基于小波分析的电子元器件短路故障智能检测方法

康伟，王春霞

（辽宁工业大学，辽宁锦州，121000）

0 引言

电子元器件是组成电子元件的基础成分之一，在一些小型的机械仪器中也有重要的地位，常见的电子元器件包括电阻、电容、电源开关等，这些电子元器件在适用于极易发生短路故障事件。在2018年，由于电子元器件短路等原因导致电子器械发生故障的几率占总故障频率的60%。而一旦电子元器件出现问题，组装而成的电子仪器就会直接发生短路事故，严重的条件下甚至会被直接破坏。因此需要设计一种电子元器件短路故障的智能检测方法，该方法需要绕过潜伏期，从诸多数据中删选提取出已有故障的信息，以此降低电子元器件的短路故障对整个机械设备的影响。现有的几种电子元器件短路故障智能检测方法都有一些小问题，文献[1]通过感应电子器械中的短路问题，发现了一种对故障的诊断方法，推导了阶跃响应定律，并利用计算机计算了故障指标的数值，提高了其实际价值。这种方法对硬件的要求非常低，适用于大范围推广，但是其抗干扰能力极差，对繁杂纷乱的环境不具备有效的处理能力。文献[2]针对神经网络算法提出的一些缺陷点，建立了一个优化的算法结构，使之能够快速地对变压器等机械设备的故障节点进行诊断与检测。这种算法虽然提升了检测效率，但是其准确率却并不十分理想。本文基于以上文献，设计了一种基于小波变换的电子元器件的短路故障智能检测方法。

1 基于小波分析设计电子元器件短路故障智能检测方法

1.1 提取电子元器件故障信息

电子元器件的故障大致可以分为外部故障和内部故障两类，其中外部故障主要值电子元器件的外部设备发生诸如绝缘闪络、引线烧毁等方面的故障，内部故障则是指电子元器件中的铁芯、绕组、绝缘油等中心位置发生故障，因此这些故障大致可以分为三种，分别是电子线路短路导致的故障、绝缘体损坏导致的故障、意外放电导致的故障等，本文研究的核心是其中的线路短路故障。

在电子元器件内部，可以大致将线路分为外部线路和内部线路，其中外部线路主要是套管和引线上缠绕的线路，内部线路则是同一绕组中因相间短路造成的匝间短路。这两种短路事故都能够使绝缘体因损坏而导致失去稳定的功能，一旦绝缘体失效，该电子元器件就会变得十分危险，不适合再次使用。因此需要通过提取故障信息的方式，尽快检测出短路点。首先需要选取输入向量信息，将已知的绝缘油作为提取故障信息的特征装置。当故障电路占总电路百分比下降以后，输入向量就会变为一种归一化的值，最后得到公式（1）。

式中，Dab表示五中故障电路在归一化后的向量坐标；d1b表示第一种故障电路占总电路故障特征的差异值；dab表示输入向量的信息特征。在得到输入信息后，还需要提前选取输出变量，现有的电子元器件短路故障主要可以分为以下六种分类：无故障信息（A1）、电子元器件低限度发热导致故障短路（A1）、电子元器件高温发热导致故障短路（A3）、电子元器件散射性放电导致短路（A4）、电子元器件低能量结构集中放电（A5）、电子元器件高能量结构集中放电（A6）。如果通过计算机使用编码的方式提取合理的故障信息，可以将其作为一种二进制的形式重新编码，并将六种状态重新赋值，其阈值区间为[0，1][3]。若电子元器件中提取到的信息阈值接近0时，表明该电子元器件的短路故障非常严重；若电子元器件中提取到的阈值更接近1，表明这一类短路故障不影响电子元器件的使用，但是还需要进行功能性的检查。同理，若电子元器件中提取到的信息为0或1，则表明该器件已经无法被使用或没有发生短路事故的故障地点。

1.2 基于小波变换建立短路故障设备噪声处理模型

小波分析方法是一种较为新颖的时频分析算法，在很多时候可以深入地进行尺度分析与局域变换。作为一种时间的尺度，可以将很多信号做出特征反应，使函数、信号等均通过小波变换的极大值来检测故障点，并去除噪声，获取原始信号。在函数中，通过位移尺度的变换，分析信号的时域之积是一个等效替换的过程，可以直接进行傅立叶转换。在较高的时间频域范围内，可以直接将平稳分析的信号不断进行衍生、丢失等步骤，使实数空间具备极高的能量价值，其中具备连续性的变换角度为：

