康偉,王春霞
(遼寧工業(yè)大學,遼寧錦州,121000)
電子元器件是組成電子元件的基礎成分之一,在一些小型的機械儀器中也有重要的地位,常見的電子元器件包括電阻、電容、電源開關等,這些電子元器件在適用于極易發(fā)生短路故障事件。在2018年,由于電子元器件短路等原因導致電子器械發(fā)生故障的幾率占總故障頻率的60%。而一旦電子元器件出現(xiàn)問題,組裝而成的電子儀器就會直接發(fā)生短路事故,嚴重的條件下甚至會被直接破壞。因此需要設計一種電子元器件短路故障的智能檢測方法,該方法需要繞過潛伏期,從諸多數(shù)據(jù)中刪選提取出已有故障的信息,以此降低電子元器件的短路故障對整個機械設備的影響。現(xiàn)有的幾種電子元器件短路故障智能檢測方法都有一些小問題,文獻[1]通過感應電子器械中的短路問題,發(fā)現(xiàn)了一種對故障的診斷方法,推導了階躍響應定律,并利用計算機計算了故障指標的數(shù)值,提高了其實際價值。這種方法對硬件的要求非常低,適用于大范圍推廣,但是其抗干擾能力極差,對繁雜紛亂的環(huán)境不具備有效的處理能力。文獻[2]針對神經(jīng)網(wǎng)絡算法提出的一些缺陷點,建立了一個優(yōu)化的算法結構,使之能夠快速地對變壓器等機械設備的故障節(jié)點進行診斷與檢測。這種算法雖然提升了檢測效率,但是其準確率卻并不十分理想。本文基于以上文獻,設計了一種基于小波變換的電子元器件的短路故障智能檢測方法。
電子元器件的故障大致可以分為外部故障和內部故障兩類,其中外部故障主要值電子元器件的外部設備發(fā)生諸如絕緣閃絡、引線燒毀等方面的故障,內部故障則是指電子元器件中的鐵芯、繞組、絕緣油等中心位置發(fā)生故障,因此這些故障大致可以分為三種,分別是電子線路短路導致的故障、絕緣體損壞導致的故障、意外放電導致的故障等,本文研究的核心是其中的線路短路故障。
在電子元器件內部,可以大致將線路分為外部線路和內部線路,其中外部線路主要是套管和引線上纏繞的線路,內部線路則是同一繞組中因相間短路造成的匝間短路。這兩種短路事故都能夠使絕緣體因損壞而導致失去穩(wěn)定的功能,一旦絕緣體失效,該電子元器件就會變得十分危險,不適合再次使用。因此需要通過提取故障信息的方式,盡快檢測出短路點。首先需要選取輸入向量信息,將已知的絕緣油作為提取故障信息的特征裝置。當故障電路占總電路百分比下降以后,輸入向量就會變?yōu)橐环N歸一化的值,最后得到公式(1)。
式中,Dab表示五中故障電路在歸一化后的向量坐標;d1b表示第一種故障電路占總電路故障特征的差異值;dab表示輸入向量的信息特征。在得到輸入信息后,還需要提前選取輸出變量,現(xiàn)有的電子元器件短路故障主要可以分為以下六種分類:無故障信息(A1)、電子元器件低限度發(fā)熱導致故障短路(A1)、電子元器件高溫發(fā)熱導致故障短路(A3)、電子元器件散射性放電導致短路(A4)、電子元器件低能量結構集中放電(A5)、電子元器件高能量結構集中放電(A6)。如果通過計算機使用編碼的方式提取合理的故障信息,可以將其作為一種二進制的形式重新編碼,并將六種狀態(tài)重新賦值,其閾值區(qū)間為[0,1][3]。若電子元器件中提取到的信息閾值接近0時,表明該電子元器件的短路故障非常嚴重;若電子元器件中提取到的閾值更接近1,表明這一類短路故障不影響電子元器件的使用,但是還需要進行功能性的檢查。同理,若電子元器件中提取到的信息為0或1,則表明該器件已經(jīng)無法被使用或沒有發(fā)生短路事故的故障地點。
小波分析方法是一種較為新穎的時頻分析算法,在很多時候可以深入地進行尺度分析與局域變換。作為一種時間的尺度,可以將很多信號做出特征反應,使函數(shù)、信號等均通過小波變換的極大值來檢測故障點,并去除噪聲,獲取原始信號。在函數(shù)中,通過位移尺度的變換,分析信號的時域之積是一個等效替換的過程,可以直接進行傅立葉轉換。在較高的時間頻域范圍內,可以直接將平穩(wěn)分析的信號不斷進行衍生、丟失等步驟,使實數(shù)空間具備極高的能量價值,其中具備連續(xù)性的變換角度為:
式中,Pr表示可以進行能量轉換的有限空間平方積集合;ai、si、di均為基波函數(shù)構造中的時間尺度參數(shù);fi,j表示離散化的能量平移信號;gn表示擴展過的能量單位;t表示能量轉換的時間單位;h表示平移參數(shù)所需要的固定參數(shù);k表示擴展步長單位。在實際運用過程中,需要將所有的位移值全部變成離散化的參數(shù),在分辨率解析中擁有更高的函數(shù)空間。使之成為了一種極限版本[4]。在利用小波分析檢測奇異信號的過程中,有一些十分模糊的極值,這類尖銳的變化點可以作為信號的奇異點進行故障檢測,并處理噪聲突變。在時間尺度之下,可以通過鄰域結構對所有時間建立如公式(3)所示的不等式。
