CN103913698A - 基于小波分形及核主元特征的开关电流电路故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于小波分形及核主元特征提取的开关电流电路故障诊断方法，包括开关电流电路故障诊断模块的训练步骤和采取开关电流电路故障诊断模块对有故障开关电流电路进行实时故障诊断的两个步骤。将小波分解与分形分析结合对故障信号进行特征提取，然后采用核主元分析对经小波分形分析后的特征信号进行最优特征提取，最后通过支持向量机分类器故障诊断出开关电流电路的故障，对于大规模开关电流电路故障诊断及故障类别重叠进行故障诊断时，可以根据故障数据的复杂程度的高低和故障类别的重叠程度的大小，选取合适数量的特征用于支持向量机分类器进行故障诊断，故障分类率高、故障诊断准确并具有极好的泛化性能。

Description

基于小波分形及核主元特征的开关电流电路故障诊断方法

技术领域

本发明属于电路与系统故障诊断领域，涉及一种基于小波分形及核主元特征的开关电流电路故障诊断方法。

背景技术

开关电流技术是20世纪80年代末提出的一门完全采用数字CMOS工艺技术的模拟取样数据信号处理技术，它利用MOS晶体管在其栅极开路时通过存储在栅极氧化电容上的电荷维持其漏极电流。开关电流技术不需要线性电容和高性能的运算放大器，具有低电压、高速、宽带、芯片面积小等优点，近几年来得到了较快发展。目前对开关电流电路测试和故障诊断的研究相对较少，主要讨论的是测试原理、测试过程以及BIST和DFT。有人提出利用改变时钟顺序将二分电路结构重组为串连电流镜结构并将输入与输出直流信号进行对比的方法。有人提出一种适用于使用相同开关电流存储单元电路的BIST方法。有人提出了基于直流信号的开关电流流水线结构AD转换器的测试方法。上述方法只适用于某一特定电路结构或只能测试部分电路功能或特定结构。有人借鉴模拟电路故障诊断的方法对开关电流基本存储单元作故障诊断。有人提出基于伪随机信号激励的开关电流电路测试方法。有人提出在时域内对故障响应信号采用熵作为唯一预处理特征参数。但是，前述各方法都是采用一个故障特征参数，仅仅适用于小规模开关电流电路故障诊断。当电路中同时发生故障的故障晶体管数目和故障类别数较大时，故障分类率低。并且当故障类别重叠时，也没有更好的解决办法。

小波变换广泛应用于信号分析和图像处理领域，小波系数能够反映信号的内在特征。采用信号分形维数计算方法可以获得相应的分形维数据，从而对故障信号进行特征提取，采用核主元分析可以对经小波分形分析的特征信号进行最优特征提取。支持向量机分类器作为一种基于统计学习理论的模式分类方法，在模式识别领域应用广泛。因此，为了更好地解决实际应用中开关电流电路故障诊断存在的问题，将小波分解与分形分析结合对故障信号进行特征提取，然后采用核主元分析对经小波分形分析的特征信号进行最优特征提取，最后通过支持向量机分类器对开关电流电路的故障进行分类，提高故障分类率、准确率和和泛化性能,解决大规模开关电流电路故障诊断及故障类别重叠时进行故障诊断的问题，具有十分重要的理论和现实意义。

发明内容

本发明所要解决的技术问题是提供一种基于小波分形及核主元特征的开关电流电路故障诊断方法，将小波分解与分形分析结合对故障信号进行特征提取，然后采用核主元分析对经小波分形分析的特征信号进行最优特征提取，最后通过支持向量机分类器对开关电流电路的故障进行分类，对大规模开关电流电路进行故障诊断及故障类别重叠时进行故障诊断，故障分类率高、故障诊断准确并具有极好的泛化性能。

发明的技术解决方案如下：

一种基于小波分形及核主元特征的开关电流电路故障诊断方法，包括以下步骤：

步骤一：开关电流电路故障诊断模块的训练步骤；

步骤二：采取开关电流电路故障诊断模块对有故障开关电流电路进行实时故障诊断；

所述的步骤一包括：

步骤A：采取ASIZ软件对开关电流电路中每一个可能发生的故障类别进行故障模拟，在电路的输出端获得对应于每个故障类别的60个故障响应信号，所述故障响应信号为开关电流电路的节点电流信号；

步骤B：对所述的故障响应信号进行数据处理，得到每一个故障类别的最优特征向量；

步骤C：采用高斯径向基函数：k(x_i,x)＝exp(-||x_i-x_j||/(2σ²))为支持向量机分类器的核函数，构造支持向量机分类器；

步骤D：用步骤B进行数据处理后所得的最优特征向量训练支持向量机分类器；

所述的步骤二包括：

步骤a：在每次发生故障时，采取电路信号采集板对开关电流电路进行实时采集，在电路的输出端获得对应的60个故障响应信号，所述故障响应信号为开关电流电路的节点电流信号；

步骤b：对所采集的故障响应信号进行数据处理，得到最优特征向量；

步骤c：将步骤b进行数据处理后所得的最优特征向量送入步骤一中训练好的支持向量机分类器中，支持向量机分类器对故障进行分类，输出故障类别，完成故障诊断过程；

所述步骤B和步骤b中的数据处理包括以下步骤：

步骤1）、对每一个故障响应信号进行5层Db2小波分解，提取1～5层小波变换的每层小波逼近系数；

步骤2）、对步骤1）中的故障响应信号和1～5层的小波逼近系数分别进行分形维计算得到各自的分形维数，共6个分形维数，每一个故障响应信号的6个分形维数组成一个特征向量，每个故障类别的60个故障响应信号的特征向量组成特征向量集；

步骤3）、采取核主元分析方法对每个故障类别的60个故障响应信号的特征向量分别提取核主元特征，60个故障响应信号的核主元特征组成该故障类别的最优特征向量。

步骤1）中对每一个故障响应信号进行5层Db2小波分解所进行的小波变换为Daubechies N小波变换。

步骤2）中进行分形维计算采取如下公式：

$\mathrm{FD}=\frac{\log \left(n\right)}{\log \left(\frac{d}{L}\right)+\log \left(n\right)}$

d＝max(dist(p₁,p_i))

式中进行分形维计算的信号具有序列[p₁,p₂,...,p_N]的波形，N表示序列的点数，n＝L/a为信号波形步长数，L是信号波形曲线相继两点之间的距离和，a为相继两点之间的平均距离；d是序列的第一个点与其余点的距离中的最大值，FD为分形维数。

步骤3）中的核主元分析方法中的核函数采用高斯径向基函数k(x_i,x)＝exp(-||x_i-x_j||/(2σ²))，σ＝1.2。

开关电流电路为6阶切比雪夫低通滤波器电路。

故障类别为软故障，当其中一个晶体管跨导gm值偏移了标称值百分之五十，而其它四个晶体管在其容差范围内变化。

故障类别有10个。

支持向量机分类器的参数：惩罚系数和核函数参数分别为22.96和1000。

有益效果：

本发明基于小波分形及核主元特征的开关电流电路故障诊断方法，将小波分解与分形分析结合对故障信号进行特征提取，然后采用核主元分析对经小波分形分析后的特征信号进行最优特征提取，最后通过支持向量机分类器故障诊断出开关电流电路的故障，对于大规模开关电流电路故障诊断及故障类别重叠进行故障诊断时，可以根据故障数据的复杂程度的高低和故障类别的重叠程度的大小，选取合适数量的特征用于支持向量机分类器进行故障诊断，故障分类率高、故障诊断准确并具有极好的泛化性能。

附图说明

图1为实施例中六阶切比雪夫低通滤波器电路的电路图，

图2为实施例中的MOS管Md发生Md↓即F2故障时，对其中的一个故障响应信号进行5层Db2小波分形分析而产生的低频细貌示意图，

图3为实施例中采用核主元分析提取后的前2个主元（PCs）表征的故障类别分布图，

图4为实施例中进行核主元特征提取后的最优特征向量输入支持向量机分类器后故障的分类图，

图5为本发明基于小波分形及核主元特征的开关电流故障诊断步骤流程图。具体实施方式

以下将结合附图和具体实施例对发明做进一步详细说明：

实施例1：开关电流电路的故障诊断是针对灾难性（硬）和参数性（软）故障两种。硬故障相对于软故障而言，故障诊断起来相对容易，本实施例对图1所示的6阶切比雪夫低通滤波器电路软故障进行故障诊断，图中晶体管的归一化跨导值为：Ma=1，Mb=0.4255，Mc=1.9845，Md=0.3455，Me=0.9845，Mf=0.5827，Mg=1.9134，Mh=0.085，Mi=0.8577，Mj=2.1021，Mk=0.2787。电路截止频率为5MHz，截止频率与时钟频率之比是1：4，时钟频率为20MHz，带内纹波0.5dB。跨导gm的容差范围分别是5%，电路中可能发生故障的晶体管为5个，分别为Mg，Mf，Me，Md和Mj。当其中一个晶体管跨导gm值偏移了标称值50%，而其它四个晶体管在其容差范围内变化，电路即为发生软故障，这时所得到的时域响应为有故障类。如表1所示，共10个软故障类别，其中↑和↓意味着高于或低于标称值50%。

表1切比雪夫低通滤波器电路软故障类别

诊断步骤流程如图5所示。

采取ASIZ软件对开关电流电路进行故障模拟，在电路的输出端获得对应于每个故障类别的60个故障响应信号。对这些故障响应信号进行5层Db2小波分解，小波变换为Daubechies N小波变换，提取1～5层小波变换的每层小波逼近系数，再计算这些小波系数相应的分形维数，从而获得每个故障响应信号的6个候选特征值。分形维计算采取如下公式：

$\mathrm{FD}=\frac{\log \left(n\right)}{\log \left(\frac{d}{L}\right)+\log \left(n\right)}$

d＝max(dist(p₁,p_i))

式中进行分形维计算的信号具有序列[p₁,p₂,...,p_N]的波形，N表示序列的点数，n＝L/a为信号波形步长数，L是信号波形曲线的总长度即相继两点之间的距离和，a为相继两点之间的平均距离；d是序列的第一个点与其余点的距离中的最大值，FD为分形维数。

图2为6阶切比雪夫低通滤波器电路的MOS管Md发生Md↓即F2故障时，对其中的一个故障响应信号进行5层Db2小波分形分析而产生的低频细貌示意图。图中6个子图由左至右，由上而下分别对应于原故障响应信号及1～5层的逼近系数ca1～ca5。对原始信号和5个小波逼近系数进行分形维计算分别得到各自的分形维数为1.1824，1.1536，1.0903，1.3743，1.6487，1.0001，从而得到了一个侯选特征向量。对所有的故障响应信号进行以上分析，从而得到侯选特征向量集。再对每一故障类的所有特征向量提取核主元，核主元分析方法中的核函数采用高斯径向基函数k(x_i,x)＝exp(-||x_i-x_j||/(2σ²))，其中σ＝1.2。图3为采用核主元分析提取后的前2个主元（PCs）表征的故障类别分布图，图中各个故障类别都得到了比较好的分离，并且不属于同一类别的故障分得更开。

本实施例中，共10个故障类别，采取ASIZ软件对开关电流电路进行故障模拟，在电路的输出端获得对应于每个故障类别的60个故障响应信号，共600组数据，以300组故障数据作为训练样本数据，计算并提取相应的核主元特征，训练支持向量机分类器。支持向量机分类器的核函数选用径向基函数，其各参数可以采用优化算法优化获得，本实施例中为采用遗传算法优化，优化后惩罚系数和核函数参数分别为22.96和1000。遗传算法优化支持向量机的参数为现有技术，本处不做详细讲述。本实施例中以另外300组数据作为测试数据，图4所示为进行核主元特征提取后的最优特征向量输入训练好后的支持向量机分类器后所获得的故障的分类图，从图中可以看出所有的故障得到了完全的分类。

本发明基于小波分形及核主元特征的开关电流电路故障诊断方法，将小波分解与分形分析结合对故障信号进行特征提取，然后采用核主元分析对经小波分形分析后的特征信号进行最优特征提取，最后通过支持向量机分类器故障诊断出开关电流电路的故障，对于大规模开关电流电路故障诊断及故障类别重叠进行故障诊断时，可以根据故障数据的复杂程度的高低和故障类别的重叠程度的大小，选取合适数量的特征用于支持向量机分类器进行故障诊断，故障分类率高、故障诊断准确并具有极好的泛化性能。

Claims (8)

1.一种基于小波分形及核主元特征的开关电流电路故障诊断方法，包括以下步骤：

步骤一：开关电流电路故障诊断模块的训练步骤；

步骤二：采取开关电流电路故障诊断模块对有故障开关电流电路进行实时故障诊断的步骤；

所述的步骤一包括：

步骤A：采取ASIZ软件对开关电流电路中每一个可能发生的故障类别进行故障模拟，在电路的输出端获得对应于每个故障类别的60个故障响应信号，所述故障响应信号为开关电流电路的节点电流信号；

步骤B：对所述的故障响应信号进行数据处理，得到每一个故障类别的最优特征向量；

步骤C：采用高斯径向基函数：k(x_i,x)＝exp(-||x_i-x_j||/(2σ²))为支持向量机分类器的核函数，构造支持向量机分类器；

步骤D：用步骤B进行数据处理后所得的最优特征向量训练支持向量机分类器；

所述的步骤二包括：

步骤a：在每次发生故障时，采取电路信号采集板对开关电流电路进行实时采集，在电路的输出端获得对应的60个故障响应信号，所述故障响应信号为开关电流电路的节点电流信号；

步骤b：对所采集的故障响应信号进行数据处理，得到最优特征向量；

步骤c：将步骤b进行数据处理后所得的最优特征向量送入步骤一中训练好的支持向量机分类器中，支持向量机分类器对故障进行分类，输出故障类别，完成故障诊断过程；

所述步骤B和步骤b中的数据处理包括以下步骤：

步骤1）、对每一个故障响应信号进行5层Db2小波分解，提取1～5层小波变换的每层小波逼近系数；

步骤2）、对步骤1）中的故障响应信号和1～5层的小波逼近系数分别进行分形维计算得到各自的分形维数，共6个分形维数，每一个故障响应信号的6个分形维数组成一个特征向量，每个故障类别的60个故障响应信号的特征向量组成特征向量集；

步骤3）、采取核主元分析方法对每个故障类别的60个故障响应信号的特征向量分别提取核主元特征，60个故障响应信号的核主元特征组成该故障类别的最优特征向量。

2.如权利要求1中所述的基于小波分形及核主元特征的开关电流电路故障诊断方法，其特征在于，步骤1）中对每一个故障响应信号进行5层Db2小波分解所进行的小波变换为Daubechies N小波变换。

3.如权利要求1中所述的基于小波分形及核主元特征的开关电流电路故障诊断方法，其特征在于，步骤2）中进行分形维计算采取如下公式：

$\mathrm{FD}=\frac{\log \left(n\right)}{\log \left(\frac{d}{L}\right)+\log \left(n\right)}$

d＝max(dist(p₁,p_i))

式中进行分形维计算的信号具有序列[p₁,p₂,...,p_N]的波形，N表示序列的点数，n＝L/a为信号波形步长数，L是信号波形曲线相继两点之间的距离和，a为相继两点之间的平均距离；d是序列的第一个点与其余点的距离中的最大值，FD为分形维数。

4.如权利要求1中所述的基于小波分形及核主元特征的开关电流电路故障诊断方法，其特征在于步骤3）中的核主元分析方法中的核函数采用高斯径向基函数k(x_i,x)＝exp(-||x_i-x_j||/(2σ²))，σ＝1.2。

5.如权利要求1-4任一项中所述的基于小波分形及核主元特征的开关电流电路故障诊断方法，其特征在于，所述开关电流电路为6阶切比雪夫低通滤波器电路。

6.如权利要求5中所述的基于小波分形及核主元特征的开关电流电路故障诊断方法，其特征在于，所述故障类别为软故障，其中一个晶体管跨导g_m值偏移了标称值百分之五十，而其它四个晶体管在其容差范围内变化。

7.如权利要求6中所述的基于小波分形及核主元特征的开关电流电路故障诊断方法，其特征在于故障类别有10个。

8.如权利要求7中所述的基于小波分形及核主元特征的开关电流电路故障诊断方法，其特征在于支持向量机分类器的参数：惩罚系数和核函数参数分别为22.96和1000。