CN114035021A - 基于EEMD-Prophet的电路故障预测方法 - Google Patents
基于EEMD-Prophet的电路故障预测方法 Download PDFInfo
- Publication number
- CN114035021A CN114035021A CN202111169837.5A CN202111169837A CN114035021A CN 114035021 A CN114035021 A CN 114035021A CN 202111169837 A CN202111169837 A CN 202111169837A CN 114035021 A CN114035021 A CN 114035021A
- Authority
- CN
- China
- Prior art keywords
- circuit
- prophet
- prediction method
- eemd
- value
- 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 40
- 238000011156 evaluation Methods 0.000 claims abstract description 28
- 238000006731 degradation reaction Methods 0.000 claims abstract description 25
- 230000036541 health Effects 0.000 claims abstract description 25
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 238000000605 extraction Methods 0.000 claims abstract description 22
- 239000013598 vector Substances 0.000 claims abstract description 22
- 230000015556 catabolic process Effects 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 10
- 230000005283 ground state Effects 0.000 claims abstract description 10
- 230000008859 change Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 4
- 230000001932 seasonal effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000002596 correlated effect Effects 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 230000000737 periodic effect Effects 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract 1
- 230000003750 conditioning effect Effects 0.000 description 6
- 230000003321 amplification Effects 0.000 description 5
- 238000003199 nucleic acid amplification method Methods 0.000 description 5
- 230000035882 stress Effects 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 230000006353 environmental stress Effects 0.000 description 1
- 239000010419 fine particle Substances 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 229910000679 solder Inorganic materials 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000003466 welding Methods 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
- G01R31/2832—Specific tests of electronic circuits not provided for elsewhere
- G01R31/2836—Fault-finding or characterising
- G01R31/2843—In-circuit-testing
-
- 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
- G01R31/2832—Specific tests of electronic circuits not provided for elsewhere
- G01R31/2836—Fault-finding or characterising
- G01R31/2846—Fault-finding or characterising using hard- or software simulation or using knowledge-based systems, e.g. expert systems, artificial intelligence or interactive algorithms
