CN101887407A - 一种基于希尔伯特-黄变换的设备或***机内测试信号特征提取方法 - Google Patents

一种基于希尔伯特-黄变换的设备或***机内测试信号特征提取方法 Download PDF

Info

Publication number
CN101887407A
CN101887407A CN 201010228743 CN201010228743A CN101887407A CN 101887407 A CN101887407 A CN 101887407A CN 201010228743 CN201010228743 CN 201010228743 CN 201010228743 A CN201010228743 A CN 201010228743A CN 101887407 A CN101887407 A CN 101887407A
Authority
CN
China
Prior art keywords
built
single order
test signal
state function
eigenmode state
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN 201010228743
Other languages
English (en)
Other versions
CN101887407B (zh
Inventor
沈毅
张淼
王强
王艳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN 201010228743 priority Critical patent/CN101887407B/zh
Publication of CN101887407A publication Critical patent/CN101887407A/zh
Application granted granted Critical
Publication of CN101887407B publication Critical patent/CN101887407B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Testing And Monitoring For Control Systems (AREA)

Abstract

一种基于希尔伯特-黄变换的设备或***机内测试信号特征提取方法，涉及设备或***机内测试的关键处理技术，解决了传统机内测试特征提取方法难以实现自适应特征提取的问题，本发明具体过程如下：一、对输入的机内测试信号进行经验模态分解，得到一阶本征模态函数分量IMF1和残差函数RES；二、对IMF1进行希尔伯特变换，得到其幅值和瞬时频率；三、计算IMF1瞬时频率的一阶差分；四、对一阶差分进行信号处理，确定潜在故障特征出现的时刻集合；五、在机内测试信号的基础上生成最终特征时刻集合
Figure 201010228743.6_AB_2
，并依照最终特征时刻集合
Figure 201010228743.6_AB_2
截取特征信号。本发明适用于机内测试信号特征提取领域。

