基于小波分析的最優(yōu)故障特征提取研究

王勤勇，王月海，潘國慶，馮建呈

(1.北京開放大學(xué) 遠程教育與開放學(xué)習(xí)研究院，北京　100081；2.北方工業(yè)大學(xué) 電子信息工程學(xué)院，北京　100144；3.北京航天測控技術(shù)有限公司，北京　100037)

?

基于小波分析的最優(yōu)故障特征提取研究

王勤勇1，王月海2，潘國慶3，馮建呈3

(1.北京開放大學(xué) 遠程教育與開放學(xué)習(xí)研究院，北京100081；2.北方工業(yè)大學(xué) 電子信息工程學(xué)院，北京100144；3.北京航天測控技術(shù)有限公司，北京100037)

針對因模擬電路的故障模型復(fù)雜、有容差、非線性等導(dǎo)致的模擬電路故障特征提取難度大、嚴(yán)重依賴于專家的經(jīng)驗的現(xiàn)狀，對基于小波分析的模擬電路最優(yōu)故障特征提取技術(shù)進行了研究；以四運放電路為實驗基礎(chǔ),采用Morlet和Haar兩種小波基分別從不同的維度上做數(shù)據(jù)預(yù)處理，能量化、歸一化后組成故障特征,而后通過克隆選擇算法的診斷結(jié)果分析對比特征提取的效果；實驗結(jié)果為通過兩種小波基提取的故障特征在不同的情況下達到最高故障診斷率均接近89%，表明基于兩種小波基的故障特征提取技術(shù)都是優(yōu)秀可用的，以及單點采樣數(shù)據(jù)的有效性；同時實驗結(jié)果還反映了模擬電路故障特征的詳細程度與診斷正確率成正比例關(guān)系；這對實際復(fù)雜模擬電路的故障特征提取具有指導(dǎo)性的意義。

故障特征提取；小波分析；四運放電路；克隆選擇算法；模擬電路

0　引言

隨著模擬電路的復(fù)雜程度和集成度不斷增長，模擬電路故障的智能診斷成為了一個不斷凸顯和急需解決的問題。在現(xiàn)有模擬電路的智能故障診斷中，提取恰當(dāng)?shù)墓收咸卣魇悄M電路故障診斷關(guān)鍵環(huán)節(jié)和首要任務(wù)。由于模擬電路的故障模型復(fù)雜、元器件存在容差、非線性、高噪聲等原因，導(dǎo)致目前模擬電路故障特征提取嚴(yán)重依賴于專家的經(jīng)驗[1-3]。

以四運放電路為實驗電路，使用小波分析方法，對模擬電路最優(yōu)故障特征提取技術(shù)進行了實驗研究。實驗采用兩種具有代表性的小波(連續(xù)小波Morlet、離散小波Haar)在高低頻、多層、多尺度上的分解后，通過能量化、歸一化后構(gòu)成故障特征；實驗指標(biāo)為將所有特征數(shù)據(jù)輸入診斷算法后的診斷正確率。

克隆選擇算法(clonal selection algorithm，CSA)作為人工免疫算法(artificial immune system，AIS)的一種，具有收斂速度快、能夠避免陷入局部最優(yōu)，且具有自學(xué)習(xí)能力的優(yōu)點[4-9]，所以被選為用于測試的故障診斷算法。

1　克隆選擇算法

1)克隆選擇算法原理：

克隆選擇算法在原理上，模擬了生物體內(nèi)的淋巴細胞因抗原而激活，通過細胞克隆、變異等操作產(chǎn)生抗體，實現(xiàn)對抗原識別的過程[7]。De Castro和Von Zuben[4]依據(jù)克隆選擇的基本原理，提出了克隆選擇算法(CSA)，并闡述了算法的基本流程。原理核心對應(yīng)了算法中親和度成熟的過程，通過復(fù)制和隨機變異使個體在親和度上達到“成熟”。

2)克隆選擇算法與故障診斷：

克隆選擇算法用于故障診斷大致通過3個階段完成：(1)準(zhǔn)備故障樣本數(shù)據(jù)。(2)輸入樣本數(shù)據(jù)對算法進行訓(xùn)練，得到各個故障模式的聚類中心。(3)通過聚類中心實現(xiàn)對故障樣本數(shù)據(jù)的分類，確定出故障類型。