式中，Pr表示可以进行能量转换的有限空间平方积集合；ai、si、di均为基波函数构造中的时间尺度参数；fi,j表示离散化的能量平移信号；gn表示扩展过的能量单位；t表示能量转换的时间单位；h表示平移参数所需要的固定参数；k表示扩展步长单位。在实际运用过程中，需要将所有的位移值全部变成离散化的参数，在分辨率解析中拥有更高的函数空间。使之成为了一种极限版本[4]。在利用小波分析检测奇异信号的过程中，有一些十分模糊的极值，这类尖锐的变化点可以作为信号的奇异点进行故障检测，并处理噪声突变。在时间尺度之下，可以通过邻域结构对所有时间建立如公式（3）所示的不等式。

式中，Ht表示电子元器件短路时小波分析对突变点的噪声处理能力；a0表示小波分析的极大值单位空间；Htg(a)表示小波分析算法在任意基点上的奇异性描述；Htg(a0)表示小波分析算法在极大值点上的描述。在去噪处理时，通过正交分解算法，可以将所有滤通滤波器建立一个具备中心频带系数的模拟信号[5]。其中的白噪声可以作为一种奇异信号处理极值尺度，而小波分析的极值点则需要作为衰减信噪比代替零等向量。在分离故障变量的过程中，通过数学模型处理分量信号，再将最细微的小波分量作用在数值处理中，实现一个电子元器件短路故障的噪声处理模型。

1.3 设计电子元器件短路故障智能检测算法

由于奇异性检测的平滑函数具备无数个突变点，其函数结构必须满足光滑性的卷积处理，在多次尺度能量集合之下，可以将卷积宽带作为一种频域能量之和的磁极形式来计算。

式中，g(a)表示伪膜极大值点中子频带的能量总和；de(k)表示频带总和总对称磁极正向的信号能量尺度；ue(k)表示频带总和计算中对称磁极反向的信号能量尺度。由于电子元器件中的峰值的是平滑的，因此通过波形探测可以直观地将不同负荷尺度的负载转变为叠加型的幅值。在分析傅立叶变换信号处理能力时，运用信号去噪方法，解决了小波分析的中心问题，提高了区间内短路故障智能检测的性能。

2 实验设计

2.1 实验准备与过程

为检测本文设计的电子元器件短路故障方法的有效性，设计了一个实验平台，与阶跃激励稳态响应算法、QIA-BP神经网络算法进行对比，分别测试三种短路故障智能检测方法的性能。在故障检测的过程中，可以通过传感器采集状态数据，并以此判断电子元器件短路故障的位置、时间等基础信息。这样的故障检测实际上是一种对感应线圈中信号的实时检测，在本实验中可以通过设计模拟信号的方式，进行仿真实验。在隔离噪声影响的条件下，该电子元器件短路故障的模拟信号可以表示为：

式中，Tnsin(2πt)表示电子元器件在线圈中得到的电动势频率，通常情况下，Tn是一个常数，并取值为1；Hnsin(4πt)表示感应线圈中没有被识别的电动势频率，其中Hn也是一个常数，同样取值为1。通过Matlab软件可以模拟信号，并得到如表1所示的不同样本点中模拟信号频率特征。

表1 不同样本点中模拟信号峰值

通过表1中对信号与故障信号样本峰值的模拟，可以直接计算感应电动势与磁通感应电动势相加的值。在短路期间，若匝数减小，则电子元器件中的磁通量也会不断降低，导致模拟信号中的信号峰值也相应变低，此时可以直接计算正常模拟信号与故障模拟信号的幅值大小[6]。并将以上三种现有方法与本文设计的小波分析方法进行对比，检测信号在不同频率下的幅值关系。

2.2 实验结果分析

若模拟信号中有故障，则可以通过幅值的大小直接得到数据的差异点，四种方法下的数据异常变化情况如表2所示。

表2 模拟信号幅值

如表2所示，在1100个变化的频率下，三种算法均具备不同程度的信号幅值异常情况，其中小波分析算法的模拟信号正常幅值均保持在1.7-2.5的数据，异常数据则明显与正常数据不同。其中频率为200和频率为1000时的信号幅值与正常幅值有明显差异。跃激励稳态响应算法以及QIABP神经网络算法与本文设计的算法结果相似，其在频率为200时，均有一个较为突出的异常数据。但是在该电子元器件的第二个故障数据明显与第一组数据不具备相似性，这两种方法的第二组异常数据频率为800，且幅值相邻的下一个区域数据，也与正常数据有所差别。这直接体现了已有的两种故障检测方法异常数据的周期较短，且信号异常的延展性较文中方法更强，对电子元器件的影响更大。

3 结束语

上文中通过小波分析的方法设计了一种电子元器件短路故障的智能检测方法。建立了小波分析算法中的去噪模型，并设计了一种智能检测的算法。这种智能检测方法既可以节约其中的人力资源利用效率，又可以提高电子元器件的可靠性。因此，该电子元器件短路故障智能检测技术具备极大的推广价值，可以被广泛使用。