式中,Ht表示電子元器件短路時小波分析對突變點的噪聲處理能力;a0表示小波分析的極大值單位空間;Htg(a)表示小波分析算法在任意基點上的奇異性描述;Htg(a0)表示小波分析算法在極大值點上的描述。在去噪處理時,通過正交分解算法,可以將所有濾通濾波器建立一個具備中心頻帶系數(shù)的模擬信號[5]。其中的白噪聲可以作為一種奇異信號處理極值尺度,而小波分析的極值點則需要作為衰減信噪比代替零等向量。在分離故障變量的過程中,通過數(shù)學模型處理分量信號,再將最細微的小波分量作用在數(shù)值處理中,實現(xiàn)一個電子元器件短路故障的噪聲處理模型。
由于奇異性檢測的平滑函數(shù)具備無數(shù)個突變點,其函數(shù)結構必須滿足光滑性的卷積處理,在多次尺度能量集合之下,可以將卷積寬帶作為一種頻域能量之和的磁極形式來計算。
式中,g(a)表示偽膜極大值點中子頻帶的能量總和;de(k)表示頻帶總和總對稱磁極正向的信號能量尺度;ue(k)表示頻帶總和計算中對稱磁極反向的信號能量尺度。由于電子元器件中的峰值的是平滑的,因此通過波形探測可以直觀地將不同負荷尺度的負載轉變?yōu)榀B加型的幅值。在分析傅立葉變換信號處理能力時,運用信號去噪方法,解決了小波分析的中心問題,提高了區(qū)間內短路故障智能檢測的性能。
為檢測本文設計的電子元器件短路故障方法的有效性,設計了一個實驗平臺,與階躍激勵穩(wěn)態(tài)響應算法、QIA-BP神經(jīng)網(wǎng)絡算法進行對比,分別測試三種短路故障智能檢測方法的性能。在故障檢測的過程中,可以通過傳感器采集狀態(tài)數(shù)據(jù),并以此判斷電子元器件短路故障的位置、時間等基礎信息。這樣的故障檢測實際上是一種對感應線圈中信號的實時檢測,在本實驗中可以通過設計模擬信號的方式,進行仿真實驗。在隔離噪聲影響的條件下,該電子元器件短路故障的模擬信號可以表示為:
式中,Tnsin(2πt)表示電子元器件在線圈中得到的電動勢頻率,通常情況下,Tn是一個常數(shù),并取值為1;Hnsin(4πt)表示感應線圈中沒有被識別的電動勢頻率,其中Hn也是一個常數(shù),同樣取值為1。通過Matlab軟件可以模擬信號,并得到如表1所示的不同樣本點中模擬信號頻率特征。
表1 不同樣本點中模擬信號峰值
通過表1中對信號與故障信號樣本峰值的模擬,可以直接計算感應電動勢與磁通感應電動勢相加的值。在短路期間,若匝數(shù)減小,則電子元器件中的磁通量也會不斷降低,導致模擬信號中的信號峰值也相應變低,此時可以直接計算正常模擬信號與故障模擬信號的幅值大小[6]。并將以上三種現(xiàn)有方法與本文設計的小波分析方法進行對比,檢測信號在不同頻率下的幅值關系。
若模擬信號中有故障,則可以通過幅值的大小直接得到數(shù)據(jù)的差異點,四種方法下的數(shù)據(jù)異常變化情況如表2所示。
表2 模擬信號幅值
如表2所示,在1100個變化的頻率下,三種算法均具備不同程度的信號幅值異常情況,其中小波分析算法的模擬信號正常幅值均保持在1.7-2.5的數(shù)據(jù),異常數(shù)據(jù)則明顯與正常數(shù)據(jù)不同。其中頻率為200和頻率為1000時的信號幅值與正常幅值有明顯差異。躍激勵穩(wěn)態(tài)響應算法以及QIABP神經(jīng)網(wǎng)絡算法與本文設計的算法結果相似,其在頻率為200時,均有一個較為突出的異常數(shù)據(jù)。但是在該電子元器件的第二個故障數(shù)據(jù)明顯與第一組數(shù)據(jù)不具備相似性,這兩種方法的第二組異常數(shù)據(jù)頻率為800,且幅值相鄰的下一個區(qū)域數(shù)據(jù),也與正常數(shù)據(jù)有所差別。這直接體現(xiàn)了已有的兩種故障檢測方法異常數(shù)據(jù)的周期較短,且信號異常的延展性較文中方法更強,對電子元器件的影響更大。
上文中通過小波分析的方法設計了一種電子元器件短路故障的智能檢測方法。建立了小波分析算法中的去噪模型,并設計了一種智能檢測的算法。這種智能檢測方法既可以節(jié)約其中的人力資源利用效率,又可以提高電子元器件的可靠性。因此,該電子元器件短路故障智能檢測技術具備極大的推廣價值,可以被廣泛使用。