[發(fā)明專利]基于信息熵和小波變換的開關(guān)電流電路故障字典獲取方法

有效

• 申請?zhí)枺?/td>: 201510066562.0
• 申請日: 2015-02-07
• 公開（公告）號: CN104678288B
• 公開（公告）日: 2017-12-08
• 發(fā)明（設(shè)計）人: 龍英;饒瑜;李正大;宋仲華;張鎮(zhèn)
• 申請（專利權(quán)）人: 長沙學院
• 主分類號: G01R31/28
• 分類號: G01R31/28
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于信息熵和小波變換的開關(guān)電流電路故障字典獲取方法，其特征在于，包括以下步驟：

步驟1：產(chǎn)生偽隨機信號作為測試激勵信號；

偽隨機信號為偽隨機脈沖序列；

步驟2：定義故障模式：

對開關(guān)電流電路進行靈敏度分析，得到元件參數(shù)的改變對電網(wǎng)絡(luò)系統(tǒng)特征的一階改變，來定位開關(guān)電流電路中最有可能發(fā)生故障的故障元件；并基于故障元件定位劃分故障模式；故障元件的數(shù)量為N，則故障模式的種類為2*N個；

步驟3：采集開關(guān)電流電路的原始響應(yīng)數(shù)據(jù)：

用偽隨機信號激勵被測的開關(guān)電流電路，用ASIZ軟件對被測開關(guān)電流電路的各種故障模式及正常模式進行仿真，從開關(guān)電流電路的輸出端采集到原始響應(yīng)數(shù)據(jù)；該原始響應(yīng)數(shù)據(jù)為電流數(shù)據(jù)；

步驟4：采用Haar小波正交濾波器對原始響應(yīng)數(shù)據(jù)進行預(yù)處理；

利用Haar小波正交濾波器作為采集序列的預(yù)處理系統(tǒng)，得到原始響應(yīng)數(shù)據(jù)的低頻近似信息和高頻細節(jié)信息；

Haar小波函數(shù)用ψ(t)表示，其定義如下:

ψ(t)=1for0<t<1/2-1for1/2<t<10otherwise;]]>

Haar小波基函數(shù)φ(t)是一組分段常值函數(shù)組成的函數(shù)集，其定義為：

Haar正交小波變換等效為一組鏡像濾波的過程，即信號通過一個分解高通濾波器和分解低通濾波器，高通濾波器輸出原始響應(yīng)數(shù)據(jù)的高頻分量部分，即細節(jié)信息，低通濾波器輸出原始響應(yīng)數(shù)據(jù)的相對較低的頻率分量部分，即近似信息；該濾波分解算法利用降采樣的方法即在輸出的兩點中只取一個數(shù)據(jù)點，產(chǎn)生兩個為原始響應(yīng)數(shù)據(jù)長度一半的序列，記為CA和CD；

步驟5：故障特征參數(shù)提取；

分別針對預(yù)處理后的原始響應(yīng)數(shù)據(jù)計算低頻近似信息和高頻細節(jié)信息的信息熵作為故障特征參數(shù)來識別電路各故障模式，信息熵的計算公式為:

J(x)＝k₁(E{G¹(x)})²+k₂(E{G²(x)}-E{G²(v)})²；式中，k₁與k₂為正常數(shù)，v為標準化的高斯變量；

式中，和k₂＝1/(2-6/π)；x是預(yù)處理后的數(shù)據(jù)，即步驟4所得到的低頻近似信息和高頻細節(jié)信息；

E表示期望值，G¹和G²是信息熵的兩個函數(shù)；

步驟6：計算信息熵模糊集構(gòu)建故障字典；基于故障特征參數(shù)獲得每種故障模式及正常模式的低頻近似信息熵模糊集和高頻細節(jié)信息熵模糊集；

模糊集是晶體管跨導值g_m在容差范圍為5％或10％變化時所得到的信息熵的變化區(qū)間；

低頻近似信息熵模糊集和高頻細節(jié)信息熵模糊集均為一個數(shù)值區(qū)間；正常模式是指電路未發(fā)生故障的模式；并給每一種故障模式和正常模式設(shè)定一個故障代碼；

將故障模式、故障代碼和故障特征參數(shù)以及低頻近似信息熵模糊集和高頻細節(jié)信息熵模糊集作為一組數(shù)據(jù)列成一個表，如果低頻近似信息熵模糊集和高頻細節(jié)信息熵模糊集足以隔離出所有故障，即用現(xiàn)有信息建立用于開關(guān)電流電路故障分類的故障字典；

步驟1中，偽隨機信號為采用8階線性反饋移位寄存器產(chǎn)生的255位偽隨機序列；

步驟2中，采用開關(guān)電流電路專業(yè)仿真軟件ASIZ仿真對電路進行靈敏度分析以定位故障元件；

步驟3中，對各種故障模式和正常模式進行時域分析和30次蒙特卡羅分析，同時在電路的輸出端以250KHZ的采樣頻率對故障響應(yīng)信號進行采樣，得到的采樣信號為原始響應(yīng)數(shù)據(jù)；

步驟5中，選取G1(x)＝xexp(-x2/2)，G2(x)＝|x|，則有J(x)=k1(E{x exp(-x2/2)})2+k2(E{|x|}-2/π)2.]]> 2