[发明专利]一种基于复合层次离散熵CHDE和成对邻近度PWFP的共轨喷油器敏感故障特征提取方法

权利要求书

1.一种基于复合层次离散熵 CHDE和成对邻近度 PWFP的共轨喷油器敏感故障特征提取方法，其特征是：

(1)通过压力传感器采集高压油管燃油压力波动信号，并将采集的信号分为训练信号和测试信号；

(2)分别计算训练信号和测试信号的复合层次离散熵CHDE；

(3)计算各层次的离散熵之间的邻近度PWFP，以邻近度为参照进行打分，分数按照升序排列；

(4)选择训练样本中的复合层次离散熵组成特征向量子集，输入二叉树支持向量机多分类器进行训练；

(5)采用训练后的二叉树支持向量机多分类器对测试样本进行故障诊断和模式识别，并输出故障诊断结果；步骤(2)中复合层次离散熵的计算步骤为：

A.设时间序列{x(i),i＝1,2,...,N}，长度为N，定义算子和如下：

和代表时间序列在第一层分解的低频成分，和代表时间序列在第一层分解的高频成分，和代表同一尺度下时间序列两种不同的层次化方式；

B.定义时间序列x(i)每一层分解的节点分量如下：

C.计算每个节点得到的层次化序列的离散熵，再对同一节点不同的k的熵值求平均值，得到各层次的复合层次离散熵，记为CHDE_n,e；

e为正整数，正整数e对应的向量是[γ₁,γ₂,...,γ_n]；

步骤(3)中，根据与同一类别的样本的接近程度来分配分数，同时保持与其他类别样本的最大距离，然后对每个特征分配分数来进行特征选择，PWFP算法流程描述如下：

a.将β个特征保持在d之外：

b.令q_jk＝[b₁,b₂,...,b_d]^T,b_i∈{0,1}为(x_j,x_k)对沿的特征；通过以下方式查找相似特征：

c.从所有可能的对中收集信息，分别由P和Q表示，分别为：

d.好的特征是在P＝[p¹,p²,...,p^d]和Q＝[q¹,q²,...,q^d]中都出现概率较高的特征，选择特征的标准是最小化，由下式

。

2.根据权利要求1所述的一种基于复合层次离散熵 CHDE和成对邻近度 PWFP的共轨喷油器敏感故障特征提取方法，其特征在于：步骤(1)中的高压油管压力波动信号包括喷油器状态正常、喷油器针阀卡滞和喷油器喷孔堵塞三种类型。

3.根据权利要求1所述的一种基于复合层次离散熵 CHDE和成对邻近度 PWFP的共轨喷油器敏感故障特征提取方法，其特征在于：步骤(4)、(5)中二叉树SVM采用RBF核函数进行分类，惩罚因子C＝1000。