CN117991082A - 一种适用于电流频率转换芯片的故障诊断监管*** - Google Patents
一种适用于电流频率转换芯片的故障诊断监管*** Download PDFInfo
- Publication number
- CN117991082A CN117991082A CN202410407833.3A CN202410407833A CN117991082A CN 117991082 A CN117991082 A CN 117991082A CN 202410407833 A CN202410407833 A CN 202410407833A CN 117991082 A CN117991082 A CN 117991082A
- Authority
- CN
- China
- Prior art keywords
- fault
- layer
- frequency conversion
- conversion chip
- current
- 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.)
- Granted
Links
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 49
- 238000003745 diagnosis Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 abstract description 7
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000000354 decomposition reaction Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing Of Individual Semiconductor Devices (AREA)
Abstract
本发明公开了一种适用于电流频率转换芯片的故障诊断监管***,所述***包括:数据采集层,包括恒流源模块和数据采集模块,特征提取层,用于提取脉冲响应信号的时域特征和时频域特征,构建特征数据集,故障分析预测层,用于对特征数据集进行分类预测,完成电流频率转换芯片的故障诊断。本发明采用融合一维特征和二维特征的方法构建故障的特征数据集,提取芯片的时域特征与时频域特征,从而为故障识别提供更具辨识度的特征信息,实现对芯片故障信号的全面提取,利用模糊神经网络的优点挖掘特征数据集的故障特征,将所有故障模型的输出结果进行非线性融合,实现电流频率转换芯片的多维信息融合的故障诊断,提高故障诊断精度。
Description
技术领域
本发明涉及芯片故障诊断技术领域,具体涉及一种适用于电流频率转换芯片的故障诊断监管***。
背景技术
电流频率转换芯片广泛应用于惯性导航、医疗行业、电子信息、光电测量等多个领域,具备很高的应用价值,在惯性导航中,陀螺、加速度计等采用电流反馈控制的敏感器件,都是将电流频率转换电路作为模拟***向数字***转换的途径。由于电流频率转换芯片的趋于***集成化、功能多样化和电路复杂化,其发生故障的概率随之增加,加之元件参数的容差性、电路中广泛存在的非线性等原因,极大地增加了电流频率转换芯片发生故障的概率。由于电流频率转换芯片的精度直接影响惯性导航***的定位精度,电流频率转换芯片的故障诊断是确保惯性导航***稳定运行的关键。
在电流频率转换芯片中,由于电路元件容差的存在且受到热噪声影响、输出信号非线性程度高、早期故障偏移程度较低等原因,在电流频率转换芯片早期故障阶段,其故障特征会存在混叠,故障特征难以提取,使得高精度的故障诊断存在一定的难度。
发明内容
针对现有技术中的上述不足,本发明提供的一种适用于电流频率转换芯片的故障诊断监管***解决了目前电流频率转换芯片故障信号提取不全面,故障诊断精度低的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种适用于电流频率转换芯片的故障诊断监管***,所述***包括:
数据采集层,包括恒流源模块和数据采集模块,所述恒流源模块用于输出阶跃电流信号驱动电流频率转换芯片,所述数据采集模块用于采集电流频率转换芯片输出的脉冲响应信号;
特征提取层,用于提取脉冲响应信号的时域特征和时频域特征,构建特征数据集;
故障分析预测层,用于对特征数据集进行分类预测,完成电流频率转换芯片的故障诊断。
进一步地:所述时域特征包括脉冲响应信号的均值、方差、标准差、偏斜度和峰峰值;
提取时频域特征的方法具体为:通过小波包分解脉冲响应信号,得到各层的高频信号和低频信号。
上述进一步方案的有益效果为:通过采集脉冲响应信号的均值、方差、标准差、偏斜度和峰峰值,能够全面表现芯片电路信号的整体趋势、稳定性以及波动性,得到更加全面的时域状态,实现时域信息的一维特征提取,通过小波包分解方法分解脉冲响应信号,得到各层频带的高频信号和低频信号,其中包含了解脉冲响应信号的幅值、周期和频率的能量特征,实现对芯片输出信号的时频域信息的二维特征提取。
