基于经验小波变换的耦合电路故障识别方法_杜锐.pdf

92基于经验小波变换的耦合电路故障识别方法基于经验小波变换的耦合电路故障识别方法（雅安职业技术学院，四川 雅安 625000）杜 锐 摘 要 由于传统的耦合电路故障识别方法准确率较低，易导致电路瘫痪，本文提出基于经验小波变换的耦合电路识别方法。通过非接触测试方式采集耦合电路故障信号；采用小波包分析法对采集的故障信号进行去噪处理；基于经验小波变换有效提取故障特征；利用 PSPICE 的灵敏度分析法获取故障特征的权重；根据故障特征的权重采用 SVM 故障分类器进行耦合电路的故障分类，实现耦合电路故障识别。选取某经典耦合电路进行仿真实验，实验结果表明：单故障识别准确率高达 98.5%、双故障识别准确率高达 97.9%，说明本文所提方法具有较高故障识别准确率。关键词 经验小波变换；耦合电路；电路故障；故障识别 中图分类号 TP391 文献标识码 A 文章编号 1006-7523（2023）02-0092-05DOI:10.16640/ki.37-1222/t.2023.02.015 收稿日期 2022-08-16 作者简介 杜锐（1982），男，雅安职业技术学院，讲师。引 言随着电子系统的迅猛发展，电子元件已遍布我国众多领域。为满足人们使用需求，其结构逐渐复杂化，导致电子元件内的耦合电路易出现故障。一旦元件内的耦合电路发生故障问题，会造成整个集成电路出现瘫痪状况，进而会造成难以估计的财产损失。为保障电子元件的可靠运行，需要及时对耦合电路的故障进行准确识别。所以，电路故障诊断一直是我国众多学者研究的热点问题，文献 1 谈恩民等人将 H-DELM 模型应用于电路故障诊断中，实现了准确率高达 100%的故障分类；文献 2 邓勇等人在电路故障诊断中结合了 EMD 与 SPS 技术，有效完成了故障元件的定位以及分离。本文借鉴上述资料，深入研究了耦合电路故障识别的方法，有助于提高耦合电路的故障诊断效果。一、采集耦合电路故障信号本文在采集耦合电路故障信号3时，引入非接触测试方式，该方式可以不与耦合电路直接接触，实时采集故障信号，具有高效且安全的特点，特别适用于耦合电路的故障识别。将非接触测试的等效电路正对耦合电路，然后输出电压信号，并且该电压信号可以间接体现耦合电路中的电流变化情况，其等效电路如下图所示：UcUrLrLcRrRcRhCb图 1 非接触式等效电路图根据图 1 可知，等效电路输出的电压信号可用下述微分方程来表示：22cccrccbhL dUd UdIUL CGRdtdtdt=+（1）93山东工业技术 2023 年 第 2 期(总第 310 期）式中，cL表示非接触式等效电路中的等效电感参数；hR表示非接触式等效电路中的耦合电阻参数；bC表示非接触式等效电路中的分布电容参数；G表示两个电感之间的互感参数，此参数由两个电感之间的距离以及摆放方式决定；rI表示流经电感rL的电流参数。在实际的耦合电路故障信号采集中，耦合电阻设置为一个固定数值，让等效电路处于欠阻尼状态，以此避免因分布电容而出现震荡的情况，那么此时式（1）可以简化成：ccrchL dUdIUGRdtdt=+（2）由于通过非接触式等效电路所采集的耦合电路故障信号为毫伏级别的信号，没有达到故障信号识别的需求，所以需要对信号进行放大处理。因为耦合电路故障信号的频带较宽，并且在信号的高频段中存在高次谐波，所以在对信号进行放大处理时需具有较好的频率特性。本文利用互阻放大电路结合微分电路，将非接触式等效电路采集的耦合故障信号进行放大处理，然后再对信号进行微分运算来恢复电压信号，最后将恢复的电压信号传输至信号采集模块。二、预处理故障信号在实际的耦合电路故障信号采集中，其故障信号中存在大量噪声干扰，所以在提取耦合电路故障信号特征时，需要将故障信号进行预处理4，将信号中噪声成分去除，避免故障信号中的噪声影响特征提取的准确性。这里本文引入小波包分析法，对采集的耦合电路故障电压信号进行消噪。