故障診斷過程的算法實現(xiàn)，為彭良玉，禹旺兵[8]提取的克隆選擇算法。并針對算法具體步驟中存在的兩點問題進行了改進：(1)親和度計算，在個體與種群中心相同的情況下會出現(xiàn)計算溢出。改進方法是將步驟3中的親和度計算方法修改為：f=1/(1+d)。(2)故障診斷時的判決條件是設(shè)定統(tǒng)一的判定半徑，這會造成故障拒分、多分，而且存在判定半徑的大小本身難以確定的情況。本文改進方法是取消了診斷中的判定半徑，直接根據(jù)故障個體到故障中心的最小距離來判定所屬故障類。(即分別計算測試樣本與所有聚類中心的距離D，根據(jù)最小距離D認定測試樣本所屬故障類別。)

2　故障特征提取

1)小波變換函數(shù)的選擇：

小波變換主要分為連續(xù)小波變換和離散小波變換兩種，為了對比不同類型小波函數(shù)提取模擬電路故障特征的效果，分別選擇了兩種代表性的小波變換函數(shù)Morlet函數(shù)、Haar函數(shù)。Morlet連續(xù)小波變換的時域和頻域的局部性都比較好，符合模擬電路的沖擊響應(yīng)信號特征；而Haar離散小波變換適合從具有窄寬度、快速變化的特征信號中提取特征，也符合模擬電路沖擊響應(yīng)信號的特征[8]。

連續(xù)小波變換函數(shù)定義：將任意L2(R)空間中的函數(shù)f(t)在小波基上展開，稱這種展開為函數(shù)f(t)的連續(xù)小波變換(Continue Wavelet Transform，CWT)，其表達式為：

(1)

Haar函數(shù)的定義為：

(2)

實驗數(shù)據(jù)預(yù)處理使用Matlab 7小波工具箱，Haar小波分解濾波器系數(shù)為L=[2]；H={-0.7071，0.7071}。

2)故障特征向量

(1)小波系數(shù)能量值提?。?/p>

采集到的仿真電路數(shù)據(jù)，通過小波函數(shù)分解，得到各個頻帶或尺度的小波系數(shù)。本文中，使用Morlet小波得到的是尺度分解系數(shù)，而使用Haar小波的到的是高頻、低頻系數(shù)。某個尺度或某個系數(shù)的能量值為：

(3)

(4)

(2)歸一化：

故障特征向量在輸入故障診斷系統(tǒng)之前，先進行歸一化處理。本文中數(shù)據(jù)歸一化按照下式進行處理

(5)

(6)

(7)

3　實驗

1)實驗電路：

如圖1中的四運放高通濾波電路為實驗電路，通過P-spice仿真獲得數(shù)據(jù)，允許的容差：電阻5%，電容10%。激勵信號采用5 V，脈寬10 μs，周期為20 μs的理想激勵信號(無上升、下降時間)。電路各器件的正常值與故障設(shè)置完全參照文獻[11]中表1的設(shè)置。

圖1　四運放高通濾波器

2)數(shù)據(jù)采集：

對正常模式以及每種故障模式各進行50次蒙特卡洛分析(采用高斯分布)。數(shù)據(jù)采樣的點為電路的輸出電壓(單點)，數(shù)據(jù)的采樣頻率為50 000 Hz，每2 μs采一個數(shù)據(jù)，1 ms內(nèi)采樣501個點[11]。實驗中每次模擬采樣1 025個數(shù)據(jù)，以保證數(shù)據(jù)足夠用于分析和處理。

每種模式的50次模擬采樣數(shù)據(jù)中，30次的數(shù)據(jù)用于算法訓(xùn)練，剩余20次數(shù)據(jù)則用于診斷測試。

3)算法參數(shù)設(shè)置：

克隆選擇算法關(guān)鍵參數(shù)：整體種群親和度終止閾值T為0.01，克隆規(guī)模為8，學(xué)習(xí)因子0.3，抗體抑制率0.1，最佳抗體5個。

