状态时间序列

状态时间序列（精选6篇）

状态时间序列 篇1

目前数字电视系统利用的伪随机(PN)序列有良好的自相关和互相关特性,因此具有抗干扰能力强、低截获、保密性能好以及易于实现安全广播等优点。接收机端的序列同步捕获算法是其中的关键技术。

1965年Ward等人提出序列估计机制的捕获算法后[1],这一类算法有了很大的发展。在文献[2]提出的捕获算法中,将序列提前积累多次后作为初始捕获状态,这样大幅降低了信道噪声的干扰,然后以此为基础再进行捕获。Salih等提出的算法在接收端利用PN序列的相关性构造了一种辅助序列[3],在得到辅助序列后,根据辅助序列不断判断当前捕获序列结果与正确序列的距离和迭代方向,最终实现正确捕获。这两种方法都需要超过一个周期的捕获时间。Chiu等改进了序列的积累方式[4],信息的积累效率提高,因此算法性能获得了提高。文献[5]通过重新设计收发端的序列给出了一种分布式接收机,并采用不断积累修正获得较好的算法性能。文献[6]对现有的同步捕获方法进行了总结,并支持估计机制的优势所在。Yang等提出的递归软序列估计(Recursive Soft Sequence Estimation,RSSE)是SE机制的典型代表[7]。

RSSE是目前针对低信噪比、长序列周期条件下伪随机捕获算法中比较有效的一种。但当SNR值下降时,对数似然比(LLR)值会受到噪声的影响,使得RSSE机制与原有的序列捕获机制的硬判决相比没有什么优势。尤其是对于长周期序列,或是序列的生成多项式中非零项较多时,算法的捕获性能急剧下降。

为了提高RSSE类的序列捕获算法在低信噪比下(尤其对于捕获长PN序列)的性能,文中提出一种基于状态积累递归软序列估计(SARSSE)的序列捕获算法。通过在RSSE前端加入状态积累移位寄存器的设计,可以提高算法捕获效率。对于多个PN周期而言,由于每个PN序列周期内伴随发送信号的噪声都是相互独立的。所以将每个PN序列发送的前n个接收比特叠加在一起可以改善初始状态的估计,从而改善文献[7]信道输出信噪比(SNR)和LLR的值,最终能够在低SNR下得到较好的PN序列捕获性能。改善了RSSE机制的捕获性能。

1 SARSSE捕获机制

如图1所示,SARSSE捕获机制包括5个功能块:SISO译码器、状态累积寄存器、软码片寄存器、PN序列生成器以及积分判决电路。SISO译码器在接收到与PN序列的给定码片相关联的软信道输出采样之后估计相应的LLR软输出。除了这个码片的内信息(即直接从信道接收到的信息)之外,还可以利用外信息,外信息是由软码片寄存器中的延迟单元(称为软码片延迟单元,SCDU)中 所存储的由以前接收到的码片值所计算得到的LLR值构成。因此若可用过去时刻的软信息对当前时刻的软信息加强,必须将SCDU构造成线性反馈移位寄存器(LFSR)的结构形式,该过程需利用序列生成多项式g(x),这样才能使得当前时刻软信息的计算可以利用过去时刻的软信息积累。SCDU的数目与PN序列生成器中的延迟单元的数目相同,将SISO译码器的软输出送到软码片寄存器的最左边的SCDU,并丢弃最右边的SCDU中的软LLR值。SCDU用来存储连续的码片瞬时LLR值,并且采用该LLR的计算连续的码片值。与此同时,与PN序列的给定码片相关联的软信道输出采样还将送入状态累积寄存器中。当接收信噪比较高时,SARSSE机制可以在一个周期之内捕获到PN码,那么状态累积寄存器将不起作用。但是当SNR低时,SARSSE机制无法在一个PN码周期之内完成捕获,此时将上一周期在状态累积寄存器中存储的码片值与当前输入的软信道输出采样值相加,然后再将相加的值送入SISO译码器进行处理。

图1中SISO译码器需要软信道输出信息以及SISO译码器以前估计的LLR值所提供的外信息来计算软输出,从而更新软码片寄存器中的值。在单用户情况下,标准的捕获模型是

Zk = αk(-1)ck+nk (1)

式中:Zk是捕获模块接收到的对应于ck的噪声抽样信号,并且αk是信道衰落幅度。nk是单边功率谱密度为N0的零均值加性高斯白噪声(AWGN)。用Ec代表发送的码片能量,且undefined代表每码片的SNR。

ck是扩频序列,并且假设ck是由一个r-级LFSR产生的,这个寄存器的生成多项式可以表示为

g(D)=1+Ds1+Ds2+…+Dsl+…+DsM=r (2)

式中,D代表单位延时算子。每个生成器系数g1, g2, …,gr(共r个系数)表示是否存在反馈连接线(1表示存在,0表示不存在),其中有M个系数{s1,s2,…,sM=r,1≤si≤r}为1,而其他的系数均为0。由于扩频通信系统通常用+1来表示0,并且利用码片值取为{+1,-1}的二进制扩频序列进行通信,所以PN序列生成器输出的是符号{+1,-1}。因此,现在用域{+1,-1}上定义的模2乘运算替换域{1,0}上的常规模2加运算,如图1中所示。并且,PN序列生成器的输出符号服从以下的递归公式

undefined

软信道输出信息是信道输出为Zk条件下的ck的LLR值,即

undefined, i=0,1,2,… (4)

式中,undefined代表信道的可靠值。在式(4)中,L(ci)是随机变量ci的LLR值,其计算式为

undefined

如果没有有关ci的先验信息,那么有L(ci)=0。

由图1中可知,在计算当前时刻软信息的时候利用了过去时刻的软信息积累。根据生成多项式(2)的递归关系以及图1中软码片寄存器中SCDU的反馈连接,用于增强ci的正确译码概率的外信息可以近似表示为

undefined·undefined·

undefined (6)

假设Le(c-∞)=…=Le(c-2)=Le(c-1)=0,其中L(yi-1),L(yi-2),…,L(yi-r)是SISO译码器以前的r个软输出。

最后,利用式(4)中的信道输出信息和式(6)中的外信息,可以得到与ci相关联的SISO译码器软输出为

undefined

undefined·

undefined (7)

利用式(7)可以估计出完整PN序列的前r个连续码片值。

可见,ci的软信息积累依赖于信道的可靠值,当SNR低时,软信息并不会随着递归深度的增加而增加。因此,SARSSE机制在SISO译码器之前增加了状态累积移位寄存器,状态累积移位寄存器的初始值为0。当没有在一个PN码周期之内捕获到PN序列时,状态累积移位寄存器中的值会与下一个PN码周期的信道输入值相加。由于两次PN码周期期间的噪声是相互独立的,所以有

undefined

显然,信道的可靠性增加了,也即改善了SISO译码器输入内信息的可靠性,从而改善了整个机制的捕获性能。

用仿真来验证提出的SARSSE捕获机制。仿真结果主要基于生成多项式为g(D)=1+D+D3+D4+D13和g(D)=1+D2+D5的PN序列。首先比较了与正确判决PN序列的某个指定码片值的极性相关的可靠性。横坐标是接收到的归一化码片数(l/r);纵坐标是判决可靠性,定义为SISO译码器输出(公式(7)的计算结果)的绝对值。图2显示了由生成多项式g(D)=1+D+D3+D4+D13产生的PN序列的捕获性能,用两种机制进行捕获(RSSE和SARSSE)。

2 SARSSE算法仿真

通过在AWGN(加性高斯白噪声)环境下的仿真,来验证上文提出的SARSSE捕获机制。仿真结果主要基于生成多项式为f(D)=1+D+D3+D4+D13的PN序列。首先比较了两种捕获机制在改进前后的可靠性,该可靠性是指正确判决PN序列的某个指定码片值,具体定义为SISO译码器的输出绝对值,判断可靠性是通过式(7)计算的。图2是信噪比为-2 dB时,在第二个周期其判断可靠性的积累情况。随着序列积累过程的进行,软信息不断地增加,从而两种算法的判断可靠性在理论上应该持续积累,但从仿真结果可以看出,信道环境的信噪比为-2 dB时,RSSE机制的判断可靠性已经不会像SARSSE机制那样随着接收序列数的增加而变大,因此SARSSE机制在低信噪比时可靠性优于RSSE序列捕获算法。

图3中通过计算利用不同的序列状态数对序列进行捕获后,对序列进行纠错的效果来考量算法的捕获能力,从而对比了两种算法(RSSE和SARSSE)的捕获性能。仿真序列的生成多项式为f(D)=1+D+D3+D4+D13。图中的结果再次验证了SARSSE捕获机制在低信噪比环境下的捕获可靠性能好于RSSE捕获算法。从图3中的曲线对比可以看出,当SNR较高时,使用相同的递归积累数(例如积累数L都为1 Sa或者10 Sa,1 Sa表示一个序列状态),SARSSE机制相对于RSSE机制的每码片的SNR增益大约为1 dB;并且当SNR继续降低时,增加递归积累数并不能再继续改善RSSE机制的系统性能,因此此时的SARSSE机制的SNR增益更加明显,L=40 Sa时的SNR增益达到了2 dB。

3 结束语

笔者提出了改善的RSSE捕获方法——SARSSE算法,并且研究了SARSSE机制对PN序列的捕获性能。仿真结果显示SARSSE捕获算法在低SNR环境下对PN序列的捕获可靠性好于RSSE算法,可以在硬件复杂度增加不大的情况下,在低SNR环境下进一步改善系统的捕获性能。

摘要：目前对于数字电视应用的长周期伪随机序列,捕获性能有限。提出状态积累递归软序列估计算法,在递归软信息积累过程前端建立状态积累移位寄存器,通过积累多个周期的信息来提供较为可靠的初始积累值,最终加速后续软信息积累,从而取得较好的捕获性能。

关键词：伪随机序列,捕获,状态积累,递归软序列估计

参考文献

[1]WARD R B.Acquisition of pseudonoise signals by sequential estimation[J].IEEE Trans.Communications,1965,13(4):475-483.

