[发明专利]一种基于响应混叠性度量小波包分解算法的参数优化方法

说明书

一种基于响应混叠性度量小波包分解算法的参数优化方法，涉及模拟电路故障检测中一种参数优化方法。本发明为了解决现有模拟电路中部分低灵敏度器件在参数容差的影响下故障状态与正常状态界限模糊，导致其故障检测率低的问题。本发明所述方法包括获取电路元件灵敏度顺序表；得到正常/故障状态原始数据；建立小波包分解特征提取方法库；使用方法库内小波包分解方法处理电路正常/故障状态原始数据，计算处理后得到的高维距离度量值；根据高维距离度量值得到正常/故障状态正态分布曲线；计算每种小波包分解方法处理后的故障/正常状态正态分布曲线间的混叠面积；按优先级优选出最优小波包分解算法的参数。属于模拟电路故障检测领域。

技术领域

本发明涉及模拟电路故障检测中一种参数优化方法，具体涉及一种基于响应混叠性度量小波包分解算法的参数优化方法。

背景技术

随着我国国防科技的发展，电子系统广泛地应用在导弹控制、通信、目标探测、敌我识别等领域中，武器装备中电子系统的规模日益扩大，复杂程度越来越高，所以电子系统的可靠性决定了武器装备的性能。对于武器装备影响其可靠性的重要因素就是系统中各类器件因参数漂移而引发的故障。根据元件参数变化对电路输出信号的影响程度，系统中各元件可被分为高灵敏度器件和低灵敏度器件。高灵敏度器件由于其故障特征较为明显，许多故障检测方法均取得了较好的成果。而低灵敏度器件故障对电路输出的影响程度较小，故障特征与正常特征的混叠性较大，往往在故障检测模型训练过程中认定其为可靠器件，不考虑其故障的发生。但随着时间推移，当低灵敏度器件故障对电子系统的影响不能忽略时，若不能对其进行及时准确地检测往往会导致电子系统在未经预警的情况下发生性能退化甚至是系统异常，无法正常运行。因此我们需要一种灵敏的故障检测模型，在保障高灵敏度器件故障检测率的同时，尽可能提高对低灵敏度器件故障的识别准确率，保证电路的各类元件状态变化均在监控之中，提高所有元件的平均故障检测准确率。

由于模拟电路中的低灵敏度器件故障对电路的输出影响较微弱，选择合适的特征提取算法及参数就显得尤为重要。特征提取方法是建立故障检测模型中的重要环节。如果不选择一种有效的特征提取方法，提取出的故障特征不明显，与正常样本特征的混叠性较大，不利于该类故障的检测。小波包分解凭借其出色的“时-频”分析能力，在特征提取中被广泛使用。提取到的故障特征与正常特征的差异度除了小波基函数种类、选做特征的小波系数子带数k等因素的影响以外，还取决于映射到特征空间的核函数种类。因此提出一种参数优选方法，可以在训练故障检测模型前确定小波包分解算法的参数，避免了因以故障检测率为标准确定特征提取方法参数所带来的重复工作，提高参数优化效率，同时最大化故障特征与正常特征间的差异程度，减小故障识别难度，可以在保证高灵敏度器件故障检测率的基础上提高低灵敏度器件故障的检测率。

发明内容

本发明的目的是为了解决现有模拟电路中，部分低灵敏度器件在参数容差的影响下故障状态与正常状态界限模糊，导致其故障检测率较低的问题，而提出的一种基于响应混叠性度量小波包分解算法的参数优化方法。

一种基于响应混叠性度量小波包分解算法的参数优化方法包括：

步骤一：获取电路元件灵敏度顺序表，元件按电路元件灵敏度升序排列；

步骤二：在脉冲信号的激励下获取电路N次正常状态响应数据以及由故障元件P_i引起的故障状态下的响应数据共N×p次，即得到N条正常状态原始数据和N×p条故障状态原始数据；

其中，i＝1,2,…,p；

步骤三：建立小波包分解特征提取方法库W＝{w₁,w₂,…,w_q}；

其中，W表示所有待选择的特征提取方法的集合，w₁,w₂,…,w_q分别代表第1、2、…、q种特征提取方法；