Description

一种基于希尔伯特-黄变换的设备或***机内测试信号特征提取方法
技术领域
本发明涉及设备或***机内测试的关键处理技术，具体涉及一种基于希尔伯特-黄变换的设备或***机内测试信号特征提取方法。
背景技术
机内测试（Built-InTest，BIT）技术是改善***测试性和诊断能力的重要途径，在保障设备或***的完好性、提高维修效率等方面发挥了重要的作用，但目前广泛应用的传统BIT技术由于难以实现自适应的特征提取，造成了诊断方法过于单一，对诊断信息的利用能力也非常有限，因此在使用过程中表现出故障正确检测及隔离能力较差、漏报率及虚警率较高的问题严重制约着BIT***效能的充分发挥。
特征提取环节通常处于故障诊断及故障分类的前级，该环节要提取具有如下性质的特征：来自于同一类别的不同样本的特征属性或数值应该非常接近，而来自不同类别的样本的特征属性或数值应该有较大的差异。此外，该环节需提取最具鉴别能力的特征，这些特征对与类别信息不相关的变换具有不变性。由于BIT***所处理的往往都是非平稳、非线性的数据，因此我们考虑使用在这方面数据处理上有特长的希尔伯特-黄变换（Hilbert-HuangTransform，HHT）来设计特征提取方案，从而辅助BIT***达到低漏报率与高正确率的故障诊断效果。
发明内容
本发明为了解决传统机内测试特征提取方法难以实现自适应特征提取的问题，提供了一种基于希尔伯特-黄变换的设备或***机内测试信号特征提取方法。
本发明具体过程如下：
步骤一：对输入的机内测试信号进行经验模态分解，得到一阶本征模态函数分量IMF1和残差函数RES；
步骤二：对步骤一获得的一阶本征模态函数分量IMF1进行希尔伯特变换，得到其幅值和瞬时频率；
步骤三：计算步骤一所述的一阶本征模态函数分量IMF1瞬时频率的一阶差分
Figure 868678DEST_PATH_IMAGE001
；
步骤四：对步骤三获得一阶差分
Figure 937128DEST_PATH_IMAGE001
进行信号处理，确定潜在故障特征出现的时刻集合
Figure 449887DEST_PATH_IMAGE002
；
步骤五：在机内测试信号的基础上生成最终特征时刻集合
Figure 908681DEST_PATH_IMAGE003
，并依照最终特征时刻集合
Figure 805004DEST_PATH_IMAGE003
截取特征信号。
本发明从一阶IMF所隐含的信息入手，借助HT等手段定位特征序列的位置，并在原始信号上将对应的特征信号截取出来，是一种高效的、适应性强的机内测试信号特征提取方法。
本发明与现有技术相比具有如下优点：
1）本发明所提出的信号特征提取方法利用HHT过程中的两个重要步骤EMD和HT，对机内测试***所采集的原始信号进行处理，从瞬时频率和解析信号幅值两方面入手，获取潜在故障信号的特征位置，并在原始数据上生成最终的特征信号，该方案所具有的自适应性是其他特征提取方法无法达到的。
2）本发明所提出的信号特征提取方法在本质采取了一种有针对性的原始数据约减策略，而非数据变换策略，使得特征信号保留了原始数据所含有的物理意义，同时也使得后续的机内测试环节能够对诊断过的数据进行累积及更新故障诊断数据库，为更高层次的算法或决策应用带来方便。
本发明适用于机内测试信号特征提取领域。
附图说明
图1为基于希尔伯特-黄变换的设备或***机内测试信号特征提取方法流程图；图2为经验模态分解流程图（只分解到一阶本征模态函数分量IMF1）；图3为无故障情况下舵机反馈电压；图4为无故障情况下舵机反馈电压EMD后所得一阶本征模态函数分量IMF1；图5为无故障情况下一阶本征模态函数分量IMF1幅值；图6为无故障情况下一阶本征模态函数分量IMF1瞬时频率；图7为无故障情况下一阶本征模态函数分量IMF1瞬时频率一阶差分绝对值；图8为无故障情况下筛选后一阶本征模态函数分量IMF1瞬时频率一阶差分绝对值；图9为无故障情况下舵机反馈电压特征定位；图10为故障情况下舵机反馈电压；图11为故障情况下舵机反馈电压EMD后所得一阶本征模态函数分量IMF1；图12为故障情况下IMF1幅值；图13为故障情况下一阶本征模态函数分量IMF1瞬时频率；图14为故障情况下一阶本征模态函数分量IMF1瞬时频率一阶差分绝对值；图15为故障情况下筛选后一阶本征模态函数分量IMF1瞬时频率一阶差分绝对值；图16为故障情况下舵机反馈电压特征定位；图17为无故障情况下No.1-No.5舵机反馈电压原始数据；图18为故障情况下No.6-No.10舵机反馈电压原始数据；图19为无故障情况下No.1-No.5舵机反馈电压特征定位；图20为故障情况下No.6-No.10舵机反馈电压特征定位。
具体实施方式
具体实施方式一：结合图1说明本实施方式，一种基于希尔伯特-黄变换的设备或***机内测试信号特征提取方法，具体过程如下：
步骤一：对输入的机内测试信号进行经验模态分解，得到一阶本征模态函数分量IMF1和残差函数RES；
步骤二：对步骤一获得的一阶本征模态函数分量IMF1进行希尔伯特变换，得到其幅值和瞬时频率；
步骤三：计算步骤一所述的一阶本征模态函数分量IMF1瞬时频率的一阶差分
Figure 665643DEST_PATH_IMAGE001
；
步骤四：对步骤三获得一阶差分
Figure 349303DEST_PATH_IMAGE001
进行信号处理，确定潜在故障特征出现的时刻集合
Figure 357711DEST_PATH_IMAGE002
；
步骤五：在机内测试信号的基础上生成最终特征时刻集合
Figure 286484DEST_PATH_IMAGE003
，并依照最终特征时刻集合
Figure 562482DEST_PATH_IMAGE003
截取特征信号。
HHT方法由美国国家航空航天管理局（NationalAeronauticsandSpaceAdministration，NASA）的黄锷博士于1998年公开发表。HHT是一种自适应的非平稳、非线性信号时频分析方法，包括经验模态分解（EmpiricalModeDecomposition，EMD）和希尔伯特变换（HilbertTransform，HT）两部分。希尔伯特变换通过将信号与函数
Figure 856191DEST_PATH_IMAGE004
进行褶积（也称为卷积）运算，从而得到
Figure 584850DEST_PATH_IMAGE005
的局部特性，如下式：
Figure 254997DEST_PATH_IMAGE006
，
其中，CPV为柯西主值积分（CauchyPrincipleValue，CPV），从频域的观点来看：
Figure 260868DEST_PATH_IMAGE007
。
利用x(t)与y(t)可以组成一个复数信号z(t)：
Figure 161697DEST_PATH_IMAGE008
。
z(t)的频域形式如下：