进一步地:构建特征数据集的方法具体为:
基于时域特征与每层的高频信号和低频信号,构建若干组信号特征子集,对所有组信号特征子集依次进行数据清洗和归一化处理,得到特征数据集。
上述进一步方案的有益效果为:本发明考虑对芯片进行全面的信号提取,及时发现不显著的故障特征,采用融合时频域特征与时频域特征的方法进行信号特征提取。
进一步地:所述故障分析预测层的故障诊断方法具体为:
S1、获取特征数据集,对特征数据集进行分类;
S2、将分类后数据集输入相关向量机模型,建立各个分类后数据集的故障模型;
S3、将所有故障模型的输出结果输入模糊神经网络,得到故障预测结果,完成电流频率转换芯片的故障诊断。
进一步地:所述S1中,对特征数据集进行分类的方法具体为:通过FCM算法将特征数据集分为设定组数的数据集,其中,所述FCM 算法的目标函数J的表达式具体为下式:
,式中,/>为第n组信号特征子集的样本点,N为信号特征子集的总数,/>为第m个聚类中心,M为聚类中心总数,/>为样本点与聚类中心的欧式距离,G为第n组信号特征子集相邻的信号特征子集,/>为相邻的信号特征子集的样本点,/>为调节参数,t为加权指数,/>为第n组信号特征子集的样本点属于第m个聚类中心的第一隶属度。
上述进一步方案的有益效果为:通过FCM 算法通过对隶属度矩阵和聚类中心向量的不断迭代使得目标函数值最小,可以将相同类型且邻近的信号特征子集进行聚类,既保留了原有特征子集的特征,又提高了后续计算的速度。
进一步地:所述S3中,模糊神经网络包括依次连接的输入层、隶属度计算层、模糊规则层、归一化层和输出层;
所述输入层包括第一输入节点和第二输入节点,第一输入节点的输入为时域特征的数据在故障模型的输出,第二输入节点的输入为频域特征的数据在故障模型的输出。
进一步地:所述隶属度计算层的第二隶属度的表达式为:
,式中,/>为第m个分类后数据集在故障模型的输出结果,/>为隶属函数的中心点值,/>为隶属函数的宽度向量,j为对输入进行模糊分级的序数;
所述模糊规则层设置有适用度函数,其表达式具体为:
,式中,/>为适用度;
所述归一化层的表达式具体为下式:
,式中,/>为归一化后的适用度;
所述输出层的输出结果y的表达式具体为:
,式中,/>为输出层的连接权值。
综上,本发明的有益效果为:
(1)本发明提供了一种适用于电流频率转换芯片的故障诊断监管***,考虑电流频率转换芯片的故障信息,采用融合一维特征和二维特征的方法构建故障的特征数据集,提取芯片的时域特征与时频域特征,将提取到的两种维度的特征信号进行融合,更能反映芯片故障造成的信号频率和幅值变化,从而为故障识别提供更具辨识度的特征信息,实现对芯片故障信号的全面提取。
(2)本发明利用模糊神经网络的优点挖掘特征数据集的故障特征,将所有故障模型的输出结果进行非线性融合,实现电流频率转换芯片的多维信息融合的故障诊断,提高故障诊断精度。
附图说明
图1为一种适用于电流频率转换芯片的故障诊断监管***的示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,在本实施例中,一种适用于电流频率转换芯片的故障诊断监管***,所述***包括:
数据采集层,包括恒流源模块和数据采集模块,所述恒流源模块用于输出阶跃电流信号驱动电流频率转换芯片,所述数据采集模块用于采集电流频率转换芯片输出的脉冲响应信号;
特征提取层,用于提取脉冲响应信号的时域特征和时频域特征,构建特征数据集;
故障分析预测层,用于对特征数据集进行分类预测,完成电流频率转换芯片的故障诊断。
在本实施例中,恒流源模块能够给待测电流频率转换芯片输入电流阶跃信号,其为了提取电流频率转换芯片的早期故障特征,从而识别电路中具有故障倾向的电子元件。
所述时域特征包括脉冲响应信号的均值、方差、标准差、偏斜度和峰峰值;
在本实施例中,通过采集脉冲响应信号的均值、方差、标准差、偏斜度和峰峰值,能够全面表现芯片电路信号的整体趋势、稳定性以及波动性,得到更加全面的时域状态,实现时域信息的一维特征提取。
提取时频域特征的方法具体为:通过小波包分解脉冲响应信号,得到各层的高频信号和低频信号。
在本实施例中,通过小波包分解方法分解脉冲响应信号,得到各层频带的高频信号和低频信号,其中包含了解脉冲响应信号的幅值、周期和频率的能量特征,实现对芯片输出信号的时频域信息的二维特征提取。
构建特征数据集的方法具体为:
基于时域特征与每层的高频信号和低频信号,构建若干组信号特征子集,对所有组信号特征子集依次进行数据清洗和归一化处理,得到特征数据集。
在本实施例中,本发明考虑对芯片进行全面的信号提取,及时发现不显著的故障特征,采用融合时频域特征与时频域特征的方法进行信号特征提取。
所述故障分析预测层的故障诊断方法具体为:
S1、获取特征数据集,对特征数据集进行分类;
S2、将分类后数据集输入相关向量机模型,建立各个分类后数据集的故障模型;
