一種模擬電路故障特征提取方法

盛沛 許愛(ài)強(qiáng) 谷民亮

摘要：提出了一種基于局部特征尺度分解和基本尺度熵算法的模擬電路特征提取方法。首先采用LCD方法對(duì)被測(cè)信號(hào)進(jìn)行分解，得到若干具有物理意義的分量;其次結(jié)合基本尺度熵算法得到特征向量。運(yùn)用距離可分性指標(biāo)的仿真結(jié)果表明，該方法提取的特征向量能夠很好地描述電路的故障狀態(tài)。

Abstract： A new method of feature vector extraction in analog circuit is proposed. Firstly， the measured signal is decomposed by using the LCD to obtain some signal components of physical significance. Secondly， combined with the base-scale entropy method， the feature vector are extracted. Simulation results show that the feature vectors extracted by this method can describe the fault state of the circuit well.

關(guān)鍵詞：性能退化;模擬電路;局部特征尺度分解;基本尺度熵

Key words： performance degradation;analog circuit;LCD;base-scale entropy

中圖分類號(hào)：N911;E917? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號(hào)：1006-4311（2019）25-0280-04

0? 引言

傳統(tǒng)的設(shè)備性能退化評(píng)估與預(yù)測(cè)流程主要由特征提取、退化評(píng)估、退化預(yù)測(cè)三大部分組成[1]。就目前電子裝、設(shè)備發(fā)展現(xiàn)狀[2]來(lái)看，往往是新型裝設(shè)備在生產(chǎn)定型伊始即具備完善的測(cè)試手段，而老舊設(shè)備可測(cè)試性普遍不高，可達(dá)測(cè)試點(diǎn)不多、特征提取困難。因此，研究如何從有限的測(cè)試點(diǎn)中提取出豐富的特征數(shù)據(jù)并將其應(yīng)用于診斷，就顯得尤為重要。

局部特征尺度分解方法[3]-[5]（Local Characteristic-scale Decomposition，LCD）由湖南大學(xué)的程軍圣團(tuán)隊(duì)提出。它可以把一個(gè)復(fù)雜的原始信號(hào)分解為n個(gè)ISC分量和一個(gè)剩余信號(hào)之和。該方法在一定程度上克服了傳統(tǒng)時(shí)頻分析方法的許多不足之處，并且在克服端點(diǎn)效應(yīng)、計(jì)算時(shí)間等方面，較EMD[3]、LMD[4]等方法具有一定優(yōu)勢(shì)。

熵值能刻畫(huà)時(shí)間序列的復(fù)雜程度，一般來(lái)說(shuō)，時(shí)間序列復(fù)雜程度的增加會(huì)使熵值增加，當(dāng)序列完全隨機(jī)時(shí)熵值達(dá)到最大。基本尺度熵（Base-scale Entropy，BE）是文獻(xiàn)[6]提出的一種復(fù)雜性度量方法，克服了近似熵、樣本熵及排列熵的缺點(diǎn)，具有一致性好、適用于短時(shí)間序列、計(jì)算簡(jiǎn)便、抑制噪聲能力強(qiáng)等優(yōu)點(diǎn)。

基于此，本文根據(jù)局部特征尺度分解和基本尺度熵兩個(gè)算法的特性，將二者相結(jié)合來(lái)提取模擬電路故障特征。更進(jìn)一步的，引入距離可分性指標(biāo)驗(yàn)證了該方法的有效性。

1? 算法基本原理

1.1 LCD理論

LCD方法的原理是基于單分量信號(hào)“局部關(guān)于零均值對(duì)稱”的結(jié)論，其基礎(chǔ)在于構(gòu)造均值曲線，并將均值曲線不斷從原始信號(hào)中分離，直至信號(hào)為內(nèi)稟尺度分量[5]。與傳統(tǒng)的HHT方法不同的是，在LCD方法中，局部均值曲線定義為“基線信號(hào)”[8]。如圖 1所示，基線信號(hào)的構(gòu)造方法為：

