CN112989580B - 一种考虑双向尺度的电路故障特征提取方法 - Google Patents
一种考虑双向尺度的电路故障特征提取方法 Download PDFInfo
- Publication number
- CN112989580B CN112989580B CN202110212177.8A CN202110212177A CN112989580B CN 112989580 B CN112989580 B CN 112989580B CN 202110212177 A CN202110212177 A CN 202110212177A CN 112989580 B CN112989580 B CN 112989580B
- Authority
- CN
- China
- Prior art keywords
- delta
- dimension
- value
- fractal
- log
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tests Of Electronic Circuits (AREA)
Abstract
本发明公开了一种考虑双向尺度的电路故障特征提取方法,包括S1:在横轴方向上,对所采集的电压波形进行区间划分;S2:在每个小区间内,选取纵向尺度δY,将小区间进一步划分;S3:重复步骤S201~S202,计算所有小区间相交盒子数量并求和,即可得到波形的盒子总数,记为MX,Y(F);S4:取不同的δX及δY,分别计算MX,Y(F)‑δY及MX,Y(F)‑δY双对数曲线图,得到曲线斜率k;S5:构造以横向尺度δX、纵向尺度δY、双对数曲线斜率k为坐标轴的立体坐标系,则坐标系内较为平缓的部分k值即为所求的分形盒维数值;S6:对提取出来的分形盒维数值进行检验。本发明中的电路故障特征提取方法综合考虑电路纵向信号采集精度及横向信号周期等关键因素,对分形盒维数算法进行改变,从而提高了电路故障诊断的准确性。
Description
技术领域
本发明涉及电路故障诊断技术领域,尤其涉及一种考虑双向尺度的电路故障特征提取方法。
背景技术
随着海军装备服役时间的增长,由电路元器件导致的故障越来越成为制约其可靠性、安全性的关键问题。部分装备由于结构复杂、模拟电路较多并含有大量可调元件,使得对其进行的故障诊断及维修工作面临巨大挑战。对该类装备的故障诊断,除了要进行故障点的排查定位,更重要的是要进一步确定超差参数的具体量值,其目的在于指导维修人员如何快速定位故障并修复超差参数。装备模拟电路测点信号由于受到复杂电磁环境干扰、邻近数字电路耦合、工作状态切换等多方面因素的影响,经常体现出极强的非线性、非平稳的特点。非线性时频分析方法及分形理论能够很好地应对这一问题,并为故障诊断提供更多可辨的细节特征。
分形理论是用来刻画对象的不规则性和自相似性的有力工具,在处理复杂非线性系统中具有独到之处。合理运用分形理论,提取有用的诊断信息,不仅可以定性,而且可以定量地分析系统的工作状态,从而实现对模拟电路的故障诊断,提高对故障的辨识能力。实际上,如果将电路的每一次故障状态当作一个样本,那么虽然同一类故障出现的情况可能不同,但在某些特征上将会表现出共性。模拟电路中存在大量的非线性现象,如果抛开采样精度及存储深度的限制,模拟电路故障信号特征与分形理论的描述是十分吻合的。但是,分形理论是以自然界中雪花、海岸线等形态为研究对象提炼出的理论,这与模拟电路故障现象不尽相同,因此,若将其应用于模拟电路故障诊断的研究中还需根据实际情况做进一步改进。
发明内容
针对上述存在的问题,本发明旨在提供一种考虑双向尺度的电路故障特征提取方法,综合考虑电路纵向信号采集精度及横向信号周期等关键因素,对分形盒维数算法进行改变,从而提高了电路故障诊断的准确性。
为了实现上述目的,本发明所采用的技术方案如下:
一种考虑双向尺度的电路故障特征提取方法,其特征在于,采用改进盒维数算法计算分形盒维数,作为电路故障特征值进行电路故障特征提取。
进一步的,采用长方形网格覆盖的方法计算分形盒维数值的具体操作步骤包括,
S2:在每个小区间内,选取纵向尺度δY,将小区间进一步划分,此时该小区间内出现的电压波形最大值与最小值的差值除以δY向上取整,即为该小区间内的相交盒子数量;
S3:重复步骤S201~S202,计算所有小区间相交盒子数量并求和,即可得到波形的盒子总数,记为MX,Y(F);