4　實驗結(jié)果及分析

1)原始數(shù)據(jù)：

對正常模式和各故障模式進行仿真后，得到每種故障的50組采樣數(shù)據(jù)，對每個故障的采樣點取平均值，數(shù)據(jù)輸出如圖2。

2)小波變換—連續(xù)morlet函數(shù)：

連續(xù)Morlet小波變換，尺度參數(shù)設(shè)置為[1 2 3 4 5]。得到分解后的小波系數(shù)，經(jīng)過能量化、歸一化處理后的特征向量平均值如圖3。

3)小波變換—離散Haar函數(shù)：

離散Haar小波變換，5層小波分解，得到分解后的小波系數(shù)同樣做能量化、歸一化處理后的特征向量平均值如圖4。一共10個能量值，分別為5層低頻系數(shù)、5層高頻系數(shù)。

4)訓(xùn)練和診斷結(jié)果：

(1)Morlet小波：

經(jīng)過Morlet小波變換、能量化、歸一化后提取的故障特

征數(shù)據(jù)，進入到診斷算法的訓(xùn)練與診斷，得到平均診斷正確率為56.2%，具體故障的診斷分布表如表1所示(括號中數(shù)字為誤診個數(shù))。

(2)Haar小波：

經(jīng)過Haar小波變換、能量化、歸一化后提取的故障特征數(shù)據(jù)，進入到診斷算法的訓(xùn)練與診斷，得到平均診斷正確率為79.6%，具體診斷結(jié)果分布如表2中所示(括號中數(shù)字為誤診個數(shù))。

5)分析：

從采集到的原始數(shù)據(jù)(圖2)僅可以看出，故障模式R2↓、

圖2　各故障模式下原始數(shù)據(jù)的平均值

圖3　Morlet小波系數(shù)能量值、并歸一化后的數(shù)據(jù)

圖4　Haar小波系數(shù)取能量和歸一化后的數(shù)據(jù)

故障數(shù)據(jù)正確個數(shù)錯誤分布Norm8(6)C1↓,(5)C2↑,(1)R1↓C1↑14(6)C2↑C1↓3(1)Norm,(7)C1↑,(6)R2↓,(1)R1↑,(1)R1↓R4↑5(1)Norm,(4)C1↓,(7)C2↑,(3)R1↓R4↓8(11)C2↓,(1)R2↓C2↑14(1)Norm,(2)C1↓,(1)R3↑,(2)R1↓C2↓8(1)C1↑,(11)R4↓R3↑13(1)C1↑,(5)C2↑,(1)R1↓R3↓14(5)C1↑,(1)C2↓R2↑17(3)R3↓R2↓18(2)C2↓R1↑19(1)C2↑R1↓5(1)Norm,(5)C1↓,(3)R4↑,(6)C2↑

表2　診斷分布(Haar小波)

R3↑、R3↓、R2↑的數(shù)據(jù)和其他模式下的數(shù)據(jù)有明顯的差別；而其他模式的數(shù)據(jù)差別不明顯。

經(jīng)過小波分解后，使用兩種小波分解以及對分解系數(shù)能量化及歸一化后，數(shù)據(jù)的區(qū)分度都有了一定的提高，C1↑、R2↓、R1↑、R3↑、R3↓、R2↑的區(qū)別相對比較明顯。

從診斷結(jié)果可以看出，原始數(shù)據(jù)上差別比較明顯的幾組故障R2↓、R3↑、R3↓、R2↑，兩種小波分解得到的最后測試診斷率都相對較高。其他故障的診斷率偏低，其中故障R4↓和C2↓的誤診分布也基本相同。整體上，Haar小波處理的數(shù)據(jù)經(jīng)過訓(xùn)練和測試的結(jié)果比Morlet小波的結(jié)果要好，且兩種情況下診斷率相對高的故障、誤診率高的故障分布是大致相同的。

Morlet小波的結(jié)果診斷正確率相對低，從訓(xùn)練系統(tǒng)的輸入向量的元素個數(shù)來看，相對Haar小波的情況輸入向量要少一半，因為Morlet小波分解的尺度數(shù)小而且少，可以嘗試從更多更大的尺度數(shù)改進故障特征的提取。

6)再優(yōu)化實驗：

(1)增加/增大Morlet小波分解的尺度系數(shù)