Figure 144697DEST_PATH_IMAGE009
。
z(t)为一解析函数，在极坐标下可用下式表示：
Figure 913807DEST_PATH_IMAGE010
，
a(t)表示x(t)的包络振幅大小，而表示x(t)的相角：
Figure 737593DEST_PATH_IMAGE012
，
Figure 191577DEST_PATH_IMAGE013
。
x(t)的瞬时频率定义为：
Figure 436482DEST_PATH_IMAGE014
。
若对实际信号直接用上式来求瞬时频率，则可能因直流分量与多重频率成分的影响造成误判的情况，以致得到和原信号的瞬时频率相差过大的结果。因此欲使用希尔伯特变换取得有意义的瞬时频率，就必须先对该信号做适当处理，首先要滤除局部的直流分量，且使其符合局部对称于零平均值之后，才能对该信号做有意义的频谱分析。
EMD是HHT算法的重要步骤，不同于使用固定形态窗口为分界基底函数的传统方法，经验模态分界的基底函数是由信号中提取得到，即IMF。IMF必须符合下列两个特性：
1）在整个函数中，极值点的数目与穿越零点的数目相等或者相差1；
2）在任何时刻，由局部极值包络线所定义的包络线局部均值为0。
EMD将信号分解成有限个IMF和一个残差之和，而IMF的出现使得后续的HT分析变得有意义起来，即通过构造解析函数进而计算其瞬时频率等等。
HHT中的信号分解过程由信号本身驱动，具有完全自适应性，并且分解所得的IMF分量信号具有物理可实现性，更符合客观世界的实际情况。HHT被认为是一种强有力的求解非平稳、非线性信号的自适应方法，被认为是近年来对以傅立叶变换为基础的线性、稳态谱分析的一个重大突破，得到了广泛的应用。
具体实施方式二、本实施方式是对具体实施方式一的进一步说明，步骤一中对输入的机内测试信号进行经验模态分解，得到一阶本征模态函数分量IMF1和残差函数RES的过程为：
设定输入的机内测试信号为，时间
Figure 613571DEST_PATH_IMAGE016
，
步骤a、筛选过程初始化，
Figure 476223DEST_PATH_IMAGE017
，且满足关系式
Figure 291863DEST_PATH_IMAGE018
成立，其中
Figure 126833DEST_PATH_IMAGE019
为一阶本征模态函数分解中经过第
Figure 228781DEST_PATH_IMAGE020
次筛选后的剩余函数；
步骤b、根据筛选程序获取输入的机内测试信号
Figure 781991DEST_PATH_IMAGE015
经过一阶本征模态函数分解的剩余的残差函数中经过第
Figure 696595DEST_PATH_IMAGE021
次筛选后的剩余函数；
步骤c、采用标准偏差准则判断获得的剩余函数
Figure 862183DEST_PATH_IMAGE022
是否满足本征模态函数的条件，即
Figure 200892DEST_PATH_IMAGE023
是否小于阈值T，
Figure 942624DEST_PATH_IMAGE024
；
判断结果为是，执行步骤d，判断结果为否，则
Figure 315968DEST_PATH_IMAGE025
，然后执行步骤b，
步骤d、提取一阶本征模态函数分量IMF1：
Figure 195937DEST_PATH_IMAGE026
；
步骤e、获取输入的机内测试信号
Figure 349838DEST_PATH_IMAGE015
经过一阶本征模态函数分解的剩余的残差函数RES：
Figure 170026DEST_PATH_IMAGE027
。
具体实施方式三、本实施方式是对具体实施二的进一步说明，步骤b根据筛选程序获取输入的机内测试信号
Figure 958728DEST_PATH_IMAGE015
经过一阶本征模态函数分解的剩余的残差函数中经过第次筛选后的剩余函数
Figure 948998DEST_PATH_IMAGE022
的过程为：
步骤b1、利用三次样条函数获取输入信号
Figure 572878DEST_PATH_IMAGE015
经过一阶本征模态函数分解的剩余趋势函数中经过第
Figure 216086DEST_PATH_IMAGE028
次筛选后的剩余函数
Figure 267219DEST_PATH_IMAGE029
的上、下包络；
步骤b2、计算所述剩余函数
Figure 192450DEST_PATH_IMAGE030
上、下包络曲线在各个
Figure 354441DEST_PATH_IMAGE031
的均值
Figure 619200DEST_PATH_IMAGE032
；
步骤b3、获取***模型误差项
Figure 339769DEST_PATH_IMAGE015
经过一阶本征模态函数分解的剩余趋势函数中经过第
Figure 424400DEST_PATH_IMAGE021
次筛选后的剩余函数
Figure 390082DEST_PATH_IMAGE033
。
具体实施方式四、本实施方式是对具体实施一的进一步说明，步骤二中对一阶本征模态函数分量IMF1进行希尔伯特变换，得到其幅值和瞬时频率的过程为：
步骤二一、对一阶本征模态函数分量IMF1进行离散褶积，得到其希尔伯特变换，如下式所示：
Figure 964599DEST_PATH_IMAGE035
；
步骤二二、计算一阶本征模态函数分量IMF1的解析信号
Figure 300641DEST_PATH_IMAGE036
的包络振幅
Figure 804434DEST_PATH_IMAGE037
，如下式所示：
Figure 778207DEST_PATH_IMAGE038
；
步骤二三、计算解析信号
Figure 342043DEST_PATH_IMAGE039
的相角
Figure 899801DEST_PATH_IMAGE040
和瞬时频率，如下式所示：
，
Figure 98198DEST_PATH_IMAGE043
；
得到IMF1的幅值
Figure 644717DEST_PATH_IMAGE044
和瞬时频率
Figure 988849DEST_PATH_IMAGE041
。
具体实施方式五、本实施方式是对具体实施四的进一步说明，步骤三中计算一阶本征模态函数分量IMF1瞬时频率的一阶差分
Figure 937213DEST_PATH_IMAGE045
的过称为：
按下式计算一阶本征模态函数分量IMF1瞬时频率一阶差分
Figure 842852DEST_PATH_IMAGE046
：
Figure 876667DEST_PATH_IMAGE047
。
计算一阶本征模态函数分量IMF1瞬时频率一阶差分
Figure 24490DEST_PATH_IMAGE046
的目的是为了描述离散型函数一阶本征模态函数分量IMF1瞬时频率的变化规律。