[2]JUNG C Y,YOON S.A novel DS/SS code acquision technique based onseed accumulation of sequence generator[C]//Proc.2001 IEEE MilitaryCommunications Conference.[S.l.]:IEEE Press,2001:1380-1383.

[3]SALIH M,TANTARATANA S.A closed-loop coherent acquisitionscheme for PN sequences using an auxiliary sequence[J].IEEE Journalon Selected Areas in Communications,1996,14(8):1653-1659.

[4]CHIU J,LEE L.An improved sequential estimation scheme for PN acqui-sition[J].IEEE Trans.Communications,1988,36(10):1182-1184.

[5]刘震昆,黄顺吉.低信噪比下超长PN码的快速捕获技术[J].信号处理,2006,22(3):299-302.

[6]康荣宗,汪涛,刘洛琨,等.超宽带通信系统的同步捕获算法研究[J].电视技术,2008,32(S1):78-81.

[7]YANG L L,HANZO L.Acquisition of m-sequences using soft sequentialestimation[J].IEEE Trans.Communications,2004,52(2):199-204.

状态时间序列 篇2

传统的设备评估诊断大多基于单一部件、单一参量的阈值判断，由于设备测试手段的局限性、故障机理的复杂性、运行环境的多样性、知识的不精确性导致诊断评价结果片面、缺少故障发展全面分析和预测的手段等问题[1,2]。对设备在线监测、带电检测、离线试验等设备全景状态信息进行状态检测，提升输变电设备评价与异常诊断的准确性是设备状态评估诊断技术的发展趋势[3,4,5,6]。

大数据是目前学术界和产业界共同关注的研究主题，具有广阔的应用前景。随着电力系统的发展，电力设备在线监测数据及生产管理、运行调度等数据逐步在统一的信息平台上完成集成共享，为大数据技术融合输变电设备状态数据的分析处理创造了条件。目前大数据技术在电力行业中的应用主要集中在电网大数据的传输和存储[7,8]及电力负荷数据的分析处理上[9,10,11]。

输变电设备全景状态信息呈现来源多、信息异构、数量庞大、属性繁多等特点，其数据往往是不完整的、有噪声的和不一致的。状态量原始的数据质量往往不能满足后续状态评价模型的要求，因此，在状态评估或诊断分析之前进行数据清洗是必不可少的。数据清洗通过填充缺失值、平滑噪声数据和识别离群点来提高数据质量，有助于提高数据挖掘过程的准确率和效率[12,13]。

在输变电设备数据清洗方面，国内外的研究如文献[14,15,16]所示。文献[14]在建立故障与信息的映射关系时将海量数据通过粗糙集信息熵的方法进行了约简，从而解决了数据缺失的问题，但是破坏了数据自身信息的完整性。文献[15,16]在处理支持向量机训练集的噪声和异常数据时使用了模糊C均值聚类方法，通过计算数据到聚类中心的距离来分离出噪声数据。但是这种聚类方法将分离出的噪声数据直接剔除，破坏了状态量数据链的连续性。以上研究在数据清洗过程中造成了数据的丢失，不利于在后续状态评估中对数据本身信息的挖掘。

本文提出了一种基于时间序列分析的数据清洗方法，其原理是利用时间序列模型识别各状态量的时间序列，检测出数据的异常模式，判断异常数据是能提取设备故障信息的“有用数据”还是可被清洗的“无用数据”。当异常数据是由设备异常状态产生时，用时间序列干预模型进行拟合以提取有效故障信息。在数据清洗时，根据序列中异常值的种类选择不同的修正公式，从而达到修正噪声点数据和填补缺失值的目的。相比于传统的删除噪声点，本文方法清洗出的数据是不带有噪声点和缺失值的数据，从而避免了时间序列中有用信息的丢失，更能有效地反映原始时间序列的动态变化，适应输变电设备状态数据的特点。

1 基于时间序列的输变电设备状态数据清洗方法原理

1.1 状态数据的特点及时间序列方法适用性

输变电设备状态量的检测是由各个传感器来完成的，但是经过底层的预处理而上传到数据库进行状态评估的原始数据可以认为是按时间序列排列的特征量数据。这些数据的统一格式为“时间．特征量=数值”，因此，可认为采集的所有状态量形成了一个单元或多元的连续而完整的时间序列[17]，如矩阵X所示：

式中：Xlh为在h时刻状态量l的数值。

输变电设备正常运行状态下的状态数据一般呈现如下3种规律，并都可适用于时间序列方法：(1)状态量幅值变化较小，如导线拉力、接地电流、油中气体C2H2等，这些状态量数据都属于平稳序列，可直接用自回归移动平均函数ARMA(p,q）拟合；(2)状态量呈缓慢上升趋势，如油中气体CO和CO2，可以通过差分方法转化为平稳序列，并用自回归求和移动平均函数ARIMA(p,d,q）拟合；(3)状态量呈周期性变化，在时间序列上表现为s个时间间隔后的观测点呈现相似性，如油温、导线温度等，可通过ARIMA(p,ds,q）拟合。

根据输变电设备的运行特点，状态数据中的异常通常表现为两种形式：(1)可用于数据清洗的异常，即噪声点和缺失值；(2)设备运行状态受到干扰而导致的数据异常。噪声点是指由于仪器异常或设备系统的扰动引起的严重偏离期望值的数据，这些数据不仅会影响模型拟合的精度，而且会导致后续状态评估出现偏差，引起误诊。缺失值是指由于传感器的短时失效、通信端口异常、记录失误等因素引起的数据中断，状态数据中存在的缺失值破坏了系统运行的连续性，不利于后续的状态评估和趋势检验。设备在运行过程中会产生突发性故障、绝缘劣化等，这些常常会引起数据的水平迁移异常和趋势改变性异常，此类异常数据反映了设备运行工况的异常，不属于清洗范畴。设备状态数据的时间序列中往往含有多个异常数据，修复所有的噪声点和缺失值是设备状态数据清洗的目标，同时也要实现突发性故障信息的有效获取，而不是作为异常数据剔除。

1.2 可用于清洗的异常数据

1.2.1 噪声点和缺失值的模型分类

时间序列中的噪声点可以分为新息异常值（IO）、附加异常值（AO）和两种类型异常值的组合[18]。设Xt是无异常值的时间序列，Xt服从ARIMA(p,d,q），可表示为：

式中：B为延迟算子；θ（B）和φ（B）分别为没有公共因子的平稳和可逆算子；θ1，θ2，…，θq为θ（B）的相应参数；φ1，φ2，…，φq为φ（B）的相应参数；at为相互独立，具有相同分布N(0，σa2）的白噪声序列，其中σa为含异常值的残差的标准差；，适用于1.1节中符合第2和第3种规律的状态数据（即具有趋势性、周期性的时间序列）。

用Zt表示观测到的时间序列，那么T时刻（脉冲发生时刻）包含噪声点的ARIMA(p,d,q）可表示为以下3种噪声点模型。

1)IO模型

式中：ω为异常值影响因子；It(T）为脉冲函数。

IO影响了T时刻之后的所有观测值ZT,ZT+1，…。其影响效应与Zt的模型形式有关，通过θ（B）/φ（B）所描述的系统动态特性而影响后面的所有观测序列。

2)AO模型

AO只影响该干扰发生的那一时刻T上的序列值，而不影响该时刻以后的序列值。AO通过未知的ω而起作用。时间序列中的缺失值可以认为是一种AO。

3）多个异常值的模型

在通常情况下，一个被观测的时间序列可以在不同的时间点上受不同类型的异常值的影响，因此，得到下面两种异常值组合的模型：

式中：k为异常值个数；ωj和vj分别为对应于不同异常值的影响因子和算子。

1.2.2 异常数据对时间序列拟合的影响

异常数据会影响时间序列拟合的精度，通过对拟合残差的分析可以将两类异常数据的影响量化。设时间序列拟合的残差为et，则

式中：π（B）为表征残差影响的算子；π1，π2，…为π（B）的相应参数。

在观测到的时间序列Zt中存在异常数据时，拟合残差序列et可以表示为：

式（12）和式（13）分别表示了异常数据为AO和IO时，拟合残差序列与白噪声序列的关系。将式（12）用矩阵的方式扩展开来，对长度为n的时间序列，式（12）可写为：

由于at是白噪声序列，根据式（14）由最小二乘理论算得噪声点AO对时间序列拟合的影响ω^AO为：

同理，噪声点IO对时间序列拟合的影响ω^IO为：

因此，在时刻T,IO对时间序列拟合影响的最好量化估计是残差eT,IO，而AO影响的最好量化估计是残差eT,AO,eT+1,AO，…，en,AO的线性组合，其权数依赖于时间序列的结构。

1.2.3 异常数据的检验统计量

时间序列中异常值的存在将使得参数估计产生严重的偏差，这些偏差根据1.2.2节中噪声点AO和IO对时间序列拟合的影响ω^AO和ω^IO，可以综合成噪声点的检验统计量，当检验统计量超过一定的限值时，可以判断其对应的时刻T存在噪声点。每个观测点的AO和IO的检验统计量如下：

