中国计量大学,理学院;中国计量大学,光学与电子科技学院;
随着电子技术的快速发展,对电子设备性能的要求不断提升,确保设备中器件的稳定性变得至关重要。其中,电磁兼容性的评估对于准确判断器件状态具有重要意义。然而,传统的电磁兼容故障诊断方法存在诸多局限性,难以满足现代电子设备的需求。在人工智能技术的推动下,基于机器学习的电磁兼容故障诊断方法受到广泛关注。本文面向电磁兼容故障分类,对目前应用于该领域的传统诊断方法以及基于传统机器学习的支持向量机(SVM)、BP神经网络和基于深度学习的卷积神经网络(CNN)等3类机器学习故障诊断方法深入研究和对比分析,探讨了这些方法的优缺点。最后,对机器学习在电磁兼容故障诊断领域的发展进行了总结和展望,认为该领域具有广阔的应用前景和深入研究的价值。
| 229 | 0 | 69 |
| 下载次数 | 被引频次 | 阅读次数 |
[1]刘磊.电子元器件试验与检测方法研究[J].工程管理与技术探讨,2023,5(19):236-238.
[2]吕琛.故障诊断与预测[M].北京:北京航空航天大学出版社,2012.
[3]Lei Y,Yang B,Jiang X,et aI.Applications of Machine Learning to Machine Fault Diagnosis:A Review and Road Map[J].Mechanical Systems and Signal Processing,2020,138:106587.
[4]文成林,吕菲亚.基于深度学习故障诊断方法综述[J].电子与信息学报,2020,42(1):234-248.
[5]梁喆.基于故障树分析车载系统电磁兼容诊断方法研究[D].西安:西安电子科技大学,2013.
[6]郭小凯.车载系统电磁兼容故障诊断方法研究[D].西安:西安电子科技大学,2012.
[7]杨晓伟.基于故障树和现场测试的EMC故障诊断方法[D].西安:西安电子科技大学,2015.
[8]莫植铭.基于故障树的在线电磁兼容故障诊断技术[D].西安,西安电子科技大学,2019.
[9]秦启森.基于故障树的电子设备电磁兼容故障分析[D].西安,西安电子科技大学,2022.
[10]Petrovski S,Bouchet F,Petrovski A.Data-driven Modellingof Electromagnetic Interferences in Motor vehicles Using Intelligent System Approaches[A].IEEE International Symposium on Innovations in Intelligent Systems&Applications[C].2013:1-7.
[11]Wu J,Cui S,Su D.Spectrum Data Feature Analysis Based on Support vector Machine Method[A].2017 Sixth Asiapacific Conference on Antennas and Propagation[C].2017:1-3.
[12]Mohamed k,Abulifa S,Abulifa AArtificial Intelligent Techniques for Identifying the Cause of Disturbances in the Power Grid[J].Research of Artificial Intelligence,2023,3(1):19-31.
[13]Lei J,Mu J,Zeng L,et al.An Intelligent vehicle Oriented EMC Reverse Diagnostic Model Based on SVM[J].2020IEEE Intelligent vehicles Symposium,2020:1544-1549.
[14]Chen L,Chai Y,Zeng L,et al.An Intelligent vehicle Oriented EMC Fault Shooting Method Based on Semi-supervised Learning[A].IEEE International Conference on Net-work Intelligence and Digital Content[C].2021:1-5.
[15]朗晓.车载通信系统电磁兼容测试数据特征分析研究[D].西安电子科技大学,2015.
[16]李高升,林成龙,迟名远,等.基于现场测试数据的电磁兼容模型综合方法[J].微波学报,2016,32(2):77-83.
[17]方烜,杨帆,梁家豪,等.基于改进灰狼算法-BP神经网络的智能巡检机器人电磁兼容故障诊断[J].科学技术与工程,2022,22(1):243-249.
[18]申晨.基于小波变换的电磁兼容测试数据分析处理技[D].西安:西安电子科技大学,2021.
[19]Mitiche I Jenkins M,Boreham P,et al.Deep Residual Neural Network for EMI Event Classification Using Bispectrum Representations[A].26th European Signal Processing Conference[C].2018:186-190.
[20]Mitiche I,Jenkins M,Boreham P,et al.An Expert System for EMI Data Classification Based on Complex Bispectrum Representation and Deep Learning Methods[J].Expert Systems With Applications,2021,171:114568.
[21]Mitiche I,Nesbitt A,Conner S,et al.1D-CNN Based Realtime Fault Detection System for Power Asset Diagnostics[J].IET Gener Trans.Distrib,14(24):5766-5773.
[22]Shen X,Zhou Z.Metric Learning-based Neural Network Model for Electromagnetic Compatibility Fault Diagnosis:An Application Study[A].2023 5th International Conference on Electronic Engineering and lnformatics[C].2023:542-545.
基本信息:
DOI：10.20222/j.cnki.cn61-1124/tm.2025.01.013
中图分类号:TN03;TP181
引用信息:
[1]彭宇,张莉,梁培.基于机器学习的电磁兼容故障诊断综述[J].电力电子技术,2025,59(01):30-36.DOI:10.20222/j.cnki.cn61-1124/tm.2025.01.013.
基金信息:
国家自然科学基金(22174133); 国家市场总局科技计划(2020MK190)~~