基于高阶累积量的模拟电路故障诊断

doi:10.3969/j.issn.1000-3428.2012.20.035

计算机工程 ›› 2012, Vol. 38 ›› Issue (20): 136-139. doi: 10.3969/j.issn.1000-3428.2012.20.035

基于高阶累积量的模拟电路故障诊断

谢涛1，何怡刚2，徐建波1

(1. 湖南科技大学计算机科学与工程学院，湖南湘潭 411201；2. 湖南大学电气与信息工程学院，长沙 410082)

收稿日期:2011-12-21 修回日期:2012-02-20 出版日期:2012-10-20 发布日期:2010-10-17
作者简介:谢涛(1977－)，男，讲师、博士，主研方向：神经网络，模拟电路测试；何怡刚，教授、博士、博士生导师；徐建波，教授、博士
基金资助:
国家自然科学基金资助项目(60876022, 61202462)；国家“863”计划基金资助项目(2006AA04A104)；国家杰出青年科学基金资助项目(50925727)；湖南省科技计划基金资助项目(2008Gk2022)；广东省教育部产学研基金资助项目(2009B090300196)

Analog Circuit Fault Diagnosis Based on High Order Cumulant

XIE Tao1, HE Yi-gang2, XU Jian-bo1

(1. College of Computer Science and Engineering, Hunan University of Science and Technology, Xiangtan 411201, China; 2. College of Electrical and Information Engineering, Hunan University, Changsha 410082, China)

Received:2011-12-21 Revised:2012-02-20 Online:2012-10-20 Published:2010-10-17

摘要/Abstract

摘要： 结合信息融合技术，提出一种基于高阶累积量的模拟电路故障诊断方法。对待测电路施加正弦激励信号，从待测电路的输出终端提取原始电压和电流信号，求出峰度和斜度作为故障特征向量，将其输入改进的反向传播神经网络进行故障诊断。实例结果表明，该方法具有较高的诊断准确率。

关键词: 模拟电路, 故障诊断, 高阶累积量, 信息融合, 神经网络, 峰度, 斜度

Abstract: Combined with the information fusion technology, this paper proposes an analog circuit fault diagnosis method based on High Order Cumulant(HOC). It applies the sine excitation signal for measuring circuit, extracts original voltage and current signal from the output terminal of testing circuit, calculates its kurtosis and skewness as fault feature vector, inputs to improved Back Propagation(BP) neural network to diagnose fault. Experimental results show that this method has higher accuracy rate.

Key words: analog circuit, fault diagnosis, High Order Cumulant(HOC), information fusion, neural network, kurtosis, skewness

中图分类号:

TN911

谢涛, 何怡刚, 徐建波. 基于高阶累积量的模拟电路故障诊断[J]. 计算机工程, 2012, 38(20): 136-139.

XIE Chao, HE Yi-Gang, XU Jian-Bei. Analog Circuit Fault Diagnosis Based on High Order Cumulant[J]. Computer Engineering, 2012, 38(20): 136-139.

http://www.ecice06.com/CN/Y2012/V38/I20/136

参考文献

[1] 金瑜, 刘红. 基于小波神经网络的模拟电路故障诊断[J]. 仪器仪表学报, 2007, 28(9): 1600-1603.
[2] 祝文姬, 何怡刚. 容差模拟电路软故障诊断的神经网络方法[J]. 电工技术学报, 2009, 24(11): 184-191.
[3] 唐静远, 师奕兵, 张伟. 基于支持向量机集成的模拟电路故障诊断[J]. 仪器仪表学报, 2008, 29(6): 1216-1220.
[4] Sun Yongkui, Chen Guangju, Li Hui. Analog Circuits Fault Diagnosis Using Support Vector Machine[C]//Proc. of International Conference on Communications, Circuits and Systems. Kokura, Japan: [s. n.], 2007.
[5] Han Baoru, Wu Hengyu. Based on Compact Type of Wavelet Neural Network Tolerance Analog Circuit Fault Diagnosis[C]// Proc. of International Conference on Information Engineering and Computer Science. Wuhan, China: [s. n.], 2009.
[6] He Wuming, Wang Peiliang. Analog Circuit Fault Diagnosis Based on RBF Neural Network Optimized by PSO Algorithm[C]//Proc. of International Conference on Intelligent Computation Tech- nology and Automation. Changsha, China: [s. n.], 2010.
[7] Tang Jingyuan, Shi Yibing, Jiang Ding. Analog Circuit Fault Diagnosis with Hybrid PSO-SVM[C]//Proc. of IEEE Circuits and Systems International Conference on Testing and Diagnosis. Chengdu, China: [s. n.], 2009.
[8] Li Mu, He Yigang, Yuan Lifen. Fault Diagnosis of Analog Circuit Based on Wavelet Neural Networks and Chaos Differential Evolution Algorithm[C]//Proc. of International Conference on Electrical and Control Engineering. Wuhan, China: [s. n.], 2010.
[9] Sun Shuli. Optimal and Self-tuning Information Fusion Kalman Multi-step Predictor[J]. Aerospace and Electronic Systems, 2007, 43(2): 418-427.
[10] Shivappa S T, Trivedi M M. Audiovisual Information Fusion in Human-computer Interfaces and Intelligent Environ- ments: A Survey[J]. Proceedings of the IEEE, 2010, 98(10): 1692-1715.
[11] Zhang Yongmian, Ji Qiang. Efficient Sensor Selection for Active Information Fusion[J]. Systems, Man, and Cybernetics, Part B: Cybernetics, 2010, 40(3): 719-728.
[12] 王承, 孙秀斌, 谢永乐. 基于神经网络信息融合技术的模拟电路故障诊断[J]. 电路与系统学报, 2007, 12(5): 25-29.
[13] Deliyannis T, Sun Yichuang, Fidler J K. Continuous-time Active Filter Design[M]. Boca Raton, USA: CRC Press, 1999.