S4:在横向尺度和纵向尺度上取不同的δX及δY,分别计算MX,Y(F)-δY及MX,Y(F)-δY双对数曲线图,得到曲线斜率k;δX及δY需满足无标度区范围;
S5:构造以横向尺度δX、纵向尺度δY、双对数曲线斜率k为坐标轴的立体坐标系,则坐标系内较为平缓的部分k值即为所求的分形盒维数值;
S6:对提取出来的分形盒维数值进行检验。
进一步的,步骤S6的具体操作包括以下步骤,
S601:选取非线性模拟电路中N种典型的故障状态,包括正常状态在内共计N+1种;
S602:在第i种状态下,对测试点输出电压信号进行测量,并利用改进盒维数算法进行分形盒维数值的计算,则该分形盒维数值即为一次实验样本;
S603:重复步骤S602共m次,取得m个状态i下的实验样本,求取平均值及区间范围;
S604:在不同状态下,重复步骤S602和步骤S603共N+1次,取得所有状态i的样本区间范围和平均值。
本发明的有益效果是:
本发明中一种考虑双向尺度的电路故障特征提取方法是以输出信号的分形维数为特征样本,考量的是其非线性特性、填充空间能力,从另一个角度对电路故障特征进行提取,是对传统方法一次有益的扩充;通过将模拟电路故障状态划分为不同的数值区间,被测电路输出信号与其进行对比后即可进行状态判定,描述起来更加简单直观,其可操作性及直观性大大由于传统的故障诊断方法,并且此方法仅需要少量的先验样本即可完成对诊断系统的训练。
附图说明
图1为本发明具体实施方式中使用正方形网格对一周期信号x(j)进行覆盖的结果;
图2为本发明具体实施方式中使用长Δl=T/2、宽Δw=A的长方形网格对周期信号x(j)进行覆盖的结果;
图3为本发明具体实施方式中使用长Δl=T/2、宽Δw=A的长方形网格对周期信号x(j)进行覆盖的结果;
图4为本发明实施例一种示例信号s(t)=A sin(20πt)的lnt~lnN点图;
图5为本发明实施例二和对比例中所用的电路图;
图6为本发明实施例二中标准BCM算法下100组样本值;
图7为本发明实施例二中改进BCM算法下100组样本值;
图8为本发明对比例中BCM值均值随输入频率变化趋势图;
图9为本发明对比例中全部样本BCM值;
图10为本发明实施例三中搭建的元件参数调节及信号采集实验系统;
图11为本发明实施例三中的被测电路示意图;
图12为本发明实施例三中八种阻值状态下输出信号波形的Labview截屏;
图13为本发明实施例三中存在混叠区的BCM均值变化趋势图。
具体实施方式
为了使本领域的普通技术人员能更好的理解本发明的技术方案,下面结合附图和实施例对本发明的技术方案做进一步的描述。
考虑双向尺度的电路故障特征提取方法,采用改进盒维数算法计算分形盒维数,作为电路故障特征值进行电路故障特征提取。
具体的,故障信号在横向及纵向两个方向上的单位不同,具有双尺度性。如果强行用宽度为Δ的正方形网格对其进行覆盖,必然无法同时反应二者的无标度性。因此,本发明中采用长方形网格覆盖的方法计算分形盒维数值。令长方形网格的长为Δl,宽为Δw,Δl和Δw满足其中,T为采样时间,N为对应采样点数,d为垂直精度,A为幅值。
具体操作步骤包括:
S2:在每个小区间内,选取纵向尺度δY,将小区间进一步划分,此时该小区间内出现的电压波形最大值与最小值的差值除以δY向上取整,即为该小区间内的相交盒子数量;
S3:重复步骤S201~S202,计算所有小区间相交盒子数量并求和,即可得到波形的盒子总数,记为MX,Y(F);
S4:在横向尺度和纵向尺度上取不同的δX及δY,分别计算MX,Y(F)-δY及MX,Y(F)-δY双对数曲线图,得到曲线斜率k;δX及δY需满足无标度区范围;
S5:构造以横向尺度δX、纵向尺度δY、双对数曲线斜率k为坐标轴的立体坐标系,则坐标系内较为平缓的部分k值即为所求的分形盒维数值;
S6:对提取出来的分形盒维数值进行检验。
具体的,如附图1所示为一周期信号x(j),用边长为Δ的格子对其覆盖,则计数为Nx=16,按比例放大网格可得N2Δ=4、N4Δ=1,那么拟合直线的斜率为2,残差和为0。遗传优化算法会将Δ在1~4个周期内的区域认为是无标度区,得到BCM值为2,然而,只有平面内无限复杂的曲线维数才为2,该结果显然是错误的。
使用长Δl=T,宽Δw=A/2的长方形网格对其覆盖,结果如附图2所示,从附图2中可以看出,该算法将其误认为是填充了整个平面空间的维数为2的曲线。
使用长Δl=T/2、宽Δw=A的长方形网格对其覆盖,结果如附图3所示,从附图3中可以看出,该算法较为粗糙地体现了x(j)的周期性,所以只能当Δl<T/2且Δw<A/2时才可能出现无标度区。这就规定了在求解BCM值时盒子宽度的上限。
