多目标优化的多存储器内建自测试

片上系统中含有大量的存储器,常使用共享内建自测试电路的方法测试。内建自测试电路的插入过程受到片上系统的面积开销、测试功耗与测试时间的约束。针对这个问题,将多存储器内建自测试建模为多目标优化问题,并提出一种多目标聚类遗传退火算法。该算法在遗传算法的基础上,通过存储器聚类获得存储器兼容组,采用启发式方法获得高质量初始解,提出一种多约束条件下不同权重的目标函数,对较优个体采用模拟退火算法规避局部最优解风险。实验结果表明,该算法比遗传算法性能更优,获得存储器组解进行测试,比现有方法测试功耗降低11.3%,或测试时间降低48.7%,节省了片上测试资源与测试时间。     

基于SoC规范的存储器内建自测试设计与对比分析

集成电路深亚微米工艺技术和设计技术的迅速发展使得SoC存储器的测试问题日益成为制约其技术发展的“瓶颈”。为解决SoC中存储器走线和多IP核测试等问题,本文从嵌入式核测试标准IEEE P1500出发,采用了基于该规范的专用硬件方式内建自测试的设计及实现方法,并通过与传统的存储器内建自测试结构进行比较和分析,证明了基于该规范的内建自测试方案可以在满足功耗约束下减少走线,实现多IP核测试。     

基于微程序设计的内建自测试技术研究

介绍了一种基于微程序构建的控制系统内建自测试体系,设计中运用了3种不同类型的微指令,将性线移位寄存器作为响应分析器,用于电路响应信号压缩;对自测试体系在测试诊断过程中各微程序执行的工作流程和诊断原理进行详细分析.基于微程序设计的控制系统诊断体系具有较高的故障诊断和检测效果,可精确定位系统中板级电路故障.     

一种针对3D芯片的BIST设计方法

提出了一种基于分层结构的内建自测试(BIST)设计方法—3DC-BIST(3D Circuit-BIST)。根据3D芯片的绑定前测试和绑定后测试阶段,针对3D芯片除底层外的各层电路结构,采用传统方法,设计用于绑定前测试的相应BIST结构;针对3D芯片底层电路结构与整体结构,通过向量调整技术,设计既能用于底层电路绑定前测试又能用于整体3D芯片绑定后测试的BIST结构。给出了一种针对3D芯片的BIST设计方法,与传统方法相比减少了面积开销。实验结果表明该结构在实现与传统3D BIST方法同样故障覆盖率的条件下,3D平面面积开销相比传统设计方法减少了6.41%。     

生产过程早期故障检测与诊断的一种新方法

在分析了生产过程两类故障的特点和常规故障诊断方法的缺陷基础上,提出了生产过程早期故障检测与诊断方法,利用故障发生过程系统中相关变量或征兆信息之间的解析冗余关系,将它们的动态趋势信息通过人工神经网络进行融合,将它们的动态趋势信息通过人工神经网络进行融合,避免了常规方法故障检测与诊断的滞后性。     

基于神经网络的电气自动化设备故障智能检测方法

电气自动化设备故障智能诊断是确保电气自动化设备能够稳定运行的基础,但传统故障诊断技术存在故障诊断精度低的问题,因此开展了基于神经网络的电气自动化设备故障智能诊断的研究.通过构建电气自动化设备故障智能诊断模型,对参数进行统一化处理;利用神经网络自适应的模式识别技术,基于神经网络提取离散型故障信号;将适应值精确到函数中具体的某个点坐标上,以输入节点作为故障征兆,输出节点作为故障原因,实现电气自动化设备故障智能诊断定位.试验结果表明,设计的故障诊断技术能够诊断出数量更多的电气自动化设备故障,故障诊断精度更高,可以实现对电气自动化设备故障智能的精准诊断.     

基于输入电流和输出电压的Vienna整流器单管开路故障诊断方法

单管开路故障是Vienna整流器的常见故障形式,为提高单管开路故障诊断的准确性和可靠性,基于输入电流和输出电压提出了一种故障诊断方法。首先,分析单管开路故障时的故障机理,选取故障时输入电流和输出电压作为故障特征量;然后,通过检测输入电流的零值稳区和分析输出电容电压差的谐波变化,设计故障诊断方法;最后,通过仿真和实验验证了所提方法的有效性。所提出的方法结合电流、电压故障特性,在快速诊断的同时大幅提高了诊断结果的准确性和可靠性,在负载突变的情况下仍能正确工作,并且不需要添加额外的硬件设备,方便嵌入已有的控制系统中,能够实现单管开路故障的快速在线诊断。     

