基于小波变换和ICA特征提取的开关电路故障诊断方法

摘要

本发明公开了一种基于小波变换和ICA特征提取的开关电路故障诊断方法，步骤1：分类器训练以及构造故障字典，基于电路仿真，采用基于小波变换和ICA特征提取的方法获取特征参数，基于该特征参数构造故障字典以及训练分类器；步骤2：故障诊断：参照故障字典，针对待诊断的开关电流电路采用基于小波变换和ICA特征提取的方法获取特征参数，将该特征参数输入到训练后的分类器中对待测开关电流电路进行故障诊断，分类器的输出信号即为故障诊断结果本发明构思巧妙，易于实施，仿真证明，相比现有方法，能更准确的区分出各种故障类型。

说明书

技术领域

本发明涉及一种基于小波变换和ICA特征提取的开关电路故障诊断方法。

背景技术

开关电流(Switched Current，SI)技术是20世纪80年代末提出的一门模拟采样数据信号处理技术。 作为开关电容技术的替代技术，它用离散时间采样数据处理连续时间模拟信号，具有低电压、高速度、 低功耗、芯片面积小和高频特征好等优势，在最近十儿年获得了快速的发展。SI技术不包含线性电容和 高性能运算放大器，完全与数字CMOS工艺技术兼容，易于实现大规模数模混合电路的单片集成。然而， 数模混合信号电路中模拟部分的测试与诊断一直进缓慢。尽管近年来模拟电路的测试与故障诊断取得了 不少研究成果，但数字工艺的模拟技术-开关电流电路的测试与故障诊断一直滞后于开关电流电路的设 计与制造，这极大地阻碍了SI技术的发展。并且由于SI电路中MOS场效应管的非理想性能、开关电荷 流入、有限的频带宽度和非零输入输出电导比等因素更进一步增加了SI电路故障特征提取的困难性， 使SI电路故

障诊断还面临着很大的挑战。

近年来，在开关电流电路故障诊断故障诊断领域中，涌现出了一些有效而实用的测试和故障诊断方 法。在这些诊断方法中，特征提取对测试和测试系统起了相对关键的作用。在文献[黄俊，何怡刚.开 关电流电路故障诊断技术的初步研究.现代电子技术，2007，30(9)：76-78]中，作者参考模拟电路测 试与诊断方法简单讨论了SI基本存储单元的测试，对无MOS开关的基本存储单元电路进行了硬故障测试。 由于测量的是电流参数，造成用于测试和诊断的相关故障信息量不完整，以致于不能准确地进行故障定 位。

而在文献[Guo，J.，R.，He，Y.G.，Liu M.R..Wavelet neural network approach for testing  of switched-current circuits.J Electron Test，27：611-625，2011.]【记为文献[3]】中，作者利 用小波神经网络对SI电路进行诊断能正确无误地诊断出所有硬故障，但对软故障特别对低灵敏度晶体 管发生故障时的诊断率很低，仅为80％左右。另外，在文献[Long，Y.，He，Y.G.，&Yuan，L.F.Fault  dictionary based switched current circuit fault diagnosis using entropy as a preprocessor. Analog Integrated Circuits and Signal Processing，66(1)，2011：93-102.]【记为文献[1]】中， 作者第一次在SI电路测试和诊断中引入故障特征预处理概念，通过对采集到的故障响应信号进行信息 熵预处理特征提取，计算信息熵模糊集构建故障字典，进行故障分类，减少了计算和故障诊断时间，诊 断正确率达到95％左右，但该方法仅适应于中小规模开关电流电路的故障诊断。在文献[Zhang，Z.，Duan， Z.，Long，Y.，&Yuan，L.F.A new swarm-SVM-based fault diagnosis approach for switched current  circuit by using kurtosis and entropy as a preprocessor.Analog Integrated Circuits and Signal  Processing，vol.81，no.1.2014.]【记为文献[2]】中，作者增加了一个特征参数-峭度，提出了基 于粒子群支持向量机的信息熵和峭度预处理的SI电路测试和诊断方法，软故障诊断正确率有了进一步 的提高，达到99％左右，但是仍不能达到100％的故障诊断与识别。

因此，有必要设计一种新型的开关电路故障诊断方法。

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变换和ICA特征提取的开关电路故障诊断方法，该 基于小波变换和ICA特征提取的开关电路故障诊断方法易于实施，相比现有方法，能更准确的区分出各 种故障类型。

发明的技术解决方案如下：

一种基于小波变换和ICA特征提取的开关电路故障诊断方法，该方法用于开关电流电路的故障诊断， 所述的开关电路故障诊断方法包括以下步骤：

步骤1：分类器训练以及构造故障字典

基于电路仿真，采用基于小波变换和ICA特征提取的方法获取特征参数，基于该特征参数构造故障字典 以及训练分类器；

步骤2：故障诊断：

参照故障字典，针对待诊断的开关电流电路采用基于小波变换和ICA特征提取的方法获取特征参数， 将该特征参数输入到训练后的分类器中对待测开关电流电路进行故障诊断，分类器的输出信号即为故障 诊断结果；