式中：t′为异常数据产生的时刻；TAOt′为AO的检验统计量，TIOt′为IO的检验统计量，两者的极限分布均为标准正态分布。

1.3 反映设备状态的异常数据

通过对输变电设备突发性故障的统计分析[19,20]可知，故障时其状态数据往往会产生水平迁移和快速变化的趋势，这种情况下状态数据用式（1）拟合时在某一时间点后的残差序列均远大于之前的值，因此，可直接判断数据不可做清洗，只能通过时间序列干预模型拟合。状态数据的两种干预响应结构如下。

1）反映水平迁移的干预响应结构为：

式中：St(T）为阶跃函数；b为延迟时间。

该结构说明输入的干预变量是St(T），输出的状态量延迟b后做出反应且强度为ω，以后再不回到以前的状况。这类干预影响反映出了状态量的水平迁移，如变压器对地绝缘故障时铁芯接地电流迅速变大而超过限值（100mA）等。

2）反映趋势改变的干预响应结构为：

式中：δ为延迟算子的相应参数。

此类干预影响常常用来表示趋势性状态量趋势的变化。如反映变压器固体绝缘的CO/CO2，在正常情况下其数值是缓慢上升的，当变压器固体绝缘受到破坏而导致劣化加速时，CO数值会呈快速上升趋势，时间序列的斜率比正常情况下大很多。在对CO的时间序列做一阶差分后符合该类干预影响结构。

2 输变电设备状态信息数据清洗步骤

设备状态信息获取方式的多样性及采集间隔的不确定性使得各状态量时间序列的参数是未知的、异常数据产生的时刻T是不确定的，因此，时间序列模型的搭建、模型参数估计、异常数据类型识别是必不可少的数据清洗步骤。由于异常数据的存在将使时间序列参数的估计产生偏差，因此，针对噪声点出现时刻与个数未知、预先没有模型参数的情况，使用迭代检验的方法对观测的时间序列进行数据清洗，共分为7个步骤（流程图见附录A图A1）。

步骤1：假定不存在异常值，对观测序列Zt建立时间序列模型，并由所估计的模型计算初始残差，即

式中：为初始拟合的残差序列；为π（B）的初始值；分别为初始拟合的平稳和可逆算子。

残差方差的初始估计为：

步骤2：观测拟合残差序列。若从某时间点开始残差序列呈现水平迁移，并远大于之前的残差值，则原始时间序列需用干预模型拟合，跳至步骤7；否则跳至外循环。

步骤3：在外循环中，利用已估计的模型，对t=1,2，…，n，计算每个观测点的检验统计量TtAO和TtIO。

定义λTmax=max{|TtAO|，|TtIO|}，这里Tmax为最大值发生的时刻。当λTmax>C时，其中C是预先确定的常数，通常取3和4之间的值，则说明存在异常数据，进入内循环修正数据。

步骤4：在内循环中修正数据。

当λTmax=|TAOTmax|>C时，可以确定在时刻Tmax存在异常数据AO，其对模型拟合的影响ω^AO通过式（15）可以求得。通过式（7）修正原始时间序列数据，得到新的时间序列Zt～为：

并由式（12）修正得到新的残差e～t,AO为：

当时，确定在时刻Tmax存在异常数据IO，其对模型拟合的影响可通过式（16）求得，利用式（5）修正数据，则IO的影响可以消除，即

并由式（13）修正得到新的残差为：

使用迭代的方法识别并修正时间序列所有的噪声点。在修正后的残差和残差标准差的基础上再次计算每个观测点的检验统计量TAOt′和TIOt′，并重复步骤4，直到所有的异常数据都被识别出来。当λTmax<C时，则说明此步外循环已修复异常数据，内循环结束。

步骤5：假设在内循环结束后有K个异常数据在时刻T1,T2，…，TK被识别出，其影响分别为，同时异常数据被修正而得到了新的时间序列（右上角的1表示这是第1次外循环迭代得到的序列）。此时重新回到步骤3，进入外循环，根据式（2）重新估计该时间序列参数，并根据式（22）和式（23）得到时间序列模型残差为：

根据重估的时间序列参数计算检验统计量，当λTmax<C时外循环结束，当λTmax>C时重新进入外循环，直到所有的异常数据都被修复。

步骤6：在最后一次外循环结束后，针对修正了噪声点的时间序列进行联合估计，得到拟合异常值的模型。

式（30）中，各参数是在最后一次迭代中得到的，该联合估计的目的是验证数据清洗的数学模型是否与真实数据相近，即拟合残差属于可接受范围。此时，将式（30）中异常时间点的数据作为“修正”的数据，以替代原始数据，而其他时间点的数据仍保留原始值。

步骤7：使用式（19）和式（21）的时间序列干预模型拟合原始数据，并求出干预点发生时间。

3 算例分析

3.1 数据清洗算例

算例1选取南方电网某输电线路采集的导线温度数据，如图1中实线所示，该时间序列不存在噪声点和缺失值，属于周期性时间序列，可用季节型ARIMA(p,ds,q）拟合。为了检验本文数据清洗方法的实用性，将原来的观测时间点t=140的数值剔除（成为缺失点），观测时间点t=26和t=49分别加入一个AO和IO异常值，从而生成了一个带清洗的时间序列Zt，如图1虚线所示。

利用MATLAB软件对时间序列Zt进行数据清洗，步骤如下。

步骤1：进入外循环，首先对时间序列Zt拟合季节型ARIMA(p,ds,q），得到ARIMA(1,0,0)(s为12）如式（31）所示。

观察拟合模型的残差序列初步推断该序列可能存在多个异常值。

步骤2：进入内循环，计算每个观测点的检验统计量TAO和TIO，逐次迭代直到所有的噪声点都被检验出来，结果如表1所示。

因此，考虑如下的修正模型：

式中：θ0为θ（B）的相应参数。

根据表中的拟合影响对时间序列的噪声点和缺失值数值进行修正，同时，根据式（32）对修正后的时间序列重新估计其参数，得到第1次修正后的时间序列及残差图如图2所示。

步骤3：根据图2中的残差可判断原数据的噪声点和缺失值全部被检验了出来。但由于噪声点对于观测时间点的数值拟合残差过大，不符合赤池信息准则（AIC）检验，因此，需要返回外循环进行迭代计算，进一步修正时间序列，以提高数据清洗质量。

步骤4：在通过两次外循环的迭代之后（逐步拟合结果见表2），得到最终清洗后的时间序列，如图3红色点所示，与原始数据基本符合。

从图3可以看出，虽然清洗后的时间序列与原始时间序列在异常值发生时刻附近存在偏差，但是偏差都在10%以下，不影响后续的状态评估，属于可接受的范畴。作为对比，使用k阶近邻法聚类来检测数据中的噪声点和缺失值，并使用回归支持向量机修复数据。两种方法的对比结果如表3所示，由于温度数据不平稳且周期性变化的特点，支持向量机前向和后向预测结果差别大，精确度不如本文方法。图3中的绿色点表示检测出的噪声点，其结果与本文方法相近，检测出了时间点26,48,49,50为噪声点，时间点140为零值（缺失值）。

算例2是对多元时间序列的数据清洗（见附录B）。以上两个算例表明，基于时间序列的数据清洗方法是针对数据整体规律而言的，能够修复时间序列中的噪声点和缺失值，完成数据清洗的目标。支持向量机方法对局部平稳性或固定趋势性序列的清洗结果与本文方法相近，但是对非平稳或季节性数据清洗结果差，具有局限性。

3.2 干预模型算例

算例3为某变电站油中气体CH4的在线监测数据，如图5所示，通过ARIMA(1,0,1）模型拟合后得到数据的初始拟合结果和拟合误差，其中CH4含量表示每升空气中CH4的含量。可以看出，在观测时间点t=50左右时间序列发生了趋势的改变，CH4气体的值由平稳趋势变为上升趋势，可以定性地判断变压器的内部绝缘出现劣化加速趋势。因此，针对此类异常数据，应使用时间序列的干预模型获取故障有效信息，不可用作数据清洗。

由于t=50处气体数据发生了趋势改变，因此，可以用第2类干预结构来拟合原始数据：

异常数据的最终拟合结果如图5所示。从该干预模型可以得出结论，在t=50处变压器出现了异常运行状态，需要运维人员密切关注。实际情况是变压器低压侧上夹件内衬铁斜边与C相端处相碰，形成了故障接地点，从而与原接地点形成了环流，使得变压器过热，与本文方法结论一致。

4 结语

本文基于时间序列分析这一大数据技术，利用模型拟合残差的迭代检验法来检验出输变电设备状态数据中的噪声点和缺失值，并能在迭代过程中对异常数据进行修正。相比于传统的删除噪声点，本文方法清洗出的数据是不带有噪声点和缺失值的数据，从而避免了时间序列中有用信息的丢失。3个应用实例表明本文方法能实现输变电设备状态信息海量历史数据的校验和清洗，不仅可以自动去除“脏数据”，而且能够提升数据的质量，避免设备状态的误诊。

附录见本刊网络版（http：//www.aeps-info.com/aeps/ch/index.aspx）。

摘要：数据清洗是输变电设备状态评估数据预处理的一个关键步骤,有助于提高数据质量和数据利用率。文中将设备状态信息等效成各状态量的时间序列,提出了一种基于时间序列分析的双循环迭代检验法。首先,将时间序列中的异常数据进行了分类,并将缺失值归纳为其中一类异常值。然后,分析了不同类别异常值对时间序列模型的影响,并阐述了迭代检验法的实现步骤。最后,利用所述方法对南网某变压器和线路的监测数据进行了数据清洗,结果表明该方法能识别并修正数据中的噪声点,填补缺失值,满足数据清洗要求。