S3、将所有故障模型的输出结果输入模糊神经网络,得到故障预测结果,完成电流频率转换芯片的故障诊断。
所述S1中,对特征数据集进行分类的方法具体为:通过FCM算法将特征数据集分为设定组数的数据集,其中,所述FCM 算法的目标函数J的表达式具体为下式:
,式中,/>为第n组信号特征子集的样本点,N为信号特征子集的总数,/>为第m个聚类中心,M为聚类中心总数,/>为样本点与聚类中心的欧式距离,G为第n组信号特征子集相邻的信号特征子集,/>为相邻的信号特征子集的样本点,/>为调节参数,t为加权指数,/>为第n组信号特征子集的样本点属于第m个聚类中心的第一隶属度。
在本实施例中,通过FCM 算法通过对隶属度矩阵和聚类中心向量的不断迭代使得目标函数值最小,可以将相同类型且邻近的信号特征子集进行聚类,既保留了原有特征子集的特征,又提高了后续计算的速度。
所述S2中,根据分类后数据集可以建立各个分类后数据集的故障模型,故障模型根据相关向量机进行建立,相比于SVM,模型训练时间短,泛化能力更好,适用于在线检测,能够通过模糊神经网络进行输出结果的融合。
所述S3中,模糊神经网络包括依次连接的输入层、隶属度计算层、模糊规则层、归一化层和输出层;
所述输入层包括第一输入节点和第二输入节点,第一输入节点的输入为时域特征的数据在故障模型的输出,第二输入节点的输入为频域特征的数据在故障模型的输出。
隶属度计算层根据隶属度函数计算每个节点的隶属度,用以对输入的数据进行模糊化,所述隶属度计算层的第二隶属度的表达式为:
,式中,/>为第m个分类后数据集在故障模型的输出结果,/>为隶属函数的中心点值,/>为隶属函数的宽度向量,j为对输入进行模糊分级的序数;
模糊规则层的输出为每条模糊规则的适用度,所述模糊规则层设置有适用度函数,其表达式具体为:
,式中,/>为适用度;
所述归一化层的表达式具体为下式:
,式中,/>为归一化后的适用度;
所述输出层的输出结果y的表达式具体为:
,式中,/>为输出层的连接权值。
本发明的有益效果为:本发明提供了一种适用于电流频率转换芯片的故障诊断监管***,考虑电流频率转换芯片的故障信息,采用融合一维特征和二维特征的方法构建故障的特征数据集,提取芯片的时域特征与时频域特征,将提取到的两种维度的特征信号进行融合,更能反映芯片故障造成的信号频率和幅值变化,从而为故障识别提供更具辨识度的特征信息,实现对芯片故障信号的全面提取。
本发明利用模糊神经网络的优点挖掘特征数据集的故障特征,将所有故障模型的输出结果进行非线性融合,实现电流频率转换芯片的多维信息融合的故障诊断,提高故障诊断精度。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种适用于电流频率转换芯片的故障诊断监管***,其特征在于,所述***包括:
数据采集层,包括恒流源模块和数据采集模块,所述恒流源模块用于输出阶跃电流信号驱动电流频率转换芯片,所述数据采集模块用于采集电流频率转换芯片输出的脉冲响应信号;
特征提取层,用于提取脉冲响应信号的时域特征和时频域特征,构建特征数据集;
故障分析预测层,用于对特征数据集进行分类预测,完成电流频率转换芯片的故障诊断。
2.根据权利要求1所述的适用于电流频率转换芯片的故障诊断监管***,其特征在于,所述时域特征包括脉冲响应信号的均值、方差、标准差、偏斜度和峰峰值;
提取时频域特征的方法具体为:通过小波包分解脉冲响应信号,得到各层的高频信号和低频信号。
3.根据权利要求2所述的适用于电流频率转换芯片的故障诊断监管***,其特征在于,构建特征数据集的方法具体为:
基于时域特征与每层的高频信号和低频信号,构建若干组信号特征子集,对所有组信号特征子集依次进行数据清洗和归一化处理,得到特征数据集。
4.根据权利要求3所述的适用于电流频率转换芯片的故障诊断监管***,其特征在于,所述故障分析预测层的故障诊断方法具体为:
S1、获取特征数据集,对特征数据集进行分类;
S2、将分类后数据集输入相关向量机模型,建立各个分类后数据集的故障模型;
S3、将所有故障模型的输出结果输入模糊神经网络,得到故障预测结果,完成电流频率转换芯片的故障诊断。
5.根据权利要求4所述的适用于电流频率转换芯片的故障诊断监管***,其特征在于,所述S1中,对特征数据集进行分类的方法具体为:通过FCM算法将特征数据集分为设定组数的数据集,其中,所述FCM 算法的目标函数J的表达式具体为下式:
,式中,/>为第n组信号特征子集的样本点,N为信号特征子集的总数,/>为第m个聚类中心,M为聚类中心总数,/>为样本点与聚类中心的欧式距离,G为第n组信号特征子集相邻的信号特征子集,/>为相邻的信号特征子集的样本点,/>为调节参数,t为加权指数,/>为第n组信号特征子集的样本点属于第m个聚类中心的第一隶属度。
6.根据权利要求4所述的适用于电流频率转换芯片的故障诊断监管***,其特征在于,所述S3中,模糊神经网络包括依次连接的输入层、隶属度计算层、模糊规则层、归一化层和输出层;
所述输入层包括第一输入节点和第二输入节点,第一输入节点的输入为时域特征的数据在故障模型的输出,第二输入节点的输入为频域特征的数据在故障模型的输出。
7.根据权利要求6所述的适用于电流频率转换芯片的故障诊断监管***,其特征在于,所述隶属度计算层的第二隶属度的表达式为:
,式中,/>为第m个分类后数据集在故障模型的输出结果,/>为隶属函数的中心点值,/>为隶属函数的宽度向量,j为对输入进行模糊分级的序数;
所述模糊规则层设置有适用度函数,其表达式具体为:
,式中,/>为适用度;
所述归一化层的表达式具体为下式:
,式中,/>为归一化后的适用度;
所述输出层的输出结果y的表达式具体为:
,式中,/>为输出层的连接权值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410407833.3A CN117991082B (zh) | 2024-04-07 | 2024-04-07 | 一种适用于电流频率转换芯片的故障诊断监管*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410407833.3A CN117991082B (zh) | 2024-04-07 | 2024-04-07 | 一种适用于电流频率转换芯片的故障诊断监管*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117991082A true CN117991082A (zh) | 2024-05-07 |
CN117991082B CN117991082B (zh) | 2024-06-11 |
Family
ID=90901468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410407833.3A Active CN117991082B (zh) | 2024-04-07 | 2024-04-07 | 一种适用于电流频率转换芯片的故障诊断监管*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117991082B (zh) |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101839805A (zh) * | 2010-03-19 | 2010-09-22 | 同济大学 | 发动机主动故障质检与智能故障诊断方法 |
CN104655423A (zh) * | 2013-11-19 | 2015-05-27 | 北京交通大学 | 一种基于时频域多维振动特征融合的滚动轴承故障诊断方法 |
CN104849650A (zh) * | 2015-05-19 | 2015-08-19 | 重庆大学 | 一种基于改进的模拟电路故障诊断方法 |
CN108591104A (zh) * | 2018-04-18 | 2018-09-28 | 广东寰球智能科技有限公司 | 一种基于云平台的风机故障预测与健康管理***、方法 |
CN108710889A (zh) * | 2018-04-02 | 2018-10-26 | 天津大学 | 一种汽车发动机缺缸故障诊断方法 |
CN109581055A (zh) * | 2018-12-28 | 2019-04-05 | 广东电网有限责任公司 | 一种基于多分辨率分解法的变压器绕组故障类型检测方法 |
CN110059601A (zh) * | 2019-04-10 | 2019-07-26 | 西安交通大学 | 一种多特征提取与融合的智能故障诊断方法 |
CN111562108A (zh) * | 2020-05-09 | 2020-08-21 | 浙江工业大学 | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 |
CN111811818A (zh) * | 2020-06-02 | 2020-10-23 | 桂林电子科技大学 | 基于指定聚类数目ap聚类算法的滚动轴承故障诊断方法 |
CN112285541A (zh) * | 2020-09-21 | 2021-01-29 | 南京理工大学 | 一种电流频率转换电路的故障诊断方法 |
EP3832417A1 (en) * | 2019-12-05 | 2021-06-09 | Elmos Semiconductor SE | Method for the detection of a state of a system |
CN113834658A (zh) * | 2021-10-27 | 2021-12-24 | 沈阳航空航天大学 | 一种基于WPD-KVI-Hilbert的滚动轴承早期故障识别方法 |
CN113850120A (zh) * | 2021-08-03 | 2021-12-28 | 合肥通用机械研究院有限公司 | 基于统计学习理论的往复压缩机用气阀的故障诊断方法 |