所述的基于小波变换和ICA特征提取的方法包括以下步骤：

步骤a：产生伪随机信号作为测试激励信号；

伪随机信号为伪随机脉冲序列；

步骤b：定义故障模式：

对开关电流电路进行灵敏度分析，得到元件参数的改变对电网络系统特征的一阶改变，以定位电路 中最有可能发生故障的故障元件；并基于故障元件定位划分故障模式；故障元件的数量为N，则故障模 式的种类为2*N个；N为自然数；

步骤c.采集电路的原始响应数据：

用伪随机信号激励被测的开关电流电路，用ASIZ软件对被测开关电流电路的各种故障状态及正常状 态进行仿真，从开关电流电路的输出端采集到原始响应数据；该原始响应数据为电流或电压数据；

步骤d.采用Haar小波正交滤波器对原始响应数据进行预处理；

利用Haar小波正交滤波器作为采集序列的预处理系统，得到观测信号的低频近似信息和高频细节信 息；

步骤e.故障特征参数提取；

分别针对预处理后的信号计算低频近似信息和高频细节信息的熵和峭度；获得以下特征参数：低频近似 熵、低频近似峭度、高频细节熵和高频细节峭度。

步骤1中，构造故障字典的步骤为：

基于获取的低频近似熵和低频近似峭度分别得到低频近似熵模糊集和低频近似峭度模糊集；

根据获取的高频细节熵和高频细节峭度分别得到高频细节熵模糊集和高频细节峭度模糊集；

再根据低频近似熵、低频近似峭度、低频近似熵模糊集、低频近似峭度模糊集、高频细节熵、高频细节 峭度、高频细节熵模糊集和高频细节峭度模糊集构造故障字典，从而实现开关电路故障分类。

所述的信息熵的计算方法为：

信息熵$J\left(x\right)=k_1{\left(E\right\{\mathrm{xexp}({-x}^2/2)\left\}\right)}^2+k_2{\left(E\right\{\left|x\right|\}-\sqrt{2/\pi })}^2;$式中，$k_1=36/(8\sqrt{3}-9)$和k₂＝1/(2-6/π)，x是提 取到的被测电路输出端的原始电流响应数据经小波变换得到的数据；E表示期望值(即E为求均值操作)； 所述的峭度的计算方法为：

峭度kurt(x)＝E{x⁴}-3[E{x²}]²，x是提取到的被测电路输出端的原始电流响应数据经小波变换得到的数 据，E表示期望值(即E为求均值操作)。

模糊集是晶体管跨导值g_m在容差范围为5％或10％变化时所得到的信息熵或峭度的变化区间；

低频近似信息熵模糊集和高频细节信息熵模糊集均为一个数值区间；正常模式是指电路未发生故障 的模式；并给每一种故障模式和正常模式设定一个故障代码；

将故障模式、正常模式、故障代码和故障特征值以及故障特征模糊集作为一组数据列成一个表，如 果故障特征模糊集足以隔离出所有故障，即用现有信息建立用于开关电流电路故障分类的故障字典；伪 随机信号为采用8阶线性反馈移位寄存器产生的255位伪随机序列；

步骤b中，采用开关电流电路专业仿真软件A S I Z仿真对电路进行灵敏度分析以定位故障元件；

步骤c中，对各种故障模式和正常状态进行时域分析和30次蒙特卡罗分析，同时在电路的输出端以 250KHZ的采样频率对故障响应信号进行采样，得到的采样信号为原始响应数据。

所述的分类器为神经网络分类器或支持向量机分类器，所述的分类器为2个，一个分类器针对低频 近似熵和低频近似峭度，另一个分类器针对高频近似熵和高频近似峭度。

结合故障字典确定采用一个分类器还是2个分类器实施故障诊断，比如，采用低频分类器得到的结 果属于在故障字典中无法完全分隔开的故障，则需要进一步使用高频分类器进行分类。如图8中的F2 和F11存在重叠，如果使用低频分类器的结果是F2或F11，则需要用高频分类器进一步诊断到底是F2 还是F11，这样增加了准确性。

所述的神经网络分类器采用三层BP神经网络，具有2个输入端(即输入神经元数目2个)，分别输 入峭度和熵值，输出神经元数目为2N+1个，即电路的故障类别数目，隐层神经元预选为h个，h满足 n为输出节点数，n＝2，m为输出节点数，m＝2N+1，隐层神经元选取log-sigmoid 传输函数，输出神经元选取线性传输函数。

所述的开关电流电路为六阶切比雪夫低通滤波器电路或六阶椭圆带通滤波器电路。

具有输入数据，具有输出要求，则分类器的设计为现有技术，包括分类器的构造，分类器的训练等。

伪随机脉冲序列为脉冲电压信号，由移位寄存器产生，测试时由微处理器(如DSP)的IO端口输出。 伪随机序列系列具有良好的随机性和接近于白噪声的相关函数，并且有预先的可确定性和可重复性。因 为开关电流电路是属于模拟采样数据处理技术，是数字工艺的模拟技术。所以采用伪随机序列测试要比 正弦信号好。