在上限范围以下,可以通过不断缩小盒子的尺寸来逐渐细致地刻画,但是也并不是没有下限的。对于本发明中的电路故障,信号是以离散的状态被采集进来的,两个采样点通常以直线相连,因此,当盒子尺寸小于相邻采样点间的距离也就是采样精度时是毫无意义地,因此可以确定盒子尺寸的下限为Δl>T/(N-1)且Δw>d,其中,T为采样时间,N为对应采样点数,d为垂直精度,A为幅值。
进一步的,步骤S6的具体操作包括以下步骤,
S601:选取非线性模拟电路中N种典型的故障状态,包括正常状态在内共计N+1种;
S602:在第i种状态下,对测试点输出电压信号进行测量,并利用改进盒维数算法进行分形盒维数值的计算,则该分形盒维数值即为一次实验样本;
S603:重复步骤S602共m次,取得m个状态i下的实验样本,求取平均值及区间范围;
S604:在不同状态下,重复步骤S602和步骤S603共N+1次,取得所有状态i的样本区间范围和平均值。
实施例一:
在该实施例中,对本发明中改进的分形盒维数算法的有效性进行验证。
具体的,考察以下示例信号s(t)=A sin(20πt),用640Hz的采样频率对该正弦函数进行采样,其每个周期有64个数据点,考察其lnt~lnN点图,结果如附图4所示。
从附图4中可以看出,前5个点的线性度很好,BCM值是1.0001;从第6点(ln32)开始出现明显偏差,此时网格长度为信号周期一半即Δw=32Δt,其中Δt为采样间隔。可见,利用本发明中步骤S2的改进算法不仅可以简便地计算出BCM值,而且更是给出了在信号检测时的无标度区确定方法,如果在信号周期内采样点数更多,则算法计算精度将更高。
实施例二:
在该实施例中,考察改进算法在模拟电路故障诊断中是否具有更高精度。
具体的,以较为简单的某开关电源作为仿真验证对象,电路图如附图5所示,电路中元件故障状态设定为标称值的正(↑)、负(↓)20%,节点OUT为输出测试点。仿真平台OrcadCIS 7.0和Matlab 8.5,采样点数1024。取电路状态集合如下表1所示。
表1部分电路状态
输入信号v=10sin(100t),分别用每种状态记录100组数据,标准BCM算法样本值如附图6所示,改进算法样本值如附图7所示。
对比附图6和附图7可以看出,在同一频率下,不同故障状态的BCM值仍然各不相同,在应对简单的故障现象分类时,改进算法同样能够满足要求;各故障状态样本数据围绕中心值上下波动幅度明显减小,说明改进算法对抑制混叠起到较好作用;如果抛开状态2、3,剩余各状态完全可以按照改进算法进行明确的区分。
对比例:
在该对比例中,使用标准BCM算法对附图5的电路图输入不同的激励信号进行对比试验,其他操作步骤与实施例一均相同。
当输入激励信号设定为v=10sin(ωt)时,对电路不同故障状态进行BCM值计算;调整ω数值,考察不同频率下输出信号BCM值变化趋势,结果如表2-4所示。
表2 ω=100时输出信号盒维数变化趋势
表3 ω=500时输出信号盒维数变化趋势
表4 ω=1000时输出信号盒维数变化趋势
由表2-表4可以看出,对于同一输入频率,不同电路状态下的测试点输出信号分形维数是不同的。因此,利用分形维数进行电路故障特征识别进而进行故障诊断的方法是可行的。为了更进一步说明方法有效性,考察分形维数D随输入频率变化趋势,结果如附图8所示,
从附图8中可以看出,在输入信号频率相同的情况下,不同的故障状态对应着不同的BCM值,说明各状态的分形特征是不同的;随着频率的增加,各故障状态BCM值均有所增加,这是因为在采样参数不变的情况下,输出信号会显得更为复杂,也就是说其填充空间的能力增加了。
虽然在该算例中,各故障状态在不同输入频率下分形维数同时升高,均值并未出现交叉混叠的现象。但是,由于每个单独的样本BCM值围绕中心值上下波动较大,导致了其部分样本数据存在附图9所示的混叠现象,导致此种现象产生的原因是由于盒维数计算误差所致。图9中明显可以看出,正是由于在频率为500Hz处S5状态下部分样本数据发生了较大偏差,导致其与S4状态发生了混叠。
将实施例二的结果和对比例的结果进行对比可以明显的看出,本发明中基于改进分形盒维数的电路故障特征提取方法能够对混叠现象起到较好的抑制作用。
实施例三:
实施例一和实施例二考察了利用BCM算法对模拟电路几个预定故障进行定位的能力,但是还不够细致,现实中的模拟电路元件超差现象是不可能完全按照预定的诸如超差20%、30%等这样理想的状况来发生的。实际上装备模拟电路元件的超差故障现象应是一个连续的变化范围,因此该实施例进一步考察改进BCM算法在应对连续变化的元件超差情况时的能力。
具体的,搭建如附图10所示的实验系统,被测电路由如附图11所示的RC桥式振荡电路及有源带通滤波器电路组成,其中,(a)为RC桥式振荡电路,(b)为有源带通滤波器电路,由两个高低通二阶压控型Sallen-Key拓扑结构构成。
通过Labview对Hantak公司生产的DSO3062L虚拟示波器编程进行信号采集,采样点数1024;通过调节与R7并联的电位器,以模仿R7电阻超差情况下的电路状态;记录电位器阻值及BCM均值,典型波形如附图12所示,存在混叠区的BCM均值变化趋势如附图13所示。经计算得到R7阻值及对应的BCM均值如下表5所示,其中BCM均值在超过100次采样后趋于稳定。
表5电位器阻值及BCM均值
通过表5和附图13的结果可以看出,不同状态下输出信号BCM值不同,即该指标可以进行特征识别。在正常状态输出信号左边,BCM值呈缓慢下降趋势,即斜率较小;在正常状态输出信号右边,BCM值上升迅速,即斜率较大。由于分形维数表征的是对象填充空间的能力,即其复杂程度、粗糙程度越高其分形维数越大,因此对于该实验电路系统来说,处于正常状态时其输出信号为一正弦波,其分形维数最小,在该状态两边分形维数分别呈不同趋势上升。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (2)
1.一种考虑双向尺度的电路故障特征提取方法,其特征在于,采用改进盒维数算法计算分形盒维数,作为电路故障特征值进行电路故障特征提取;
采用长方形网格覆盖的方法计算分形盒维数值的具体操作步骤包括,
S2:在每个小区间内,选取纵向尺度δY,将小区间进一步划分,此时该小区间内出现的电压波形最大值与最小值的差值除以δY向上取整,即为该小区间内的相交盒子数量;
S3:重复步骤S1~S2,计算所有小区间相交盒子数量并求和,即可得到波形的盒子总数,记为MX,Y(F);
S4:在横向尺度和纵向尺度上取不同的δX及δY,分别计算MX,Y(F)-δX及MX,Y(F)-δY双对数曲线图,得到曲线斜率k;δX及δY需满足无标度区范围;
S5:构造以横向尺度δX、纵向尺度δY、双对数曲线斜率k为坐标轴的立体坐标系,则坐标系内较为平缓的部分k值即为所求的分形盒维数值;
S6:对提取出来的分形盒维数值进行检验。
2.根据权利要求1所述的一种考虑双向尺度的电路故障特征提取方法,其特征在于,步骤S6的具体操作包括以下步骤,
S601:选取非线性模拟电路中N种典型的故障状态,包括正常状态在内共计N+1种;
S602:在第i种状态下,对测试点输出电压信号进行测量,并利用改进盒维数算法进行分形盒维数值的计算,则该分形盒维数值即为一次实验样本;
S603:重复步骤S602共m次,取得m个状态i下的实验样本,求取平均值及区间范围;
S604:在不同状态下,重复步骤S602和步骤S603共N+1次,取得所有状态i的样本区间范围和平均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110212177.8A CN112989580B (zh) | 2021-02-25 | 2021-02-25 | 一种考虑双向尺度的电路故障特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110212177.8A CN112989580B (zh) | 2021-02-25 | 2021-02-25 | 一种考虑双向尺度的电路故障特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112989580A CN112989580A (zh) | 2021-06-18 |
CN112989580B true CN112989580B (zh) | 2023-02-24 |
Family
ID=76350714
