[发明专利]基于分数阶小波变换的航空直流变换器在线故障组合预测方法

权利要求书

1.基于分数阶小波变换的航空直流变换器在线故障组合预测方法，其特征在于该方法包括以下步骤：

步骤1、实时采集航空直流变换器的输出电压u_out(t)和环境数据(包括温度T(t)、湿度W(t)、振动V(t))，计算不同时刻的输出电压变化率，以此作为变换器性能退化参数，获取不同时刻的性能退化数据X(t)；

步骤2、利用3σ方法和插值方法对获取数据进行异常值剔除和缺失数据填补，得到当前时刻n和历史时刻1～n-1的等间隔性能退化数据X′(t)与环境数据T′(t)、W′(t)、V′(t)，(t＝1，2，…，n)；

步骤3、对步骤2中的等间隔性能退化数据X′(t)进行分数阶小波变换，将其分解为不同尺度的子分量，通过计算不同高频分量与环境数据之间的联合熵，确定噪声分量并将其剔除；

步骤4、分别对分解数据中的高频分量和低频分量进行故障预测，采用小波神经网络建立高频分量的预测模型，采用灰色神经网络建立低频分量的预测模型，分别进行时序预测；

步骤5、将各子分量预测结果进行叠加，获取性能退化数据的最终预测结果，将预测结果与故障阈值比较，对航空直流变换器进行在线故障预测。

2.如权利要求1所示的基于分数阶小波变换的航空直流变换器在线故障组合预测方法，其特征在于，所述步骤3中数据分解及去噪的具体步骤为：

(1)通过历史数据学习，得到分数阶最优p值，对性能退化数据X′(t)作p阶分数阶小波变换，进行分数阶p域内的l层低频分解和高频分解，得到不同频段的分解系数，然后通过单支重构提取出各频段的时频信号，表示为：

X′(t)=D(t)+Σi=1lGi(t)]]>

其中，D(t)为低频分量，即粗糙信息，表示性能退化数据的整体退化趋势；G_i(t)(i＝1，2，…，l)为不同频段的高频分量，即细节信息，包含性能退化数据的随机分量和随环境波动的噪声；

(2)分别计算不同高频分量G_i(t)(i＝1，2，…，l)与环境数据之间的多元联合熵，由于多元联合熵表现的是序列之间的随机程度，如果秩序混乱，则其联合熵相应较大，本发明将环境因素的波动视为噪声，则噪声分量与环境量具有一定的关联性，将计算得到的最小多元联合熵对应的频段分量G_k(t)视为噪声分量，从分解数据中剔除，进行数据去噪。