针对每一个元件，有跨导值高于标称值的故障和低于标称值的故障；↓和↑分别表示某一个元件的 跨导比标称值低的故障和比标称值高的故障；

模糊区间是晶体管跨导值g_m在容差范围为5％或10％变化时所得到的信息熵的变化区间。与模糊控制 中的模糊集不是一个概念.用A S I Z软件仿真时有一个蒙特卡罗(Monte-Carla)分析功能，仿真时 进行了30次蒙特卡罗(Monte-Carla)分析，每一次分析可得到一组时域响应数据，可计算出相应低频 和高频信息熵，30次分析即可得到30个低频和高频信息熵，这30个信息熵在一个区间内，即构成了模 糊区间，即模糊集；

模糊集是晶体管跨导值g_m在容差范围为5％或10％(下面取5％举例说明)变化时所得到的信息熵的变 化区间。例如：Mg1↓故障跨导标称值是1.9134，故障值是0.9567，按容差5％变化，故障值变化区间为 0.9089-1.0045，计算出的信息熵变化区间为4.7353-5.5344，即信息熵模糊集。

通过模糊区间和图都可以区分所有故障，模糊区间没有重合就可以区分(从表2可看出，先看到低 频信息熵，可以看出13个故障模式中有些故障划分得不是很清晰，如Mi1↓故障和Mi1↓故障、Mb↓故 障和Mk↑故障和Mf1↑故障和正常状态的信息熵模糊集很接近。这六种故障状态需要进一步通过低频近 似信息熵来区分。

也可通过图来区分，纵坐标是高频和低频信息熵，它们不在同一水平线就可以区分相应故障。如图6所 示，可以看出有6个故障划分得不是很清晰，这六种故障状态需要进一步通过高频特征来区分，通过图 7可以看出，各故障特征划分比较清晰。【材料中需要对低频和高频做一些解释，什么叫低频，什么叫高 频。】

对本发明的理论基础和技术构思做如下说明：

小波变换基本理论

小波变换(WT)(Wavelet Transform)是一种时-频局部化方法，具有多分辨率分析的特征，其低 频部分的频率分辨率较高，时间分辨率较低。而高频部分的时间分辨率较高，频率分辨率较低。小波变 换分解信号为概貌部分和细貌部分，它将母小波ψ(x)经过伸缩和平移处理获得小波族，再对其进行相应 的变换处理。小波族可表示为：

${\psi }_{a,b}\left(x\right)=\frac{1}{\sqrt{a}}\psi \left(\frac{x-b}{a}\right)---\left(1\right)$

对于信号f(x)和母小波ψ(x)来说，其小波变换可表示为：

$c(a,b)=<f\left(x\right),{\psi }_{a,b}\left(x\right)>=\frac{1}{\sqrt{a}}{\int }_{-\infty }^{+\infty }f\left(x\right)\psi \left(\frac{x-b}{a}\right)\mathrm{dx}---\left(2\right)$

式中：a，b分别为母小波的伸缩和平移参数，c(a，b)为信号的小波系数。

事实上，对信号f(x)进行小波多分辨率分析，如果{V_j}_j∈Z为正交多分辨率分析，{W_j}_j∈Z为其 分解的小波空间，则信号f(x)在V_j上的正交投影是Pv_jf＝Pv_j+1f+Pw_j+1f，即：

$P_{V_j}f=\underset{k\in Z}{\Sigma }{c}_{j+1}^k{\phi }_{j+1,k}+\underset{k\in Z}{\Sigma }{d}_{j+1}^k{\psi }_{j+1,k}---\left(3\right)$

式中，为f(x)在2^j+1分辨率下的尺度系数，为f(x)在2^j+1分辨率下的小波系数，也就是说， c_j+1和d_j+1是f(x)在2^j+1分辨率下的概貌部分和细貌部分。所以，{V_j}_j∈Z将进行下面的空间分解：

$\left(\begin{array}{c}{V}_j=W_{j+1}\oplus V_{j+1}\\ =W_{j+1}\oplus (W_{j+2}\oplus V_{j+2})\\ =W_{j+1}\oplus W_{j+2}\oplus (W_{j+3}\oplus V_{j+3})\\ =W_{j+1}\oplus W_{j+2}\oplus W_{j+3}\oplus ...\end{array}\right)---\left(4\right)$

为了提高时频分辨率，小波变换可以进一步分解小波分析中没有经过细分的高频分量。小波分解的 方框图如图1所示。

Haar小波正交滤波器预处理

小波变换是近十儿年发展起来并迅速应用到数据压缩、信号处理和特征选择等众多领域的一种数学 工具，它是继一百多年前发明傅立叶分析之后的又一个重大突破。在众多正交函数中，Haar小波函数是 最简单的正交函数，与其它正交函数相比，它具有构造简单、计算方便的特点。Haar小波函数的正交集 是一些幅值为+1和-1的方波，而且在一段区间有值，其它区间为零，这使得Haar小波变换(HWT)比 其它小波变换要快。Haar小波函数通常用ψ(t)表示，其定义如下

$\psi \left(t\right)=\left(\begin{array}{cc}1& \mathrm{for}0<t<1/2\\ -1& \mathrm{for}1<2<t<1\\ 0& \mathrm{otherwise}\end{array}\right)$

Haar小波基函数φ(t)是一组分段常值函数组成的函数集，其定义为：

Haar正交小波变换可以等效为一组镜像滤波的过程，即信号通过一个分解高通滤波器和分解低通滤 波器，高通滤波器输出对应信号的高频分量部分，即细节信息，低通滤波器输出原始信号的相对较低的 频率分量部分，即近似信息。该滤波分解算法利用降采样的方法即在输出的两点中只取一个数据点，产 生两个为原信号数据长度一半的序列，记为CA和CD.

