王 宁，李志华，窦修超

(河海大学 能源与电气学院，江苏 南京 211100)

0 引 言

随着大规模集成电路的广泛应用，模拟电路的发展趋向于更加复杂化。其具体表现为电路元件的容差性、非线性和故障的多样性等特点，而模拟电路故障诊断的重点是在有限的输出节点提取有效的故障特征，这大大增加了故障诊断的难度。20世纪90年代，基于规则的人工智能技术得到了不断发展并成为故障诊断的主要方向，目前主要基于信号分析的故障特征提取方法为傅里叶变换[1-2]和小波变换等[3-5]。

文献[6]采用傅里叶变换来提取构成样本空间的电路输出电压特征，根据决策树定位故障。该方法的缺点是精度不理想，没有研究软故障类型，而且傅里叶变换的条件苛刻，不适用于非平稳信号。文献[7]结合小波理论和神经网络的特点对非线性电路进行诊断，但小波变换的方法易受到选取的小波函数的影响，选取不同的小波基对计算的结果影响很大，目前还缺少准确地选取小波基的系统方法。文献[8]将改进的希尔伯特黄变换应用到非线性电路中，并针对EMD的缺点进行改进，虽然诊断正确率有提升，但是EMD算法仍存在理论支撑不足的情况。

经验小波变换(EWT)是一种新型的自适应信号处理方法[9]，以小波变换为基础，是一种建立自适应小波提取信号的幅频分量的信号分析方法[10-13]。EWT通过对信号频谱进行自适应划分，构造正交小波滤波器组，将待处理的信号在频域上进行经验小波变换得到若干具有紧支撑Fourier频谱信息的模态分量，从而实现信号的特征提取。……