[发明专利]一种基于改进的经验小波变换的模拟电路故障诊断方法

权利要求书

1.一种基于改进的经验小波变换的模拟电路故障诊断方法，其特征在于，包括以下步骤：

(1)、利用蒙特卡罗统计方法对模拟电路进行仿真分析，获取在k种故障状态下模拟电路输出端的k×n组电压信号v_ij(t)，i＝1,2,…,k,j＝1,2,…,n，n表示采集电压信号的组数；

(2)、利用改进的经验小波变换方法对电压信号v_ij(t)进行自适应分解，得到电压信号v_ij(t)的m个模态分量ewt_ijq，q＝0,1,2,…,m-1；

(2.1)、设置Welch法中分段序列的快速傅里叶变换的长度nfft为Max{2^a|2^a＜len,a∈N^*}，其中len表示v_ij(t)的长度，N^*表示正整数集合，Max表示取集合中值最大的元素，然后通过Welch法计算电压信号v_ij(t)的功率谱密度G_ij(f_b)，f_b表示离散频率点，b＝0,1,…nfft/2-1；

(2.2)、利用孤立森林算法获得功率密度谱G_ij(f_b)中异常功率谱密度对应的频率，并将这些频率构成集合A_ij；

(2.3)、利用局部最大最小值法提取功率密度谱中的局部最大值集合Max_ij，局部最小值集合Min_ij，通过功率密度谱获得Max_ij和Min_ij中每个元素所对应的频率，分别得到Max_ij与Min_ij对应的频率集合Max_Fr1_ij，Min_Fr_ij；

(2.4)、将Max_Fr1_ij与A_ij做交运算，得到新的频率集合Max_Fr2_ij，忽略频率集合Max_Fr2_ij中最后一个元素得到频率集合Max_Fr3_ij；

(2.5)、计算出分割傅里叶频谱的边界集合其中，Min表示取集合中值最小的元素；

(2.6)、根据边界集合Boundaries_ij构建小波函数和尺度函数

其中，ω_q∈{Boundaries_ij∪{0，π}}，τ_q＝γω_q,0＜γ＜1，β(z)是一个函数且满足

(2.7)、基于经验小波函数对v_ij(t)进行模态分解，得到m-1个细节分量，每个细节分量表示为其中

利用尺度函数对v_ij(t)进行模态分解，得到1个近似分量，近似分量表示为：其中符合“—”表示求共轭，符合“∧”表示傅里叶变换，符合“∨”表示傅里叶反变换；

将m-1个细节分量和1个近似分量共同组成m个模态分量ewt_ijq；

(3)、利用排列熵算法计算模拟电路处于第i种故障状态下电压信号v_ij(t)的每个模态分量ewt_ijq的排列熵值P_ijq，然后将m个排列熵值作为表征故障状态i的特征向量P_ij；

(4)、将每种故障状态下的n组特征向量P_ij用于训练最小二乘支持向量机模型；

(5)、按照步骤(2)-(3)获得该模拟电路所处未知故障状态下的一组特征向量，然后将其输入至(4)中训练好的最小二乘支持向量机模型，得到模拟电路所处的故障状态i；

其中，所述步骤(2.2)中构成集合A_ij的具体方法为：

设置孤立树的数量为M，并随机选取N个训练数据作为子样本，放入到树的根节点；利用电压信号的功率谱密度G_ij(f_b)训练孤立树，形成孤立森林；再次输入电压信号的功率谱密度G_ij(f_b)，得到每个功率谱密度分别在M棵iTree中对应高度h(G_ij(f_b))的平均值E(h(Gij(fb)))；计算得到每个功率谱密度对应的异常分值score；

H(*)＝ln(*)+e，e为常数；

最后，设置阈值为lim，将异常分值score大于lim的功率谱密度进行筛选，保留异常功率谱密度，得到异常功率谱密度对应频率所构成的集合A_ij。