正交滤波器采用Haar小滤滤波器组。二通道分析与综合滤波器组的输入输出之间的关系可描述 为：

$\left(\begin{array}{c}{Y}_0\left(z\right)\\ Y{\left(z\right)}_1\end{array}\right)=\frac{1}{2}\left(\begin{array}{cc}{H}_0\left(z^{\frac{1}{2}}\right)& H_0\left({-z}^{\frac{1}{2}}\right)\\ H_1\left(z^{\frac{1}{2}}\right)& H_1\left(z^{\frac{1}{2}}\right)\end{array}\right)\left(\begin{array}{c}X\left(z^{\frac{1}{2}}\right)\\ X\left({-z}^{\frac{1}{2}}\right)\end{array}\right)$

$\left(\begin{array}{c}\hat{X}\left(z\right)=\begin{array}{}\end{array}\left(\begin{array}{cc}{G}_0\left(z\right)& G_1\left(z\right)\end{array}\right)\left(\begin{array}{c}{Y}_0\left(z^2\right)\\ Y_1\left(z^2\right)\end{array}\right)\\ =\left(\begin{array}{cc}{G}_0\left(z\right)& G_1\left(z\right)\end{array}\right)\frac{1}{2}\left(\begin{array}{cc}{H}_0\left(z^{\frac{1}{2}}\right)& H_0(-z^{\frac{1}{2}})\\ H_1\left(z^{\frac{1}{2}}\right)& H_1\left(z^{\frac{1}{2}}\right)\end{array}\right)\left(\begin{array}{c}X\left(z\right)\\ X(-z)\end{array}\right)\\ =\frac{1}{2}[G_0\left(z\right)H_0\left(z\right)+G_1\left(z\right)H_1\left(z\right)]X\left(z\right)\\ +\frac{1}{2}[G_0\left(z\right)H_0(-z)+G_1\left(z\right)H_1(-z)]X(-z)\\ =T\left(z\right)X\left(z\right)+\hat{T}\left(z\right)X(-z)\end{array}\right)$

其中：

$\left(\begin{array}{c}T\left(z\right)=\frac{1}{2}[G_0\left(z\right)H_0\left(z\right)+G_1\left(z\right)H_1\left(z\right)]\\ \hat{T}\left(z\right)=\frac{1}{2}[G_0\left(z\right)H_0(-z)+G_1\left(z\right)H_1(-z)]\end{array}\right)$

独立成分分析

独立成分分析(ICA)是从多元(多维)统计数据中寻找内在因子或成分的一种方法，它寻找的是 既统计独立又非高斯性的成分。ICA估计的一个非常直观和重要的原则是极大非高斯性^[23]。其思路是， 根据中心极限定理，非高斯随机变量之和比原变量更接近高斯变量。以ICA过程为例，如果混合变量是 多个独立源变量的线性混合，因而，与各独立源变量相比，混合变量与高斯分布较接近，即混合变量较 各独立源变量的高斯性强(或者说非高斯性弱)。因此，通过度量分离结果的非高斯性(或高斯性)，能 够监测分离结果之间的独立性。如果分离结果的非高斯性最大(或者高斯性最小)，说明完成了对独立 分量的分离。为了在ICA估计中采用非高斯性，需要有一个定量的判决准则来度量随机变量的非高斯性， 该判决准则有峭度(kurtosis)，负熵(negentropy)等。

用峭度来度量非高斯性

为了在ICA估计中使用非高斯性，一种称为峭度的四阶统计量因其具有四阶中心矩没有的一些有用 性质，使其在ICA算法中得到了应用。峭度是随机变量的四阶累积量的另一种叫法，它是在统计上能指 示一个随机变量非高斯性的最简单的量。可以说明，若x具有高斯分布，其峭度为零。x的峭度kurt(x) 可定义为：

kurt(x)＝E{x⁴}-3[E{x²}]²    (5)

非高斯性通常可由峭度的绝对值来度量，峭度或其绝对值已在ICA和相关领域被广泛地用做非高斯 性的度量，这主要是因其无论从计算上还是理论上都非常简单。从计算的角度，峭度可以简单地使用样 本数据的四阶矩来估计(如果样本数据的方差保持不变)。理论分析也因下面的线性特点而变得简单： 如果x₁和x₂是两个独立的随机变量，则下面两式恒成立：

kurt(x₁+x₂)＝kurt(x₁)+kurt(x₂)    (7)

kurt(αx₁)＝α⁴kurt(x₁)    (8)

式中，α为常数。

用负熵来度量非高斯性

在实际应用中，因为峭度的值只能从测量样本中估计，峭度可能对野值(outliers)极其敏感， 使得峭度方法也存在一些缺点。因此将负熵作为非高斯性的第二个重要的度量，负熵在很多方面都与峭 度特征相反，其鲁棒性好但是计算复杂。

