[发明专利]基于小波变换和ICA特征提取的开关电路故障诊断方法

权利要求书

1.一种基于小波变换和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，其特征在于：

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：

信息熵式中，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；

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；

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ASIZ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；

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，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；

伪随机脉冲序列为脉冲电压信号，由移位寄存器产生，测试时由微处理器的IO端口输出。

2.根据权利要求1所述的基于小波变换和ICA特征提取的开关电路故障诊断方法，其特征在于，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。