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于EEMD‑Prophet的电路故障预测方法,所述方法包括:利用集成经验模态分解(EEMD)对提取到的电路退化数据进行处理,计算该多个基态分量的能量作为特征提取向量,并将退化过程中的特征提取向量与原始状态下的特征提取向量的马氏距离作为电路的健康评估参数;将健康评估参数划分为训练集和测试集,利用Prophet模型获得电路参数的预测值与置信区间,以实现电路的健康状态评估和故障预测;计算预测值的相对误差,并将其作为预测方法精度的评价指标。本发明方法对模拟电路健康状态预测的效果较好,预测误差较小,因此具有较好的工程应用价值。
Description
技术领域
本发明涉及一种基于集合经验模态分解与Prophet模型(EEMD-Prophet)的电路故障预测方法,属于电路故障预测技术领域。
背景技术
在电路故障预测的研究中,由于失效模型复杂、非线性问题、器件老化、温度漂移以及器件公差等问题的存在,现有预测***大多复杂且低效。众所周知,意外的电路故障可能导致严重的经济影响,因此预防电路故障是目前迫切需要解决的一个热点问题。
在电子产品故障预测中,通常是利用特征参数提取方法,得到反映电路状态的特征参数,然后选择合适的故障预测算法预测参数的变化趋势,对其进行健康评估,确定故障阈值以确定电路发生故障时刻。对于电子产品故障来说,退化引起的故障预测其实是一种时间序列问题,故障预测方法主要包括选取合适的算法和对应的参数。是否选取了正确的算法,算法模型是否适合该场景,以及是否适用电子产品输出响应的预测,这些因素都决定了能否合理准确地预测出特征参数的变化趋势。
发明内容
针对现有技术存在的问题,本发明提供一种基于集合经验模态分解(EEMD)与Prophet模型的电路故障预测方法,以实现电路的健康状态评估和故障预测。其中,该方法可以分为三个主要部分:提取健康评估参数、建立电路故障预测模型以及评价预测方法。
提取健康评估参数:
电子设备在运行过程中,由于元件会发生参数漂移,周围环境及温度会发生改变,这些因素会影响电子设备的性能使其发生退化。电路运行时健康状态随时间变化曲线如图1所示,一开始电路正常运行,随着时间的增加,电路中元器件可能发生故障,此时电路的性能开始下降,直到电路故障检测点前,电路仍处于正常运行状态,在电路故障检测点之后,电路性能继续下降,直至功能失效点时电路发生故障。
为了更好的反映电路在运行过程中的状态,需要在电路检测点和功能失效点之间对电路健康状态进行评估,本发明根据当前工作状态与正常工作状态下的样本相似度来评估当前运行状态,提取健康评估参数的具体步骤如下:
步骤一,对待测电路进行加速退化试验,在试验过程中实时监测电路的输出电压值;
步骤二,利用集合经验模态分解(EEMD)将输出电压的信号峰峰值降噪分解成多个基态分量(IMF),计算该多个基态分量的能量作为特征提取向量;
各基态分量能量的计算公式为:
其中,Ca(i)表示第a个IMF,k表示Ca(i)的长度。
步骤三,计算退化过程中的特征提取向量与原始状态下的特征提取向量之间的马氏距离值,并将其作为电路的健康评估参数;
马氏距离(MD)的原理是用两个样本之间的协方差来代表两个样本的相似度,其大小与相似程度呈正相关。相比于表明样本相似度的其他距离,马氏距离不受量纲影响,并能考虑到各变量间的相关性,使得计算出的距离值不受量纲的影响,在进行分析时占据着一定的优势。
设退化过程中的特征提取向量为X,原始状态下的特征提取向量为Y,Σ是X与Y的协方差矩阵,则样本X与Y之间的马氏距离可表示为:
建立电路故障预测模型:
在电路实际运行过程中,电路的退化不明显导致信号变化微弱,需要长时间的预测来反映该电路的退化情况,因此本发明选用Prophet模型对电路健康状态的变化趋势进行预测。
Prophet模型的工作流程如图2所示,该时间序列模型能够实现快速迭代优化,具体表现在整合了建模与评估两大模块,可自动进行环形分析。相比于传统的时间序列,Prophet方法更多考虑时间在结构上的依赖关系。Prophet模型凭借特有的灵活性、鲁棒性和模型参数可解释性,在长时间的预测中表现较好,可以预测所需的时间变量。
Prophet模型将时间序列整体分解为三个部分:增长趋势、季节趋势及节假日的影响,具体的函数分解如下:
y(t)=g(t)+s(t)+h(t)+εt (3)
其中,g(t)表示趋势项,代表该时间序列在非周期上面的变化趋势,即增长趋势;s(t)表示时间序列周期上的变化情况,即季节趋势;h(t)表示节假日项;εt表示误差或是剩余项。
将公式(2)所得的健康评估参数划分为训练集和测试集,训练Prophet故障预测模型,并利用训练好的模型得到电路参数的预测值与置信区间,以此来实现电路的健康状态评估和故障预测。
评价预测方法:
在选择Prophet模型进行预测时,需要对该预测方法进行评估,通常比较预测值与实际值的差距来进行评估,设序列A={a1,a2,…,am}为实际值,B={b1,b2,…,bm}为预测值,则有相对误差(RE)为:
相对误差指绝对误差与实际值的比值,更能明确表示出预测值与实际值之间的距离,本发明将其作为预测方法精度的评价指标。计算所得电路参数预测值的相对误差,以此来实现对预测方法的评价。
本发明的优点及有益效果在于:
针对现有电路预测***复杂且低效的问题,本发明提出一种基于集合经验模态分解与Prophet模型(EEMD-Prophet)的电路故障预测方法。该方法利用集成经验模态分解(EEMD)对提取到的退化数据进行处理,计算该多个基态分量的能量作为特征提取向量,并将退化过程中的特征提取向量与原始状态下的特征提取向量的马氏距离作为电路的健康评估参数。在此基础上,用提取到的健康评估参数训练Prophet模型,进而获得预测值与置信区间,并以预测值的相对误差作为评价预测方法精度的指标,在电路故障预测中具有较好的实用价值。
附图说明
图1是电路运行时健康状态变化示意图。
图2是本发明中所采用的Prophet模型工作流程。
图3是本发明中所提出的基于EEMD-Prophet的电路故障预测方法的详细流程。
图4是本发明实施案例中所用到的信号调理放大***总体功能图。
图5是本发明实施案例中电路峰峰值电压随温度变化图。
图6是本发明实施案例中电路第三路峰峰值电压随温度变化图。
图7是本发明实施案例中Prophet模型预测结果图。
具体实施方式
本发明的具体实施流程如图3所示。本发明是一种基于EEMD-Prophet的电路故障预测方法,具体步骤如下:
步骤一,对待测电路进行加速退化试验,在试验过程中实时监测电路的输出电压值;
步骤二,利用集合经验模态分解(EEMD)将输出电压的信号峰峰值降噪分解成多个基态分量(IMF),计算该多个基态分量的能量作为特征提取向量;
步骤三,计算退化过程中的特征提取向量与原始状态下的特征提取向量之间的马氏距离值,并将其作为电路的健康评估参数;
步骤四,将健康评估参数划分为训练集和测试集,训练Prophet故障预测模型,并利用训练好的模型得到预测值与置信区间;
步骤五,计算预测值的相对误差,并将其作为预测方法精度的评价指标。
实施案例
本发明以某信号调理放大***作为案例,验证所述的基于EEMD-Prophet的电路故障预测方法。信号调理放大***包括信号调理板、AD板以及CPU板,其总体功能为三轴加速度计产生的模拟信号/外部输入的模拟信号,经过信号调理放大电路,形成可供AD采样芯片使用的模拟信号,在CPU的控制下,经过AD采样转换成数字信号,存储在存储芯片上,如图4所示。
对该放大***进行加速应力退化试验,通过调研分析及电路失效机理分析,影响电路失效的应力主要为温度、湿度、振动等。在良好的工作环境下,湿度影响较小,而且当前的焊接工艺基本能杜绝芯片中水汽的侵入。电路板涂覆阻焊剂或者表面防护时,已经对电路板细小颗粒进行处理。除非较大振动,表面不会出现脱落,因此采用温度作为加速试验的加速应力。
根据相关试验标准和试验原则,对该放大***进行温度应力步进加速试验,加速应力水平分别为80℃、90℃、100℃、110℃以及120℃,作用时长分别为600h、500h、400h、300h以及200h,每24h测一次常温下的数据。
上位机软件可实时监测三个板上重要元器件的运行状态,同时每板上有两个温度传感器,实时记录温度,通过上位机软件采集到的数据为一秒钟100个数据点。第一路为自身产生的信号电压,第二路为经过一级放大后的电压信号,第三路为经过两级放大的电压信号,第四路、第五路为外接电压的放大,此试验中没有外接信号输入,因此可忽略第四路和第五路电压信号。
在进行环境应力筛选时,对监测的正弦波数据进行分析,发现正弦波数据的平均值及有效值无明显变化,电路的峰峰值随温度有明显的变化,如图5所示。电路板产生的正弦电压信号峰峰值对于电路板的正常运行极为重要,由图5可知,电路板产生的正弦电压信号峰峰值随着温度和时间发生了变化,因此输出电压峰峰值作为监测的特征参数。
本案例所采用的数据为电路第三路电压,即电压信号经过二级放大后的电压,在电路板经历过90℃后发生了退化现象,退化在经历过100℃高温后速度变快,但会出现上下波动及突变现象,如图6所示。
选取90℃-110℃的所有电压值,共有17800条数据,按照时序以89个数据分为一组,共计200组数据。对每一组数据进行集合经验模态分解(EEMD),加入的白噪声标准差为0.02,加入的次数为50次,根据公式(1)计算每个分量的能量值见表1。
表1 部分数据IMF能量值
根据公式(2)计算退化过程中的特征提取向量与原始状态下的特征提取向量的马氏距离值,并以此来表征该电路健康状态,结果见表2。
表2 退化特征向量与原始状态的马氏距离值
将200个数据分为训练集和测试集,为了尽可能多的包含退化数据,首先选取前190个数据为训练集,后10个数据为测试集,采用Prophet故障预测模型进行预测,预测结果如图7所示,中间曲线表示拟合曲线,上下两曲线表示拟合的置信区间。
从原数据可知,在前120个数据内退化趋势不明显,为了对比前面不明显数据对模型预测的影响,再次选取120-190之间退化趋势比较明显的数据进行拟合训练,并对最后10个数据进行预测。根据公式(4)分别计算两种训练集的相对误差,预测结果对比见表3。
表3 两种训练集的预测结果对比
样本点 | 真实值 | 测试集1 | 相对误差 | 测试集2 | 相对误差 |
191 | 0.1967 | 0.1946 | 1.05% | 0.1886 | 4.12% |
192 | 0.2227 | 0.1931 | 13.31% | 0.1874 | 15.84% |
193 | 0.2256 | 0.2042 | 9.50% | 0.1930 | 14.45% |
194 | 0.2315 | 0.2072 | 10.50% | 0.1929 | 16.66% |
195 | 0.1913 | 0.2030 | 6.11% | 0.1927 | 0.73% |
196 | 0.1895 | 0.2031 | 7.17% | 0.1954 | 3.12% |
197 | 0.1857 | 0.1978 | 6.50% | 0.1895 | 2.02% |
198 | 0.2047 | 0.2029 | 0.90% | 0.1948 | 4.84% |
199 | 0.1942 | 0.2013 | 3.66% | 0.1936 | 0.29% |