负熵的概念来自微分熵这个信息论参量，这里我们简单地将微分熵称为熵。熵是信息论的基本概念， 一个密度为p_x(η)的随机变量，其微分熵定义为：

H(x)＝-∫p_x(η)log p_x(η)dη    (9)

为了导出合理的非高斯性度量，使其为非负的量值，且对高斯变量其取值为零，可以利用一种称为 负熵的量，它实际上是微分熵的一种标准化版本。负熵J的定义如下：

J(x)＝H(x_gauss)-H(x)    (10)

其中x_gauss是与x具有相同相关(和协方差)矩阵的高斯随机向量。

一个有用的思路是将高阶累积量近似方法推广，使用一般形式的非二次函数的期望，可以将多项式 函数x³和x⁴替换成为其他的一般性函数Gⁱ(这里i是标号而非乘方)，该方法给出了基于期望 E{Gⁱ(x)}来近似负熵的简化形式。作为一个简单特例，可以使用任意两个非二次函数G¹和G²，只要使 G¹是奇函数而G²是偶函数，得到如下估计：

J(x)≈k₁(E{G¹(x)})²+k₂(E{G²(x)}-E{G²(v)})²    (11)

式中，k₁和k₂是正常数，v是零均值单位方差(即标准化过)的高斯变量。变量x也是标准化的(具 有零均值单位方差)。注意，即使在该近似并不是非常准确的情况下，式(11)仍然可以用于构建非高 斯性的度量。

当在开关电流电路输出端采集到原始时域响应数据后，经过Haar小波正交滤波器预处理，选择两个 函数G¹和G²，根据公式(11)，可计算得到预处理后信号的负熵，为了度量双模态/稀疏性，选择拉普拉 斯对数函数密度^[1]

G²(x)＝|x|    (12)

为了度量反对称性，使用下面的函数G¹：

G¹(x)＝xexp(-x²/2)    (13)

根据公式(8)，得到信息熵：

$J\left(x\right)=k_1{\left(E\right\{\mathrm{xexp}({-x}^2/2)\left\}\right)}^2+k_2{\left(E\right\{\left|x\right|\}-\sqrt{2/\pi })}^2---\left(14\right)$

式中，和k₂＝1/(2-6/π)

这样我们得到了能在峭度和负熵两个经典的非高斯性度量间取得很好折中的负熵近似估计，其概念 简单，计算量小，且具有良好的统计特性，特别是鲁棒性。

方法说明

首先采用线性反馈移位寄存器(LFSR)生成周期性伪随机序列，由8阶L F S R产生255位伪随机 序列长度，获得带限白噪声测试激励。然后定义故障模式，采集电路原始响应数据，利用Haar小波正 交滤波器作为采集序列的预处理系统，实现一路输入两路输出，得到观测信号的低频近似信息和高频细 节信息。最后计算相应的信息熵及其模糊集，提取最优故障特征，构建故障字典，该字典用于完成各故 障模式的故障的准确分类。其故障诊断流程图如图3所示。

步骤1为产生伪随机测试激励信号。

为了体现伪随机测试激励相比正弦信号激励的优势，本发明还给出了255位伪随机信号激励与正弦 信号激励下的软故障类故障字典，如表4所示。仍采用表3中相同的故障类，可以看出，与正弦信号激 励相比，伪随机信号测试能达到一个高的故障分类率。

有益效果：

本发明的基于小波变换和ICA特征提取的开关电路故障诊断方法，采用伪随机信号激励经蒙特卡罗 分析、Haar小波正交滤波器分解和信息熵、峭度及模糊集的计算来实现开关电流电路故障字典获取，从而 完成对故障的分类，再参照故障字典，设计了两种分类器用于故障诊断，本发明的核心在于采用线性反馈 移位寄存器(LFSR)生成周期性伪随机序列，获得带限白噪声测试激励，利用Haar小波正交滤波器分 解，得到原始响应数据的低频近似信息和高频细节信息。计算相应的信息熵、峭度及其模糊集，提取最 优故障特征，构建故障字典，最终完成分类器的训练，并基于分类器对电路实施精确诊断。

实施例部分对六阶切比雪夫低通滤波器以及对6阶椭圆带通滤波器进行了仿真实验验证，说明了采用 伪随机信号激励相比于正弦信号激励更能获得准确的分类和诊断结果，并因此获得了极高的基于信息熵的 故障分类准确率，与其它方法进行比较，实验结果显示了本发明方法定位故障的准确性更高，具备显著的 优越性。

Haar小波正交滤波器分解是本发明的关键，因为形成了高频信息和低频信息，从而为后续的精确分类 提供了极大便利，否则，单靠一种数据进行分类，其精确性要大打折扣。

故障字典的意义在于，基于故障字典，能进一步通过神经网络或支持向量机等分类器对待测电路进行 故障诊断，从而更准确的区分故障故障，如果不参考故障字典，分类器输出的结果可能存在较大误差，因 为，如果某2个故障无法很好的通过故障字典区分开来，那么分类器输出的结构如果是a故障，可能实际 上是b故障，而有了故障字典，如果a和b故障没有很好的区分，则需要使用另一个分类器对a和b做进 一步区分，从而实现准确的诊断，而故障字典在诊断过程中就起到了分割各自故障的作用。

