基于小波分析的電子元器件短路故障智能檢測方法

康偉，王春霞

（遼寧工業(yè)大學(xué)，遼寧錦州，121000）

0 引言

電子元器件是組成電子元件的基礎(chǔ)成分之一，在一些小型的機(jī)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(guān)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?qū)е码娮悠餍蛋l(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(yán)重的條件下甚至?xí)恢苯悠茐摹Ｒ虼诵枰O(shè)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(jī)械設(shè)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(xiàn)[1]通過感應(yīng)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(dǎo)了階躍響應(yīng)定律，并利用計算機(jī)計算了故障指標(biāo)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(xiàn)[2]針對神經(jīng)網(wǎng)絡(luò)算法提出的一些缺陷點，建立了一個優(yōu)化的算法結(jié)構(gòu)，使之能夠快速地對變壓器等機(jī)械設(shè)備的故障節(jié)點進(jìn)行診斷與檢測。這種算法雖然提升了檢測效率，但是其準(zhǔn)確率卻并不十分理想。本文基于以上文獻(xiàn)，設(shè)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。

1 基于小波分析設(shè)計電子元器件短路故障智能檢測方法

1.1 提取電子元器件故障信息

電子元器件的故障大致可以分為外部故障和內(nèi)部故障兩類，其中外部故障主要值電子元器件的外部設(shè)備發(fā)生諸如絕緣閃絡(luò)、引線燒毀等方面的故障，內(nèi)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(dǎo)致的故障、絕緣體損壞導(dǎo)致的故障、意外放電導(dǎo)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(nèi)部，可以大致將線路分為外部線路和內(nèi)部線路，其中外部線路主要是套管和引線上纏繞的線路，內(nèi)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(dǎo)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(dāng)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(biāo)；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(dǎo)致故障短路（A1）、電子元器件高溫發(fā)熱導(dǎo)致故障短路（A3）、電子元器件散射性放電導(dǎo)致短路（A4）、電子元器件低能量結(jié)構(gòu)集中放電（A5）、電子元器件高能量結(jié)構(gòu)集中放電（A6）。如果通過計算機(jī)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(jìn)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(yán)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(jìn)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。

1.2 基于小波變換建立短路故障設(shè)備噪聲處理模型

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(jìn)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(yīng)，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(jìn)行傅立葉轉(zhuǎn)換。在較高的時間頻域范圍內(nèi)，可以直接將平穩(wěn)分析的信號不斷進(jìn)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(jìn)行能量轉(zhuǎn)換的有限空間平方積集合；ai、si、di均為基波函數(shù)構(gòu)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(kuò)展過的能量單位；t表示能量轉(zhuǎn)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(kuò)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(jìn)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(jié)構(gòu)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(xué)模型處理分量信號，再將最細(xì)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。

1.3 設(shè)計電子元器件短路故障智能檢測算法

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(jié)構(gòu)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(fù)荷尺度的負(fù)載轉(zhuǎn)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(nèi)短路故障智能檢測的性能。

2 實驗設(shè)計

2.1 實驗準(zhǔn)備與過程

為檢測本文設(shè)計的電子元器件短路故障方法的有效性，設(shè)計了一個實驗平臺，與階躍激勵穩(wěn)態(tài)響應(yīng)算法、QIA-BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)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(chǔ)信息。這樣的故障檢測實際上是一種對感應(yīng)線圈中信號的實時檢測，在本實驗中可以通過設(shè)計模擬信號的方式，進(jìn)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(yīng)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(yīng)電動勢與磁通感應(yīng)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(dǎo)致模擬信號中的信號峰值也相應(yīng)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(shè)計的小波分析方法進(jìn)行對比，檢測信號在不同頻率下的幅值關(guān)系。

2.2 實驗結(jié)果分析

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(yīng)算法以及QIABP神經(jīng)網(wǎng)絡(luò)算法與本文設(shè)計的算法結(jié)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(qiáng)，對電子元器件的影響更大。

3 結(jié)束語

上文中通過小波分析的方法設(shè)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(shè)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(shù)具備極大的推廣價值，可以被廣泛使用。