[發明專利]基于聯合降噪和經驗模態分解的控制系統健康狀態分析方法

有效

• 申請號: 201510172003.8
• 申請日: 2015-04-09
• 公開（公告）號: CN105094111B
• 公開（公告）日: 2017-12-05
• 發明（設計）人: 楊蒲;郭瑞誠;劉劍慰;潘旭
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G05B23/02
• 分類號: G05B23/02
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本發明涉及一種基于聯合降噪和經驗模態分解(EMD)的控制系統健康狀態分析方法，屬于控制系統信號處理與故障狀態檢測技術領域。

背景技術

由于現代控制系統組成復雜，常常需要在不同環境條件下長時間、高負荷工作，這就造成控制系統不可避免的會出現各類故障。特別是在航空航天、醫療、規模化機械生產等領域，細微的故障有時會造成極其嚴重的經濟損失和人員傷害的后果，因此對設備運行的狀態監測和故障診斷就成為了重要的研究課題，而保證狀態監測和故障診斷準確性的前提，就是獲取最能表征設備健康狀況的信號特征信息。控制系統的各種狀態信號，經常混雜大量的無用噪聲信號，特別是在故障發生時的狀態信號是典型的非平穩信號，同時由于傳播介質的各向異性和多源性噪聲的污染，加大了故障信號鑒別和特征提取的難度。

經驗模態分解是一種非常適用于非線性、非平穩信號的分析方法。EMD把信號分解成一系列包含不同頻率成分的本征模態函數(IMF)，從而使得信號的瞬時頻率具有實際意義。現行通用方法對于信噪比高的信號是可行的，對干擾信號多、噪聲強度大的信號，就無法分解出準確的IMF分量。而現場采集控制系統狀態信號常常存在較強的隨機噪聲，因此在進行經驗模態分解前，必須先對采樣信號進行降噪處理。現階段主要方法有：模極大值處理算法、空域相關去噪以及閾值去噪算法，其中使用最為廣泛的就是小波閾值去噪算法。對于小波的選擇和小波分解層數往往都是通過經驗選取，同時在噪聲抑制方面，只考慮了去除高斯隨機噪聲卻沒有能夠很好地消除脈沖噪聲的影響。

傳統健康狀態檢測往往是設備停機后的人工檢測故障方法，很難做到當控制系統剛剛出現一點故障的苗頭但依然能夠完成控制作用的情況下，在線實時準確地檢測判斷出控制系統已經處于不健康(故障)狀態。這種大部分依賴操作者的工作經驗來識別的方法，診斷效率低，且難以及時檢測潛在故障。大量的停機檢修不僅浪費大量人力與時間，還造成許多過度維修問題。

發明內容

發明目的：針對上述現有技術，提出一種基于聯合降噪和經驗模態分解(EMD)的控制系統健康狀態分析方法，能夠根據現場直接獲取的控制系統狀態信號，提取出能夠表明信號信息的能量熵特征量且根據計算出的實時能量熵與正常狀態時的熵值進行比較，在線實時判斷控制系統健康狀況。

技術方案：一種基于聯合降噪和經驗模態分解(EMD)的控制系統健康狀態分析方法，通過引入結合中值濾波與采用尺度間相關性的改進小波閾值聯合降噪的方法，以及采用端點延拓、集合經驗模態分解(EEMD)和相關系數閾值比較法相結合的方法，經過中值濾波、小波閾值降噪、經驗模態分解、計算能量熵等步驟將控制系統狀態特征提取出來，與初始檢測的正常狀態熵值比較，實時判斷控制系統運行狀態，包括如下具體步驟：

步驟1)將離散含噪信號f(k)先進行中值濾波處理得到濾除可能的脈沖噪聲，其中，f(k)信號長度為N；

步驟2)優化分解層數，包括如下步驟：

步驟2.1)對中值濾波處理后的進行第j層小波分解，其中，從j＝1開始分解；

步驟2.2)對小波分解得到的低頻近似系數a_j(k)予以保留，對高頻細節系數d_j(k)進行式(1)自相關系數λ計算，若滿足(l)即各高頻細節系數d_j的自相關系數滿足自由度l的χ²分布，則對d_j繼續進行j+1層分解；

步驟2.3)直到第Δ+1層的細節系數d_Δ+1不能滿足為止，確定優化分解層數為Δ層，同時得到各小波系數W_j(k)；d_j(k)為高頻細節系數，為d_j(k)的平均值；

步驟3)通過使用式(2)的改進閾值以滿足：①閾值隨著分解尺度的遞增而逐漸減小，經過小波分解后不同分解層的系數比例分布不同；②避免出現閾值較小而起不到去除盡可能多噪聲的作用；σ為噪聲標準差，N為信號采樣長度，j為分解尺度；

步驟4)通過使用式(3)的改進閾值函數以克服：①硬閾值函數的不連續性和引起信號的附加振蕩；②軟閾值函數存在恒定偏差，影響重構信號與真實信號的逼近程度；W為含噪信號小波變換后的小波系數，δ為閾值，W_δ為經過閾值降噪后的小波系數，μ，v，p，q均為可調參數，其中μ＞0，v＞1，p∈[0，1]，q≥0；