CN112115663B - Dc-dc转换器早期多源故障诊断的特征提取方法 - Google Patents

Abstract

一种DC‑DC转换器早期多源故障诊断的特征提取方法，属于DC‑DC转换器故障诊断技术领域。本发明为解决现有DC‑DC转换器的故障检测主要针对单个元件引起的故障，对具有隐蔽性特征的早期多源故障检测效果差的问题。包括：获得正常样本和待识别早期多源故障样本；对正常样本和待识别早期多源故障样本分别获得所有子频带的m×n个局部候选能量；在待识别早期多源故障样本对应的m×n个局部候选能量中优选出v个选定局部能量，构成最优局部能量集；由v个选定局部能量与已知的w个早期多源故障构建初始矩阵；对初始矩阵采用贪婪算法从v个选定局部能量中再优选出u个局部能量作为u个故障特征，供DC‑DC转换器早期多源故障诊断。本发明提高了早期多源故障识别能力。

Description

DC-DC转换器早期多源故障诊断的特征提取方法

技术领域

本发明涉及DC-DC转换器早期多源故障诊断的特征提取方法，属于DC-DC转换器故障诊断技术领域。

背景技术

随着科技的高速发展，DC-DC转换器已广泛应用于测试仪器、大型计算机、生物医学仪器等电子设备中，它对后端器件和整个电气系统的工作状态有很大的影响。

DC-DC转换器的可靠性依赖于其各个组件的性能。目前的研究主要集中在对由单个元件引起的故障特征明显的故障进行检测和诊断。但是在实际应用中，DC-DC转换器的所有元件都处于长时间工作状态，由于固有的检测和环境条件的影响，各元件的参数都会降低。因此，研究多源故障比研究单一元件故障具有更大的现实意义。此外，不同元件的参数退化效应可能会产生抵消作用，削弱故障特征，增加故障检测的难度。如果早期多源故障得不到识别和预防，将增加早期多源故障发生突发故障的可能性，造成巨大的经济损失。因此，有效地检测早期多源故障可以减少DC-DC转换器的损坏。目前的研究主要针对元件的大参数退化引起的故障，且一般认为故障是由单个元件引起的，具有隐蔽性特征的早期多源故障很少被提及。

因此，在DC-DC转换器的早期多源故障检测中，有必要提出一种能够识别细微故障特征的特征提取方法，同时，尽可能降低测试成本和简化故障特征集。

发明内容

针对现有DC-DC转换器的故障检测主要针对单个元件引起的故障，对具有隐蔽性特征的早期多源故障检测效果差的问题，提供一种DC-DC转换器早期多源故障诊断的特征提取方法。

本发明的一种DC-DC转换器早期多源故障诊断的特征提取方法，包括，

步骤一：获取DC-DC转换器N个测点M次正常工作的特征信息作为M个正常样本；然后获取DC-DC转换器N个测点M次正常运行的特征信息作为M个待识别早期多源故障样本；

步骤二：对M个正常样本和M个待识别早期多源故障样本分别通过小波分析获取频带上的输出，并在时域的基础上进行频带划分，将时间域划分为m个时间间隔，定义小波层数为n，得到m×n个子频带；对正常样本和待识别早期多源故障样本分别获得所有子频带的m×n个局部候选能量；

步骤三：将正常样本和待识别早期多源故障样本的所有局部候选能量分别拟合成正态分布曲线；基于正态分布曲线和混叠性阈值，判断待识别早期多源故障样本中是否存在故障；若判断结果为存在故障，则在待识别早期多源故障样本对应的m×n个局部候选能量中优选出v个选定局部能量，构成最优局部能量集；

