[发明专利]基于时频功率谱密度极大值的小波分解尺度确定及故障特征增强方法

说明书

本发明公开一种基于时频功率谱密度极大值的小波分解尺度确定及故障特征增强方法，步骤为：第一步，基于时频功率谱密度极大值确定最佳小波分解尺度；第二步，基于最佳小波分解尺度对推进器故障波峰区域能量特征进行增强，得到增强后的速度信号波峰区域能量故障特征Eu、控制信号波峰区域能量故障特征Ec。本发明能够有效识别水下机器人速度信号的最佳小波分解尺度，并且推进器故障程度不同，所确定的最佳小波分解尺度也可以不同，从而提高速度信号奇异行为信噪比，增大推进器故障特征值。

技术领域

本发明属于水下机器人技术，用于监测水下机器人推进器状态，具体涉及一种基于时频功率谱密度极大值的小波分解尺度确定及故障特征增强方法。

背景技术

推进器故障引起的速度信号奇异行为一般较为微弱，而且受水下速度传感器自身噪声以及海流等外部干扰噪声影响，信噪比较低，奇异行为不易识别，使得直接从速度信号奇异行为中提取的故障特征不明显。

现有降噪方法中的一种典型方法是小波分解方法，但该方法的降噪效果受到分解尺度的影响。公知最大特征值方法直接根据故障特征最大值来确定小波分解尺度。但是在水下机器人速度信号的各个尺度的小波分解结果中，某些尺度中的故障特征最大值并非由故障奇异行为引起，所以直接将故障特征最大值作为小波分解尺度的确定依据是不充分的。

公知波形先验知识方法根据信号波形的先验知识确定小波分解尺度，但是推进器不同程度故障在速度信号中引起的奇异行为波形也不相同，在提取故障特征时，由于故障程度难以预知，所以奇异行为波形也难以预知，先验知识难以获得。且在实践中，该方法一般根据历史数据信号波形先验知识确定一个固定小波分解尺度，然后采用这个尺度对所有被测信号进行分解。但是这个分解尺度只是对某一种故障程度是最佳的，而不是对所有故障程度都是最佳的。

发明内容

发明目的：本发明的目的在于解决现有技术中存在的不足，提供一种基于时频功率谱密度极大值的小波分解尺度确定及故障特征增强方法。

技术方案：本发明的一种基于时频功率谱密度极大值的最佳小波分解尺度确定方法，包括以下步骤：

第一步，采用长度为L₁的时间窗函数截取水下机器人速度信号原始数据；

第二步，对长度为L₁的速度信号数据进行常规平滑伪维格纳-威利分布运算，得到平滑伪维格纳-威利谱SPWVD(n,m)，n为时间节拍序号，n为整数，且n∈[1L₁]；m为频带序号，m为整数，且m∈[1N₃]，N₃为频带序号最大值；求取平滑伪维格纳-威利谱SPWVD(n,m)的绝对值，得到原始速度信号时频功率谱密度分布SPWVDA(n,m)，确定原始速度信号的时频功率谱密度分布SPWVDA(n,m)中的极大值P₀；

第三步，对长度为L₁的速度信号数据进行N层常规小波分解，得到第N层小波近似分量，计算小波近似分量的平滑伪维格纳-威利谱，求取平滑伪维格纳-威利谱的绝对值，得到时频功率密度分布，确定第N层小波近似分量时频功率密度最大值P_N；N为大于0的正整数；

第四步，判断，若P_N≤0.9P_N-1，则N-1为最佳小波分解尺度，记为M，即M＝N-1；若P_N0.9P_N-1，则N＝N+1，返回第三步。

本发明还公开了一种基于最佳小波分解尺度的故障特征增强方法，包括以下步骤：

步骤一，获取水下机器人速度信号和推进器控制信号动态信号数据，采用滑动时间窗对动态信号进行截取，其中，速度信号截取长度L₁，控制信号截取长度L₂＝L₁+1；