本发明设计了2个分类器，分别基于低频特征和高频参数分类，结合故障字典，这种分类器组合使用 时，故障诊断率相对现有技术技术获得了极大的提高。这是本发明的独创所在。

总而言之，本发明在峭度和负熵两个经典的非高斯性度量间取得很好折中的负熵近似估计，其概念 简单，计算量小，且具有良好的统计特性，特别是鲁棒性，另外，结合小波分解、峭度、模糊集形成最 终的故障字典，能准确的区分各种故障从而进一步实施故障诊断，本发明的方法相对于现有故障诊断方 法具有明显的优势。

附图说明

图1为小波(小波包)分解示意图；

图2为获取故障字典的流程图。

图3为六阶切比雪夫低通滤波器电路原理图；

图4为6阶椭圆带通滤波器的结构图；

图5为二通道分析与综合滤波器组框图；

图6为低通滤波器低灵敏度晶体管13种软故障类别低频特征分布图；

图7为低通滤波器低灵敏度晶体管6种软故障类别高频特征分布图；

图8为六阶切比雪夫低通滤波器11种软故障类别低频特征分布图；

图9为六阶切比雪夫低通滤波器4种软故障类别高频特征分布图；

图10为六阶椭圆带通滤波器15种软故障类别低频特征分布图；

图11为六阶椭圆带通滤波器4种软故障类别高频特征分布图。

图12为本发明的总体流程图。

具体实施方式

以下将结合附图和具体实施例对本发明做进一步详细说明：

如图2所示，首先采用线性反馈移位寄存器(LFSR)产生周期性伪随机序列，合理选择伪随机序列 长度，获得带限白噪声测试激励。然后定义故障模式，进行故障模拟，采集电路原始响应数据，利用Haar 小波正交滤波器作为采集序列的预处理系统，获得原始响应数据的低频近似信息和高频细节信息，实现 一路输入两路输出。接下来进行ICA故障特征提取，分别对高频和低频两路输出信号计算其微分(负) 熵和峭度及其模糊集，获得最优故障特征。最终将这些最优故障特征应用于神经网络故障分类器进行开 关电流电路的故障诊断，以实现故障元件正确而有效地识别。

本发明考虑两个典型开关电流诊断电路，即六阶切比雪夫低通滤波器电路和六阶椭圆带通滤波器电 路。其中，低通滤波器考虑软故障和硬故障情形，软故障还考虑了低灵敏度晶体管发生故障情形。而对 于带通滤波器电路仅仅考虑软故障情形。分别给这两个滤波器电路施加测试激励，测试激励信号采用一 个由8阶线性反馈移位寄存器产生的255位伪随机序列信号，伪随机序列能加大正常电路模式和故障模 式的电路输出响应的差别，易于实现故障的定位。并易于产生高质量测试标识信号，减少了测试成本。 在伪随机序列激励下，在两个电路输出端进行采样可获得各自的故障时域响应信号。

针对诊断电路1-六阶切比雪夫低通滤波器电路的分类

图3所示即为六阶切比雪夫低通滤波器电路，图中也给出了MOS晶体管的规一化跨导值。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。在滤波器电路中， MOS晶体管跨导g_m的容差范围分别是5％或10％。对电路施加测试激励信号进行模拟时，假设电路中晶体 管跨导值在各自的容差范围内变化，则表示电路是即正常状态(NF)。

利用ASIZ开关电流专业仿真软件对该电路进行灵敏度分析，分析结果表明Mg1，Mf1，Mi1，Mb，Mh 和Mk取值的变化对电路输出响应影响较大，因此选择这6个晶体管进行故障诊断分析。当这6个晶体 管的任何一个上下偏移其标称值50％，而其它五个晶体管在它的容差范围内变化时，对电路进行ASIZ仿 真可获得故障响应，此时电路发生了软故障。这样可得到13个故障类别分别为Mg1↑，Mg1↓，Mf1↑，Mf1 ↓，Mi1↑，Mi1↓，Mb↑，Mb↓，Mh↑，Mh↓，Mk↑，Mk↓和NF。这里↑和↓意味着故障值高于或低于标称g_m值的50％所对应的故障状态，表1给出了六阶切比雪夫低通滤波器低灵敏度晶体管的标称值和故障值以 对应的故障类别及故障代码。

表1低通滤波器低灵敏度晶体管的软故障类别及其对应值

为了与文献[1]相比较，本发明还考虑了文献[1]中六阶切比雪夫低通滤波器诊断实例中相同的故障 类别，均假设发生故障时晶体管跨导值偏移了50％，共有11种故障状态如表2所示。

表2六阶低通滤波器晶体管的软故障类别及对应值

硬故障情形：硬故障即灾难性故障，六种灾难性故障分别是栅源短路故障(GSS)、漏源短路故障(DSS)、 源极开路故障(SOP)漏极开路故障(DOP)、栅漏短路故障(GDS)、和栅极开路故障(GOP)。可采用以 下方式来模拟上述六种灾难性故障：模拟栅源短路故障时可以在栅极和源极之间加上一个小电阻；而模 拟源极开路故障时则在源极端加上一个大电阻等等。当图3中Mb和Mk产生了灾难性故障，这些灾难性故 障时域响应信号经过预处理器后提取其故障特征，构成13种故障模式如表3所示。