步骤四：采用最优局部能量集的v个选定局部能量与已知的w个早期多源故障构建初始矩阵；

步骤五：对初始矩阵采用贪婪算法从v个选定局部能量中再优选出u个局部能量作为u个故障特征，供DC-DC转换器早期多源故障诊断。

根据本发明所述的DC-DC转换器早期多源故障诊断的特征提取方法，步骤一中获取M个正常样本和M个待识别早期多源故障样本的方法包括：

在全频带范围内采用蒙特卡洛分析法获取。

根据本发明所述的DC-DC转换器早期多源故障诊断的特征提取方法，步骤一中特征信息包括测点的电压值。

根据本发明所述的DC-DC转换器早期多源故障诊断的特征提取方法，步骤三中，最优局部能量集的获得方法包括：

由正常样本的正态分布曲线获得正常样本均值μ₁和正常样本标准差σ₁；

由待识别早期多源故障样本的正态分布曲线获得待识别早期多源故障样本均值μ₂和待识别早期多源故障样本标准差σ₂；

求取正常样本的正态分布曲线与待识别早期多源故障样本的正态分布曲线交点的局部能量值：

若μ₁<μ₂，表示处于故障状态，并且当前故障状态的性能高于正常状态，此时求取的两曲线交点横坐标值为局部能量值x₁，对应的两曲线重叠区域面积为S₁；

若μ₁>μ₂，表示处于故障状态，并且当前故障状态的性能低于正常状态，此时求取的两曲线交点横坐标值为局部能量值x₂，对应的两曲线重叠区域面积为S₂；

式中y₁(x)表示正常状态的正态分布函数，y₂(x)表示早期多源故障状态的正态分布函数；x表示局部能量值。

根据本发明所述的DC-DC转换器早期多源故障诊断的特征提取方法，步骤三中，最优局部能量集的获得方法还包括：

将正常样本和待识别早期多源故障样本对应的m×n个局部候选能量表示为LE_ij，i＝1,2,…,m；j＝1,2,…,n；

对于每个LE_ij，重叠区域表示正常状态和故障状态之间的混叠性测量函数值OMF(LE_ij)：

式中x(LE_ij)表示局部候选能量LE_ij的能量值。

将混叠性测量函数值OMF(LE_ij)与预设阈值OMF_th进行比较，若OMF(LE_ij)小于或者等于OMF_th，则将对应的LE_ij优选出作为选定局部能量，优选出的v个LE_ij构成最优局部能量集。

根据本发明所述的DC-DC转换器早期多源故障诊断的特征提取方法，步骤四中构建初始矩阵包括：

采用v个选定局部能量和已知的w个早期多源故障构建v×w的空矩阵；

将空矩阵中的元素用a_ij表示，i＝1,2,3…v，j＝1,2,3…w；

当第i行选定局部能量能够覆盖第j列早期多源故障时，在空矩阵中将对应位置的元素a_ij记为1；当第i行选定局部能量不能够覆盖第j列早期多源故障时，在空矩阵中将对应位置的元素a_ij记为0，得到0、1构成的初始矩阵。

根据本发明所述的DC-DC转换器早期多源故障诊断的特征提取方法，步骤五中优选出u个局部能量作为u个故障特征的方法包括：

步骤五一：在初始矩阵中，用w维的布尔向量P表示故障特征对w个早期多源故障的覆盖，若第j列已被覆盖，则P_j＝true，true为真；否则P_j＝false，false为假；

计算此时初始矩阵每一行的平均代价c₁,c₂,…,c_i,…,c_v：

式中s_i为v个选定局部能量的代价；

选择对应平均代价计算结果最小的选定局部能量对未被覆盖的早期多源故障进行覆盖，则平均代价计算结果最小的选定局部能量被优选，作为第一个故障特征；

步骤五二：将已经被覆盖的早期多源故障从初始矩阵中去除，构成新的矩阵；再执行步骤五一，直到所有早期多源故障都被覆盖，优选出u个故障特征，u个故障特征形成简化后的最优局部能量集，供DC-DC转换器早期多源故障诊断。

本发明的有益效果：本发明方法基于局部能量混叠性计算，来判断DC-DC转换器的早期多源故障。为了提高其故障检测精度，例如由电容和电感的容差造成的输出频率变化，本发明利用小波分析(WA)对输出信号进行时域分解，将每个子频带的能量值认为是早期多源故障的故障特征。然后，通过混叠性计算进一步选择最优的局部能量集。最后，通过贪婪算法(GRA)对其进行优化，得到简化后的最优局部能量集，即最优故障特征集。

本发明方法能够针对DC-DC转换器中的早期多源故障状态进行有效、准确地检测，能够识别细微故障特征，提高了DC-DC转换器中早期多源故障的检测精度，对于隐蔽性较高、较难检测的由多个元件参数变化引起的早期多源故障检测率比较高，这是传统的方法所没有达到的效果，在实际运行中具有较高的早期多源故障识别能力，保证了DC-DC转换器的高可靠性。

