[發明專利]一種基于改進的經驗小波變換的模擬電路故障診斷方法

有效

• 申請號: 202110254180.6
• 申請日: 2021-03-09
• 公開（公告）號: CN113111618B
• 公開（公告）日: 2022-10-18
• 發明（設計）人: 劉震;劉雪梅;王俊海;龍兵;楊成林
• 申請（專利權）人: 電子科技大學
• 主分類號: G06F30/367
• 分類號: G06F30/367;G01R31/316;G06F17/14;G06F17/18;G06K9/62
• 代理公司: 成都行之專利代理事務所(普通合伙) 51220
• 代理人: 溫利平

1.一種基于改進的經驗小波變換的模擬電路故障診斷方法，其特征在于，包括以下步驟：

(1)、利用蒙特卡羅統計方法對模擬電路進行仿真分析，獲取在k種故障狀態下模擬電路輸出端的k×n組電壓信號v_ij(t)，i＝1,2,…,k,j＝1,2,…,n，n表示采集電壓信號的組數；

(2)、利用改進的經驗小波變換方法對電壓信號v_ij(t)進行自適應分解，得到電壓信號v_ij(t)的m個模態分量ewt_ijq，q＝0,1,2,…,m-1；

(2.1)、設置Welch法中分段序列的快速傅里葉變換的長度nfft為Max{2^a|2^a＜len,a∈N^*}，其中len表示v_ij(t)的長度，N^*表示正整數集合，Max表示取集合中值最大的元素，然后通過Welch法計算電壓信號v_ij(t)的功率譜密度G_ij(f_b)，f_b表示離散頻率點，b＝0,1,…nfft/2-1；

(2.2)、利用孤立森林算法獲得功率密度譜G_ij(f_b)中異常功率譜密度對應的頻率，并將這些頻率構成集合A_ij；

(2.3)、利用局部最大最小值法提取功率密度譜中的局部最大值集合Max_ij，局部最小值集合Min_ij，通過功率密度譜獲得Max_ij和Min_ij中每個元素所對應的頻率，分別得到Max_ij與Min_ij對應的頻率集合Max_Fr1_ij，Min_Fr_ij；

(2.4)、將Max_Fr1_ij與A_ij做交運算，得到新的頻率集合Max_Fr2_ij，忽略頻率集合Max_Fr2_ij中最后一個元素得到頻率集合Max_Fr3_ij；

(2.5)、計算出分割傅里葉頻譜的邊界集合其中，Min表示取集合中值最小的元素；

(2.6)、根據邊界集合Boundaries_ij構建小波函數和尺度函數

其中，ω_q∈{Boundaries_ij∪{0，π}}，τ_q＝γω_q,0＜γ＜1，β(z)是一個函數且滿足

(2.7)、基于經驗小波函數對v_ij(t)進行模態分解，得到m-1個細節分量，每個細節分量表示為其中

利用尺度函數對v_ij(t)進行模態分解，得到1個近似分量，近似分量表示為：其中符合“—”表示求共軛，符合“∧”表示傅里葉變換，符合“∨”表示傅里葉反變換；

將m-1個細節分量和1個近似分量共同組成m個模態分量ewt_ijq；

(3)、利用排列熵算法計算模擬電路處于第i種故障狀態下電壓信號v_ij(t)的每個模態分量ewt_ijq的排列熵值P_ijq，然后將m個排列熵值作為表征故障狀態i的特征向量P_ij；

(4)、將每種故障狀態下的n組特征向量P_ij用于訓練最小二乘支持向量機模型；

(5)、按照步驟(2)-(3)獲得該模擬電路所處未知故障狀態下的一組特征向量，然后將其輸入至(4)中訓練好的最小二乘支持向量機模型，得到模擬電路所處的故障狀態i；

其中，所述步驟(2.2)中構成集合A_ij的具體方法為：

設置孤立樹的數量為M，并隨機選取N個訓練數據作為子樣本，放入到樹的根節點；利用電壓信號的功率譜密度G_ij(f_b)訓練孤立樹，形成孤立森林；再次輸入電壓信號的功率譜密度G_ij(f_b)，得到每個功率譜密度分別在M棵iTree中對應高度h(G_ij(f_b))的平均值E(h(Gij(fb)))；計算得到每個功率譜密度對應的異常分值score；

H(*)＝ln(*)+e，e為常數；

最后，設置閾值為lim，將異常分值score大于lim的功率譜密度進行篩選，保留異常功率譜密度，得到異常功率譜密度對應頻率所構成的集合A_ij。