2? 基于LCD-基本尺度熵的故障特征提取方法

基于LCD-基本尺度熵的故障特征提取方法如下：

步驟1：首先，對(duì)原始信號(hào)進(jìn)行LCD，得到多個(gè)ISC分量;

步驟2：選取包含主要故障特征的ISC分量作為有用分量;

步驟3：計(jì)算每個(gè)ISC分量的基本尺度熵，構(gòu)成特征向量。

從文獻(xiàn)[11]-[13]的有用分量選取過(guò)程中可以看出：有用分量往往是前幾個(gè)ISC分量，這是由于故障信息集中在高頻區(qū)，前幾個(gè)分量無(wú)論是幅值、頻率還是相關(guān)性指標(biāo)均比較大。為了簡(jiǎn)化計(jì)算，本文借鑒文獻(xiàn)[14]推薦的方法，選取了前4個(gè)ISC分量作為有用分量。

3? 仿真實(shí)驗(yàn)

選用某型雷達(dá)發(fā)射機(jī)模擬電路中開(kāi)關(guān)電源部分[15]作為驗(yàn)證對(duì)象。仿真平臺(tái)ORCAD CIS和MATLAB16.2。電路圖如圖 2所示，節(jié)點(diǎn)OUT為輸出測(cè)試點(diǎn)。狀態(tài)集如表 1所示。

驗(yàn)證LCD-基本尺度熵的故障特征提取方法。選取正常狀態(tài)20組數(shù)據(jù)（標(biāo)稱值5%容差范圍內(nèi)）、R1↑（超過(guò)標(biāo)稱值50%，下同。）故障狀態(tài)40組數(shù)據(jù)、C1↓狀態(tài)40組數(shù)據(jù)、L1↑狀態(tài)40組數(shù)據(jù)，共140組數(shù)據(jù)。經(jīng)LCD后的某組典型仿真數(shù)據(jù)分解結(jié)果如圖 3所示。分別計(jì)算原始數(shù)據(jù)的基本尺度熵和前4個(gè)ISC的基本尺度熵，其均值見(jiàn)表2。

從表 2可以看出：

四種狀態(tài)下各分量熵值發(fā)生一定的變化，總體趨勢(shì)下降。這是因?yàn)殡S著時(shí)間尺度的變化，信號(hào)復(fù)雜程度變小。另外可以看出，在每一個(gè)時(shí)間尺度下四種狀態(tài)的熵值大小關(guān)系與原始信號(hào)的熵值大小關(guān)系基本一致。因此，通過(guò)LCD將數(shù)據(jù)多尺度化后，將基本尺度熵?cái)U(kuò)維，拓展了熵值的作用區(qū)域，即可使故障特征更為突出。

為了進(jìn)一步驗(yàn)證LCD-基本尺度熵的性能，參照文獻(xiàn)[16]的近似熵算法，并引入距離可分性指標(biāo)：

式中：Sw為樣本的類內(nèi)矩陣，表征了類內(nèi)散度，其值越小，類別的可分性越好;Sb為樣本類間散布矩陣，表征了類間散度，其值越大，類別的可分性越好。Ji為 的特征值，綜合了特征向量的敏感度，Jj值越大，說(shuō)明類別的可分性越好。

圖 4給出了原始信號(hào)及ISC1～I(xiàn)SC5分量基本尺度熵和近似熵的距離可分性指標(biāo)。從圖中可以看出：

①基本尺度熵的各特征量的Ji值都要高于近似熵，因此，通過(guò)LCD對(duì)基本尺度熵升維的特征向量能夠更好的描述電路的故障狀態(tài)。

②隨著各分量的變化，距離可分性指標(biāo)在逐步變小，也就是說(shuō)，雖然LCD可得到較多的分量，但是后面的分量對(duì)分類的貢獻(xiàn)率不夠明顯，選取過(guò)多的分量計(jì)算熵值不合理。

