盛沛 許愛強 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方法對被測信號進行分解，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：N911;E917? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標(biāo)識碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號：1006-4311（2019）25-0280-04

0? 引言

傳統(tǒng)的設(shè)備性能退化評估與預(yù)測流程主要由特征提取、退化評估、退化預(yù)測三大部分組成[1]。就目前電子裝、設(shè)備發(fā)展現(xiàn)狀[2]來看，往往是新型裝設(shè)備在生產(chǎn)定型伊始即具備完善的測試手段，而老舊設(shè)備可測試性普遍不高，可達測試點不多、特征提取困難。因此，研究如何從有限的測試點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)的程軍圣團隊提出。它可以把一個復(fù)雜的原始信號分解為n個ISC分量和一個剩余信號之和。該方法在一定程度上克服了傳統(tǒng)時頻分析方法的許多不足之處，并且在克服端點效應(yīng)、計算時間等方面，較EMD[3]、LMD[4]等方法具有一定優(yōu)勢。

熵值能刻畫時間序列的復(fù)雜程度，一般來說，時間序列復(fù)雜程度的增加會使熵值增加，當(dāng)序列完全隨機時熵值達到最大?；境叨褥兀˙ase-scale Entropy，BE）是文獻[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，具有一致性好、適用于短時間序列、計算簡便、抑制噪聲能力強等優(yōu)點。

基于此，本文根據(jù)局部特征尺度分解和基本尺度熵兩個算法的特性，將二者相結(jié)合來提取模擬電路故障特征。更進一步的，引入距離可分性指標(biāo)驗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“局部關(guān)于零均值對稱”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中分離，直至信號為內(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”[8]。如圖 1所示，基線信號的構(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，對原始信號進行LCD，得到多個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：計算每個ISC分量的基本尺度熵，構(gòu)成特征向量。

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

3? 仿真實驗

選用某型雷達發(fā)射機模擬電路中開關(guān)電源部分[15]作為驗證對象。仿真平臺ORCAD CIS和MATLAB16.2。電路圖如圖 2所示，節(jié)點OUT為輸出測試點。狀態(tài)集如表 1所示。

驗證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。分別計算原始數(shù)據(jù)的基本尺度熵和前4個ISC的基本尺度熵，其均值見表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，總體趨勢下降。這是因為隨著時間尺度的變化，信號復(fù)雜程度變小。另外可以看出，在每一個時間尺度下四種狀態(tài)的熵值大小關(guān)系與原始信號的熵值大小關(guān)系基本一致。因此，通過LCD將數(shù)據(jù)多尺度化后，將基本尺度熵擴維，拓展了熵值的作用區(qū)域，即可使故障特征更為突出。

為了進一步驗證LCD-基本尺度熵的性能，參照文獻[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，說明類別的可分性越好。

圖 4給出了原始信號及ISC1～ISC5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LCD對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，雖然LCD可得到較多的分量，但是后面的分量對分類的貢獻率不夠明顯，選取過多的分量計算熵值不合理。

4? 結(jié)束語

本文給出了LCD-基本尺度熵的故障特征提取方法。在通過仿真實驗驗證了其分類性能優(yōu)于LCD-近似熵的同時，說明了分量選取的方法，驗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：

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

[2]唐玉志，趙生偉.軍工自動測試技術(shù)和設(shè)備現(xiàn)狀及發(fā)展趨勢[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)信號分析方法—局部特征尺度分解法[J].振動工程學(xué)報，2012，25（2）：215-220.

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

[7]楊宇，曾鳴，程軍圣.一種新的時頻分析方法—局部特征尺度分解[J]. 湖南大學(xué)學(xué)報（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]. 振動工程學(xué)報，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)時頻分析方法[J].中南大學(xué)學(xué)報，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，2013，62（21）：1-6.

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

[12]趙陽，陳捷，洪榮晶，等.EMD和獨立分量分析在轉(zhuǎn)盤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的滾動軸承復(fù)合故障診斷[J].北京工業(yè)大學(xué)學(xué)報，2014，40（10）：1459-1464.

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

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

[16]單劍鋒，萬國發(fā).一種LMD和近似熵算法的模擬電路特征提取方法[J].機械科學(xué)與技術(shù)，2018，5（9）：78-83.