具体实施方式六、本实施方式是对具体实施一的进一步说明，步骤四中对一阶差分
Figure 155257DEST_PATH_IMAGE045
进行信号处理，确定潜在故障特征出现的时刻集合的过程为：
步骤四一、计算一阶本征模态函数分量IMF1瞬时频率一阶差分
Figure 487329DEST_PATH_IMAGE045
的绝对值
Figure 940307DEST_PATH_IMAGE048
：
Figure 361799DEST_PATH_IMAGE049
；
步骤四二、求取在时间
Figure 609241DEST_PATH_IMAGE050
内一阶差分
Figure 352069DEST_PATH_IMAGE045
的绝对值
Figure 343158DEST_PATH_IMAGE048
的平均值
Figure 619157DEST_PATH_IMAGE051
；求取在时间
Figure 99817DEST_PATH_IMAGE050
内一阶本征模态函数分量IMF1的解析信号的包络振幅
Figure 62405DEST_PATH_IMAGE053
的平均值；
步骤四三、根据步骤四一和步骤四二获得的数值，求得特征时刻集合
Figure 47733DEST_PATH_IMAGE055
的过程为：
对于
Figure 765153DEST_PATH_IMAGE031
时刻一阶差分
Figure 98046DEST_PATH_IMAGE045
的绝对值
Figure 912418DEST_PATH_IMAGE048
中小于平均值
Figure 171099DEST_PATH_IMAGE051
的位置予以排除，
对于
Figure 375815DEST_PATH_IMAGE031
时刻一阶差分
Figure 512398DEST_PATH_IMAGE045
的绝对值
Figure 118960DEST_PATH_IMAGE048
不小于平均值
Figure 548542DEST_PATH_IMAGE051
的位置，将
Figure 240555DEST_PATH_IMAGE056
时刻保留在特征时刻集合
Figure 243146DEST_PATH_IMAGE055
中，
对于解析信号
Figure 704214DEST_PATH_IMAGE052
的包络振幅
Figure 806162DEST_PATH_IMAGE057
中小于平均值
Figure 484006DEST_PATH_IMAGE054
的位置予以排除，得到特征时刻集合：
Figure 277967DEST_PATH_IMAGE058
。
机内测试所采集的原始信号一般都不含有原始模型，可以看做是非平稳、非线性信号，其一阶本征模态函数分量IMF1，是率先被提取出来的高频分量。其中主要包含的是虚警信号及噪声信号，但是也能够反映故障信号的高频分量，只是幅值上有所衰减，因而直接从一阶本征模态函数分量IMF1上诊断故障是非常不理想的，但是可对一阶本征模态函数分量IMF1进行希尔伯特变换，从其幅值和瞬时频率上的信息判断出潜在故障信号存在的位置或时刻。
由于EMD过程存在求取包络线的过程，在应用中容易产生端点效应，因此需要屏蔽掉一阶本征模态函数分量IMF1的首、尾各10%数据，即这些数据被排除在特征时刻集合之列。对于时刻一阶差分
Figure 279738DEST_PATH_IMAGE045
的绝对值
Figure 60350DEST_PATH_IMAGE048
中小于平均值
Figure 230431DEST_PATH_IMAGE051
的位置予以排除，同时由于计算
Figure 877444DEST_PATH_IMAGE031
时刻的一阶差分
Figure 287738DEST_PATH_IMAGE045
用到的是
Figure 170244DEST_PATH_IMAGE031
时刻的瞬时频率
Figure 460411DEST_PATH_IMAGE041
以及
Figure 340642DEST_PATH_IMAGE056
时刻瞬时频率
Figure 716260DEST_PATH_IMAGE059
，因此当
Figure 838674DEST_PATH_IMAGE031
时刻一阶差分
Figure 983348DEST_PATH_IMAGE045
的绝对值
Figure 34480DEST_PATH_IMAGE048
不小于平均值时，我们将
Figure 897394DEST_PATH_IMAGE056
时刻也保留在特征时刻集合中，此外，对于解析信号
Figure 557920DEST_PATH_IMAGE052
的包络振幅
Figure 822680DEST_PATH_IMAGE057
中小于平均值
Figure 841451DEST_PATH_IMAGE054
的位置予以排除，最后得到特征时刻集合
Figure 191661DEST_PATH_IMAGE055
。
具体实施方式七、本实施方式是对具体实施六的进一步说明，步骤五中在机内测试信号的基础上生成最终特征时刻集合
Figure 157343DEST_PATH_IMAGE003
，并依照最终特征时刻集合
Figure 775144DEST_PATH_IMAGE003
截取特征信号的过程为：
从特征时刻集合
Figure 168079DEST_PATH_IMAGE055
中删除总长度小于p的连续时刻序列和非连续的单点时刻，得到新的特征时刻集合，所述由一段或多段连续的特征时刻序列组成，且各段特征时刻序列长度均大于等于p，特征信号在输入信号上依照
Figure 545468DEST_PATH_IMAGE060
进行截取，即
Figure 607840DEST_PATH_IMAGE061
。
由于该生成特征要输入机内测试***进行故障诊断，因此只有具有一定长度（或维数）的特征才是有意义的，在实际应用中可从特征时刻集合
Figure 667063DEST_PATH_IMAGE055
中删除总长度小于5的连续时刻序列（包括非连续的单点时刻），得到新的特征时刻集合（由一段或多段连续的特征时刻序列组成，且各段总长度均大于等于5），最终特征信号在输入信号上依照
Figure 68405DEST_PATH_IMAGE060
进行截取，即
Figure 301678DEST_PATH_IMAGE062
。
下面以某无人机之机内测试***所采集的舵机反馈电压信号为实施例阐述本发明的具体实施方式：
无人机是一种无人驾驶飞行器，有升力面、可依靠自动驾驶仪和无线电***控制并作机动飞行，它可以完成空中环境监测、森林防火、喷洒农药、空中侦察等任务。本实施例信号截取自无人机执行某规定自检任务时的舵机反馈电压信号，且分别在无故障和有故障情况下各选择了5段原始采样数据，并对10段数据统一进行初始位置校准。舵机在时刻70×0.1s加入了干扰操作，并导致了两种不同的效果，正常模式是电压较为匀速地下降，故障模式是电压产生大幅跌落及回升后才完成电压下降。机内测试***采用标准差分析检测非正常的大幅跌落及回升现象。