基于CSBP的滚动轴承故障智能诊断方法

针对滚动轴承故障诊断问题,结合重采样方法和CSBP神经网络进行滚动轴承的故障诊断研究。首先利用输入轴转速对轴承的振动加速度信号进行重采样,选择振动加速度信号的均方根值、峭度与样本熵作为CSBP神经网络训练输入参量,应用标签数据进行训练得到优化训练模型。然后对正常状态、轴承内圈故障滚动体故障实验数据进行了计算,并对结果进行了集中趋势分析和转速影响分析。结果表明,检测数据分析结果显示利用该方法判断轴承故障类型和故障程度可达到94%,可提高滚动轴承故障诊断中在不同转速条件下的适用性和智能性;同时利用集中趋势分析可实现对模型诊断结果进行评价,进而提高模型的可靠性。研究可以为高速列车及其他设备使用的滚动轴承诊断提供分析方法和技术参考。     

基于线电压误差标准化的三电平APF开路故障诊断方法

为提高有源电力滤波器APF（active power filter）系统运行可靠性,针对三相三电平并联型APF功率开关管发生的开路故障,提出基于线电压误差标准化的故障诊断方法。该方法根据APF系统在正常状态和故障状态下输出线电压存在误差,通过分析误差与当前系统控制状态信号、输出电流之间的逻辑关系进行故障诊断与定位。为了简化算法,对线电压误差相对于直流侧进行标准化处理;设定阈值与诊断变量进行比较,消除测量误差;同时采用时间标准提高故障诊断的可靠性。该方法可以实现故障诊断与定位同时完成,且所用时间限定在采样周期量级,具有很好的快速性和可靠性,同时适用于系统的动态响应过程。仿真结果分析验证了该方法的有效性。     

强噪声背景下的多精度传感器故障诊断

针对背景噪声变化很大、多精度冗余传感器故障难以诊断的问题,提出了基于二次卡尔曼滤波的故障诊断方法。该方法首先通过小波噪声估计预测观测值噪声强度,接着对传感器数据进行卡尔曼滤波预处理,降低观测值的不确定性,并将故障信息最大化,然后利用冗余特性,轮流使用一个传感器测量值作为输入,另一个作为输出建立循环卡尔曼滤波方程组,通过决策函数对所得到的新息进行故障诊断。实验分析了故障检测率与噪声强度的关系,结果表明,该方法能提高故障诊断的准确性,具有较好的鲁棒性。     

基于字词融合的高铁道岔多级故障诊断组合模型

为有效提升高速铁路道岔维护效率和故障定位准确率,面向其故障文本数据,提出了一种基于字词融合的高速铁路道 岔多级故障诊断组合模型。 首先,建立高速铁路道岔专业词库,将文本表示为字向量与词向量并进行深度融合。 其次,考虑到 故障文本存在类别不均衡问题,采用 Borderline-SMOTE 算法对不均衡文本数据进行处理,优化故障文本数据分布。 接着使用 BiLSTM(Bi-directional long short-term memory)-CNN(convolutional neural network)的组合神经网络提取故障文本深度特征,最后 通过分类器实现智能故障诊断。 采用我国高速铁路道岔故障文本数据进行模型性能验证,结果显示所提模型的一级故障诊断 准确率达到 95. 62%,二级故障诊断准确率达到 93. 81%,证明多级故障诊断精度可达到理想效果。     

架空输电线路跳闸故障智能诊断

输电线路故障诊断是保证供电可靠性的关键技术,但国内还没有直接的监测技术能实现输电线路故障原因辨识。为此,介绍了架空输电线路跳闸故障智能诊断系统及其在广东电网中的应用。诊断系统的功能主要包括输电线路故障性质识别及故障精确定位,其中故障性质识别包括雷击和非雷击故障识别,雷击故障识别包括绕击和反击识别;故障精确定位是基于分布式行波监测技术的定位方法,该方法利用在线测量行波电流传播的等效波速来减小弧垂、波前畸变等因素引起的误差。在理论研究的基础上,开发了输电线路故障智能诊断系统,在广东电网17回输电线路挂网运行,通过与变电站故障录波装置、电网雷电定位系统的诊断功能对比,分析了该系统在故障原因识别和定位方面的优越性。实际运行结果表明,输电故障智能诊断系统在故障区间定位、精确定位、指导故障点查找、故障定性和防雷分析方面发挥了重要作用。     

基于大数据挖掘技术的智能变电站故障追踪架构

文中提出了一种基于大数据平台的电网故障追踪方法,将故障诊断数据源延展至变电站层,利用Spark作为大数据处理工具对各类故障信息进行处理,有效地解决了海量监控数据的管理问题。通过数据挖掘技术对故障信息进行分析,找到故障元件的同时能够运用决策树对保护或断路器的不正确动作进行反向追踪,给出故障原因,使电网故障诊断的功能得到进一步优化。相比于目前依靠事故级报警信息的电网故障诊断,所提出的方法能够有效利用变电站层的各级监控数据,对故障做到追本溯源。     