4? 結(jié)束語(yǔ)

本文給出了LCD-基本尺度熵的故障特征提取方法。在通過(guò)仿真實(shí)驗(yàn)驗(yàn)證了其分類性能優(yōu)于LCD-近似熵的同時(shí)，說(shuō)明了分量選取的方法，驗(yàn)證了所提出的特征向量提取方法適用于性能退化型模擬電路故障診斷。

參考文獻(xiàn)：

[1]郭磊，陳進(jìn).設(shè)備性能退化評(píng)估與預(yù)測(cè)研究綜述[J].振動(dòng)與沖擊，2008，27（S）：139-141.

[2]唐玉志，趙生偉.軍工自動(dòng)測(cè)試技術(shù)和設(shè)備現(xiàn)狀及發(fā)展趨勢(shì)[J].數(shù)據(jù)采集與處理，2009，24（S）：200-204.

[3]Huang N E， Shen Z， Long S R， et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J]. Proceedings of the Royal Society of London. Series A： Mathematical， Physical and Engineering Sciences， 1998， 454（1971）： 903-995.

[4]Smith J S. The local mean decomposition and its application to EEG perception data[J]. Journal of the Royal Society Interface， 2005， 2（5）： 443-454.

[5]程軍圣，鄭近德，楊宇.一種新的非平穩(wěn)信號(hào)分析方法—局部特征尺度分解法[J].振動(dòng)工程學(xué)報(bào)，2012，25（2）：215-220.

[6]李錦，寧新寶.短時(shí)心率變異性信號(hào)的基本尺度熵分析[J]. 科學(xué)通報(bào)，2005，50（14）：1438-1441.

[7]楊宇，曾鳴，程軍圣.一種新的時(shí)頻分析方法—局部特征尺度分解[J]. 湖南大學(xué)學(xué)報(bào)（自然科學(xué)版），2012，39（6）：35-39.

[8]楊宇，曾鳴，局部特征尺度分解方法及其分解能力研究[J]. 振動(dòng)工程學(xué)報(bào)，2012，25（5）：602-609.

[9]程軍圣，李海龍，楊宇.基于內(nèi)稟尺度分量的自適應(yīng)時(shí)頻分析方法[J].中南大學(xué)學(xué)報(bào)，2013，44（4）：1425-1430.

[10]劉鐵兵，姚文坡，寧新寶.功能磁共振成像的基本尺度嫡分析[J].物理學(xué)報(bào)，2013，62（21）：1-6.

[11]張俊紅，李林潔，馬文朋，等.EMD-ICA聯(lián)合降噪在滾動(dòng)軸承故障診斷中的應(yīng)用[J].中國(guó)機(jī)械工程，2013，24（11）：1468-1472.

[12]趙陽(yáng)，陳捷，洪榮晶，等.EMD和獨(dú)立分量分析在轉(zhuǎn)盤(pán)軸承故障診斷中的應(yīng)用[J].軸承，2015，7：54-59.

[13]崔玲麗，吳春光，鄔娜.基于EMD與ICA的滾動(dòng)軸承復(fù)合故障診斷[J].北京工業(yè)大學(xué)學(xué)報(bào)，2014，40（10）：1459-1464.

[14]鄭近德.局部特征尺度分解及其在機(jī)械診斷中的應(yīng)用研究[D].長(zhǎng)沙：湖南大學(xué)，2014.

[15]王劉軍，劉昌錦.基于Hilbert-Huang變換的雷達(dá)發(fā)射機(jī)故障特征提取[J].兵工自動(dòng)化，2013，32（8）：68-70.

[16]單劍鋒，萬(wàn)國(guó)發(fā).一種LMD和近似熵算法的模擬電路特征提取方法[J].機(jī)械科學(xué)與技術(shù)，2018，5（9）：78-83.