本实施例选取了无故障和有故障状态下的各5段采样数据作为输入数据，分别执行以下步骤，且执行过程完全一致，以其中1段为输入数据的具体执行过程如下：
执行步骤一：对输入数据均进行经验模态分解（EmpiricalModeDecomposition，EMD），得到各自的一阶本征模态函数（IntrinsicModeFunction，IMF）和残差函数，分别记为IMF1和RES，分步执行如下：
1）输入信号，时间
Figure 756110DEST_PATH_IMAGE063
；
2）筛选过程初始化：
Figure 704475DEST_PATH_IMAGE064
，
Figure 610114DEST_PATH_IMAGE065
，其中
Figure 142464DEST_PATH_IMAGE066
为IMF分解中经过第
Figure 791751DEST_PATH_IMAGE067
次筛选后的剩余函数；
3）执行筛选程序：首先，利用三次样条函数找出
Figure 594622DEST_PATH_IMAGE066
的上、下包络；其次，求出上、下包络的均值
Figure 671162DEST_PATH_IMAGE068
；最后，计算
Figure 254591DEST_PATH_IMAGE069
；
4）判断IMF分解中经过第
Figure 206104DEST_PATH_IMAGE021
次筛选后的剩余函数
Figure 863481DEST_PATH_IMAGE070
是否满足IMF的条件，采用标准偏差（StandardDeviation，SD）准则进行决策：计算
Figure 110923DEST_PATH_IMAGE071
；若
Figure 119330DEST_PATH_IMAGE072
小于0.25，则提取一阶IMF分量，并继续执行第5步，否则
Figure 448735DEST_PATH_IMAGE074
并回到第3步；
5）经过IMF分解之后剩余的残差函数；
6）输入信号
Figure 362782DEST_PATH_IMAGE005
经过上述EMD过程被分解为一阶本征模态函数分量IMF1：
Figure 891983DEST_PATH_IMAGE076
和残差函数RES：
Figure 22488DEST_PATH_IMAGE077
。
执行步骤二：对一阶本征模态函数分量IMF1进行希尔伯特变换，得到其幅值和瞬时频率。
首先，按如下算式对一阶本征模态函数分量IMF1：
Figure 877311DEST_PATH_IMAGE076
进行离散褶积得到其希尔伯特变换
Figure 657049DEST_PATH_IMAGE078
：
Figure 989941DEST_PATH_IMAGE079
。
接着，按如下算式计算的解析信号
Figure 677DEST_PATH_IMAGE080
的包络振幅
Figure 205393DEST_PATH_IMAGE044
：
Figure 341977DEST_PATH_IMAGE081
。
然后，按如下算式计算解析信号的相角
Figure 10855DEST_PATH_IMAGE040
和瞬时频率
Figure 941902DEST_PATH_IMAGE041
：
Figure 132450DEST_PATH_IMAGE042
，
Figure 807145DEST_PATH_IMAGE043
。
该步骤完毕，得到一阶本征模态函数分量IMF1的幅值
Figure 268213DEST_PATH_IMAGE044
和瞬时频率
Figure 635741DEST_PATH_IMAGE041
。
执行步骤三：按如下算式计算一阶本征模态函数分量IMF1瞬时频率的一阶差分
Figure 877366DEST_PATH_IMAGE046
：
。
执行步骤四：综合判断特征位置，即确定潜在故障特征出现的时刻集合。
首先，计算一阶本征模态函数分量IMF1瞬时频率一阶差分的绝对值
Figure 169862DEST_PATH_IMAGE048
：
Figure 442711DEST_PATH_IMAGE083
。
然后，确定特征时刻集合
Figure 109316DEST_PATH_IMAGE055
：
Figure 188131DEST_PATH_IMAGE084
。
执行步骤五：在原始信号的基础上生成最终特征。
从特征时刻集合中删除总长度小于5的连续时刻序列（包括非连续的单点时刻），得到新的特征时刻集合
Figure 831656DEST_PATH_IMAGE060
（由一段或多段连续的特征时刻序列组成，且各段总长度均大于等于5），最终特征信号在输入信号上依照
Figure 719978DEST_PATH_IMAGE060
进行截取，即
Figure 540166DEST_PATH_IMAGE062
。
下面分别以无故障和有故障两种情况分析验证实施例的特征提取效果。图3所示的无故障情况下舵机反馈电压，执行EMD过程之后得到如图4所示的一阶本征模态函数分量IMF1。接着，对一阶本征模态函数分量IMF1执行HT过程之后得到其幅值和瞬时频率，分别如图5和图6所示。然后，对一阶本征模态函数分量IMF1瞬时频率求一阶差分并取绝对值，如图7所示。经排除一阶差分绝对值及幅值小于平均数的时刻，得到如图8所示的筛选后时刻序列。最后，排除删除总长度小于5的连续时刻序列，得到如图9所示的特征定位时刻序列，原始信号上对应该特征定位时刻的信号段即为最终提取特征。
同样，对图10所示的有故障情况下舵机反馈电压，执行本发明所有步骤后得到图11至图16所示的结果。
从最终的特征定位上我们难以直观地评价特征提取的效果，我们将提取的特征返回机内测试***，并采取标准差的方式作为评价指标，所得数据结果详见表1。序号1至5来自图17所示的无故障情况下的舵机反馈电压，序号6至10来自图18所示的有故障情况下的舵机反馈电压，他们都是在相同操作指令的情况下重复实验后测得，最终的特征定位分别如图19和图20所示。需要注意的是5号数据得到了两段连续的特征时刻序列，在进行标准差指标运算时需要对两段数据分别求取，得到两个标准差，但在诊断时仅取较大值作判定。标准差的数值反映了特征的离散程度，数值过大则诊断为故障。从表1中结果来看，序号1至5的标准差都小于0.4V（均值为0.3320V），而序号6至10的标准差都大于0.6V（均值为0.7431V），而前者对应的真实情况均是正常，后者对应的真实情况均是故障，可见利用本发明的特征提取方法，具有较大的诊断裕度，这也反映了该特征提取方法的有效性。表1为舵机反馈电压BIT特征提取及诊断结果。
Figure 892650DEST_PATH_IMAGE085
 