200 | 0.1734 | 0.1932 | 11.38% | 0.1945 | 12.15% |
注:测试集1表示训练集为样本点120-190时预测的结果数据,测试集2表示训练集为样本点1-190时预测的结果数据。
两种情况的预测趋势与电路的退化趋势基本一致,10个数据的预测误差均在20%以下,其中预测误差比较大的四个点与原数据中电压数据发生突变的位置相对应,剩余数据的预测误差均在10%以下。同时,从整体预测情况来看,用样本点为120-190的训练集训练的模型在预测结果上更准确,预测误差更小。
Claims (5)
1.一种基于EEMD-Prophet的电路故障预测方法,其特征在于,具体步骤如下:
步骤一,对待测电路进行加速退化试验,在试验过程中实时监测电路的输出电压值;
步骤二,利用集合经验模态分解EEMD将输出电压的信号峰峰值降噪分解成多个基态分量IMF,计算该多个基态分量的能量作为特征提取向量;
步骤三,计算退化过程中的特征提取向量与原始状态下的特征提取向量之间的马氏距离值,并将其作为电路的健康评估参数;
步骤四,将健康评估参数划分为训练集和测试集,训练Prophet故障预测模型,并利用训练好的模型得到预测值与置信区间;
步骤五,计算预测值的相对误差,并将其作为预测方法精度的评价指标。
4.根据权利要求3所述的基于EEMD-Prophet的电路故障预测方法,其特征在于:在步骤四中,在模拟电路的实际运行中,电路的退化不明显导致信号变化微弱,需要长时间的预测来反映该电路的退化情况,这里选用Prophet模型对电路健康状态的变化趋势进行预测;
Prophet模型能够实现快速迭代优化,整合了建模与评估两大模块,可自动进行环形分析;Prophet模型更多考虑时间在结构上的依赖关系;Prophet模型将时间序列整体分解为三个部分:增长趋势、季节趋势及节假日的影响,具体的函数分解如下:
y(t)=g(t)+s(t)+h(t)+εt (3)
其中,g(t)表示趋势项,代表该时间序列在非周期上面的变化趋势,即增长趋势;s(t)表示时间序列周期上的变化情况,即季节趋势;h(t)表示节假日项;εt表示误差或是剩余项。
5.根据权利要求4所述的基于EEMD-Prophet的电路故障预测方法,其特征在于:在步骤五中,将公式(2)所得的健康评估参数划分为训练集和测试集,训练Prophet故障预测模型,并利用训练好的模型得到电路参数的预测值与置信区间,以此来实现电路的健康状态评估和故障预测,具体为:
在选择Prophet模型进行预测时,需要对该预测方法进行评估,比较预测值与实际值的差距来进行评估,设序列A={a1,a2,…,am}为实际值,B={b1,b2,…,bm}为预测值,则有相对误差(RE)为:
相对误差指绝对误差与实际值的比值,更能明确表示出预测值与实际值之间的距离,将其作为预测方法精度的评价指标;计算所得电路参数预测值的相对误差,以此来实现对预测方法的评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111169837.5A CN114035021A (zh) | 2021-10-08 | 2021-10-08 | 基于EEMD-Prophet的电路故障预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111169837.5A CN114035021A (zh) | 2021-10-08 | 2021-10-08 | 基于EEMD-Prophet的电路故障预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114035021A true CN114035021A (zh) | 2022-02-11 |
Family
ID=80134145
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111169837.5A Pending CN114035021A (zh) | 2021-10-08 | 2021-10-08 | 基于EEMD-Prophet的电路故障预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114035021A (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008036921A2 (en) * | 2006-09-21 | 2008-03-27 | Impact Technologies, Llc | Systems and methods for predicting failure of electronic systems and assessing level of degradation and remaining useful life |
CN102879728A (zh) * | 2012-10-16 | 2013-01-16 | 南京航空航天大学 | Dc-dc变换器健康评估指标与故障预测方法 |
CN103150446A (zh) * | 2013-03-21 | 2013-06-12 | 天津大学 | 临近空间飞行器模型验证与仿真实现方法 |
CN103674511A (zh) * | 2013-03-18 | 2014-03-26 | 北京航空航天大学 | 一种基于emd-svd与mts的机械磨损件性能评估与预测方法 |
CN107704807A (zh) * | 2017-09-05 | 2018-02-16 | 北京航空航天大学 | 一种基于多源遥感序列影像的动态监测方法 |
CN108535635A (zh) * | 2018-04-17 | 2018-09-14 | 重庆大学 | 一种基于eemd和hmm的模拟电路间歇故障诊断方法 |
