Inc. Wire fault detection
JP2008051545A (ja) * 2006-08-22 2008-03-06 Matsushita Electric Ind Co Ltd アナログフィルタ回路の検査回路及び検査方法
CN101216531A (zh) * 2007-12-29 2008-07-09 湖南大学 一种模数混合信号电子电路的故障诊断方法
CN104678288B (zh) * 2015-02-07 2017-12-08 长沙学院 基于信息熵和小波变换的开关电流电路故障字典获取方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5469120A (en) * 1994-12-07 1995-11-21 Lsi Logic Corporation High performance voltage controlled oscillator
US6621299B1 (en) * 2001-05-04 2003-09-16 Lsi Logic Corporation Control circuit for power
CN101246200A (zh) * 2008-03-10 2008-08-20 湖南大学 一种基于神经网络的模拟pcb智能测试系统
CN102520341A (zh) * 2011-12-05 2012-06-27 南京航空航天大学 一种基于Bayes-KFCM算法的模拟电路故障诊断方法
CN103439647A (zh) * 2013-08-28 2013-12-11 深圳华越天芯电子有限公司 一种动态电源电流监测的模拟电路故障诊断方法
CN104198924A (zh) * 2014-09-11 2014-12-10 合肥工业大学 一种新颖的模拟电路早期故障诊断方法
CN105044590A (zh) * 2015-08-07 2015-11-11 合肥工业大学 一种单测量节点模拟电路故障诊断方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107730494A (zh) * 2017-10-24 2018-02-23 河海大学 一种基于变分模态分解的锚杆检测方法
CN108828437A (zh) * 2018-06-27 2018-11-16 桂林电子科技大学 基于云关联系数矩阵的模拟电路故障特征提取方法
CN108828437B (zh) * 2018-06-27 2020-09-08 桂林电子科技大学 基于云关联系数矩阵的模拟电路故障特征提取方法
CN110059413A (zh) * 2019-04-19 2019-07-26 中国航空无线电电子研究所 一种故障诊断方法
CN110059413B (zh) * 2019-04-19 2022-11-15 中国航空无线电电子研究所 一种故障诊断方法
CN110880178A (zh) * 2019-11-27 2020-03-13 济南大学 一种基于改进曼哈顿距离的滚动轴承故障诊断方法
CN110880178B (zh) * 2019-11-27 2023-05-09 济南大学 一种基于改进曼哈顿距离的滚动轴承故障诊断方法
CN113449409A (zh) * 2020-09-03 2021-09-28 鲁能集团有限公司 海上风机故障诊断模型的样本数据的存储方法及设备
CN113449409B (zh) * 2020-09-03 2022-10-04 中国绿发投资集团有限公司 海上风机故障诊断模型的样本数据的存储方法及设备

Also Published As

Publication number Publication date
US10539613B2 (en) 2020-01-21
US20180038909A1 (en) 2018-02-08
CN105044590B (zh) 2017-08-25
CN105044590A (zh) 2015-11-11

Similar Documents

Publication Publication Date Title
WO2017024692A1 (zh) 一种单测量节点模拟电路故障诊断方法
CN104616664B (zh) 一种基于声谱图显著性检测的音频识别方法
CN104732978B (zh) 基于联合深度学习的文本相关的说话人识别方法
CN105022835B (zh) 一种群智感知大数据公共安全识别方法及系统
WO2017024691A1 (zh) 一种模拟电路故障模式分类方法
CN109858509A (zh) 基于多层随机神经网络单分类器异常检测方法
CN106228142A (zh) 基于卷积神经网络和贝叶斯决策的人脸验证方法
CN104680541B (zh) 基于相位一致性的遥感图像质量评价方法
CN106156702A (zh) 身份认证方法及设备
CN105206270A (zh) 一种组合pca和rbm的孤立数字语音识别分类系统及方法
CN106408030A (zh) 基于中层语义属性和卷积神经网络的sar图像分类方法
CN106529571A (zh) 基于神经网络的多层图像特征提取建模、图像识别方法及装置
CN102254183B (zh) 一种基于AdaBoost算法的人脸检测方法
CN108171119B (zh) 基于残差网络的sar图像变化检测方法
CN103310235B (zh) 一种基于参数识别与估计的隐写分析方法
CN107784215B (zh) 基于智能终端的声音装置进行唇读的用户认证方法及系统
CN110110754A (zh) 基于代价局部泛化误差的不平衡问题的分类方法
CN115798516B (zh) 一种可迁移的端到端声信号诊断方法及系统
CN105512454A (zh) 基于功能核磁共振的抑郁症患者自杀风险客观评估模型
CN111524132A (zh) 识别待检测样本中异常细胞的方法、装置和存储介质
CN106529377A (zh) 一种基于图像的年龄估计方法、装置及系统
CN103268498A (zh) 一种感兴趣区域模糊图像语义理解的方法
CN110082106B (zh) 一种基于Yu范数的深度度量学习的轴承故障诊断方法
CN106951822A (zh) 一种基于多尺度稀疏保持投影一维距离像融合识别方法
CN108108666B (zh) 一种基于小波分析和时频单源检测的混合矩阵估计方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 15900887

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 15555076

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 15900887

Country of ref document: EP

Kind code of ref document: A1