Claims (8)

1.一种基于希尔伯特-黄变换的设备或***机内测试信号特征提取方法，其特征在于具体过程如下：
步骤一：对输入的机内测试信号进行经验模态分解，得到一阶本征模态函数分量IMF1和残差函数RES；
步骤二：对步骤一获得的一阶本征模态函数分量IMF1进行希尔伯特变换，得到其幅值和瞬时频率；
步骤三：计算步骤一所述的一阶本征模态函数分量IMF1瞬时频率的一阶差分
Figure DEST_PATH_IMAGE001
；
步骤四：对步骤三获得一阶差分
Figure 202953DEST_PATH_IMAGE001
进行信号处理，确定潜在故障特征出现的时刻集合
Figure 105050DEST_PATH_IMAGE002
；
步骤五：在机内测试信号的基础上生成最终特征时刻集合，并依照最终特征时刻集合
Figure 211809DEST_PATH_IMAGE003
截取特征信号。
2.根据权利要求1所述的一种基于希尔伯特-黄变换的设备或***机内测试信号特征提取方法，其特征在于步骤一中对输入的机内测试信号进行经验模态分解，得到一阶本征模态函数分量IMF1和残差函数RES的过程为：
设定输入的机内测试信号为，时间
Figure DEST_PATH_IMAGE005
，
步骤a、筛选过程初始化，
Figure 485981DEST_PATH_IMAGE006
，且满足关系式
Figure DEST_PATH_IMAGE007
成立，其中
Figure 242584DEST_PATH_IMAGE008
为一阶本征模态函数分解中经过第
Figure DEST_PATH_IMAGE009
次筛选后的剩余函数；
步骤b、根据筛选程序获取输入的机内测试信号
Figure 517315DEST_PATH_IMAGE004
经过一阶本征模态函数分解的剩余的残差函数中经过第
Figure 624948DEST_PATH_IMAGE010
次筛选后的剩余函数
Figure DEST_PATH_IMAGE011
；
步骤c、采用标准偏差准则判断获得的剩余函数
Figure 646256DEST_PATH_IMAGE011
是否满足本征模态函数的条件，即
Figure 257366DEST_PATH_IMAGE012
是否小于阈值T，
Figure DEST_PATH_IMAGE013
；
判断结果为是，执行步骤d，判断结果为否，则
Figure 407724DEST_PATH_IMAGE014
，然后执行步骤b，
步骤d、提取一阶本征模态函数分量IMF1：
Figure DEST_PATH_IMAGE015
；
步骤e、获取输入的机内测试信号
Figure 297926DEST_PATH_IMAGE004
经过一阶本征模态函数分解的剩余的残差函数RES：
Figure 559144DEST_PATH_IMAGE016
。
3.根据权利要求2所述的一种基于希尔伯特-黄变换的设备或***机内测试信号特征提取方法，其特征在于步骤b根据筛选程序获取输入的机内测试信号
Figure 24760DEST_PATH_IMAGE004
经过一阶本征模态函数分解的剩余的残差函数中经过第
Figure 283703DEST_PATH_IMAGE010
次筛选后的剩余函数
Figure 100349DEST_PATH_IMAGE011
的过程为：
步骤b1、利用三次样条函数获取输入信号
Figure 401143DEST_PATH_IMAGE004
经过一阶本征模态函数分解的剩余趋势函数中经过第
Figure DEST_PATH_IMAGE017
次筛选后的剩余函数的上、下包络；
步骤b2、计算所述剩余函数
Figure DEST_PATH_IMAGE019
上、下包络曲线在各个
Figure DEST_PATH_IMAGE021
的均值
Figure 102175DEST_PATH_IMAGE022
；
步骤b3、获取***模型误差项经过一阶本征模态函数分解的剩余趋势函数中经过第次筛选后的剩余函数
Figure DEST_PATH_IMAGE023
。
4.根据权利要求2所述的一种基于希尔伯特-黄变换的设备或***机内测试信号特征提取方法，其特征在于步骤二中对一阶本征模态函数分量IMF1进行希尔伯特变换，得到其幅值和瞬时频率的过程为：
步骤二一、对一阶本征模态函数分量IMF1进行离散褶积，得到其希尔伯特变换
Figure 449346DEST_PATH_IMAGE024
，如下式所示：
Figure DEST_PATH_IMAGE025
；
步骤二二、计算一阶本征模态函数分量IMF1的解析信号
Figure 410611DEST_PATH_IMAGE026
的包络振幅，如下式所示：
Figure 201849DEST_PATH_IMAGE028
；
步骤二三、计算解析信号
Figure 342981DEST_PATH_IMAGE030
的相角
Figure DEST_PATH_IMAGE031
和瞬时频率
Figure 401810DEST_PATH_IMAGE032
，如下式所示：
，
Figure 32512DEST_PATH_IMAGE034
；
得到IMF1的幅值
Figure DEST_PATH_IMAGE035
和瞬时频率
Figure 874828DEST_PATH_IMAGE032
。
5.根据权利要求4所述的一种基于希尔伯特-黄变换的设备或***机内测试信号特征提取方法，其特征在于步骤三中计算一阶本征模态函数分量IMF1瞬时频率的一阶差分
Figure 819650DEST_PATH_IMAGE036
的过称为：
按下式计算一阶本征模态函数分量IMF1瞬时频率一阶差分
Figure DEST_PATH_IMAGE037
：
Figure 234451DEST_PATH_IMAGE038
。
6.根据权利要求5所述的一种基于希尔伯特-黄变换的设备或***机内测试信号特征提取方法，其特征在于步骤四中对一阶差分
Figure 239316DEST_PATH_IMAGE036
进行信号处理，确定潜在故障特征出现的时刻集合的过程为：
步骤四一、计算一阶本征模态函数分量IMF1瞬时频率一阶差分
Figure 721037DEST_PATH_IMAGE036
的绝对值
Figure DEST_PATH_IMAGE039
：
Figure 255923DEST_PATH_IMAGE040
；
步骤四二、求取在时间
Figure DEST_PATH_IMAGE041
内一阶差分
Figure 729892DEST_PATH_IMAGE036
的绝对值
Figure 655123DEST_PATH_IMAGE039
的平均值；求取在时间
Figure 331141DEST_PATH_IMAGE041
内一阶本征模态函数分量IMF1的解析信号
Figure DEST_PATH_IMAGE043
的包络振幅
Figure 238660DEST_PATH_IMAGE044
的平均值
Figure DEST_PATH_IMAGE045
；
步骤四三、根据步骤四一和步骤四二获得的数值，求得特征时刻集合
Figure 713504DEST_PATH_IMAGE046
的过程为：
对于
Figure 538241DEST_PATH_IMAGE021
时刻一阶差分
Figure 782140DEST_PATH_IMAGE036
的绝对值
Figure 237392DEST_PATH_IMAGE039
中小于平均值
Figure 700997DEST_PATH_IMAGE042
的位置予以排除，
对于
Figure 329424DEST_PATH_IMAGE021
时刻一阶差分的绝对值
Figure 116301DEST_PATH_IMAGE039
不小于平均值
Figure 503420DEST_PATH_IMAGE042
的位置，将
Figure DEST_PATH_IMAGE047
时刻保留在特征时刻集合中，
对于解析信号
Figure 472740DEST_PATH_IMAGE043
的包络振幅
Figure DEST_PATH_IMAGE049
中小于平均值
Figure 332112DEST_PATH_IMAGE045
的位置予以排除，得到特征时刻集合
Figure 504729DEST_PATH_IMAGE046
：
Figure 740539DEST_PATH_IMAGE050
。
7.根据权利要求6所述的一种基于希尔伯特-黄变换的设备或***机内测试信号特征提取方法，其特征在于步骤五中在机内测试信号的基础上生成最终特征时刻集合
Figure 813537DEST_PATH_IMAGE003
，并依照最终特征时刻集合
Figure 781493DEST_PATH_IMAGE003
截取特征信号的过程为：
从特征时刻集合中删除总长度小于p的连续时刻序列和非连续的单点时刻，得到新的特征时刻集合
Figure DEST_PATH_IMAGE051
，即。
8.根据权利要求7所述的一种基于希尔伯特-黄变换的设备或***机内测试信号特征提取方法，其特征在于最终特征时刻集合
Figure 202219DEST_PATH_IMAGE003
总长度p=5。
CN 201010228743 2010-07-16 2010-07-16 一种基于希尔伯特-黄变换的设备或***机内测试信号特征提取方法 Expired - Fee Related CN101887407B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN 201010228743 CN101887407B (zh) 2010-07-16 2010-07-16 一种基于希尔伯特-黄变换的设备或***机内测试信号特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN 201010228743 CN101887407B (zh) 2010-07-16 2010-07-16 一种基于希尔伯特-黄变换的设备或***机内测试信号特征提取方法