状态时间序列 篇3

关键词：配网设备,同步监测,协调,控制

0引言

配网设备状态监测评估及时间同步监测系统利用现有配电GIS系统和营销系统中的各种实时信息以及相关静态参数信息, 对配网设备的运行状态与潮流进行分析, 及时发现设备故障, 快速辅助问题定位, 帮助调度人员了解和掌握配网运行状况, 并提供针对配网设备当前运行状态的分析建议, 保证配电网的高效稳定运行。

1配网设备状态监测评估

配网设备状态监测是通过研制智能化终端来实现的, 主要通过解决如下几个关键的技术问题得以实现。

1.1设备状态信息搜集

状态的分析评估需要大量描述设备状态及其演变过程的准确数据, 首先利用综合管理模块管理、存储所有设备资产清单、设备台账图纸、设备设计数据、设备安装状况及系统图、维修历史数据、设备变更与维修记录、设备状态监测与诊断数据、事故及异常记录、测点设置、设备可靠性状态统计分析数据等, 以搜集足够的信息用于分析与决策。

1.2设备状态监测

智能终端的状态监测部分能够基于资产管理系统的配网设备台账信息, 结合SCADA系统、EMS系统、配变监测系统、负控系统等监控系统的实时数据, 按设备类型对各类设备进行限制比较、纵向及横向比较, 以判断设备当前的工作状态是否正常。

1.3智能化诊断

智能化诊断用专家系统与人工神经元网络相结合的方法实现, 既能对单一数据进行故障诊断, 也能对多种数据进行综合诊断。单一诊断用产生式专家系统, 将规程规定和专家知识存储在知识库, 可以随时更新、修改。综合诊断用人工神经元BP网络, 功能模块之间用状态驱动, 每一个层次的数据都可以维护、查询, 有利于程序的模块化设计。

基于神经元网络的综合诊断:其目的是学习和模仿人脑的信息处理方式。神经元网络把知识变成网络的权值和阈值, 并分布存储在整个神经元网络之中。在确定了神经元网络的结构参数、神经元特性和学习算法之后, 神经元网络的知识表达是与它的知识获取过程同时进行、同时完成的。

1.4检修决策、检修计划

检修决策和检修计划分别由不同的管理模块来实现, 主要根据不同运行方式和检修方式, 运用技术经济分析方法对检修费用、效益进行评估, 给出对该设备来说最佳的检修时间、检修措施和检修项目, 并形成检修决策报告。

2时间同步监测

随着电力系统的规模、覆盖区域和容量日益增大, 电网因断电导致事故蔓延, 有可能使事故范围扩大至全网, 涉及多个电厂、变电站等。而分析事故过程需要综合全网的各种数据, 如果各个电厂、变电站所记录时间及数据的时间标记不同步, 不可以相互参考, 则可能无法综合分析这些宝贵信息, 给事故分析带来极大困难。为解决这个问题, 电力企业通过研制时间同步监测装置来实时监测GPS的运行状态信息, 及时反映给调度, 实现全网时间同步。

2.1GPS时间同步装置

GPS时间同步装置适合各级调度分层分级的管理模式, 为电网调度二次系统高级应用的统一时钟提供技术支撑, 为电网重大事故的事后分析提供可靠的时间标志, 为事故时各电网信息形成可信的时间断面提供依据, 能有效地提高江苏省全网GPS实时信息监测的水平, 为一些基于时间同步装置高精度时钟的电力二次系统高级应用奠定基础, 同时也为电力系统稳定运行提供坚实的保障。

该装置通过GPS厂家的串口规约加分/秒脉冲方式或IRIG-B码通信接口获得GPS的时间与运行状态信息, 站端监测装置可以最多同时监测6个GPS, 各地区当地调度中心后台系统作为NTP协议的客户端, 周期性询问现场监测装置所监测GPS的当前时间, 监测装置作为一个NTP服务器, 通过NTP协议将现场GPS时间发给客户端。后台获得被监视GPS的当前时间后与中心站GPS标准源比较得出各个GPS的相对时间误差, 并从监测装置获得GPS运行信息。后台可以标准规约或文本方式输出GPS的相关运行信息, 主站监测系统可提供Web查询功能。监测实施后, 便于对GPS信息进行分层管理, 在各个地区调度中心监控本地区GPS运行信息, 省调度中心对全省各个地区GPS信息进行统一管理。

NTP协议全称为“网络时间协议” (NetworkTimeProtocol) , 其目的是在国际互联网上传递统一标准的时间。客户/服务器模式:客户端周期性地向服务器请求时间信息, 服务器用来同步客户端但不能被客户端同步。客户端首先向服务器发送一个NTP包, 其中包含了该包离开客户端时的时间戳, 当服务器接收到该包时, 依次填入包到达时的时间戳、交换包的源地址和目的地址、包离开时的时间戳, 然后立即把包返回给客户端。客户端在接收到响应包时再填入包返回时的时间戳。客户端用这些时间参数就能够计算出2个关键参数, 即包交换的往返延迟和客户端与服务器之间的时钟偏移。本系统中, 不校对客户端时间而只是比较出客户端时间标准源与现场监测GPS的时间偏差。

2.2基于IEEE1588的精密时间同步装置

精密时间同步装置, 构建一个以当地调度时钟为主时钟, 所有220kV变电站内时钟为从时钟的地面时间同步网, 保证一个地区的时间统一性, 为电力系统的运行、维护、计费确立统一的时间基准, 为电力系统提供更优质的服务打下良好的基础。

2.2.1调度主站侧

调度主站的时间同步设备作为地面时间同步网的主时钟, 时钟源来自于GPS卫星授时。2个以太网接口均接入电力系统二区网络路由, 一个接入时间同步监测系统, 用于时钟设备监视, 而另一个则作为地面时间同步网接口, 用于接收和发送IEEE1588报文包。

2.2.2变电站侧 (以下简称“从站”)

从站端的主时间同步设备以卫星时间为主, 地面时间同步网时间为辅, 2种工作模式自动切换, 接口定义如下:

(1) 以太网接口:从站端主时间同步设备同样具有2个以太网接口, 一个接入时间同步监测系统, 用于监视从站主GPS时钟设备的时间精度, 另一个以太网接口支持IEEE1588, 用于接收和发送IEEE1588报文包。

(2) 扩展同步口:从站端主时间同步设备具有光纤扩展同步接口, 该接口向从站端扩展时钟发送IRIG-B码同步报文, 为扩展时钟提供时间基准源。

地面时间同步网中时钟设备的2种工作模式 (GPS模式与IEEE1588模式) 切换过程如下:

(1) 时间同步装置的各个PTP端口通过接收和发 送IEEE1588报文, 判断各个端口所在网络区的最佳主时钟的时钟类。

(2) 选择所有端口中最佳的一个时钟类与时钟同步装置的时钟类进行比较, 若端口最佳时钟类低于时钟同步装置的时钟类, 则时钟同步装置处于主时钟;若端口最佳时钟类高于时钟同步装置的时钟类, 则时钟同步装置处于从时钟。

(3) 当时钟同步装置处于从时钟时, 时间同步装置开始不断地调整自身时间, 直到与主时钟时间一致。

(4) 时间同步装置作为从时钟:当时间与主时钟同步时, IEEE1588模块向CPU模块发送脉冲信号, CPU模块根据时间质量选择是否接收地面时间同步网时间。

3结语

配网自动化以当地调度时钟为主时钟, 所有220kV变电站内时钟为从时钟, 形成地面时间同步网, 为电网重大事故的事后分析提供可靠的时间标志, 为事故时各电网信息形成可信的时间断面提供依据, 保证一个地区的时间统一性, 为电力系统的稳定运行、维护、计费确立统一的时间基准, 为电力系统提供更优质的服务打下良好的基础。

参考文献

[1]江苏方天电力技术有限公司.关于配网设备的监测智能终端说明书

状态时间序列 篇4

关键词：机械制造,航空发动机装配,技术状态管理,技术状态模型,产品数据管理

0 引言

作为复杂产品的航空发动机具有零件数量多、工艺复杂、装配过程复杂的特点。航空发动机由于型号、批次不同,装配技术状态会有许多不同之处;同一型号的航空发动机不同的单台产品,实际装配中由于人员、环境等具体情况的差异,亦可能采用不同工艺,使其技术状态具有其各自特征;甚至对于特定的某台发动机,在其生命周期内的多次装配中(发动机一般需要多次试装),常会发生零件更换、工艺变更,使技术状态处在动态变化之中。

目前对于产品技术状态管理的研究主要基于设计过程中产品版本和产品结构树的变化与管理。文献[1]采用图结构模型来描述产品设计过程中版本间的关联关系,并使版本关系能够动态显示。文献[2]建立了基于版本的产品配置管理模型,使得设计者能够容易地实现产品结构配置。对于因装配执行的动态性而产生的产品技术状态的多样化问题,文献[3]提出了一个描述航空发动机装配技术状态的网络模型,实现产品装配技术状态的对比,但是没有对产品物料结构改变和属性改变引起的技术状态变化进行研究。

本文涉及的航空发动机装配技术状态管理,主要是针对其产品装配和后期维护维修阶段(包括新机装配、旧机维修、旧机大修)的单台发动机产品是否满足产品物理特性的状态进行管理。具体来说就是单台发动机在产品装配中采用了何种物料及其物料的信息、执行了何种工艺及其工艺所对应的检验项等信息的管理。

