【技术实现步骤摘要】
一种基于深度学习的电磁兼容故障源诊断方法
[0001]本专利技术涉及电磁兼容故障源诊断领域，更具体地说，涉及一种基于深度学习的电磁兼容故障源诊断方法
。
技术介绍
[0002]随着当今社会电子设备的快速发展和广泛应用，电磁兼容环境变得复杂，电磁兼容问题变得越来越突出
。
在电子系统中电磁兼容问题关注的是电子产品自身在工作环境下能否正常进行工作运转，与此同时还不会对其所处环境中的其他电子产品造成干扰
。
近十几年来，我国对电磁兼容愈加重视，电子设备的设计和测试理论也在不断的完善，但由于电磁兼容技术的特殊性，还是无法避免出现电磁兼容干扰问题，因此寻找一种快速的进行电磁兼容故障源诊断的方法尤为重要
。
[0003]电磁兼容故障源诊断传统的方法主要是依赖电磁兼容工程师的理论基础和工作经验，对可能的故障源进行逐一排查，整个过程需要花费很长的时间周期才能解决
。
传统的方法并没有将历史数据利用起来，缺乏系统性，并且诊断结果也依赖于工程师，不同的工程师诊断的结果可能不
【技术保护点】
【技术特征摘要】
1.
一种基于深度学习的电磁兼容故障源诊断方法，其特征在于，包括以下步骤：
S1、
获取电磁兼容检测数据，将获取的检测数据利用小波阈值去噪方法进行预处理；
S2、
采用小波包方法对样本数据进行4层分解，并计算分解系数的相对能量值，得到多维的相对能量矩阵；
S3、
搭建
CNN
模型，将基于
S3
得到的相对能量矩阵作为模型的输入，使用
A
‑
ThiNet
方法对模型进行优化，迭代训练，得到训练完成后的轻量化
CNN
模型，实现不同故障的分类映射；
S4、
对未识别数据进行
S1
和
S3
处理获得相对能量矩阵，再使用
S3
中训练完成的轻量化
CNN
模型进行电磁兼容故障源诊断，从而得到对应的故障源分类
。2.
根据权利要求1所述的深度学习的电磁兼容故障源诊断方法，其特征在于，步骤
S1
中，对所述数据处理方法具体为：
S101、
获取到的电磁兼容检测数据为信号
X
a
；
S102、
利用小波阈值去噪的方法，将信号
X
a
分解得到对应的小波系数
ω
j,k
；
S103、
选用软硬折中的阈值函数进行小波分解的阈值消噪处理得到小波系数
S104、
重构去噪后得到小波系数得到去噪后的信号
X
a
'。3.
根据权利要求1所述的深度学习的电磁兼容故障源诊断方法，其特征在于，步骤
S2
中，对所述相对能量矩阵具体为：
S201、
确定小波包函数，选用
Daubechies
小波函数进行小波分解，具体的，设表示标准正交尺度函数，
ψ
(t)
表示相应的小波函数，小波包双尺度表达式为：其中
h
表示低通滤波系数，
g
表示高通滤波系数，
k
为滤波器系数的第<...
【专利技术属性】
技术研发人员：彭宇，张莉，张巍，梁培，周盛华，郑璐晔，
申请(专利权)人：中国计量大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。