含有高斯白噪声的故障电压信号函数关系式如下所示：zcUUB=+（3）式中，zU表示含有高斯白噪声的故障电压信号参数；表示高斯白噪声的强度参数；B表示高斯白噪声参数，且均值是 0，方差是 1。那么通过小波包分析对故障信号进行去噪预处理的具体步骤如下，首先利用小波包对存在高斯白噪声的耦合电路故障信号进行变换，获取多频带的各小波系数；然后设置一个合理的阈值，将各小波系数进行阈值量化处理，获取到阈值收缩后的小波系数，并将小于设置阈值的数据去除；最后利用小波包分解法，将阈值收缩的各小波分解系数进行信号重构，得到消噪的耦合电路故障信号。通过以上步骤可知，在去噪预处理故障信号时，关键就是设置的阈值数据。关于阈值的量化处理，根据不同的量化方式可以将阈值量化处理划分为不同类型，其中硬阈值量化和滤波器去噪原理相似，通过抑制高斯白噪声中高频带的信号，来去除故障信号中的高频信号，但由于故障信号的高频信号中存在海量数据，会导致去噪效果不够精准。所以本文利用小波包分析法，采取软阈值量化，将故障信号的多频带均设置对应的阈值，以此对信号进行消噪，可以将故障信号中的特征成分保留下来，故障信号的去噪预处理效果更加精准。三、基于经验小波变换提取故障特征经验小波变换5就是利用多分辨率，实现精细的信号分析。经验小波变换可以多层次地分解故障信号频带，这样可以保留故障信号的时域特性，并且可以对信号中的高频成分进一步划分。传统的小波变换只可以对故障信号的低频成分进行划分，而高频部分不再继续细分，所以并不适合对耦合电路中成分复杂的故障信号进行特征提取。而本文引入的经验小波变换，可以弥补传统小波变换的不足，对故障信号的高频组分精细划分，实现耦合电路故障信号的无疏漏分解，在保障故障信号低频以及高频组分的时频特性的同时，有效提取故障特征。那么经验小波变换的函数表达式为：()()2,22mkkmm nXzXzn=（4）式中，()0,1,2,kN NR=表示小波变换的振荡参数值；z表示故障信号特征参数；m表示尺度参数值；n表示平移参数值。如果式中0k=以及0mn=，经验小波变换函数则属于正交尺度函数与正交小波函数，满足以下关系：()()()()()()00102222n Zn ZXzi n XznXzj n Xzn=|=|（5）94基于经验小波变换的耦合电路故障识别方法式中，()i n表示耦合电路故障信号的低通滤波函数；()j n表示耦合电路故障信号的高通滤波函数。根据此式，获取经验小波变换和重构故障信号的函数关系式如下所示：()()()()2121122kkmmnkkmmnfi nz fnfj nz fn+=|=|（6）式中，()kmfn代表利用经验小波变换提取耦合电路故障信号特征，信号节点(),k m处系数为n。那么利用经验小波变换分解耦合电路故障信号频带的示意图如下所示：图 2 耦合电路故障信号频带分解示意图通过此图所展示的分解过程对耦合电路的故障信号特征进行提取，获取故障特征向量为：112,ttttZZZZZZZ=|（7）其中：()21;1,2,2LkmtmnZfnt=（8）式中，tZ表示故障信号频带t的特征向量数据；L表示故障信号频带t的长度数据。利用经验小波变换将耦合电路故障信号进行分解，将分解所得的各频带特征量进行训练，最后获取归一化的故障信号特征量，就是本文所提的耦合电路故障识别方法所需要的故障特征。四、获取故障特征权重由于耦合电路中不同类型的故障特征敏感度均不相同，本文将对敏感度不同的故障特征赋予不同的权重，这样可以提升故障分类的准确率。为了获取故障特征权重，这里本文引入 PSPICE的灵敏度分析法，通过计算故障特征的灵敏度来获取权重。首先将采集的未知状态故障特征与正常状态的耦合电路特征向量之间的偏离度当作敏感度，然后在此数据的基础上利用加权平均法来获取故障特征权重，敏感度的计算公式如下所示：zzZZMZ=（9）故障特征权重的计算公式如下所示：12NMMMM=+（10）式中，zZ表示耦合电路正常状态下的特征向量数据；N表示耦合电路中故障特征向量的总数。