本文提出了一个航空发动机技术状态数据模型,用于描述发动机的装配技术状态,方便处理装配引起的发动机技术状态变化。对此,分析了发动机装配技术状态的复杂性;在此基础上,提出了一个发动机装配技术状态数据模型;接着,通过三个基本操作符运算来表示某阶段或某次装配中技术状态的变化;然后,基于每次装配结束时的技术状态得到沿时间轴技术状态快照序列;最后通过实例验证了该技术状态数据模型的可用性。

1 发动机装配技术状态数据模型的概念

针对航空发动机型号,现有的PDM技术已经可以较好的对其进行技术状态管理。由于实际装配中,单台航空发动机技术状态强调可追溯性,即对于每一台发动机在排故、维修、大修时需要明确其装配技术状态历史,就必须对单台发动机进行装配技术状态管理。进行单台发动机装配技术状态管理的基础是结构化的数据模型,装配环境下的技术状态数据可以分为三大部分:物料信息、工艺信息与检验信息。这里的物料信息是指产品基本信息及组成产品的各种零/组/部件的信息;工艺信息是指装配各级物料节点所执行的工艺/工序/工步的信息;检验信息是指执行装配的关键项进行检验,具体表现为相对应的检验项的规定值与实际值。物料信息、工艺信息、检验信息都可表示为树形结构。它们间也具有复杂的对应关系,其中包括:工艺与部件或组件对应、检验表与工艺对应、检验项与工序对应、子检验项与工步对应等。

由于航空发动机的多装多试的特点,单台发动机在其生命周期的多次装配中会频繁的发生物料信息、工艺信息和检验信息的改变,集中表现在由于串换件、寿命件的到期等,发生各级物料(部件/组件/零件)的变化;由于采用不同版次的工艺、针对个别发动机装配下发的技术文件、技术通知、工艺更改单等会产生工艺信息的变化;物料或工艺信息改变同时也伴随产生了检验信息的变化。因此单台发动机的装配技术状态不仅与同型号同批次的其他发动机的技术状态不同,在其生命周期内本身的技术状态也随时间变化。

所以,航空发动机装配技术状态数据模型必须包含两个方面,从空间上说,要用尽可能用简单的模型表示出错综复杂的物料、工艺、检验信息的对应关系;从时间上说,要准确地刻画出发动机装配技术状态随时间变化的情况。

2 发动机装配技术状态数据模型的定义

以下对发动机装配技术状态在时间条件约束下的物料、工艺、检验等信息进行定义。

定义1:航空发动机装配技术状态模型,C={M,PAC,R,T}。

其中M为物料信息集合、PAC为工检信息集合、R为关系集合、T为时间。当物料信息集合为整台发动机的物料信息时,C表示单台次发动机T时刻的技术状态;当物料信息为整台发动机物料信息子集时,C表示相应部件、组件等的技术状态。

定义2:物料节点集合M:航空发动机某一时刻物料集合为:M={m1,m2,m3…,mn},n∈N,N为自然数;mi={IDmi,a1,a2,a3,…,ak},k∈N,mi∈M。

M中mi可以是产品、部件、组件或者零件,为产品任意级物料节点。mi中IDmi为物料节点的唯一标识,a1,a2,a3,…,ak为这一物料节点属性,比如关键尺寸、物料寿命、是否为关重件的标识等,可灵活的根据需要进行实例化。

定义3:工检信息集合PAC:

由上面的分析可知,虽然物料信息和工艺信息节点不是同级一对一的关系,对于具体的发动机产品,工艺及检验信息节点也总是伴随着唯一的物料节点出现,这里不妨将相对应的两种节点合并为工艺及检验信息节点,也是适应了许多先进发动机制造厂商实行的“工检合一”的需要。对于每一个工艺及检验信息节点paci,IDpaci为工艺及检验信息节点的唯一标识。类似于定义1,b1,b2,b3,…,bt亦为paci(1≤i≤l)工艺信息节点的属性,当paci为不同级别的工艺信息节点时,属性可以实例化为工艺版本、关键工序标识等。当paci为工序级节点,若bj={IDbj,CheckContentbj,CheckStandardbj,CheckValuebj}表示一个子检验项,其中,IDbj唯一标识了该子检验项,CheckContentbj为子检验项的具体内容,CheckStandardbj为检验项的规定值,CheckValuebj为检验项的实际值,该属性可给出单件产品由于每次装配产生的检验项信息,一般表示执行一个工步产生的检验信息。

定义4:关系集合R=MR∪PR∪MPR其中:MR={r|r=(mi,mj),若埚mi和mj的父子关系,mi,mj∈M};PR={r|r=(paci,pacj),若埚paci和pacj的父子关系,paci,pacj∈PAC};MPR={r|r=(mi,pacj),若埚mi和pacj的对应关系,mi∈M,pacj∈PAC};该集合可以确定出技术状态模型中存在的物料信息节点之间、工艺及检验信息节点之间、物料信息节点与工艺及检验信息节点之间三种关系。

图2展示了一个简化了的技术状态模型的具体例子,该模型具有三层物料信息结构。左面的部分为单台发动机产品的物料状态,右边的部分为与之相对应物料的工检信息,用连线表示存在相关的关系。

3 发动机装配技术状态数据模型的基本操作

单台发动机单次装配执行其间,发动机装配技术状态会因装配的执行随时间动态变化着,表现为技术状态模型中各集合元素的变化。集合元素的变化可以归结为两种基本操作,令Ci={Mi,PACi,Ri,Ti}为Ti时刻的产品/部件/组件的技术状态,Ci={Mi+1,PACi+1,Ri+1,Ti+1}为Ti+1时刻的技术状态,Cpa1={Mpa1,PACpa1,Rpa1,Tpa1}为pa1部件/零件某时刻的技术状态,用两种算子进行表示:

加法操作算子+:+(Ci,Cpa1)={Mi∪Mpa1,PACi+1,Ri∪Rpa1∪Rst,Ti+1}加法操作为发动机装配时增加技术状态物料节点的操作,附带了工艺节点的增加和对应关系的增加。

减法操作算子-:-(Ci,Cpa1)={Mi-Mpa1,PACi+1,Ri-Rpa1-Rst,Ti+1}减法操作为拆卸发动机零部件的操作,该操作会产生发动机技术状态物料节点的减少,而且附带了工艺节点的减少和对应关系的消失。

由以上的两种基本操作函数,可以得到更加复杂的技术状态改变的操作。例如,对于航空发动机的换件技术状态变化,可视为经过了-(Ci,Cpa1)和+(Ci,Cpa2)操作,用pa2替换了pa1部件。

对于单台发动机的每段或每次装配,可以认为其技术状态经历了数个加法、减法操作。例如C1为某次装配前的产品的技术状态,C1={{m1,m2,m3,m4,m5},{pac1,pac2},{(m1,m2),(m1,m3),(m2,m4),(m2,m5),(pac1,pac2),(m1,pac1),(m2,pac2),T1},首先拆卸掉部件,pa1,Cpa1={{m2,m4,m5},{pac2},{(m2,m4),(m2,m5),(m2,pac2)},T1},即进行了操作-(C1,Cpa1),得到C1′={{m1,m3},{pac1′},{(m1,m3),(m1,pac1′)},T1′};然后进行了操作+(C1′,Cpa2),装配上部件pa2,pa2的技术状态为Cpa2={{m6,m7,m8},{pac6},{(m6,m7),(m6,m8),(m6,pac6)},T2};得到C1={{m1,m3,m6,m7,m8},{pac1″,pac6},{(m1,m6),(m1,m3),(m6,m7),(m6,m8),(pac1″,pac6),(m1,pac1″),(m6,pac6)},T2};如图3所示。实际中的操作可能会拆卸到零件级,这里适当简化为拆卸到部件级。

4 沿时间轴发动机装配技术状态快照序列的生成

单台发动机首次装配自T0时刻开始,在其生命周期内会经历数个加法、减法操作,形成关于时间轴TS=(T0,T1,T2,T3,…)的发动机单机技术状态快照序列CS=(C0,C1,C2,C3,…)。首次装配过程中,零件装配成组件,组件装配成部件,进而装配成发动机整机,这期间发生的对装配技术状态的操作体现为大量的加法操作,由零部件的技术状态合成为发动机的技术状态;非首次装配,则还会发生大量技术状态减法操作,最终表现为整机技术状态随时间不断的更新。

与其他复杂产品不同,航空发动机生命周期中要经历多次拆卸-装配的过程。这样可以把时间轴划分为若干个阶段,包括新机一装、新机二装、旧机排故的一、二装、旧机大修的一、二装等。TS中时间Ti的取值不同,会引起技术状态记录详细程度不同。记录的密度越大,对技术状态追踪的也就越详细,但占用的存储空间就越多。当Ti取值为装配执行过程中若干时刻时,序列CS可以对装配过程进行记录。

现设Ti为每次装配结束的时间,(Ti-1,Ti)时间段则为两次装配间的时间段,在本时间段内,假定不对微小的技术状态变化进行记录,得到的覆盖全时间轴技术状态快照序列如图4所示。

5 应用举例

该模型已经应用于“航空发动机装配现场综合管理系统”,装配技术状态管理是它的一个重要功能。现以某航空发动机为例,在它的产品制造和应用阶段,已经历过新机一装、新机二装、第一次维修的维修一装、第一次维修二装,共四次装配,其间伴随着该发动机物料、工艺和检验信息的改变,用本文所提模型记录了每次的装配技术状态。通过关于时间的查询,可由记录模型得到发动机的技术状态快照,快照反映了距此前最近一次装配结束时单台发动机的物料、工艺和检验信息。图5上半部分反映了该发动机装配技术状态沿时间轴的演变,下半部分三行分别反映了三个时间点发动机物料状态,工艺状态、检验状态。

6 结束语

本文针对装配环境下航空发动机技术状态管理的特点,提出了一个沿时间轴的装配技术状态数据模型,由此生成了沿时间轴的技术状态快照序列。以本文模型为基础可以对装配中单台发动机独特的物料信息、工艺与检验信息进行一定程度上的装配技术状态管理。但是,单台发动机处于服役期(两次整机装配期间),由于临时维修,还可能发生个别零部件的变化等。所以,要更好的对发动机进行全生命周期的技术状态管理,必须要将管理扩展到服役期,这也是以后研究的一个方向。

参考文献

[1]冯向兵,莫蓉,桂元坤.PDM中版本管理的图模型表达方法与实现技术[J].航空制造技术,2008,(12):89-96.

