[发明专利]基于联合降噪和经验模态分解的控制系统健康状态分析方法

说明书

技术领域

本发明涉及一种基于联合降噪和经验模态分解(EMD)的控制系统健康状态分析方法，属于控制系统信号处理与故障状态检测技术领域。

背景技术

由于现代控制系统组成复杂，常常需要在不同环境条件下长时间、高负荷工作，这就造成控制系统不可避免的会出现各类故障。特别是在航空航天、医疗、规模化机械生产等领域，细微的故障有时会造成极其严重的经济损失和人员伤害的后果，因此对设备运行的状态监测和故障诊断就成为了重要的研究课题，而保证状态监测和故障诊断准确性的前提，就是获取最能表征设备健康状况的信号特征信息。控制系统的各种状态信号，经常混杂大量的无用噪声信号，特别是在故障发生时的状态信号是典型的非平稳信号，同时由于传播介质的各向异性和多源性噪声的污染，加大了故障信号鉴别和特征提取的难度。

经验模态分解是一种非常适用于非线性、非平稳信号的分析方法。EMD把信号分解成一系列包含不同频率成分的本征模态函数(IMF)，从而使得信号的瞬时频率具有实际意义。现行通用方法对于信噪比高的信号是可行的，对干扰信号多、噪声强度大的信号，就无法分解出准确的IMF分量。而现场采集控制系统状态信号常常存在较强的随机噪声，因此在进行经验模态分解前，必须先对采样信号进行降噪处理。现阶段主要方法有：模极大值处理算法、空域相关去噪以及阈值去噪算法，其中使用最为广泛的就是小波阈值去噪算法。对于小波的选择和小波分解层数往往都是通过经验选取，同时在噪声抑制方面，只考虑了去除高斯随机噪声却没有能够很好地消除脉冲噪声的影响。

传统健康状态检测往往是设备停机后的人工检测故障方法，很难做到当控制系统刚刚出现一点故障的苗头但依然能够完成控制作用的情况下，在线实时准确地检测判断出控制系统已经处于不健康(故障)状态。这种大部分依赖操作者的工作经验来识别的方法，诊断效率低，且难以及时检测潜在故障。大量的停机检修不仅浪费大量人力与时间，还造成许多过度维修问题。

发明内容

发明目的：针对上述现有技术，提出一种基于联合降噪和经验模态分解(EMD)的控制系统健康状态分析方法，能够根据现场直接获取的控制系统状态信号，提取出能够表明信号信息的能量熵特征量且根据计算出的实时能量熵与正常状态时的熵值进行比较，在线实时判断控制系统健康状况。

技术方案：一种基于联合降噪和经验模态分解(EMD)的控制系统健康状态分析方法，通过引入结合中值滤波与采用尺度间相关性的改进小波阈值联合降噪的方法，以及采用端点延拓、集合经验模态分解(EEMD)和相关系数阈值比较法相结合的方法，经过中值滤波、小波阈值降噪、经验模态分解、计算能量熵等步骤将控制系统状态特征提取出来，与初始检测的正常状态熵值比较，实时判断控制系统运行状态，包括如下具体步骤：

步骤1)将离散含噪信号f(k)先进行中值滤波处理得到滤除可能的脉冲噪声，其中，f(k)信号长度为N；

步骤2)优化分解层数，包括如下步骤：

步骤2.1)对中值滤波处理后的进行第j层小波分解，其中，从j＝1开始分解；

步骤2.2)对小波分解得到的低频近似系数a_j(k)予以保留，对高频细节系数d_j(k)进行式(1)自相关系数λ计算，若满足(l)即各高频细节系数d_j的自相关系数满足自由度l的χ²分布，则对d_j继续进行j+1层分解；

步骤2.3)直到第Δ+1层的细节系数d_Δ+1不能满足为止，确定优化分解层数为Δ层，同时得到各小波系数W_j(k)；d_j(k)为高频细节系数，为d_j(k)的平均值；

步骤3)通过使用式(2)的改进阈值以满足：①阈值随着分解尺度的递增而逐渐减小，经过小波分解后不同分解层的系数比例分布不同；②避免出现阈值较小而起不到去除尽可能多噪声的作用；σ为噪声标准差，N为信号采样长度，j为分解尺度；

步骤4)通过使用式(3)的改进阈值函数以克服：①硬阈值函数的不连续性和引起信号的附加振荡；②软阈值函数存在恒定偏差，影响重构信号与真实信号的逼近程度；W为含噪信号小波变换后的小波系数，δ为阈值，W_δ为经过阈值降噪后的小波系数，μ，v，p，q均为可调参数，其中μ＞0，v＞1，p∈[0，1]，q≥0；