通过以上公式获取耦合电路的故障特征权重值，根据权重对故障进行分类，可以实现早期耦合电路故障的识别，并且具有更高的准确率。五、基于 S V M的耦合电路故障分类本文所提耦合电路故障识别方法的最后一步，就是根据故障特征的权重对故障进行分类，以此实现故障的有效识别。本文采取 SVM 故障分类器实现耦合电路故障分类，SVM 是根据线性可分进行的。利用 SVM 建立故障特征的最优分类超平面，表达式如下所示：()()()()1min2.1st yxp =|+（11）式中，()表示根据权重对故障特征进行分类的目标函数；(),x y表示故障特征样本集合。由于实际的耦合电路故障识别中，不符合线性可分情况，所以需要在目标函数中添加松弛变量S，那么此时目标函数为：()()1,2SFS =+（12）式中，F表示惩罚参数，该数据一般根据实际耦合电路情况而定，F值越大，对故障信号错误分类的约束度越高。根据此函数获取最优分类决策公式为：()()1,1sgnnmnf Zyp=+（13）由式可知，SVM 分类器属于二值分类，所以在对耦合电路中的故障进行分类时，需要建立多分类器，将多个二值分类器结合起来实现耦合电路的故障分类。在利用 SVM 对故障分类时，首95山东工业技术 2023 年 第 2 期(总第 310 期）先建立一个二值分类器，然后将故障样本集合输入至分类器中，对故障分类结果进行投票，获得票数最高的分类结果就是最优故障分类结果。综上所述，基于 SVM 的耦合电路故障分类中，未获取最佳分类准确率，需要合理调整惩罚参数F，可以利用遗传算法来优化惩罚参数，在全局搜索到最优的惩罚参数后，对耦合电路故障样本集合进行分类，输出最优解。六、仿真实验及分析1.实验设置为了验证本文所提耦合电路故障识别方法的可行性，选择一个经典的耦合电路来进行仿真实验，具体电路图如下所示：C1C2R1R2R3R4U2U1图 3 实验耦合电路图本次实验考虑到单故障及双故障等多种故障形式，将 4 个电阻的容差设置在 4%左右，两个电容的容差在 8%左右。当该耦合电路中各个元器件的容差变化在此范围中，那么耦合电路处于正常状态；当某个元器件的容差变化超出此范围时，那么耦合电路处于故障状态，且故障可能为电容偏大或偏小故障、电阻偏大或偏小故障这 4种故障类型。然后在 AUTOCAD 软件中进行仿真实验，于该耦合电路中输入频率 2 kHz、大小 20 V的正弦电压，通过软件的“out”节点采集故障电压信号，并提取故障特征向量样本，将样本集合作为本次实验的训练数据集合。2.实验结果采用本文所提方法对上述采集的故障样本集合进行识别实验，为了判断本文所提方法的识别准确率，选用某传统方法对同一个样本集合进行对比实验，分别将两个方法的进化代数设定为100，两个识别方法在耦合电路的单故障和双故障分类实验中，正确率结果如下图所示：92909197969594930识别正确率/%进化代1020304050607080901009810099本文方法传统方法图 4 单故障识别准确率曲线图92909197969594930识别正确率/%进化代1020304050607080901009810099本文方法传统方法图 5 双故障识别准确率曲线图由图 4 可知，在单故障识别中，传统方法的收敛较慢，进化代数为时 60，才达到最高准确率 96.7%，而本文方法收敛较快，进化代数为时 50，达到最高准确率 98.5%，较传统方法高1.8%。由图 5 可知，在双故障识别中，传统方法在进化代数为时 80，才达到最高准确率 96.2%；而本文方法在进化代数为时 60，达到最高准确率9697.9%，较传统方法高 1.7%。由此可以说明，本文所提基于经验小波变换的耦合电路故障识别方法具有更快的收敛速度，且具有更高的故障识别准确率。七、结束语故障识别对耦合电路的稳定运行十分重要，所以本文提出了一种基于经验小波变换的耦合电路故障识别方法。利用经验小波变换提取故障特征，并根据特征对故障进行准确分类，有效实现了