[2]CARNDUFF T W,GOONETILLAKE J S.Configuration managementin evolutionary engineering design using versioning and integrityconstraints[J].Advances in Engineering Software.2004,35(3-4):161-177.

[3]孙惠斌,常智勇.航空发动机装配技术状态数据模型研究[J].航空制造技术,2009,(16):74-78.

[4]任艮全,张力,王建民.产品使用维修阶段BOM数据起源追踪研究[J].计算机集成制造系统,2004,13(3):2187-2195.

[5]马明旭,范玉顺,尹朝万.基于产品结构的全生命周期形式化建模[J].机械工程学报,2006,42(9):83-90.

[6]航空制造工程手册总编委会.航空制造工程手册:发动机装配与试车(第一版).北京:航空工业出版社:1996.

[7]孙茉莉,莫蓉,常智勇.航空发动机装配数字化关键技术研究[J].中国机械工程,2008,19(2):200-203.

状态时间序列 篇5

在许多应用场合, 如通信系统、旋转机械、测震学等场合, 都要求使用具有高精度、快响应的频率检测器[1,2,3]。例如, 在通信系统中, 无论是时钟信号频率同步还是信号调制, 都要求用到频率检测器。频率检测器通常作为一个IP核嵌套在SOC系统中, 而不是一个单独的芯片。通常来说, 频率检测器可以根据其采用的结构分为两类:数字方式检测和模拟方式检测。

数字检测方式需要一个精确的时钟信号, 研究者利用计数器来实现对频率的检测。为了减少成本, 研究者希望芯片集成化, 不能有外围器件, 这就要求时钟信号由内部电路产生。而内部时钟信号的产生需要电容和电阻, 受工艺变化和工作温度的影响较大, 将引起检测精度的下降。此外, 传统的数字检测方式只能检测到输入时钟与参考时钟的大相位差, 因此引入了一个不可忽视的频率失调量[4,5], 许多文献提出了解决该问题的改进数字检测方式。例如, 可以采用延迟线的时间数字转换器, 使得在参考电压频率不高的情况下也能获得较高的检测精度, 但代价是需要全定制的集成电路设计[6];也可以采用大量的滑移检测器, 产生一个精确的数字频率检测器, 但这种方法需要增加延迟时间[7]。

模拟检测方式的频率失调量要比数字检测方式小, 但它的检测速度也较慢。采用模拟检测方式的频率检测器首先产生一个与被检测信号的频率成比例的电压, 实现从频率到电压的转换。通常有两种方法实现这种转换, 即间接转换方式和直接转换方式。间接转换方式先将频率转换成占空比, 再转换成电压[8], 这就需要较长的转换时间。直接转换方式不需要将频率转换成占空比, 但要增加一个额外的电路来判断输出结果是直流量还是方波信号, 以向下一级电路提供一个可直接辨认的输入量[9]。这样, 电路复杂度和检测时间都会不可避免地增大。在模拟检测方式的频率检测器中, 需要用到电阻和电容, 受工艺变化和工作温度影响较大。为了消除这种精度影响, 要求增加片外器件, 这在SOC中是不可取的。

为了同时获得高精度和快速响应, 本研究提出一个基于类状态机 (RSMC) 的改进的模拟检测方式。RSMC产生一系列信号控制频率检测器的工作状态。该频率检测器的检测时间可以自调节, 且与输入信号频率有关。电路中还有一个频率编程电路 (FPC) , 用于扩展该频率检测器的应用范围。

1 频率检测器结构

本研究设计的频率检测器 (FD) 电路图如图1所示, 分为3个部分:频率编程电路 (FPC) 、类状态机 (RSMC) 和中心电路 (CORE) 。CORE主要由模拟电路和判断电路构成。

SELECT=1, 输入时钟信号CLOCK直接送入后续模块进行频率范围检测;SELECT=0, CLOCK信号经过十分频后送入后续电路进行检测。

EN置1, 模拟电路启动, 整个频率检测电路开始工作。RESET置1, 对电路进行初始化, 再置0, 整个电路进入正常工作。FPC模块对输入时钟信号CLOCK和输入逻辑信号SELECT进行处理, 产生RSMC模块的输入时钟信号FIN, FIN的信号周期为TS。RSMC产生周期性方波信号S1、S2和S3, 用来控制CORE模块的工作状态, 实现频率检测功能。S1、S2和S3的时钟周期相同 (TDT=16Ts) 。S2控制模拟电路中从输入信号的频率向电容电压VC1和VC2转换的过程, 电压VC1和VC2会在判断电路中被检测;S3信号控制判断电路的检测结果输出到FD_FL、FD_FH和FD_RESET。S1控制模拟电路中的电容C1和C2在下一个周期来到前清零, 保证每个周期都能正确检测输入信号的频率。

RESET—整个电路的复位信号；CLOCK—频率检测器的被检测信号；SELECT—FPC的频率范围选择信号；EN—模拟电路的使能信号；FD_FL—低频检测结果；FD_FH—高频检测结果；FD_RESET—频率范围检测结果

1.1 频率编程电路 (FPC)

FPC的功能如表1所示, 当SELECT=1时, FFIN=FCLOCK;当SELECT=0时, FFIN=FCLOCK/10 (式中:FFIN—FPC输出时钟信号FIN的频率;FCLOCK—输入时钟信号CLOCK的频率) 。当RESET=1时, FPC内的十分频模块被复位。

1.2 类状态机 (RSMC)

类状态机的电路结构如图2所示, 它采用组合逻辑产生CORE模块的状态控制信号S1、S2和S3。S1、S2和S3与输入信号FIN的频率相关。信号FIN、RE-SET、Q1、Q2、Q3、Q4、S1、S2和S3的关系如图3所示。

在下一节中将说明, CORE有5个工作状态, 分别表示为reset-state、state1、state2、state3和state4。这些状态由RESET、S1、S2、S3和S4共同决定。状态reset-state只在RESET=1时出现, 为CORE的初始化状态。频率检测器进入正常工作后, 状态state1、state2、state3和state4依次周期性出现。周期为:TDT=16/FFIN;持续时间分别为:t1=4/FFIN, t2=11/FFIN, t3=0.5/FFIN和t4=0.5/FFIN。

1.3 CORE模块

CORE由模拟电路和判断电路构成, 它共有5个工作状态, 分别表示为reset-state、state1、state2、state3和state4。这些状态由信号RESET、S1、S2、S3和S4控制, CORE工作状态与类状态机信号的关系如表2所示。在状态restate-state期间, FD_FL、FD_FH和FD_RESET保持0电平, 不受输入时钟信号的影响。在状态state1期间, 模拟电路中的电容C1和C2会根据输入时钟信号的频率被充电VC1和VC2。在状态state2期间, 电容上的电压维持VC1和VC2不变, 同时判断电路中的比较器对这两个电压进行检测, 给出判断结果。当CORE的状态从state2跳变到state3时, 判断电路的检测结果输出到FD_FL、FD_FH和FD_RESET;注意这些输出结果只在每次状态从state2跳变到state3时才发生改变, 其余时刻输出结果不会改变。在状态state4时, 电容C1和C2上的电荷被放电到地。

状态state1的持续时间决定了电容电压VC1和VC2的值:

模拟电路中的电阻电压VR为:

VC1和VC2与VR进行比较, 比较结果决定了输出信号FD_FL、FD_FH和FD_RESET。如果VC2>VR, 则FD_FL=1, 否则FD_FL=0;如果VC<VR, 则FD_FH=1, 否则FD_FH=0;如果FD_FL=1或FD_FH=1, 则FD_RESET=1, 否则FD_RESET=0。假设FL为FD_FL从0变为1时的低频检测点, FH为FD_FH从0变为1时的高频检测点, FL和FH的表达式为:

RSMC和CORE组合后, 功能如表3所示。该设计中, 笔者设置FL=2 MHz, FH=7.5 MHz。

1.4 检测频率

为了设置FL=2 MHz, FH=7.5 MHz, 根据式 (3) , 本研究选择R=640 kΩ, C1=0.781 p F, C2=0.625 p F, Ib1=0.6 μA，Ib2=3 μA，Ib3=2 μA。

当被检测信号的频率FFIN在FL或FH附近时, 噪声会引起检测结果的误触发, 使得输出结果不停地随噪声翻转。应用在SOC系统中时, 其他数字模块会引入大量噪声信号, 引起这种不希望出现的现象, 因此本研究需要在比较器中加入磁滞窗口。带迟滞的比较器电路结构如图4所示。

迟滞窗口大小为:

式中: (W/L) 1, (W/L) 3, (W/L) 9—晶体管M1、M3和M9的宽长比。

通过选择合适管子尺寸, 本研究将高频迟滞窗口和低频迟滞窗口都设为0.1 MHz。

1.5 检测时间

本研究设计的频率检测器对输入信号时钟进行周期性检测, 因此检测时间由检测周期决定 (TDT=16/FFIN) , 低频检测和高频检测的时间分别为TL=16/FFL和TH=16/FFH。设置FL=2 MHz, FH=7.5 MHz, 因此TL=8μs, TH=2.13μs。

检测信号周期TDT=16/FFIN, 显然频率检测器的检测时间与被检测信号的频率直接相关。换一句话说, 本研究提出的频率检测器的检测时间是自调整的, 检测时钟信号所需的时间随频率而变, 信号频率越高, 则检测时间越短。这是数字检测方式所不具备的特性。在采用数字检测方式的频率检测电路中, 检测时间是固定的, 由参考时钟信号决定。为了保证能够检测出低频信号, 系统要求检测时间足够长。假设检测低频、高频信号需要检测时间分别为8μs、2.13μs, 那么系统需要保证将检测时间至少设置在8μs, 以能够同时检测出高频信号和低频信号。这样, 对高频检测来说, 就白白多消耗了检测时间。

2 仿真结果

本研究提出的基于类状态机的检测时间自调整的频率检测器采用的工艺是SMIC18pf, 具有1层poly和4层金属。最终的版图如图5所示, 芯片面积为0.071 mm2。由于这只作为SOC系统中的一个IP核, 图中并未画出pad和ESD。该频率检测器的性能参数如表4所示。模拟电源和数字电源分别为3.3 V和1.8 V。SIMC18pf工艺提供了两种类型的电容 (MIM和PIP) 。这两种电容的工艺变化范围都很大, 分别为-17%~+25%和-23%~+43%。还可以使用晶体管构成MOS电容, 其工艺变化范围为-2.5%~+2%, 远小于MIM电容和PIP电容的变化率。因此该设计中的C1、C2选择了MOS电容, 其宽W、长L、个数multiplier如表4所示。

仿真结果如表5所示。从表5可以发现, 后仿真结果与前仿真结果基本没有差别。

FL_DESC—低频检测电压；FL_HYST—低频迟滞窗口；FH_RISE—高频检测电压；FH_HYST—高频迟滞窗口；PAVDD，PDVDD—模拟电源和数字电源贡献的功耗

本研究提出的频率检测器与数字方式频率检测器[10]的比较结果如表6所示, 对比了检测时间、检测频率偏差、功耗和芯片面积这些重要特性。检测频率偏差代表了检测精度, 偏差越小则精度越高。从比较结果来看, 本研究提出的频率检测器检测时间更短, 功耗更少, 面积更小。但它的检测频率偏差大, 这是由于SMIC18pf提供的MOS电容和电阻的工艺变化大。数字方式频率检测器的检测频率偏差要小得多, 但这是在电路提供了一个精确的参考时钟信号的前提下获得的, 这就要求电路有外围器件。然而, 该设计的频率检测电路作为一个SOC系统的IP核, 不希望出现片外器件, 因此该方案并不适合本次设计。根据本次文献调研发现, 在不采用片外器件的前提下, 电阻和电容的工艺偏差对频率检测精度的影响不可避免, 因此本研究的频率检测器的精度受限于设计要求。

3 结束语

本研究提出了一个采用改进的模拟检测方式的频率检测电路。该电路由类状态机控制, 工作在不同的工作状态下。在没有外围器件的情况下, 该电路同时获得了良好的精度和快速的响应速度, 并且检测时间随输入信号的频率而改变。该频率检测器采用SMIC18pf工艺, 具有1层poly和4层金属, 不考虑ESD和pad, 整个芯片面积为0.071 mm2。仿真结果与设定的性能参数一致。低频检测点设置在频率FL=2 MHz处, 变化范围为-15%~+20%;高频检测点设置在频率FH=7.5 MHz处, 变化范围为-12%~+20%, 两者的检测时间分别为TL=15.53μs和TH=2.3μs。3.3 V的模拟供电电源提供能耗59.8μW;1.8 V的数字供电电源提供能耗6.4μW, 总功耗为66.2μW。

参考文献

[1]MARCAL R F M, NEGREIROS M, SUSIN A A, et al.De tecting faults in rotating machines[J].Instrumentation&Measurement Magazine, 2000, 3 (4) :24-26.

[2]SARI I, BALKAN T, KULAH H.An energy harvestingMEMS frequency detector[C]//Proceedings of Sensors2007.Atlanta:[s.n.], 2009:1460-1463.

[3]HILL M T, CANTONI A.An integrated, high frequency, nar row band, high-resolution synthesizer[J].Circuits andSystems II, 1999, 46 (9) :1171-1178.

[4]赵红敏, 龚宗跃, 孙东昱.时钟频率检测器:中国, CN201210156889.3[P].2012-05-18.

[5]MESSERSCHMITT D.Frequency detectors for PLL acquisi tion in timing and carrier recovery[J].Communications, 1979, 27 (9) :1288-1295.

[6]RAHKONEN T, KOSTAMOVAARA J.Low-power time-to-digital and digital-to-time converters for novel imple mentations of telecommunication building blocks[C]//Pro ceedings of Circuits and Systems 1994.London:[s.n.], 1994:141-144.

[7]HILL M.T, CANTONI A.Precise all-digital frequency de tector for high frequency signals[J].Communications, 2002, 48 (11) :1937-1944.

[8]姚云龙.开关电源的占空比检测电路及开关电源频率检测报告:中国, CN200820169067.8[P].2008-12-04.

[9]马纪丰.一种频率检测电路:中国, 200610144041.3[P].2006-11-24.

状态时间序列 篇6

张爱玲在短篇小说《等》中摄取了这样一则“生活的切片” (Slice of Life) 。没有小说里常见的起承转合, 只有生活中常见的纷繁芜杂, 加之早期诸篇名作的光芒笼罩, 这篇创作于1944年11月的短篇小说似有足够理由为人所忽略。但是, 纷乱杂陈的生活表象之下, 却潜藏着不容忽略的艺术真实。就小说叙述的流利细腻和人物描写的生动真切而言, 《等》并不比张爱玲的其他小说逊色多少。尤可称道的是, 《等》用独特的时间意象状写生命体验, 一方面为笔下人物的生存状态涂上了时间的底色, 另一方面也在狭小的空间中呈现出近乎凝固的时间, 从而活画出一幅抗战时期沦陷区社会状况和妇女境地的缩影。借助候诊的太太们对琐碎生活的絮絮叨叨, 折射出女性生存状态的“大悲”, 《等》的典型意义至今仍然值得探讨。

一、“滴—答”声下女性的焦虑与恐惧

《等》中所描写的男人的世界, 是一个残暴的弱肉强食的世界。

“死的人真多, 堆得像山”———在遥远的欧洲疯狂地犯下残忍的战争罪行的同时, 上海的沦陷区也正进行着与欧洲相比看似“不算一回事”的战争, 可是这无形的剑总是准确地刺中命运控制下无力的人们。

“三轮车过桥, 警察一律都要收十块钱, 不给啊?不给请你到行里去一趟。” (1) 三轮车夫屈服于“行规”而交出的这十块钱, 到头来还不是又转嫁到了顾客头上。这是男人生存的世界———无理可言的残暴。

当女性的存在成为男人梦的填补与点缀时, 《等》中所描写的女人的世界, 则依附着男性的世界, 呈现给读者的是一个个更加残暴的不讲理的丈夫欺负妻子的故事。

无论是王太太、包太太, 还是童太太、奚太太, 无一不活在对岁月的敏感和焦虑下, 她们对未来不确定性的焦虑及恐惧比男性更为强烈。

奚太太一方面忍受丈夫在外“讨了小”, 另一方面又担心自己老去的容颜和不断脱落的头发, 不得不在焦虑中等待着丈夫的回心转意。而她的焦虑感与恐惧感正是在丈夫的钱财和自身的年华的对比中不断地加剧。丈夫越阔, 她的年华愈长, 容颜愈衰, 焦虑愈深, 但她所期盼的岁月却是如此的遥不可及, 她只能在这种卑微、难堪、无能、焦虑的状态中继续无望地期盼。

同样的, 守着“一大块稳妥的悲哀”的童太太“整个世界像是潮抹布擦过”, 是无休止的妥协。人的卑微与无奈、人与人之间的虚假和冷漠, 在这个狭小的生存空间里, 在这一个个琐屑的生活片段中展现得淋漓尽致。当人类最亲密的至亲关系、夫妻关系都被虚假笼罩时, 她们只能生活在荒凉和黑暗中, 不管如何挣扎, 也逃不出时代的梦魇。一种凄凉的、恐怖不安的气氛笼罩在每个人的身上, 一种彻骨冰凉没落的氛围裹夹着她们, 使诊所里充斥着深深的“惘然”, 大家一时“寂寞无声”。

“里间壁上的挂钟滴答滴答, 一分一秒, 心细如发, 将文明人的时间划成小方格:远远却又听到正午的鸡啼, 微微一两声, 仿佛有几千里地没有人烟。”在这一片段里出现了《等》中第一组时间意象———挂钟声与鸡啼声。

张爱玲常用一些空幻易逝的声音意象来比拟时间, 如《十八春》里卖蘑菇豆腐干的老人苍老的呼声, 《中国的日夜》中道士木鱼的“托———托———”声, 《怨女》里晚钟的“砰砰”声———让笔下的人物在这一个个从生活中截取的声音空间中展示着逝水流年。

