[发明专利]基于多小波分析及SVM的X射线高压电源故障诊断方法

说明书

本发明属于电源故障探测技术领域，公开了一种基于多小波分析及SVM的X射线高压电源故障诊断方法；利用多小波工具对采集到的电源工作信号进行多尺度分解；对获取的多小波高频分量系数进行软阈值处理，去除信号中的噪声；计算不同尺度下高频系数的绝对值之和、能量及能量熵并归一化，然后将多种特征组合成新的特征向量；将特征向量送入训练好的SVM获得最终的诊断结果。本发明克服了单小波在电源工作信号分析中的不足，结合有较强泛化能力的SVM算法进行故障诊断，提高了故障诊断的性能，并且为实现X射线高压电源小型化、高频化和产业化提供技术支撑和理论依据。

技术领域

本发明属于电源故障探测技术领域，尤其涉及一种基于多小波分析及SVM的X射线高压电源故障诊断方法。

背景技术

目前，业内常用的现有技术是这样的：X射线高压电源是X射线电子系统的主要部件，其性能决定了X射线应用系统的使用寿命，重要意义不言而喻。X射线高频高压电源具有如下优点：输出电压等级高、精度高、温漂小、稳定性好、纹波系数小、体积小、重量轻等优点，因此被广泛应用于医疗、科教、工业等领域，如医疗诊病、无损检测、公共交通、安全检查等方面的各种类型X光机仪器设备中的X射线管专用高压电源。然而，由于高压电源电路集成度、复杂度高，微小故障可能引发灾难性的事故，另外高压电源高频化也会导致电源元器件的寄生效应明显，使设备本身转变为一个非线性、时变的复杂系统，难以建立精确的数学模型加以描述。因此探索解决高压电源故障诊断的有效方法，构建故障在线控制数学模型，遏制故障发生，保障设备安全运行，成为目前学者们的研究热点和难点。一般X射线高压电源故障诊断方法主要包含3个关键步骤：首先对于输入信号进行预处理；然后对信号进行特征提取和融合；最后对信号的特征空间分类决策。目前常用的信号预处理方法有传统的滤波器法或小波软、硬阈值系数收缩法。特征提取的方法有多种多样，有基于统计学方法(计算原始信号的均值、方差、最大值及最小值等)、频域变换法、深度学习网络法等。分类决策手段主要依赖于人工智能理论中有监督的机器学习算法，如：逻辑回归、KNN、Adaboost和SVM等。SVM作为一种经典的有监督二分类模型，且基于结构风险最小化理论，通过构建最优超平面获得全局最优解，具有较强的泛化能力，不仅可以解决线性与非线性问题，而且很容易扩展到多元分类，因此采用SVM作为最终的故障诊断器。目前基于统计学方法的分析目标是原始信号，忽略了信号的时频特性，并且特征过于单一导致信号的区分度过低，无法准确诊断出故障信号。傅立叶变换作为经典的时频分析手段能够很好地揭示平稳信号的特征，但X射线高压电源的工作状态为一个非稳定、非线性的复杂系统，傅立叶变换不足以刻画信号特性，因此小波变换成为主要的分析手段。目前应用最为广泛的小波是Daubechies小波系列，它可以对信号实现多尺度分解，但单小波无法匹配信号中多种特征波形。

综上所述，现有技术存在的问题是：

(1)目前基于统计学方法的分析目标是原始信号，忽略信号的时频特性，并且特征过于单一导致信号的区分度过低，无法准确诊断出故障信号。

(2)傅立叶变换作为经典的时频分析手段能够很好地揭示平稳信号的特征，但X射线高压电源的工作状态为一个非稳定、非线性的复杂系统，傅立叶变换不足以刻画信号特性，导致诊断精度较低。

(3)目前应用最为广泛的小波是Daubechies小波系列，对信号实现多尺度分解，分频抽取信号故障特征，克服单小波无法匹配X射线高压电源工作信号中多种特征波形，进而提高诊断精度。

解决上述技术问题的难度：

本发明首先是对X射线高压电源工作波形的表征与分析，多小波理论作为数学领域中理论基础较为扎实的信号分析工具，如何将多小波域中的分频信号进行特征表示是本发明的一个最大的重点与难点。

解决上述技术问题的意义：

本发明克服了单小波在电源工作信号分析中的不足，结合有较强泛化能力的SVM算法进行故障诊断，提高了故障诊断的性能，并且为实现X射线高压电源小型化、高频化和产业化提供技术支撑和理论依据。

发明内容