本发明方法具有较高的故障检测准确率：经实验验证，对于buck转换器理想和噪声条件下所有的早期多源故障状态，检测率达到96％以上；对于实际硬件电路，检测率达到92％以上；本发明方法实现了对多个元件参数变化引起的早期多源故障状态的有效、快速及准确的检测。

附图说明

图1是本发明所述DC-DC转换器早期多源故障诊断的特征提取方法的流程图；

图2是基于混叠性计算的局部能量选择图；

图3是具体实施例一中buck转换器电路原理图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其它实施例，都属于本发明保护的范围。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。

具体实施方式一、结合图1和图2所示，本发明提供了一种DC-DC转换器早期多源故障诊断的特征提取方法，包括，

步骤一：获取DC-DC转换器N个测点M次正常工作的特征信息作为M个正常样本；然后获取DC-DC转换器N个测点M次正常运行的特征信息作为M个待识别早期多源故障样本；

步骤二：对M个正常样本和M个待识别早期多源故障样本分别通过小波分析获取频带上的输出，并在时域的基础上进行频带划分，将时间域划分为m个时间间隔，定义小波层数为n，得到m×n个子频带；对正常样本和待识别早期多源故障样本分别计算获得所有子频带的m×n个局部候选能量；

步骤三：基于混叠性计算选择最优的v个选定局部能量：将正常样本和待识别早期多源故障样本的所有局部候选能量分别拟合成正态分布曲线；基于正态分布曲线和混叠性阈值，判断待识别早期多源故障样本中是否存在故障；若判断结果为存在故障，则在待识别早期多源故障样本对应的m×n个局部候选能量中优选出v个选定局部能量，表示为E₁，E₂，E₃…E_v，构成最优局部能量集V＝(E₁，E₂，E₃…E_v)；

步骤四：采用最优局部能量集的v个选定局部能量与已知的w个早期多源故障构建初始矩阵；每个选定局部能量的代价分别设置为s₁,s₂,…,s_i,…,s_v；

步骤五：对初始矩阵采用贪婪算法依次从v个选定局部能量中再优选出u个局部能量作为u个故障特征，表示为L₁，L₂，L₃…L_u，得到简化后的最优局部能量集U＝(L₁，L₂，L₃…L_u)，供DC-DC转换器早期多源故障诊断。

在DC-DC转换器的实际应用中，对于早期多源故障，由于不同元件的参数退化效应可能会产生抵消作用，削弱故障特征，导致早期多源故障特征具有细微性和隐蔽性，因此检测效果不理想。本实施方式基于局部能量混叠性计算对DC-DC转换器早期多源故障信号进行特征提取。

在DC-DC转换器中，电容和电感构成无源滤波器，这两个元件的参数退化会对滤波器的频率产生影响，从而改变滤波器的频域输出；同时，DC-DC转换器的频率信息是时变的，整个频带的能量分布会随着时间的变化而变化。所以，本实施方式中利用小波分析提取频域特征，在时域的基础上将频带划分为若干个子频带，并计算每个子频带的能量值，将局部能量作为故障特征。因此，对于某个子带，局部能量值表示该时间间隔上原始信号的能量，反映了频率的时间变化，说明局部能量作为故障特征比整体能量具有更大的有效性。同时，电容和电感等器件的容差一般情况下服从正态分布。所以本实施方式中基于器件容差特性，将正常响应和故障响应之间的混叠性用正常响应的分布曲线和故障响应的分布曲线的重叠区域来表示，通过混叠性计算形成一个最优的局部能量集。最后，再利用贪婪算法简化生成的最优局部能量集。因此本发明的核心目标是通过小波分析与子频带的划分，对得到的局部能量进行混叠性计算选择出最优的局部能量集，再利用贪婪算法进行优化，得到最终所需的简化后的最优的故障特征集，从而识别DC-DC转换器中所有的早期多源故障。

DC-DC转换器的时域输出由直流信号和高频纹波信号组成。时域上的共同特征包括直流信号的平均值和纹波信号的幅度，早期多源故障发生时，这两种特征变化很弱。而且，电容和电感构成无源滤波器，它们的参数退化会对滤波器的频率产生影响，从而改变频域输出。因此，使用小波分解提取输出信号频域特征，进而对早期多源故障进行识别。

由于DC-DC转换器的频率信息是时变的，整个频带的能量分布会随着时间的变化而变化。因此，在时域的基础上将频带划分为若干个子频带，并计算每个子频带的能量值。将局部能量作为故障特征，基于最优局部能量值，可以增强早期多源故障的识别能力。本发明采用平方和的方法对每个子频带的局部候选能量

计算如公式(1)所示：

其中，S_Nj是由小波分解系数构成的特征信号，t₁和t₂是信号S_Nj的第i子带的开始和结束时刻，

是S_Nj的第l个离散点的系数，M₁和M₂是t₁和t₂对应的离散点的索引值。

因此，对于某个子频带，局部侯选能量表示该时间间隔上原始信号的能量，反映了频率的时间变化，说明局部侯选能量作为断层特征比整体能量具有更大的有效性。

将所有的局部候选能量作为故障特征难以识别细微的故障特征，为了进一步提高故障检测精度，本实施方式使用混叠性计算选择最优的故障特征。模拟电路中元件容差的参数服从正态分布，其输出响应由一定数量的分量组成，近似服从大数定律的正态分布。

进一步，步骤一中获取M个正常样本和M个待识别早期多源故障样本的方法包括：

在全频带范围内采用蒙特卡洛分析法获取。

通过蒙特卡洛分析得到DC-DC转换器正常状态和早期多源故障的输出，并利用小波分析得到相应的小波系数。将时间域划分为m个时间间隔，小波层数定义为n，使得局部候选能量的个数为m×n，每个候选能量表示为LE。通过分析两种状态局部能量值的统计特性，将能量值拟合成不同的正态分布曲线，如图2所示。

再进一步，步骤一中特征信息包括测点的电压值。

步骤二中，对于M个正常样本和M个待识别早期多源故障样本，可以利用小波分析得到相应的小波系数。

再进一步，步骤三中，最优局部能量集V＝(E₁，E₂，E₃…E_v)的获得方法包括：

由正常样本的正态分布曲线获得正常样本均值μ₁和正常样本标准差σ₁；

由待识别早期多源故障样本的正态分布曲线获得待识别早期多源故障样本均值μ₂和待识别早期多源故障样本标准差σ₂；

求取正常样本的正态分布曲线与待识别早期多源故障样本的正态分布曲线交点的局部能量值，通过比较μ₁和μ₂的大小判断正常样本和待识别早期多源故障样本的正态分布曲线的位置：

若μ₁<μ₂，表示处于故障状态，并且当前故障状态的性能高于正常状态，此时求取的两曲线交点横坐标值为局部能量值x₁，对应的两曲线重叠区域面积为S₁；

若μ₁>μ₂，表示处于故障状态，并且当前故障状态的性能低于正常状态，此时求取的两曲线交点横坐标值为局部能量值x₂，对应的两曲线重叠区域面积为S₂；

式中y₁(x)表示正常状态的正态分布函数，y₂(x)表示早期多源故障状态的正态分布函数；x表示输出的局部能量值。

再进一步，步骤三中，最优局部能量集的获得方法还包括：

将正常样本和待识别早期多源故障样本对应的m×n个局部候选能量表示为LE_ij，i＝1,2,…,m；j＝1,2,…,n；

对于每个LE_ij，通过比较重叠区域来选择最优的局部能量特征，重叠区域表示正常状态和故障状态之间的混叠性，即混叠性测量函数值OMF(LE_ij)：

式中x(LE_ij)表示局部候选能量LE_ij的能量值。

将混叠性测量函数值OMF(LE_ij)与预设阈值OMF_th进行比较，若OMF(LE_ij)小于或者等于OMF_th，则将对应的LE_ij优选出作为选定局部能量，优选出的v个LE_ij构成最优局部能量集。

采用一个确定的混叠性测量函数值OMF_th作为预设阈值。计算出每个局部候选能量LE_ij的相应OMF(LE_ij)值，若小于或等于OMF_th，则说明正常状态和故障状态的重叠程度很小，表明存在故障，故选择相应的局部候选能量作为选定局部能量，作为最优故障特征，最终选出符合条件的选定局部能量构成最优局部能量集。再使用贪婪算法对最优局部能量集进行简化，得到简化后的最优局部能量集。

再进一步，步骤四中构建初始矩阵包括：

采用v个选定局部能量和已知的w个早期多源故障构建v×w的空矩阵；v个选定局部能量可表示为f₁，f₂，f₃…f_v，w个早期多源故障可表示为G₁，G₂，G₃…G_w；

将空矩阵中的元素用a_ij表示，i＝1,2,3…v，j＝1,2,3…w；

当第i行选定局部能量能够覆盖第j列早期多源故障时，在空矩阵中将对应位置的元素a_ij记为1；当第i行选定局部能量不能够覆盖第j列早期多源故障时，在空矩阵中将对应位置的元素a_ij记为0，得到0、1构成的初始矩阵。

再进一步，步骤五中优选出u个局部能量作为u个故障特征的方法包括依次从v个选定局部能量中优选出u个故障特征L₁，L₂，L₃…L_u，得到简化后的最优局部能量集U＝(L₁，L₂，L₃…L_u)，具体过程为：

步骤五一：在初始矩阵中，用w维的布尔向量P表示故障特征对w个早期多源故障的覆盖，若第j列已被覆盖，则P_j＝true，true为真；否则P_j＝false，false为假；

计算此时初始矩阵每一行的平均代价c₁,c₂,…,c_i,…,c_v为：

式中s_i为v个选定局部能量的代价；

根据平均代价的计算结果，选择对应平均代价计算结果最小的选定局部能量对未被覆盖的早期多源故障进行覆盖，则平均代价计算结果最小的选定局部能量被优选，作为第一个故障特征L₁；

步骤五二：将已经被覆盖的早期多源故障从初始矩阵中去除，构成新的矩阵；再执行步骤五一，从新的矩阵中选择出简化后的最优局部能量集U中的第二个元素L₂，直到所有早期多源故障都被覆盖，共优选出u个故障特征构成了覆盖所有早期多源故障的简化后的最优局部能量集U，U＝(L₁，L₂，L₃…L_u)，供DC-DC转换器早期多源故障诊断。

下面通过具体实施例验证本发明的有益效果：

具体实施例一：

以DC-DC转换器中最常用之一的buck电路为例详细说明基于局部能量混叠性计算的DC-DC转换器早期多源故障诊断的特征提取方法。首先，在PSPice软件中搭建仿真电路如图3所示。Vin＝+3v，PWM信号周期为40μs，占空比为60％。Ron＝0.01、Rd＝0.01、RL＝0.1分别表示MOSFET晶体管M、二极管D和电感L的内阻，电阻R＝200，电容C＝4.7μ，电解电容器C的ESR＝0.1，电感L＝100μ，其中电阻和电容的容差均为5％。由多个分量的细微参数退化引起的早期的多源故障分类如表1所示，表示为CF1-CF10。每个初始故障的参数偏差率意味着所提出的特征选择方法能够识别的最小偏差。

表1 buck转换器中早期多源故障分类表

为了验证所提出的特征提取方法能够提高故障检测精度，本实施例采用支持向量数据描(SVDD)作为故障分类器进行早期多源故障检测，进行能量选择、评估方法和故障特征类型三个对比实验。检测结果分别如表2、表3、表4所示。

表2理想条件下使用三种类型的小波能量的早期多源故障检测准确率

表3理想条件下使用三种评估方法的早期多源故障检测准确率

表4理想条件下使用直接故障特征的早期多源故障检测准确率

分析上述实验结果可以得出：本发明提出的方法对于buck电路早期多源故障检测准确率较高，平均故障检测率达到96.7％，这是其他传统方法所没有的效果，对应某些更大偏差的检测率达到98.5％，具有较高的早期多源故障识别能力。

虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其它所述实施例中。

Claims (5)

1.一种DC-DC转换器早期多源故障诊断的特征提取方法，其特征在于包括，

步骤一：获取DC-DC转换器N个测点M次正常工作的特征信息作为M个正常样本；然后获取DC-DC转换器N个测点M次正常运行的特征信息作为M个待识别早期多源故障样本；

步骤二：对M个正常样本和M个待识别早期多源故障样本分别通过小波分析获取频带上的输出，并在时域的基础上进行频带划分，将时间域划分为m个时间间隔，定义小波层数为n，得到m×n个子频带；对正常样本和待识别早期多源故障样本分别获得所有子频带的m×n个局部候选能量；

步骤三：将正常样本和待识别早期多源故障样本的所有局部候选能量分别拟合成正态分布曲线；基于正态分布曲线和混叠性阈值，判断待识别早期多源故障样本中是否存在故障；若判断结果为存在故障，则在待识别早期多源故障样本对应的m×n个局部候选能量中优选出v个选定局部能量，构成最优局部能量集；

步骤三中，最优局部能量集的获得方法包括：

由正常样本的正态分布曲线获得正常样本均值μ₁和正常样本标准差σ₁；

由待识别早期多源故障样本的正态分布曲线获得待识别早期多源故障样本均值μ₂和待识别早期多源故障样本标准差σ₂；

求取正常样本的正态分布曲线与待识别早期多源故障样本的正态分布曲线交点的局部能量值：

若μ₁<μ₂，表示处于故障状态，并且当前故障状态的性能高于正常状态，此时求取的两曲线交点横坐标值为局部能量值x₁，对应的两曲线重叠区域面积为S₁；

若μ₁>μ₂，表示处于故障状态，并且当前故障状态的性能低于正常状态，此时求取的两曲线交点横坐标值为局部能量值x₂，对应的两曲线重叠区域面积为S₂；

式中y₁(x)表示正常状态的正态分布函数，y₂(x)表示早期多源故障状态的正态分布函数；x表示局部能量值；

步骤三中，最优局部能量集的获得方法还包括：

将正常样本和待识别早期多源故障样本对应的m×n个局部候选能量表示为LE_ij，i＝1,2,…,m；j＝1,2,…,n；

对于每个LE_ij，重叠区域表示正常状态和故障状态之间的混叠性测量函数值OMF(LE_ij)：

式中x(LE_ij)表示局部候选能量LE_ij的能量值；

将混叠性测量函数值OMF(LE_ij)与预设阈值OMF_th进行比较，若OMF(LE_ij)小于或者等于OMF_th，则将对应的LE_ij优选出作为选定局部能量，优选出的v个LE_ij构成最优局部能量集；

步骤四：采用最优局部能量集的v个选定局部能量与已知的w个早期多源故障构建初始矩阵；

步骤五：对初始矩阵采用贪婪算法从v个选定局部能量中再优选出u个局部能量作为u个故障特征，供DC-DC转换器早期多源故障诊断。

2.根据权利要求1所述的DC-DC转换器早期多源故障诊断的特征提取方法，其特征在于，步骤一中获取M个正常样本和M个待识别早期多源故障样本的方法包括：

在全频带范围内采用蒙特卡洛分析法获取。

3.根据权利要求2所述的DC-DC转换器早期多源故障诊断的特征提取方法，其特征在于，步骤一中特征信息包括测点的电压值。

4.根据权利要求3所述的DC-DC转换器早期多源故障诊断的特征提取方法，其特征在于，步骤四中构建初始矩阵包括：

采用v个选定局部能量和已知的w个早期多源故障构建v×w的空矩阵；

将空矩阵中的元素用a_ij表示，i＝1,2,3…v，j＝1,2,3…w；

当第i行选定局部能量能够覆盖第j列早期多源故障时，在空矩阵中将对应位置的元素a_ij记为1；当第i行选定局部能量不能够覆盖第j列早期多源故障时，在空矩阵中将对应位置的元素a_ij记为0，得到0、1构成的初始矩阵。

5.根据权利要求4所述的DC-DC转换器早期多源故障诊断的特征提取方法，其特征在于，步骤五中优选出u个局部能量作为u个故障特征的方法包括：

步骤五一：在初始矩阵中，用w维的布尔向量P表示故障特征对w个早期多源故障的覆盖，若第j列已被覆盖，则P_j＝true，true为真；否则P_j＝false，false为假；

计算此时初始矩阵每一行的平均代价c₁,c₂,…,c_i,…,c_v：

式中s_i为v个选定局部能量的代价；

选择对应平均代价计算结果最小的选定局部能量对未被覆盖的早期多源故障进行覆盖，则平均代价计算结果最小的选定局部能量被优选，作为第一个故障特征；

步骤五二：将已经被覆盖的早期多源故障从初始矩阵中去除，构成新的矩阵；再执行步骤五一，直到所有早期多源故障都被覆盖，优选出u个故障特征，u个故障特征形成简化后的最优局部能量集，供DC-DC转换器早期多源故障诊断。

Images