而《等》中用挂钟声表现文明的破碎, 再用鸡啼声来表现没有生气的人生, 构造了外在的荒凉感, 一气呵成, 相得益彰。对于童太太, 对于像童太太一样的那些女性来说, 当失去其人生的依靠点———丈夫时, 整个生命就如千里无人烟般的荒芜。用挂钟声、鸡啼声象征着那些“文明人”无聊沉闷的整个人生状态, 而那些被丈夫们遗弃的失去青春的太太们只能在等待中被悬置、被耽搁。

《等》中女性人物的岁月是静止的、死寂的, 流动的时间仿若停滞了。在喧哗与骚动之后, 只听见寂静的空间中生命在“滴—答”地流走。

二、猫样的岁月下女性等待的悲凉与无奈

“等”到最后将等来什么?在小说的最后张爱玲用一个非常高蹈的意象作答, 这也是《等》中出现的第二个时间意象:

一只乌云盖雪的猫在屋顶上走过, 只看见它黑色的背, 连着尾巴像一条蛇, 徐徐波动着。不一会, 它又出现在阳台外面, 沿着栏杆慢慢走过来, 不朝左看, 也不朝右看;它归它慢慢走过去了。

末了, 张爱玲大而化之地加上一句:

生命自顾自走过去了。

曾在台湾诗人痖弦的《深渊》中读到这样的句子:“岁月, 猫脸的岁月;岁月, 紧贴在手腕上, 打着旗语的岁月。” (2) 是的, 岁月似猫, 一如猫时而温驯, 时而暴虐, 莫测而难以驾驭。所谓岁月无情, 暴君似的喜怒无常, 正暗合了猫的性情。

同时, 张爱玲在“猫”脸上勾勒了一双眼睛。她于小说中不断地提示庞太太的“眼睛也非常亮, 黑眼眶, 大眼睛, 两盏灯似地照亮了黑瘦的小脸”“两盏光明嬉笑的大眼睛像人家楼上的灯, 与路人完全不相干”, 又不避重复地说女儿阿芳的“面如锅底, 却生着一双笑眼, 又黑又亮”、“笑着秘密的黑眼眶的笑”、“笑着黑眼眶的笑”。将庞太太与女儿阿芳的眼睛刻画如黑夜中闪闪发亮的猫眼, 将“岁月似猫”的形象更为彻底地烘托了出来。

那一双猫眼, 在一片黑暗中冷眼漠视别人的人生, 不冷不热, 与己无关, 却殊不知自己也身处在岁月的漩涡中, 只是暂时停留在漩涡的中心。

因此, 在《等》的结尾里, 我认为张爱玲用这样一只消失在人们的视线中的猫来暗喻岁月 (时间) , 表达的是:“岁月 (时间) 自顾自走过去了。”这是一条光明而苦涩的尾巴, 暗示着生命在岁月的等待中消磨, 而等来的结果, 终究是一场空。

在日常琐事中, “生命已经自顾自走过去了”, 岁月在无意义中逐渐消磨, 生活永远呈现平庸无聊的人生恒常状态。日常生活将人拴在了庸俗、盲目、无聊的圈中, 且带有强大的循环与轮回的吸附力, 如一个永远走不出的怪圈, 将每个人都牢牢吸附在它的磁场内, 消磨着人的意志和生命的意义, 从而使人逐渐在麻木、迟钝、盲目中, 一代代地生活下去。

而人生如此无聊空虚时, 岁月却不管它, 自顾自地往前走着。这群等着推拿的太太, 可以等到医生的推拿, 却等不到自己的幸福, 只能如唐文标先生所说:“一级一级走进没有光的所在。” (3) 这是叹息人生的荒谬, 还是惆怅生命的短暂, 抑或兼而有之, 只能留待各人独自品尝。

人在时间面前是如此虚弱, 人在命运面前是这样不知所措, 就如长安 (《倾城之恋》) 吹着的“long, long ago”的呜咽的琴声, 凄婉而哀伤, 岁月自顾自地走过, 踏在现代文明的断墙颓垣中, 徒留生的无常与等待的无奈与悲凉。

三、“等”不来的岁月———从《等》说开去

从哲学上讲, 时间和空间是二位一体的。然而相对于不变的空间而言, 不断变化的时间更易引发人们内心深度的恐慌。时间构成了每个个体生命的全部, 而等待是生命的常态, 不过是生命之河中的短暂停顿。短暂的等待在无尽的时间面前犹如沧海一粟, 转眼即逝。

张爱玲在《自己的文章》中说道:“人生安稳的一面则有着永恒的意味, 虽然这种安稳常是不完全的。” (4) 张爱玲明知人生的安稳才是永恒, 却不懂如何在那个时代获得安稳。她以她的敏锐与细致, 抓住这瞬间流逝的等待, 将等待的时间空间化, 将抽象、理性的时间加以具体的、感性的意象来表达, 从而在再现等待这一司空见惯的日常生活场景的同时, 将人的生命时间流程蕴含其中, 显露出其独特的生命体验和时间意识。

康德在《纯粹理性批判》中提出:“时间乃一切现象之先天的方式条件。”“感官之一切对象, 皆在时间中, 且必须在时间关系中。” (5) 就文学创作而言, 作家对时间的感知凝聚着其对世界和生命独特的观照;每一个富有创造力的作家都有自己对时间的独特感知方式。当审视张爱玲在作品中创设的内在时间结构时, 我们发现, 时间的轨迹在空间中获得了某种形式, 时间又赋予了场景生命流逝的影象, 以多样的形态为人们呈现出生命曾经的形式。在《传奇》中, 我们除了看到《等》中挂钟声、鸡啼声、猫这些时间意象外, 还可看到张爱玲将时间凝聚在古旧器物上、人物及其肢体中、流动的音乐中……将长长的时间隐没于日常琐屑的细节中, 而其间隐约闪烁的是主体对时间的恐惧及试图消除这种恐惧感的努力。

时间在张爱玲的小说中作为一种手段参与到叙述当中, 并非单纯的叙述, 而是通过复杂的、抽象的意象, 以独特而多样的表现手法呈现出来。在时间的旷野与刹那里, 她将女性心头郁结的对于时间流逝的恐惧, 对生命与存在的意义和本质的参透跃然纸上, 为笔下人物的生存状态涂上了时间的底色, 使她们得以存在并展开自身, 形成了独特的审美意蕴和历史价值。

《沉香屑》中的香烟缭绕的霉绿斑斓的铜香炉, 见证了曾经流逝的时间、曾经发生的故事;《创世纪》中的戚紫微容颜的改变, 记录了时代的变迁;《倾城之恋》中那拉过来又拉过去的凄凉的胡琴声, 不断重复节奏, 如呼吸般从容持续, 映射着潮起潮落, 四季轮回……

无数时间织成一张看不见的网, 一切都无可逃遁, 给人以虚幻的感受, 一切仿佛是空, 却又亘古如一, 单调机械, 显现了时间的空幻与荒凉。大片的时间埋没于繁缛的细节、琐屑的日常生活中, 永远那么单调、呆板、缺乏生气。隐藏于细节背后的, 恰是那在不知觉的点滴中流逝的时间。

而生活于其中的女性, 被耽搁在时间的背后, 在这一个时空下展示她们的逝水流年。不仅是《等》中的那群有各自的忧愁、烦恼的太太们, 在不经意的话语与神情中显露着她们的隐痛与悲凉;或是《倾城之恋》里对时间的恐慌的白流苏, 还是《茉莉香片》中“死还死在屏风上”的冯碧落, 曾经的生命和希望, 一点点被岁月磨蚀直至干涸、消亡。在张爱玲时间底色下生存的女性, 无不充满了对青春时光流逝的恐惧, 她们都在等待之中耗去了多少岁月、多少时光?时间的流逝显得那样触目惊心, 这无一不在提醒着我们那个时代的女性的脆弱。

张爱玲小说中的女性构成了一个像影子一样沉没下去的苟活者群落, 这些苟安的女性抛弃了时代的同时也被时代所抛弃, 她们拥有的是一个没有未来和希望的悲凉的旧世界。她们等不到她们想要的岁月, 反而在自欺欺人的等待中让生命的意志渐渐疲弱、萎顿下去, 麻痹它的感觉力和感受力, 让生命在消亡过程中走向最终的死亡。

相对于壮烈与悲壮, 张爱玲更喜欢苍凉。她曾说:“悲壮是一种完成, 而苍凉则是一种启示。” (6) 在其作品的背后, 往往带有一种挽歌的无尽情怀……一曲曲对逝去时代的挽歌。在一种文明的时空条件变化后, 张爱玲笔下的艺术世界再也难以复现。张爱玲写的苍凉是一种启示, 所以是未完的。这种未完使我们在每每读后的回味咏叹之余, 回过头来重新审视我们未完的生活, 人生并非如设想中如此无望。

东山魁夷说:“生命究竟是什么?我在某个时候来到这个世界, 不久又要去另外的地方。不存在什么长住之世, 长住之地, 长住之家。我发现, 只有流转和无常才是生之明证。” (7) 在流转和无常面前, 在时间的刹那与永恒里, 张爱玲“让生命来到你这里” (8) 展示给我们在时间底色下那些女性真实而惨淡的人生。生命虽然不能逃脱时间的追杀, 然而仍然有理由存在下去。也许, 只有具备这样的生命自觉, 我们才能正视和反省短促的人生与难以回避的死亡———这也正是张爱玲的意义之所在。

注释:

参考文献

[1]张爱玲.传奇[M].北京:人民文学出版社, 1986.

[2]水晶.替张爱玲补妆[M].济南:山东画报出版社, 2004.

[3]刘锋杰, 薛雯, 黄玉蓉.张爱玲的意象世界[M].银川:宁夏人民出版社, 2006.