深度学习在故障诊断中应用广泛，但目前基于深度学习的模拟电路故障诊断模型复杂度较高，难以在边缘设备上部署。针对该问题，为了进一步提高故障诊断精度，提出了一种简单且轻量化的Patches-CNN模拟电路故障诊断深度学习模型。首先，将输入的图像分割成patches，并通过Patches Embedding算子转换为词向量(tokens)，作为ViT风格的同质结构的输入，利用轻量化算子GSConv进行特征提取和获取token之间的信息，可以有效地提高模型的故障诊断精度。其次，添加层归一化可以防止模型梯度爆炸和加快模型收敛，为了提升模型的非线性,采用GELU激活函数。最后，将Sallen-Key带通滤波电路和Four-Opamp双二阶高通滤波电路作为实验对象。实验结果表明,该模型可以实现故障的准确分类与定位。
Deep learning is widely used in fault diagnosis, but currently, deep learning-based fault diagnosis models for analog circuits are relatively complex and difficult to deploy on edge devices. To address this issue and further improve fault diagnosis accuracy, a simple and lightweight deep learning model for analog circuit fault diagnosis, named Patches-CNN, is proposed. Firstly, the input image is divided into patches and transformed into word vectors (tokens) through a Patch Embedding operator, serving as the input for a ViT-style homogeneous structure. Feature extraction and information acquisition among tokens are carried out using the lightweight operator GSConv, which can effectively enhance the fault diagnosis accuracy of the model. Secondly, layer normalization is added to prevent gradient explosion and accelerate model convergence. To increase the nonlinearity of the model, the GELU activation function is employed. Finally, the Sallen-Key band-pass filter circuit and the Four-Opamp biquad high-pass filter circuit are used as experimental subjects. Experimental results demonstrate that this model can achieve accurate fault classification and location.
| [1] | 徐超, 阮荣耀, 陈勇, . 一种基于区块链的医疗数据审计方法[J]. 计算机工程与科学, 2025, 47(01): 95-106. |
| [2] | 陈欣然, 刘宁, 闫中敏, 刘磊, 崔立真. 基于注意力指导的双粒度跨模态医学特征学习框架[J]. 计算机工程与科学, 2025, 47(01): 150-159. |
| [3] | 罗婧, 叶志晟, 杨泽华, 傅天豪, 魏雄, 汪小林, 罗英伟, . 研发类GPU集群任务数据集的构建及分析[J]. 计算机工程与科学, 2024, 46(12): 2128-2137. |
| [4] | 敬超, 闭玉申. 面向深度学习作业的干扰感知在线调度算法研究[J]. 计算机工程与科学, 2024, 46(12): 2138-2148. |
| [5] | 陈磊, 梁正友, 孙宇, 蔡俊民. 多尺度特征融合的移动端单目深度估计研究[J]. 计算机工程与科学, 2024, 46(09): 1616-1524. |
| [6] | 刘强, 李沐春, 伍晓洁, 王煜恒. S-JSMA：一种低扰动冗余的快速JSMA对抗样本生成方法[J]. 计算机工程与科学, 2024, 46(08): 1395-1402. |
| [7] | 丁建平, 李卫军, 刘雪洋, 陈旭. 命名实体识别研究综述[J]. 计算机工程与科学, 2024, 46(07): 1296-1310. |
| [8] | 胡昭华, 王长富, . 改进Faster R-CNN的遥感图像小目标检测算法[J]. 计算机工程与科学, 2024, 46(06): 1063-1071. |
| [9] | 谭郁松, 王伟, 蹇松雷, 易超雄. 基于异常保持的弱监督学习网络入侵检测模型[J]. 计算机工程与科学, 2024, 46(05): 801-809. |
| [10] | 高珊, 李世杰, 蔡志平. 基于深度学习的中文文本分类综述[J]. 计算机工程与科学, 2024, 46(04): 684-692. |
| [11] | 罗月童, 李超, 周波, 张延孔. 面向工业缺陷分类的交互式易混淆缺陷分离方法研究[J]. 计算机工程与科学, 2024, 46(03): 463-470. |
| [12] | 吕伏, 韩晓天, 冯永安, 项梁. 基于自适应纹理特征融合的纹理图像分类方法[J]. 计算机工程与科学, 2024, 46(03): 488-498. |
| [13] | 吉旭瑞, 魏德健, 张俊忠, 张帅, 曹慧. 中文电子病历信息提取方法研究综述[J]. 计算机工程与科学, 2024, 46(02): 325-337. |
| [14] | 黄泽彪, 董德尊, 齐星云. Gloo+：利用在网计算技术加速分布式深度学习训练[J]. 计算机工程与科学, 2024, 46(01): 28-36. |
| [15] | 邱晓梦, 王琳, 谷文俊, 宋伟, 田浩来, 胡誉. 光流法修正的时序图像语义分割模型[J]. 计算机工程与科学, 2024, 46(01): 102-110. |
