[发明专利]一种寻找非稳态时间序列微弱尖峰的方法

说明书

本发明公开了一种寻找非稳态时间序列微弱尖峰的方法，涉及故障预测与健康管理(PHM)领域，包括：步骤1、获取一维的时间序列数据作为待处理信号X；步骤2、计算所述时间序列数据的一阶差分dX；步骤3、寻找所述时间序列数据中所有尖峰；步骤4、估算噪声幅值；步骤5、滤除较小尖峰，保留较大尖峰即为所求的信号尖峰。本发明对于非稳态信号的尖峰检测有效，抗干扰能力强，计算量小，易于工程化。

技术领域

本发明涉及故障预测与健康管理(PHM)领域，尤其涉及一种寻找非稳态时间序列微弱尖峰的方法。

背景技术

数据预处理是成功建立故障预测模型的关键步骤之一。准确检测到时间序列中的尖峰(spike)是数据预处理的重要技术之一，其作用体现在以下两方面，其一，是准确的尖峰检测对于提高数据质量有帮助。由于工况变化、环境干扰、人为操作失误等影响，从机器中采集的原始信号通常有大量奇异点(outlier，指幅值远高于信号平均幅值的点)，而这些奇异点又往往是正的，表现为“尖峰”，准确检测到这些尖峰值是对这些奇异点进行处理的前提。其二，是准确的尖峰检测对于提取故障特征有重要作用。故障的表现形式往往是以尖峰的形式表现在信号中的。准确检测并定位这类尖峰，对于提取与某类所关心的故障直接相关的特征具有重要作用。综上，准确的尖峰检测对于故障预测建模有重要意义。

现有的尖峰检测技术主要在航天、生理电信号分析等领域被广泛应用，其主要的方法主要有以下三种：

1、时域检测方法：通常利用尖峰值幅值偏高的特点对信号进行检测。该类算法又包括能量算法，斜率算法及压缩算法等。该类算法的缺点是抗干扰性能差，需要滤波的预处理，增加了计算量，不利于低功耗实现，通常只对稳态信号有作用，对于非稳态、有趋势的信号误报率很高；同时，不考虑噪声幅度。

2、频域检测方法：包括傅里叶变换算法、滤波器级联算法、小波变换算法等。通常利用快速傅里叶变换对信号在频域上进行处理。这些算法将时域信号转换为频域信号进行处理。缺点是计算量稍大，而且入门门槛高，不便调试；同时，对于尖峰的定位由于时移等问题，奇异点定位会不精确。

3、时频域检测方法：通常利用时频域分析方法，是一种混合算法，具有奇异点精确定位，抗干扰性能强等优势。如小波变换对信号进行处理。缺点是计算量大，调试成本高，同时也由于时移问题，奇异点定位不精确，不适合工程化应用。

因此，本领域的技术人员致力于开发一种寻找非稳态时间序列微弱尖峰的方法，该方法对于稳态、非稳态信号的尖峰检测均有效；考虑噪声，抗干扰能力强；调试成本低，计算量小，易于工程化。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是对于非稳态信号的尖峰检测有效，抗干扰能力强，计算量小，易于工程化。

为实现上述目的，本发明提供了一种寻找非稳态时间序列微弱尖峰的方法

在本发明的较佳实施方式中，包括如下步骤：

步骤1、获取一维的时间序列数据作为待处理信号X；

步骤2、计算时间序列的一阶差分dX；

步骤3、寻找时间序列中的所有尖峰；

步骤4、估算噪声幅值；

步骤5、滤除较小尖峰，保留较大尖峰即为所求的信号尖峰。

进一步地，步骤3包括：

步骤31、初始化，设置flag＝1,cntr＝1，nextidx＝0，pidx＝空，期中flag为指示变量，cntr为计数器，nextidx为下一个尖峰在时间序列中的索引号，pidx为峰值出现的索引号存储器，最终的目的即将所有峰值索引号全部找到并存储在pdix中；

步骤32、当flag＝1时，进行尖峰寻找操作，包括以下步骤：