[1]	靳雁霞, 史志儒, 杨晶, 刘亚变, 乔星宇, 张翎. 布料与精细建模物体间的碰撞检测算法研究[J]. 计算机工程, 2023, 49(7): 269-277.
[2]	赵世豪, 毛国君, 熊保平, 黄山, 林江宏. 基于图小波卷积神经网络的时空图挖掘模型[J]. 计算机工程, 2023, 49(7): 85-93.
[3]	曹坪, 杨怀志, 薄一军, 尤嘉, 张淳杰, 李丹勇. 面向低质量裂缝图像的多知识蒸馏分类[J]. 计算机工程, 2023, 49(7): 204-213.
[4]	白明昌. 基于折叠路径聚合的属性网络节点嵌入方法[J]. 计算机工程, 2023, 49(7): 76-84.
[5]	廖涛, 孙皓洁, 张顺香. 基于跨度和特征融合的实体关系联合抽取模型[J]. 计算机工程, 2023, 49(6): 107-114.
[6]	于海洋, 景鹏, 张文涛, 谢赛飞, 滑志华, 宋草原. 基于残差与注意力机制的道路裂缝检测U-Net改进模型[J]. 计算机工程, 2023, 49(6): 265-273.
[7]	代祖华, 刘园园, 狄世龙. 语义增强的图神经网络方面级文本情感分析[J]. 计算机工程, 2023, 49(6): 71-80.
[8]	沈学利, 田桂源, 姜彦吉, 马琳琳. 基于双阶段Conv-Transformer的时频域语音增强算法[J]. 计算机工程, 2023, 49(6): 123-130.
[9]	丁子轩, 俞雷, 张娟, 李想, 王新宇. 基于深度残差自适应注意力网络的图像超分辨率重建[J]. 计算机工程, 2023, 49(5): 231-238.
[10]	区展华, 李翠然, 杨茜. 基于ANN的能量采集无线传感器网络中继选择策略[J]. 计算机工程, 2023, 49(5): 215-222,230.
[11]	衡红军, 苗菁. 语义与句法信息加强的二元标记实体关系联合抽取[J]. 计算机工程, 2023, 49(4): 77-84.
[12]	耿磊, 傅洪亮, 陶华伟, 卢远, 郭歆莹, 赵力. 基于动态卷积递归神经网络的语音情感识别[J]. 计算机工程, 2023, 49(4): 125-130,137.
[13]	陈治旭, 靳雁霞, 芦烨, 杨晶, 刘亚变, 史志儒. 基于子图卷积神经网络的多精度服装建模方法[J]. 计算机工程, 2023, 49(4): 174-181.
[14]	杨晶晶, 谢海燕, 薛妮妮, 张傲明. 基于双通道残差网络的水下图像去噪研究[J]. 计算机工程, 2023, 49(4): 188-198.
[15]	安志国, 彭政, 易满成, 刘健欣, 俞思帆. 神经网络滤波器竞争训练[J]. 计算机工程, 2023, 49(4): 120-124.

选择文件类型/文献管理软件名称

选择包含的内容

基于高阶累积量的模拟电路故障诊断

Analog Circuit Fault Diagnosis Based on High Order Cumulant

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

模态框（Modal）标题

选择文件类型/文献管理软件名称

选择包含的内容

基于高阶累积量的模拟电路故障诊断

Analog Circuit Fault Diagnosis Based on High Order Cumulant

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价