基于深度学习的模拟电路故障诊断算法

doi:10.3778/j.issn.1002-8331.1708-0334

计算机工程与应用 ›› 2018, Vol. 54 ›› Issue (24): 143-148.DOI: 10.3778/j.issn.1002-8331.1708-0334

基于深度学习的模拟电路故障诊断算法

易灵芝1，肖伟红1，于文新2，王根平3

1.湘潭大学信息工程学院湖南省“风电装备与电能变换”2011协同创新中心，湖南湘潭 411105
2.湖南科技大学信息与电气工程学院，湖南湘潭 411201
3.深圳职业技术学院，广东深圳 518000

出版日期:2018-12-15 发布日期:2018-12-14

Fault diagnosis algorithm for analog circuits based on deep learning

YI Lingzhi1, XIAO Weihong1, YU Wenxin2, WANG Genping3

1.Hunan Province Cooperative Innovation Center for Wind Power Equipment and Energy Conversion, College of Information Engineering, Xiangtan University, Xiangtan, Hunan 411105, China
2.College of Information and Electrical Engineering, Hunan University of Science and Technology, Xiangtan, Hunan 411201, China
3.Shenzhen Polytechnic, Shenzhen, Guangdong 518000, China

Online:2018-12-15 Published:2018-12-14

摘要/Abstract

摘要： 针对模拟电路易发生故障且不易诊断的问题，提出了一种基于深度学习的模拟电路故障诊断算法。该算法首先将采样的原始数据制作成语音形式，然后通过时频域变化转化为语谱图，最后再将其送入VGG16模型中进行训练与测试。实验结果表明，该算法用于模拟电路故障诊断时能够识别的故障种类达到9种，同时准确度达到了100%，具有很强的电路故障诊断能力。

关键词: 故障诊断, 深度学习, 语谱图, VGG16模型

Abstract: In order to solve the problem that the analog circuit is prone to failure and difficult to diagnose, the fault diagnosis algorithm for analog circuits based on deep learning is proposed. In the algorithm, the sampled raw data is converted into a phonetic form, and then it is transformed into speech spectrum by time-frequency domain change, finally it is sent into VGG16 model for training and testing. The experimental results show that the algorithm can identify nine kinds of fault types with 100% accuracy, which is proven to have a strong capability in fault diagnosis.

Key words: fault diagnosis, deep learning, speech spectrum, VGG16 model

易灵芝1，肖伟红1，于文新2，王根平3. 基于深度学习的模拟电路故障诊断算法[J]. 计算机工程与应用, 2018, 54(24): 143-148.

YI Lingzhi1, XIAO Weihong1, YU Wenxin2, WANG Genping3. Fault diagnosis algorithm for analog circuits based on deep learning[J]. Computer Engineering and Applications, 2018, 54(24): 143-148.

[1]	武文杰，宋文爱，高雪梅，杨吉江，王青，黄丽萍，雷毅. 基于X线的成人OSA计算机辅助诊断综述[J]. 计算机工程与应用, 2021, 57(9): 1-8.
[2]	冉蓉，徐兴华，邱少华，崔小鹏，欧阳斌. 基于深度卷积神经网络的裂纹检测方法综述[J]. 计算机工程与应用, 2021, 57(9): 23-35.
[3]	李晓筱，胡晓光，王梓强，杜卓群. 基于深度学习的实例分割研究进展[J]. 计算机工程与应用, 2021, 57(9): 60-67.
[4]	黄冬宜，杨兵，吴子豪，匡佳一，颜泽明. 用于全市蜂窝流量预测的时空全连接卷积网络[J]. 计算机工程与应用, 2021, 57(9): 168-175.
[5]	周伦钢，孙怡峰，王坤，吴疆，黄维贵，李炳龙. 目标多种多值属性的端端快速识别网络[J]. 计算机工程与应用, 2021, 57(9): 182-190.
[6]	张成，戴俊峰，熊闻心. 融合LeNet-5改进的扫描文档手写日期识别[J]. 计算机工程与应用, 2021, 57(9): 207-211.
[7]	李明山，韩清鹏，张天宇，王道累. 改进SSD的安全帽检测方法[J]. 计算机工程与应用, 2021, 57(8): 192-197.
[8]	曾春艳，严康，王志锋，余琰，纪纯妹. 深度学习模型可解释性研究综述[J]. 计算机工程与应用, 2021, 57(8): 1-9.
[9]	许德刚，王露，李凡. 深度学习的典型目标检测算法研究综述[J]. 计算机工程与应用, 2021, 57(8): 10-25.
[10]	蒋斌，钟瑞，张秋闻，张焕龙. 采用深度学习方法的非正面表情识别综述[J]. 计算机工程与应用, 2021, 57(8): 48-61.
[11]	赵圆丽，梁志剑. 基于异核卷积双注意机制的立场检测研究[J]. 计算机工程与应用, 2021, 57(8): 119-125.
[12]	李健，孙大松，张备伟. 结合双编码器与对抗训练的图像修复[J]. 计算机工程与应用, 2021, 57(7): 192-197.
[13]	杨波，陶青川，董沛君. 改进Deeplab v3+网络的手术器械分割方法[J]. 计算机工程与应用, 2021, 57(7): 222-227.
[14]	林荣来，汤冰影，陈明. 适用于轴承故障诊断的数据增强算法[J]. 计算机工程与应用, 2021, 57(7): 269-278.
[15]	刘迪，贾金露，赵玉卿，钱育蓉. 基于深度学习的图像去噪方法研究综述[J]. 计算机工程与应用, 2021, 57(7): 1-13.

基于深度学习的模拟电路故障诊断算法

Fault diagnosis algorithm for analog circuits based on deep learning

PDF

可视化

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