CN115083395A (zh) * | 2022-08-23 | 2022-09-20 | 聊城大学 | 基于卷积神经网络与支持向量机的发动机声音检测*** |
CN115186564A (zh) * | 2022-05-12 | 2022-10-14 | 山东大学 | 基于特征融合和改进粒子群算法的模拟电路故障诊断方法 |
CN115293201A (zh) * | 2022-07-25 | 2022-11-04 | 烟台大学 | 一种基于多信息融合的轴承故障诊断方法及*** |
CN115421029A (zh) * | 2022-07-25 | 2022-12-02 | 天津力神电池股份有限公司 | 一种fcm-ga-pnn的模拟电路故障诊断方法 |
CN116429428A (zh) * | 2023-04-13 | 2023-07-14 | 南京航空航天大学 | 一种基于多特征融合和igwo-lssvm的滚动轴承故障诊断方法 |
-
2024
- 2024-04-07 CN CN202410407833.3A patent/CN117991082B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101839805A (zh) * | 2010-03-19 | 2010-09-22 | 同济大学 | 发动机主动故障质检与智能故障诊断方法 |
CN104655423A (zh) * | 2013-11-19 | 2015-05-27 | 北京交通大学 | 一种基于时频域多维振动特征融合的滚动轴承故障诊断方法 |
CN104849650A (zh) * | 2015-05-19 | 2015-08-19 | 重庆大学 | 一种基于改进的模拟电路故障诊断方法 |
CN108710889A (zh) * | 2018-04-02 | 2018-10-26 | 天津大学 | 一种汽车发动机缺缸故障诊断方法 |
CN108591104A (zh) * | 2018-04-18 | 2018-09-28 | 广东寰球智能科技有限公司 | 一种基于云平台的风机故障预测与健康管理***、方法 |
CN109581055A (zh) * | 2018-12-28 | 2019-04-05 | 广东电网有限责任公司 | 一种基于多分辨率分解法的变压器绕组故障类型检测方法 |
CN110059601A (zh) * | 2019-04-10 | 2019-07-26 | 西安交通大学 | 一种多特征提取与融合的智能故障诊断方法 |
EP3832417A1 (en) * | 2019-12-05 | 2021-06-09 | Elmos Semiconductor SE | Method for the detection of a state of a system |
CN111562108A (zh) * | 2020-05-09 | 2020-08-21 | 浙江工业大学 | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 |
CN111811818A (zh) * | 2020-06-02 | 2020-10-23 | 桂林电子科技大学 | 基于指定聚类数目ap聚类算法的滚动轴承故障诊断方法 |
CN112285541A (zh) * | 2020-09-21 | 2021-01-29 | 南京理工大学 | 一种电流频率转换电路的故障诊断方法 |
CN113850120A (zh) * | 2021-08-03 | 2021-12-28 | 合肥通用机械研究院有限公司 | 基于统计学习理论的往复压缩机用气阀的故障诊断方法 |
CN113834658A (zh) * | 2021-10-27 | 2021-12-24 | 沈阳航空航天大学 | 一种基于WPD-KVI-Hilbert的滚动轴承早期故障识别方法 |
CN115186564A (zh) * | 2022-05-12 | 2022-10-14 | 山东大学 | 基于特征融合和改进粒子群算法的模拟电路故障诊断方法 |
CN115293201A (zh) * | 2022-07-25 | 2022-11-04 | 烟台大学 | 一种基于多信息融合的轴承故障诊断方法及*** |
CN115421029A (zh) * | 2022-07-25 | 2022-12-02 | 天津力神电池股份有限公司 | 一种fcm-ga-pnn的模拟电路故障诊断方法 |
CN115083395A (zh) * | 2022-08-23 | 2022-09-20 | 聊城大学 | 基于卷积神经网络与支持向量机的发动机声音检测*** |