针对诊断电路2-六阶椭圆带通滤波器电路进行故障分类

图4所示的即为六阶椭圆带通滤波器电路，其晶体管跨导值如图中所示。跨导的容差为5％或10％，中 心频率为1KHz。表4给出了电路的软故障类别以及晶体管的标称值和故障值设定情形。

表3六阶低通滤波器晶体管的硬故障类别及对应值

表4六阶椭圆带通滤波器晶体管标称值和故障值及软故障类别

Haar小波正交滤波器预处理

为了更加有效地提取故障特征，对故障响应信号进行Haar小波正交滤波器预处理。这种处理能够对 高频信息进行更加精细的分解，该分解无冗余、无疏漏，可以同时在信号的高频和低频带进行频率和时 间分辨率分析，提高时频分辨率。

Haar正交小波变换可以比作一组镜像滤波，即将待分析信号经过两组滤波器进行滤波，其工作过程 是：信号分别输入到一个分解高通滤波器和分解低通滤波器中，信号的高频分量部分(细节信息)从高 通滤波器中输出，信号的低频分量部分(近似信息)从低通滤波器中输出。即可获得信号的近似信号 和细节信号。高频和低频是小波分解领域的通用术语。

图5表示的是二通道分析与综合滤波器组的流程图。从图中可看出，H₀(z)是低通滤波器，H₁(z)是高 通滤波器。图5中的正交滤波器采用Haar小滤滤波器组。以六阶椭圆带通滤波器软故障诊断(表4) 为例来说明Haar小波正交滤波器预处理过程，详细分解过程如下：对椭圆带通滤波器电路15种故障状 态实施时域分析和30次蒙特卡罗(Monte-Carla)分析，分析时取采样频率为100KHZ，获得具有158个 采样点的故障响应信号。也就是说，每种故障类别可获得30个时域故障响应样本，每个样本包含158 个采样点。接着对这30个样本信号实施Haar小波正交滤波器预处理，获得原始响应数据的低频近似信 息和高频细节信息，实现一路输入两路输出。所以，对于每种故障类别来说，其时域故障响应特征具有 30个样本，且每个样本包含2个属性(低频近似信息和高频细节信息)。总共15种故障类别共组成了 900个时域响应样本。

ICA故障特征提取

根据第3节所提出的独立成分分析方法和极大非高斯性判决准则，对以上两个开关电流滤波器电路 进行ICA故障特征提取。

ICA是指独立成分分析(Independent Component Analysis)的英文缩写。

故障特征表示峭度和(负)熵两个非高斯性特征参数。

在MATLAB环境下计算各种故障类别的低频近似峭度和(负)熵以及高频细节峭度和(负)熵，这 样获得了各种故障类别的故障特征参数。接下来，对30次蒙特卡罗分析后的时域故障响应样本进行ICA 故障特征提取，获得每种故障类别相应的故障特征模糊集。

具体提取以下数据：低频近似熵、低频近似峭度、低频近似熵模糊集、低频近似峭度模糊集、高频 细节熵、高频细节峭度、高频细节熵模糊集、高频细节峭度模糊集(即表5中第一行各列数据)

用峭度和(负)熵来度量非高斯性。在MATLAB环境下计算各种故障类别的低频近似峭度和(负) 熵以及高频细节峭度和(负)熵，这样获得了各种故障类别的故障特征参数。接下来，对30次蒙特卡 罗分析后的时域故障响应样本进行ICA故障特征提取，获得每种故障类别相应的故障特征模糊集。

首先提取六阶切比雪夫低通滤波器的软故障特征。表5给出了六阶切比雪夫低通滤波器低灵敏度晶 体管软故障类故障特征。根据表5首先可获得13种故障类别的低频特征分布图，如图6所示。从图6 中可看出，F3，F6，F10故障类别之间和F4，F9，F13故障类别之间发生了比较严重的类别重叠。除这两组 故障类别外，其它各个故障类别都获得了比较好的分离。图7是以上两组故障类别(6个故障类)的高 频特征分布图，在图7中，6个故障类别都得到了有效的区分。

表5六阶切比雪夫低通滤波器低灵敏度晶体管软故障类故障特征

为了与文献[1]比较的方便性，本发明选择与之相同的故障类别(如表2所示)。表6给出了6阶切 比雪夫低通滤波器软故障类故障特征，由表6可分别获得六阶切比雪夫低通滤波器11种软故障类别低 频特征分布图(图8)和4种软故障类别高频特征分布图(图9)。在图8中，11种故障类别中有两组 故障类别(F2和F11，F1和F5)出现了较大的重叠，需要进一步通过高频特征分布图来区分。而在图9 中，这两组故障类别得到了很好的区分。

然后，对表3所示的六阶切比雪夫低通滤波器的硬故障类别进行ICA故障特征提取。 最后，对第二个诊断电路即六阶椭圆带通滤波器电路进行ICA故障特征提取。表8给出了六阶椭圆带通 滤波器的软故障类故障特征。图10-图11分别给出了该电路15种软故障类别低频特征分布图和4种软 故障类别高频特征分布图。在图10中，故障类别F6和F8之间以及F1和F4之间均发生比较严重的重 叠现象，而在图11中，这两组故障类别都有了进一步的分开，得到了完全的分离。

