[发明专利]基于神经网络集成和BS-EMD的端点效应抑制方法

说明书

技术领域

本发明涉及信号处理技术领域，特别涉及一种基于神经网络集成和BS-EMD（B-spline empirical mode decomposition，B样条经验模式分解）的端点效应抑制方法。

背景技术

大型旋转机械是现代冶金、电力、石油等部门的关键设备。受工作环境、使用寿命等限制，该机械设备中的某些部件容易出现一些故障，从而影响整个设备的正常工作，严重时甚至会导致机毁人亡，造成重大经济损失。在旋转机械出现故障或者发生异常时的振动信号多表现为非线性、非平稳特征，这些非平稳信号往往包含有大量的故障特征信息。因此，旋转机械的故障诊断与监测对避免重大的机械事故，促进经济发展有着重要的意义。目前，国内外学者已经取得了一定的成绩，但是对于旋转机械仍然需要不断进一步的研究和完善。

EMD（Empirical Mode Decomposition，经验模态分解）方法是近年来发展起来的一种新的时间序列信号分析方法，该方法把复杂的信号分解为一系列的IMF（Intrinsic Mode Function，本征模函数）分量之和。由于EMD是自适应的，因此该方法适用于非线性和非平稳信号的分析。

但是，发明人在实现本发明时，发现现有技术存在端点效应的问题，即在EMD过程中，当以极值点为节点作样条插值来构造包络线时，不能确保数据序列左右两端点恰为极值点，从而使得样条曲线在端点处的插值精度很差，容易发生“过冲”或“欠冲”现象，并通过循环迭代将这种不良影响逐步“污染”整个数据序列，最终导致EMD的分解结果严重失真。

发明内容

（一）要解决的技术问题

本发明所要解决的问题是提供一种基于神经网络集成和BS-EMD的端点效应抑制方法，以克服现有技术在EMD过程中出现端点效应的缺陷。

（二）技术方案

为达到上述目的，本发明提供一种基于神经网络集成和BS-EMD的端点效应抑制方法，所述方法包括以下步骤：

A、利用速度传感器测量获取振动信号；

B、采用神经网络集成对所述信号进行左延拓和右延拓；

C、利用B样条均值函数得到所述信号的均值曲线；

D、进行经验模式分解，抛弃两端数据，得到与原始信号相对应的若干IMF分量；

E、分析各IMF分量，提取故障特征。

优选的，所述步骤B具体包括：

B1、在只有一层神经网络时，对所述神经网络进行学习，得到权值和阈值的确定值；

B2、根据公式                                                得到单层神经网络的输出；其中，为单个神经元的输出，为权值，为阈值，为输入样本。

B3、采用加权平均进行集成，采用个神经网络组成的集成对进行近似，网络的权值满足下式

；

其中，表示从n维空间到一维空间的映射。

B4、按照分布随机抽取，得到训练集；其中，在网络下，当输入为时，输出为；

根据公式获取神经网络集成的输出；

根据公式获取神经网络的泛化误差；

根据公式 获取神经网络集成的泛化误差；

根据公式获取各网络泛化误差的加权平均；

根据公式获取神经网络的差异度；

根据公式 获取集成的差异度；

由此可得神经网络集成的泛化误差。

优选的，所述步骤C具体包括：

C1、假定有限区间[]，给定划分：，代表节点值，根据公式 计算次B样条基函数，其中， 。规定当公式中的分母为0时，该函数的值为0。第个B样条函数的局部支撑性为

 ； 

C2、利用B样条，根据公式获取信号的均值曲线。为B 样条的控制点, 可由信号的极值点滑动平均得到，为第j个B 样条函数的局部支承性。

优选的，所述步骤D具体包括：

D1、假定原始信号为无限长，根据公式获取信号的均值，并根据公式得到插值函数；

D2、根据IMF判据，若不是一个IMF，则将作为代入公式重复上述过程，直到为一个本征模函数；

重复上述过程，得到各个IMF分量及残余函数，根据公式得到被分解为个本征模函数和一个趋势项的信号，其中为第i个本征模函数，r为趋势项；

D3、对得到的IMF进行处理，截去延长部分的数据，得到与原始信号相对应的IMF分量。