Publications (2)

Publication Number Publication Date
CN101887407A true CN101887407A (zh) 2010-11-17
CN101887407B CN101887407B (zh) 2012-12-12

Family

ID=43073335

Family Applications (1)

Application Number Title Priority Date Filing Date
CN 201010228743 Expired - Fee Related CN101887407B (zh) 2010-07-16 2010-07-16 一种基于希尔伯特-黄变换的设备或***机内测试信号特征提取方法

Country Status (1)

Country Link
CN (1) CN101887407B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103455470A (zh) * 2013-09-03 2013-12-18 上海交通大学 一种瞬时频率含交叉点的信号时频分解方法
WO2015172622A1 (zh) * 2014-05-14 2015-11-19 武汉大学 一种高频地波雷达射频干扰抑制的方法
CN106055734A (zh) * 2016-05-13 2016-10-26 浙江理工大学 一种风电齿轮箱故障诊断方法
CN107992448A (zh) * 2017-11-30 2018-05-04 西安交通大学 一种基于绝对值的直接反余弦瞬时频率求解方法
CN109117784A (zh) * 2018-08-08 2019-01-01 上海海事大学 一种改进经验模态分解的船舶电力推进***故障诊断方法
CN110223195A (zh) * 2019-05-22 2019-09-10 上海交通大学 基于卷积神经网络的配电网故障检测方法
CN111007559A (zh) * 2019-11-25 2020-04-14 中国辐射防护研究院 一种基于Hilbert-Huang变换的γ能谱平滑方法
CN111081274A (zh) * 2020-01-03 2020-04-28 西安电子科技大学 基于瞬时频率的带静默间断信号的端点识别方法及应用
CN112526430A (zh) * 2020-12-09 2021-03-19 中国航空工业集团公司北京长城计量测试技术研究所 一种飞机电源供电特性频率瞬变参数校准方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5355238A (en) * 1993-08-18 1994-10-11 Swl Inc. Method and apparatus for the monitoring and demarcation of synchronous optical networks
CN101114249A (zh) * 2006-07-28 2008-01-30 佛山市顺德区顺达电脑厂有限公司 主板的i2c总线检测装置及其方法
CN101644737A (zh) * 2009-09-10 2010-02-10 优能电气（天津）有限公司 一种局部放电故障检测定位装置及定位方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5355238A (en) * 1993-08-18 1994-10-11 Swl Inc. Method and apparatus for the monitoring and demarcation of synchronous optical networks
CN101114249A (zh) * 2006-07-28 2008-01-30 佛山市顺德区顺达电脑厂有限公司 主板的i2c总线检测装置及其方法
CN101644737A (zh) * 2009-09-10 2010-02-10 优能电气（天津）有限公司 一种局部放电故障检测定位装置及定位方法