极端条件下基于改进深度森林的行星齿轮箱故障诊断方法

齿轮箱是风电机组重要且易出现故障的设备,早期故障威胁系统运行安全。在极端条件中高效、准确的齿轮箱故障诊断对风电机组的安全稳定运行至关重要,因此提出了基于改进深度森林的行星齿轮箱故障诊断方法。为了实现不平衡小样本与强噪声的极端条件下行星齿轮箱故障的高效诊断,首先针对旋转机械振动数据样本较少与不平衡的情况,在Wasserstein生成对抗网络中引入梯度惩罚,生成样本补充原始数据集。然后利用多粒度扫描处理振动信号数据点之间的联系,增强数据中的故障特征。最后在级联森林内部引入新的基学习器并运用量子粒子群算法优化参数,获得具有高诊断精度的模型结构进行故障分类,输出诊断结果。经与其他智能诊断方法在多场景下进行的对比实验,证实了所提方法在极端条件下的分类效果较好,能有效提高齿轮箱故障诊断的准确性。     

消解多直流馈入问题的两种新技术

描述了可消解多直流馈入问题的电网动态分区技术和柔性直流输电技术.基于对物理机理的分析,将多直流馈入问题分为两个方面,即由交流系统故障引起的多回直流线路同时换相失败问题和由直流线路双极故障导致的潮流大范围转移问题.针对电网动态分区技术的实现途径,提出了采用大阻抗故障限流器实现电网动态分区的技术方法,并演示了电网动态分区技术解决多回直流线路同时换相失败问题的有效性.阐述了采用柔性直流输电技术消解多直流馈入两方面问题的有效性,并对柔性直流输电技术向大容量和架空线路方向发展所遇到的接地方式、串并联组合式换流器技术和直流侧故障自清除问题进行了探讨.     

基于长短期记忆网络的永磁同步风机变换器开路故障诊断研究

永磁同步风机通过全功率背靠背变换器与电网连接,实现风能与电能的转换。风机的运行环境恶劣,变换器的电力电子开关器件容易发生开路故障,影响风力发电系统的正常运行。针对永磁同步风机网侧变换器和机侧变换器常见的开关管开路故障,提出一种基于长短期记忆网络的故障诊断算法。分析变换器开关管故障下的永磁同步风机输出变化,基于风机变换器开路故障样本数据,构造具有多隐藏层的网络结构挖掘信号中的隐藏信息,充分利用长短期记忆网络优异的模式识别能力,深度提取不同工作条件和故障状态下的网侧电流和发电机电流的信号特征,提高故障诊断性能。仿真结果表明,提出的故障诊断方法能够快速、准确地识别出永磁同步风机的变换器开路故障。     

基于 RA-LSTM 的轴承故障诊断方法

为解决轴承故障诊断时网络模型不能对一维振动信号中的特征按照重要程度分配不同的权重,导致无法提取具有代表 性意义的特征,进而影响诊断模型的精确度与鲁棒性的问题。 提出基于反向注意力机制( reverse attention mechanism,RA)的特 征突出处理方法,通过将特征进行注意力反向与剪枝,降低非重要特征占比,从而对重要特征进行凸显。 并通过长短期记忆网 络(LSTM)进一步学习特征之间的时间信息后通过全连接层进行故障类型分类。 通过实验选取了最优数据截取长度、剪枝超参 数并对信号添加噪声后模型的稳定性进行了验证。 实验结果表明所提出的 RA-LSTM 轴承故障诊断方法具有优异的故障诊断 性能,故障诊断精度能达到 100%,且在添加噪声后模型的诊断能力仍具有优异的鲁棒性。     

基于相模变换的互相关故障定位方法

对容易受故障影响的配电网,若直接使用三相电流量进行定位,互相关算法定位故障效果不明显。为解决该问题,采用Clarke变换对多个监测点的三相故障电流进行解耦,得到的三个电流模量更能反映各种故障的特征。为了避免单一模量不能反映所有故障特征,结合三个电流模量通过最大值对其进行筛选,选用合适的模量进行互相关算法分析,得到的相关系数反映两个监测点信号波形的相似度,相关系数与配电网各监测点位置结合分析可有效地定位普通故障与雷击故障,提高配电网运行的稳定性。使用 PSCAD/EMTDC 软件进行仿真,经过大量的仿真数据验证,以上方法可以准确有效地定位故障。