[发明专利]一种基于希尔伯特-黄变换的设备或系统机内测试信号特征提取方法

说明书

技术领域

本发明涉及设备或系统机内测试的关键处理技术，具体涉及一种基于希尔伯特-黄变换的设备或系统机内测试信号特征提取方法。

背景技术

机内测试（Built-InTest，BIT）技术是改善系统测试性和诊断能力的重要途径，在保障设备或系统的完好性、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系统效能的充分发挥。

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系统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系统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-黄变换的设备或系统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；

步骤四：对步骤三获得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；

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，对机内测试系统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-黄变换的设备或系统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