[發明專利]一種基于SVD-LCD-BCM的故障特征提取方法

有效

• 申請號: 202110211041.5
• 申請日: 2021-02-25
• 公開（公告）號: CN112989965B
• 公開（公告）日: 2023-01-31
• 發明（設計）人: 盛沛;徐學文;鄭振;蓋炳良;戴永軍;白玉;張廣法
• 申請（專利權）人: 中國人民解放軍海軍航空大學
• 主分類號: G06F18/2113
• 分類號: G06F18/2113;G06F18/213;G06F18/10;G06F18/23213;G06F123/02
• 代理公司: 西安研創天下知識產權代理事務所(普通合伙) 61239
• 代理人: 郭璐

本發明公開了一種基于基于SVD?LCD?BCM的故障特征提取方法，包括以下步驟：步驟1：給待測設備施加激勵信號，對于每一種故障狀態，采集測試節點輸出電壓信號，轉至步驟2；步驟2：對測試節點輸出電壓信號進行降噪預處理，得到降噪后電壓信號，轉至步驟3；步驟3：對降噪后的電壓信號x'(t)進行局部特征尺度分解，得到若干分量，轉至步驟4；步驟4：進行有用分量篩選，轉至步驟5；步驟5：對篩選出來的各分量計算BCM值，轉至步驟6；步驟6：將BCM值組成的向量作為故障特征進行后續故障診斷。

技術領域

本發明屬于可靠性工程技術領域，具體涉及一種基于SVD-LCD-BCM的故障特征提取方法。

背景技術

從本質上來看，模擬電路的故障診斷問題，屬于一種模式識別問題。而模式識別第一步要解決的問題便是如何提取故障特征。相較于小波的發展，希爾伯特 -黃變換(Hilbert-Huang Transform，HHT)方法算法雖起步較晚，但近年來將其作為特征提取方法的文獻正在大量涌現。文獻《基于改進的EMD方法的模擬電路故障診斷研究》利用經驗模式分解(Empirical Mode Decomposition，EMD)分解故障電壓信號以此來構建有效的故障特征向量，進而將得到的故障特征向量送入 BP神經網絡構建訓練集與測試集，最后完成故障診斷，但其直接將分解所得IMF 分量全部作為神經網絡的做法是存在明顯問題的。與其做法類似，文獻《基于提升奇異值分解和EEMD的IMU模擬電路故障特征提取方法》在進行EMD分解后將 IMF分量的能量熵作為故障特征輸入神經網絡，但并未對分量的選擇加以說明。文獻《ChenDeep-Learning-Based Fault Classification Using Hilbert–Huang Transformand Convolutional Neural Network in Power Distribution Systems》利用 HHT將電壓采樣信號構造為能量矩陣，采用基于卷積神經網絡(CNN)的圖像相似度識別方法對能量矩陣構成的圖像進行識別，達到故障分類的目的，實際上其內部機理與其它基于HHT系列算法的文獻是一樣的。

總的來說，在模擬電路故障診斷領域，基于HHT系列算法的故障特征提取方法已經漸漸得到認可。但是作為與其一脈相承的關于局部特征尺度分解(Local Characteristic-scale Decomposition，LCD)算法在該領域的應用，尚鮮有文獻記載。此外，尚未有文獻對該系列算法在模擬電路故障特征提取性能優劣方面做出專門研究。

發明內容

本發明的目的針對上述存在的問題，提出了一種基于SVD-LCD-BCM的故障特征提取方法。

本發明采用的技術方案是：

一種基于SVD-LCD-BCM的故障特征提取方法，其特征在于，包括以下步驟：

步驟1：給待測設備施加激勵信號，對于每一種故障狀態，采集測試節點輸出電壓信號x(t)，(t＝1，2，…，N)，轉至步驟2；

步驟2：對測試節點輸出電壓信號進行降噪預處理，得到降噪后電壓信號，即x′(t)，(t＝1，2，…，N)，轉至步驟3；

步驟3：對降噪后的電壓信號x′(t)進行局部特征尺度分解，得到若干分量，即將信號x′(t)升維成一系列長度與之相同的ISC分量 [ISC₁(t)，ISC₂(t)，…，ISC_n(t)]，(t＝1，2，…，N)，轉至步驟4；

步驟4：進行有用分量篩選，以提取其中的有用特征，得到新的高維特征 [ISC₁(t)，ISC₂(t)，…，ISC_m(t)]，(t＝1，2，…，N，m＜n)，轉至步驟5；