CN109376897A (zh) * | 2018-08-29 | 2019-02-22 | 广东工业大学 | 一种基于混合算法的短期风电功率预测方法 |
CN110349289A (zh) * | 2019-06-21 | 2019-10-18 | 东软集团股份有限公司 | 故障预测方法、装置、存储介质和电子设备 |
CN111176575A (zh) * | 2019-12-28 | 2020-05-19 | 苏州浪潮智能科技有限公司 | 基于Prophet模型的SSD寿命预测方法、***、终端及存储介质 |
CN111310350A (zh) * | 2020-02-25 | 2020-06-19 | 苏州浪潮智能科技有限公司 | 一种基于Prophet模型的SSD寿命预测方法及*** |
CN111339633A (zh) * | 2019-12-27 | 2020-06-26 | 西安交通大学 | 基于数据变化特征模糊度量的热量表性能退化评估方法 |
CN112101636A (zh) * | 2020-08-26 | 2020-12-18 | 北京航空航天大学 | 一种基于gru和garch的卫星长周期异方差退化预测评估方法 |
CN112197890A (zh) * | 2020-09-08 | 2021-01-08 | 西安交通大学 | 一种热量表性能退化评估方法、存储介质及设备 |
KR20210052133A (ko) * | 2019-10-29 | 2021-05-10 | 숭실대학교산학협력단 | 전달 노드의 특성을 이용한 지연 허용 네트워크 라우팅 프로토콜 기반의 메시지 전송 방법, 이를 수행하기 위한 기록 매체 및 장치 |
US20210222904A1 (en) * | 2020-01-17 | 2021-07-22 | Samsung Electronics Co., Ltd. | Method and apparatus for predicting time-series data |
CN113298288A (zh) * | 2021-04-12 | 2021-08-24 | 国网浙江省电力有限公司湖州供电公司 | 一种融合时间序列和神经网络的供电所运维成本预测方法 |
CN113341305A (zh) * | 2021-05-12 | 2021-09-03 | 西安建筑科技大学 | 一种基于融合建模的模拟电路故障预测方法 |
-
2021
- 2021-10-08 CN CN202111169837.5A patent/CN114035021A/zh active Pending
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008036921A2 (en) * | 2006-09-21 | 2008-03-27 | Impact Technologies, Llc | Systems and methods for predicting failure of electronic systems and assessing level of degradation and remaining useful life |
CN102879728A (zh) * | 2012-10-16 | 2013-01-16 | 南京航空航天大学 | Dc-dc变换器健康评估指标与故障预测方法 |
CN103674511A (zh) * | 2013-03-18 | 2014-03-26 | 北京航空航天大学 | 一种基于emd-svd与mts的机械磨损件性能评估与预测方法 |
CN103150446A (zh) * | 2013-03-21 | 2013-06-12 | 天津大学 | 临近空间飞行器模型验证与仿真实现方法 |
CN107704807A (zh) * | 2017-09-05 | 2018-02-16 | 北京航空航天大学 | 一种基于多源遥感序列影像的动态监测方法 |
CN108535635A (zh) * | 2018-04-17 | 2018-09-14 | 重庆大学 | 一种基于eemd和hmm的模拟电路间歇故障诊断方法 |
CN109376897A (zh) * | 2018-08-29 | 2019-02-22 | 广东工业大学 | 一种基于混合算法的短期风电功率预测方法 |
CN110349289A (zh) * | 2019-06-21 | 2019-10-18 | 东软集团股份有限公司 | 故障预测方法、装置、存储介质和电子设备 |
KR20210052133A (ko) * | 2019-10-29 | 2021-05-10 | 숭실대학교산학협력단 | 전달 노드의 특성을 이용한 지연 허용 네트워크 라우팅 프로토콜 기반의 메시지 전송 방법, 이를 수행하기 위한 기록 매체 및 장치 |
CN111339633A (zh) * | 2019-12-27 | 2020-06-26 | 西安交通大学 | 基于数据变化特征模糊度量的热量表性能退化评估方法 |
CN111176575A (zh) * | 2019-12-28 | 2020-05-19 | 苏州浪潮智能科技有限公司 | 基于Prophet模型的SSD寿命预测方法、***、终端及存储介质 |
US20210222904A1 (en) * | 2020-01-17 | 2021-07-22 | Samsung Electronics Co., Ltd. | Method and apparatus for predicting time-series data |
CN111310350A (zh) * | 2020-02-25 | 2020-06-19 | 苏州浪潮智能科技有限公司 | 一种基于Prophet模型的SSD寿命预测方法及*** |
CN112101636A (zh) * | 2020-08-26 | 2020-12-18 | 北京航空航天大学 | 一种基于gru和garch的卫星长周期异方差退化预测评估方法 |
CN112197890A (zh) * | 2020-09-08 | 2021-01-08 | 西安交通大学 | 一种热量表性能退化评估方法、存储介质及设备 |
CN113298288A (zh) * | 2021-04-12 | 2021-08-24 | 国网浙江省电力有限公司湖州供电公司 | 一种融合时间序列和神经网络的供电所运维成本预测方法 |
CN113341305A (zh) * | 2021-05-12 | 2021-09-03 | 西安建筑科技大学 | 一种基于融合建模的模拟电路故障预测方法 |
Non-Patent Citations (3)
Title |
---|
张朝龙等: ""一种基于多核相关向量机的模拟电路故障预测方法"", 《电子测量与仪器学报》, vol. 33, no. 11, pages 95 - 101 * |
张梅军 等: "EEMD方法及其在机械故障诊断中的应用", 31 October 2015, 国防工业出版社, pages: 81 - 84 * |
陈克兴 等: "设备状态监测与故障诊断技术", 31 August 1991, 科学技术文献出版社, pages: 579 - 581 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220137611A1 (en) | Abnormality determination apparatus, learning apparatus and abnormality determination method | |
JP2010530179A (ja) | 仮想センサ・システムおよび方法 | |
CN113642754A (zh) | 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法 | |
CN110020637B (zh) | 一种基于多粒度级联森林的模拟电路间歇故障诊断方法 | |
CN117473411A (zh) | 基于改进Transformer模型的轴承寿命预测方法 | |
CN114800486A (zh) | 一种基于统计特征的工业机器人故障诊断方法及*** | |
CN112506718B (zh) | 一种故障冗余机制的安全芯片处理器及处理方法 | |
CN118037112A (zh) | 一种基于数据驱动的胎面质量预测模型构建方法 | |
CN114357870A (zh) | 基于局部加权偏最小二乘的计量设备运行性能预测分析方法 | |
CN117236039A (zh) | 一种传感器寿命预测方法、***及设备 | |
CN114035021A (zh) | 基于EEMD-Prophet的电路故障预测方法 | |
Mishanov et al. | Forecasting models generation of the electronic means quality | |
CN109840386B (zh) | 基于因子分析的损伤识别方法 | |
CN114417737B (zh) | 用于晶圆刻蚀工艺的异常检测方法和装置 | |
CN110956112A (zh) | 一种新的高可靠性回转支承寿命评估方法 | |
JP6233038B2 (ja) | 組立歩留予測装置、組立歩留予測プログラムおよび組立歩留予測方法 | |
Chen et al. | Performance degradation assessment of rotary machinery based on a multiscale Tsallis permutation entropy method | |
CN114383648A (zh) | 一种温度仪表故障诊断方法及装置 | |
RU2699685C1 (ru) | Способ анализа и контроля состояния технической установки, содержащей множество динамических систем | |
Gaita et al. | A machine learning based wafer test ranking for root cause analysis | |
CN114239294B (zh) | 基于原点矩偏导的k分布杂波参数估计方法和装置 | |
CN115081200B (zh) | 复杂设备的加速因子及失效边界域分析方法 | |
CN113779790B (zh) | 基于自编码器误差重构的故障监测方法、装置及介质 | |
Wang et al. | Classification and prediction of wafer probe yield in DRAM manufacturing using Mahalanobis-Taguchi system and neural network | |
US11531848B2 (en) | Data processing apparatus, data processing method and semiconductor manufacturing apparatus |
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 |