CN116429428A (zh) * | 2023-04-13 | 2023-07-14 | 南京航空航天大学 | 一种基于多特征融合和igwo-lssvm的滚动轴承故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
李凤娟: "基于深度学习和多源信息融合的滚动轴承故障诊断方法研究", 《中国优秀硕士学位论文全文数据库 信息科技》, 15 August 2022 (2022-08-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN117991082B (zh) | 2024-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108388927B (zh) | 基于深度卷积孪生网络的小样本极化sar地物分类方法 | |
CN112819059B (zh) | 一种基于流行保持迁移学习的滚动轴承故障诊断方法 | |
CN114386538B (zh) | 一种标记监测指标的kpi曲线的波段特征的方法 | |
CN111680642B (zh) | 一种地形分类方法及装置 | |
Zou et al. | Nonparametric detection of anomalous data streams | |
CN109376797B (zh) | 一种基于二进制编码器和多哈希表的网络流量分类方法 | |
US11562133B2 (en) | System and method for detecting incorrect triple | |
CN114398898B (zh) | 基于日志事件关系生成kpi曲线并标记波段特征的方法 | |
Zhang et al. | Amplitude‐frequency images‐based ConvNet: Applications of fault detection and diagnosis in chemical processes | |
CN111737294A (zh) | 一种基于动态增量集成模糊的数据流分类方法 | |
Ye et al. | Identifying vital nodes on temporal networks: an edge-based k-shell decomposition | |
CN117991082B (zh) | 一种适用于电流频率转换芯片的故障诊断监管*** | |
KR102014234B1 (ko) | 무선 프로토콜 자동 분석 방법 및 그를 위한 장치 | |
Laidani et al. | Analog Circuit Fault Classification and Data Reduction Using PCA-ANFIS Technique Aided by K-means Clustering Approach. | |
CN116704241A (zh) | 一种全通道3d卷积神经网络高光谱遥感图像分类方法 | |
Hudaib et al. | Software Reusability classification and predication using self-organizing map (SOM) | |
CN114692694B (zh) | 一种基于特征融合和集成聚类的设备故障诊断方法 | |
CN116051911A (zh) | 基于不确定性学习的小样本轴承振动图像数据故障诊断方法 | |
CN112285541B (zh) | 一种电流频率转换电路的故障诊断方法 | |
Yonekawa et al. | The content-based image retrieval using the pulse coupled neural network | |
Zhuang et al. | Non-exhaustive learning using gaussian mixture generative adversarial networks | |
Jin et al. | Graph-based identification and authentication: A stochastic kronecker approach | |
JP2021193503A (ja) | 分割プログラム、分割方法および情報処理装置 | |
Lin et al. | Multi-Scale Pooled Convolutional Domain Adaptation Network for Intelligent Diagnosis of Rolling Bearing Under Variable Conditions | |
CN114884896B (zh) | 一种基于特征扩展和自动机器学习的移动应用流量感知方法 |
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 | ||
GR01 | Patent grant |