具体的分类器的训练过程不再累述，属于现有成熟技术。

表6六阶切比雪夫低通滤波器晶体管软故障类故障特征

表7六阶切比雪夫低通滤波器晶体管硬故障类故障特征

表8六阶椭圆带通滤波器晶体管软故障类故障特征

诊断结果分析

按照图6-图11所示的故障类别低频和高频特征分布图和式(15)所决定的BP 神经网络来对开关电流滤波器电路进行故障诊断。为了体现本发明方法相对其它 文献方法的优性将本发明针对六阶切比雪夫低通滤波器的诊断结果与文献[3]、 文献[1]和文献[2]中针对该电路的诊断结果进行诊断效率的比较，如表9所示。

在文献[1]中，硬故障类别数目是9，定义了GSS、GDS、SOP和DOP四种硬故 障类型，硬故障诊断效率为100％，表明能区分所有硬故障类别。软故障类别数 目是11，由于测试激励采用的正弦信号，且没有对故障特征进一步提取优化， 导致诊断效果不是特别理想，软故障诊断效率只有95％左右，不能区分Mg1↓、Mi ↑、Mg1↑和Mi↓四种软故障类别。而在本发明方法中，硬故障类别数目是13， 增加了GSS和GOP两种硬故障类型，同样能区分所有硬故障，诊断效率为100％。 软故障类别与文献[1]相同，而软故障诊断效率却达到100％，成功诊断区分了所 有软故障状态。

表9六阶切比雪夫低通滤波器的各种故障诊断方法比较

另外，文献[3]采用小波神经网络方法对六阶切比雪夫低通滤波器进行了故 障测试。该方法对于GSS、GDS、SOP、DOP、GSS和GOP六种硬故障类型测试，达 到了100％的诊断正确率。但当电路中低灵敏度晶体管发生软故障时，由于灵敏 度低，其故障响应大多与正常状态接近，导致故障被屏蔽而不能对软故障却达到 好的诊断效果，故文献[3]方法的低灵敏度晶体管软故障诊断效率仅为80％。然 而，在本发明方法中，软故障类别数目是13，软故障同样是针对文献[3]方法中 不能正确区分的低灵敏度晶体管进行测试。本发明方法对低灵敏度晶体管软故障 类别也达到了100％的正确分类率。

最后，在文献[2]中，该方法没有针对硬故障类型进行诊断。而在软故障诊断 中，虽然相对文献[1]来说，诊断效率有所提高，将文献[1]中不能区分的四种软 故障类别(Mg1↓、Mi↑、Mg1↑和Mi↓)成功区分了三种，但还有Mg1↑故障 不能正确区分。而本发明方法能成功区分所有软故障类别。

本发明还针对六阶椭圆带通滤波器进行了软故障诊断，同样达到较好的诊断效 果，诊断正确率达到了100％。

神经网络的确定

按照以上各节提出的设计方法，对图3和图4所示的两个滤波器电路实施神经网络的故 障诊断。工作包括测前训练和测后诊断两部分，测前，在伪随机激励下，获得电路的各种故 障状态和正常状态数据，提取ICA故障特征向量作为训练样本，训练好神经网络。实际诊 断时，将测量所得到的输入特征向量输入到训练好的神经网络中，进行模式识别，神经网络 就能自动对故障类别进行分类。

本文采用经典的三层BP神经网络来进行开关电流电路的故障诊断。隐层神经元选取 log-sigmoid传输函数，输出神经元选取线性传输函数。根据具体的模式识别任务，神经网 络的输入节点数就是提取的ICA特征向量数，输出节点数即故障类别数，而隐层节点数就 采用一个经验公式来确定，经验公式如下：

$\sqrt{n+m}+1\le h\le \sqrt{n+m}+10---\left(15\right)$

式中，n为输出节点数，m为输出节点数，h为隐层节点数。比如：对于六阶切比雪夫低通 滤波器低灵敏度晶体管软故障诊断来说，输入神经元数目2个，即峭度和熵值，输出神经元 数目13个，即电路的故障类别。根据公式(15)，隐层神经元预选为5个。

5结论

本发明诊断结果表明，本发明提出的基于小波变换和ICA特征提取的故障诊 断系统能有效地实施开关电流电路的故障诊断，对两种滤波器电路实现了儿乎 100％的故障诊断正确率，并将本发明方法和其它文献方法采用的方法做了比较分 析，证明了本发明所采用方法的优越性，诊断效果令人满意。小波变换能有效地 提取电路故障特征，利用Haar小波正交滤波器作为采集序列的预处理系统，实 现一路输入两路输出，得到观测信号的低频近似信息和高频细节信息。接下来进 行ICA故障特征提取，分别对高频和低频两路输出信号计算其(负)熵和峭度及 其模糊集，获得最优故障特征。通过对六阶切比雪夫低通滤波器和六阶椭圆带通 滤波器的软故障和硬故障仿真实验证明了该方法的高效性，是一种高诊断效率的 开关电流电路故障诊断方法。