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110212177.8A Active CN112989580B (zh) | 2021-02-25 | 2021-02-25 | 一种考虑双向尺度的电路故障特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112989580B (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101900789B (zh) * | 2010-07-07 | 2012-05-02 | 湖南大学 | 基于小波变换与分形维数的容差模拟电路故障诊断方法 |
CN104863842B (zh) * | 2015-05-11 | 2017-10-27 | 昆明理工大学 | 一种基于分形理论的隔膜泵故障诊断方法及装置 |
CN107451515A (zh) * | 2016-06-01 | 2017-12-08 | 易程(苏州)电子科技股份有限公司 | 一种旋转机械设备故障识别方法及系统 |
CN108090462B (zh) * | 2017-12-29 | 2021-09-03 | 哈尔滨工业大学 | 一种基于盒维数的辐射源指纹特征提取方法 |
-
2021
- 2021-02-25 CN CN202110212177.8A patent/CN112989580B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112989580A (zh) | 2021-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bíscaro et al. | Integrated fault location and power-quality analysis in electric power distribution systems | |
CN102998545B (zh) | 一种变压器绕组工作状态的在线监测方法 | |
Brito et al. | A wide-range model for metal-oxide surge arrester | |
CN103713237B (zh) | 一种电力系统输电线路短路故障诊断方法 | |
CN109193650A (zh) | 一种基于高维随机矩阵理论的电网薄弱点评估方法 | |
CN109581270B (zh) | 基于小波多尺度变换快速辨识cvt故障的方法 | |
CN102221651A (zh) | 一种矿用隔爆型干式变压器故障在线诊断及预警方法 | |
CN103968939B (zh) | 基于平均位移法的变压器绕组松动故障检测方法 | |
CN109271319B (zh) | 一种基于面板数据分析的软件故障的预测方法 | |
CN101227092B (zh) | 一种配电网络中的谐波源识别方法 | |
CN107247204B (zh) | 超、特高压串补装置中限压器的状态监测系统及监测方法 | |
CN106548021A (zh) | 一种基于高维随机矩阵的电子式互感器误差状态评估方法 | |
CN104462808A (zh) | 安全水平位移与水位的滑动可变窗口动态数据拟合方法 | |
CN106646034A (zh) | 一种避雷器结构健康在线监测分析系统 | |
CN109284933A (zh) | 一种基于数理统计的电子式互感器状态评估系统及方法 | |
CN109443714A (zh) | 一种变压器有载分接开关机械状态监测方法 | |
CN106295240A (zh) | 一种基于模糊数学的电力变压器状态评估方法 | |
CN106443253A (zh) | 一种基于pmu数据的输电线路参数辨识方法 | |
CN112989580B (zh) | 一种考虑双向尺度的电路故障特征提取方法 | |
CN108828292B (zh) | 考虑接地排影响的氧化锌避雷器阻性电流在线监测方法 | |
CN111275292B (zh) | 一种基于模糊层次分析法的接地网状态评估方法 | |
CN111220928B (zh) | 一种高压避雷器的泄漏电流的空间电容干扰层次滤除方法 | |
CN109738686B (zh) | 一种电力系统暂态过电压快速判别方法及装置 | |
CN112000831A (zh) | 一种基于变电站图形转化的异常数据识别优化方法 | |
CN109324268B (zh) | 基于贝叶斯推理的配电网早期故障检测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |