[发明专利]一种基于改进的EMD和神经网络模型的异常数据检测方法

说明书

本发明公开了一种基于改进经验模态分解(EMD)和神经网络模型的异常数据检测方法，属于通信技术领域。本发明方法具体包括如下步骤：1、使用envelope函数在原始信号上画出包络线；2、将画好包络线的信号输入到改进的EMD中提取出其特征变量，即IMF分量；采用改进的EMD提取特征变量时，将提取流程中的三次样条插值函数修改为fminbnd函数，包络函数采用envelope函数；3、将提取出的特征变量输入到神经网络模型中，经过神经网络模型的三层筛选，与故障原因的频谱相匹配后，找出故障点及故障原因。本发明提出的方法克服了经验模态分解对微弱故障特征不敏感的缺陷，增强了神经网络模型的精确度。

技术领域

本发明属于通信技术领域，具体涉及一种基于改进的EMD和神经网络模型的异常数据检测方法。

背景技术

异常数据的发生位置及原因关系到系统运行的效果及修复的难易，所以通过为异常数据设计有效的检测方法可实现各种目标。

近年来，国内外学者针对异常数据检测开展了广泛的研究，提出了包括小波分析、盲源分离、经验模态分解等一系列信号的降噪处理方式，聚类、贝叶斯、随机森林等异常数据检测方法。其中小波分析需要根据不同的波形选择不同的小波基函数，选择不当则可能导致精度较差；盲源分离分离出的源信号幅值和排序具有不确定性；聚类对异常值较为敏感，随机森林噪声较大的情况下易产生过拟合现象。经验模态分解克服了传统包络分析中需要预先确定滤波器中心频带的难题，广泛应用于非线型、非平稳信号的分析，但是其存在模态混叠的现象。综上所述，以上方法对提取信号的特征变量均有不足。

因此有必要寻找一种新的方法来抑制噪声对采样信号的干扰且能准确提取出信号的特征变量，用于找到异常数据。

发明内容

针对上述问题，本发明提供了基于EMD和神经网络模型的异常数据检测方法，振动信号在提取时总会掺杂着人为或机械的噪声，噪声会影响信号的使用，甚至会导致检测结果产生误差。因此，对信号进行降噪处理对保证采样准确具有重要意义。本发明能够提高滚动轴承故障诊断的准确性和有效性，为解决滚动轴承故障诊断问题提供一种新的有效途径，可广泛应用于化工、冶金、电力、航空等领域的复杂机械系统故障诊断中。

本发明采用的技术方案是：

一种基于改进的EMD和神经网络模型的异常数据检测方法，具体步骤如下：

步骤(1.1)、使用envelope函数在原始信号上画出包络线；

步骤(1.2)、将画好包络线的信号输入到改进的EMD中提取出其特征变量，即IMF分量；采用改进的EMD提取特征变量时，将提取流程中的三次样条插值函数修改为fminbnd函数，包络函数采用envelope函数，简化提取流程；

步骤(1.3)、将提取出的特征变量输入到神经网络模型中，经过神经网络模型的三层筛选，与故障原因的频谱相匹配后，找出故障点及故障原因。

在步骤(1.2)中，依据数据自身的时间尺度特征进行信号分解；并将提取流程中的三次样条插值函数修改为简单的取极值fminbnd函数，包络函数修改为envelope函数。两个函数修改之后，运行出错概率降低。fminbnd函数与之前复杂的三次样条插值函数相比，运行时间更短，且在实际测试中增加了IMF分量的准确性，能更好的还原出原始信号，避免了噪声点对信号的影响。

本发明方法与直接使用神经网络模型相比可以避免噪声对信号的影响，且可将庞大的数据只提取出3个IMF分量，从而减少神经网络模型的工作量，避免噪声对神经网络模型检测的影响，提高神经网络模型的精确度。

本发明的有益效果是：