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103455470B (zh) * 2013-09-03 2016-04-06 上海交通大学 一种瞬时频率含交叉点的信号时频分解方法
CN103455470A (zh) * 2013-09-03 2013-12-18 上海交通大学 一种瞬时频率含交叉点的信号时频分解方法
WO2015172622A1 (zh) * 2014-05-14 2015-11-19 武汉大学 一种高频地波雷达射频干扰抑制的方法
CN106055734A (zh) * 2016-05-13 2016-10-26 浙江理工大学 一种风电齿轮箱故障诊断方法
CN107992448A (zh) * 2017-11-30 2018-05-04 西安交通大学 一种基于绝对值的直接反余弦瞬时频率求解方法
CN107992448B (zh) * 2017-11-30 2020-03-31 西安交通大学 一种基于绝对值的直接反余弦瞬时频率求解方法
CN109117784B (zh) * 2018-08-08 2024-02-02 上海海事大学 一种改进经验模态分解的船舶电力推进***故障诊断方法
CN109117784A (zh) * 2018-08-08 2019-01-01 上海海事大学 一种改进经验模态分解的船舶电力推进***故障诊断方法
CN110223195A (zh) * 2019-05-22 2019-09-10 上海交通大学 基于卷积神经网络的配电网故障检测方法
CN111007559B (zh) * 2019-11-25 2023-09-15 中国辐射防护研究院 一种基于Hilbert-Huang变换的γ能谱平滑方法
CN111007559A (zh) * 2019-11-25 2020-04-14 中国辐射防护研究院 一种基于Hilbert-Huang变换的γ能谱平滑方法
CN111081274A (zh) * 2020-01-03 2020-04-28 西安电子科技大学 基于瞬时频率的带静默间断信号的端点识别方法及应用
CN111081274B (zh) * 2020-01-03 2022-03-25 西安电子科技大学 基于瞬时频率的带静默间断信号的端点识别方法及应用
CN112526430A (zh) * 2020-12-09 2021-03-19 中国航空工业集团公司北京长城计量测试技术研究所 一种飞机电源供电特性频率瞬变参数校准方法

Also Published As

Publication number Publication date
CN101887407B (zh) 2012-12-12

Similar Documents

Publication Publication Date Title
CN101887407B (zh) 一种基于希尔伯特-黄变换的设备或***机内测试信号特征提取方法
US9346557B2 (en) Flight data monitoring and validation
CN104699077B (zh) 一种基于嵌套迭代费舍尔判别分析的故障变量隔离方法
CN103674511A (zh) 一种基于emd-svd与mts的机械磨损件性能评估与预测方法
CN105094111B (zh) 基于联合降噪和经验模态分解的控制***健康状态分析方法
CN103761173A (zh) 一种基于日志的计算机***故障诊断方法及装置
CN108399277B (zh) 一种基于温度与应变关联性的桥梁损伤识别方法
CN105834835A (zh) 一种基于多尺度主元分析的刀具磨损在线监测方法
WO2012149901A1 (zh) 基于相似度曲线的设备故障早期预警及优化的方法和***
WO2013184206A3 (en) Path scanning for the detection of anomalous subgraphs, anomaly/change detection and network situational awareness
CN103901882A (zh) 一种列车动力***在线监控故障诊断的***及其方法
CN105571638A (zh) 一种机械设备故障组合预测***及方法
CN105930963A (zh) 一种机电***装备健康评估方法
CN110427988A (zh) 一种基于深度学习的机载飞参数据健康诊断方法
CN104318305B (zh) 一种基于小波与神经网络的逆变器低频噪声故障诊断方法
CN109709934A (zh) 一种飞行控制***故障诊断冗余设计方法
CN103529830A (zh) 一种基于有限频域飞行控制***渐变故障的诊断设计方法
CN105626502A (zh) 基于小波包和拉普拉斯特征映射的柱塞泵健康评估方法
CN104986347A (zh) 一种民机航线飞行员操作差错的实时检测方法
US20220039716A1 (en) Calibration method for critical point of mental fatigue based on self-organized criticality
CN111858680B (zh) 一种快速实时检测卫星遥测时序数据异常的***与方法
CN109976311A (zh) 一阶定值控制***传感器故障诊断方法及诊断***
CN111580498A (zh) 一种基于随机森林的飞机环控***气冷设备鲁棒故障诊断方法
CN105137354A (zh) 一种基于神经网络电机故障检测方法
CN113283315B (zh) 一种多飞行状态直升机故障动态监测告警方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20121212