用相同的方法對原始采樣數(shù)據(jù)做Morlet小波變換、提取能量值和歸一化處理，分別使用六組系數(shù)B=[1:2:21]、C=[1:2:31]共15個數(shù)、D=[1:2:41]共20個數(shù)、E=[1:2:61]共30個數(shù)、F=[1:2:81]共40個數(shù)、G=[1:2:61]共50個數(shù)、H=[1:2:201]共100個數(shù)，將前面Morlet尺度系數(shù)編號為A，得到最終的故障診斷正確率結(jié)果如表3。

表3　Morlet小波變換不同尺度系數(shù)下診斷正確率對比表(百分比)

可以看到隨著尺度系數(shù)的增多/增大，整體故障診斷正確率也在上升，當(dāng)尺度系數(shù)個數(shù)達到一定程度時，診斷正確率趨于穩(wěn)定，上升速度減慢。說明對于克隆選擇算法的訓(xùn)練和診斷來說，輸入的特征向量分量維度越多，算法的精確度越高，直到達到數(shù)據(jù)重疊區(qū)域上的不可分。

(2)增加采樣點的個數(shù)：

以上實驗只是對電路的輸出電壓數(shù)據(jù)做處理得到的結(jié)果，為了查看增加采樣點個數(shù)對診斷率的影響情況，將采樣點的個數(shù)增至8個(除接地外的節(jié)點均采集電壓數(shù)據(jù))。

對每個采樣數(shù)據(jù)做如下處理，用Haar小波做5層分解，并對小波系數(shù)提取能量值、歸一化。每個采樣點的數(shù)據(jù)分別分4種情況作為特征向量：A組僅取第5層低頻系數(shù)；B組取所有5層低頻系數(shù)；C組取5層低頻、5層高頻系數(shù)。此外，通過觀察原始數(shù)據(jù)，發(fā)現(xiàn)每種故障模式下都有不同的非穩(wěn)定期，將每種故障下不穩(wěn)定周期內(nèi)的數(shù)據(jù)去掉(前200個采樣數(shù)據(jù))，取平穩(wěn)部分的數(shù)據(jù)用Haar小波做5層分解，并對小波系數(shù)提取能量、歸一化，這組數(shù)據(jù)為D組，每個采樣點的數(shù)據(jù)為5層低頻系數(shù)與5層高頻系數(shù)所有的能量歸一化的值。得到診斷結(jié)果如表4所示。

表4　Haar小波5層變換不同元素下診斷正確率對比表

對比實驗結(jié)果平均正確率79.6%，說明增加采樣點一定程度的提高了故障診斷率。對比四組數(shù)據(jù)的實驗結(jié)果，Haar小波分析的高頻系數(shù)部分對結(jié)果沒有影響；D組的結(jié)果比其他三組的正確率低，說明每種故障前期不平穩(wěn)的特性也是各故障模式的重要特性，不能丟棄這些數(shù)據(jù)；表3和表4的最高診斷率相同，說明增加采樣點數(shù)量對本質(zhì)上不可分故障也沒有作用，也說明了此電路的單點輸出數(shù)據(jù)的可用性、有效性很高。

5　結(jié)論

本文以模擬仿真實驗的方式，采用克隆選擇算法作為故障診斷算法，通過多方面對比、分析、改進，研究了模擬電路故障診斷中基于小波分析的最優(yōu)故障特征提取技術(shù)。實驗表明在不考慮等同故障誤診的情況，最佳故障診斷率均達到了90%以上，說明基于兩種小波的故障特征提取方法都是可行、有效的。同時，根據(jù)實驗及分析還得出了如下對實際大規(guī)模電路故障特征提取具有指導(dǎo)意義的結(jié)論：1、小波分解的越細，故障特征中包含的信息越多，越有利于故障診斷(即故障特征詳細程度與故障診斷率成正相關(guān))。2、實驗電路中單點采樣與多點采樣達到極致時的正確率相同，說明單點輸出診斷的可用性、有效性很高。3、對于高通濾波電路，Haar小波分析后的全部特征信息(包括高頻與低頻)幾乎與低頻包含的故障特征等價。

[1]成禮智,王紅霞,羅永.小波的理論與應(yīng)用[M].北京:科學(xué)出版社,2004.

[2]郭從良,王晗,李蓓.小波分析在信號檢測及控制系統(tǒng)故障診斷中的應(yīng)用[A].首屆電子信息系統(tǒng)質(zhì)量與可靠性學(xué)術(shù)研討會論文集[C].2003:237- 241.

[3]王月海,程冉,蔣愛民,等.模擬電路故障特征提取的小波基選取方法研究[J].計算機測量與控制, 2011,19(6):1329-1330.

[4]Leandro, Fernando. The clonal selection algorithm with engineering applications[A]. proceedings of the GECCO’00[C]. Las Vegas, USA, F, 2000.

[5]Ghosh K, Srinvasan R. Immune-System-Inspired Approach to Process Monitoring and Fault Diagnosis [J]. Industrial & Engineering Chemistry Research, 2011, 50(3): 1637-51.

[6]Haktanirlar Ulutas B, Kulturel-Konak S. A review of clonal selection algorithm and its applications [J]. Artificial Intelligence Review, 2011, 36(2): 117-38.

[7]王洪亮. 基于人工免疫系統(tǒng)的最大熵圖像分割算法及圖像跟蹤系統(tǒng)的研究[D]. 南京:東南大學(xué), 2004.

[8]彭良玉, 禹旺兵. 基于小波分析和克隆選擇算法的模擬電路故障診斷 [J]. 電工技術(shù)學(xué)報, 2007, 22(6): 12-16.

[9]Wang P, Yang S Y. A new diagnosis approach for handling tolerance in analog and mixed-signal circuits by using fuzzy math [J]. IEEE Transactions on Circuits and Systems I: Regular Papers, 2005, 52(10): 2118-27.

[10]Huang J Y, Pan H X, Lu Y H, et al. Gearbox Fault Diagnosis Based on AIS-ICA Algorithm[A]. Frontiers of Manufacturing and Design Science II[C]. Taiwan: Trans Tech Publications Ltd, 2012(121- 126):4476-4480.

[11]Aminian F, Aminian M, Collins Jr H W. Analog fault diagnosis of actual circuits using neural networks [J]. IEEE Transactions on Instrumentation and Measurement, 2002, 51(3): 544-50.

Research of Optimal Fault Feature Extraction Based on Wavelet Analysis

Wang Qinyong1, Wang Yuehai2, Pan Guoqing3, Feng Jiancheng3

(1.Research Institute of Remote Education and Open Learning, Beijing Open University,Beijing100081,China;2.School of Electronic and Information Engineering, North China University of Technology, Beijing100144, China;3.Beijing Aerospace Measurement & Control Corp., Beijing100037, China)

Due to the complexity, nonlinearity and tolerance of analog circuit fault model, the feature extraction of analog circuit is difficult and rely heavily on the expert’s experience. In order to solve this situation, this paper tried to find a method of the optimal analog circuit fault feature extraction based on the wavelet analysis.The Experimental circuit is four op-amp biquad high-pass filter circuit. The fault feature was extracted from the voltage data by using both Morlet and Haar wavelet with multiple perspectives, then comparing the effect of feature extraction with the diagnostic results of the Clonal Selection Algorithm. Results shows that the best fault diagnostic rate is closed to 89% in different circumstances of two kinds of wavelet, which prove that both two method are available and useful. And results shows the effectiveness of the single point sampling data, at the same time, the level of details of fault feature is positively related to the accuracy of diagnostic. These have the guiding significance for the fault feature extraction in the practical large-scale analog circuit.

fault feature extraction； wavelet analysis；four op-amp biquad high-pass filter circuit；clone selection algorithm; analog circuit

2015-08-06；

2015-02-05。

北京市青年拔尖人才培育計劃(IT&TCD201504002)。

王月海(1975-)，男，山東莒南人，博士，副教授，計算機學(xué)會會員，主要從事計算智能和智能機器人方向的研究。

王勤勇(1987-)，男，湖南新化人，碩士研究生，主要從事模式識別方向的研究。

1671-4598(2016)01-0295-05

10.16526/j.cnki.11-4762/tp.2016.01.082

TB114.3

A