[发明专利]故障能量区域边界识别及特征提取方法

权利要求书

1.一种基于瞬时频谱熵的故障能量区域时域边界识别方法，其特征在于：包括以下步骤：

第一步，获取长度为L₁的水下机器人速度信号；

第二步，计算速度信号时频功率密度谱；采用常规平滑伪维格纳-威利分布算法求取速度信号的平滑伪维格纳-威利谱SPWVD(n,m)，n为时间轴上的序号，n＝1,2,3，…，L₁，m为频率轴上的序号，m＝1,2,3，…，N₃，N₃为频率轴划分区间数；并通过对SPWVD(n,m)的常规绝对值运算进而得到速度信号时频功率密度谱SPWVDA(n,m)；

第三步，计算瞬时频谱熵分布；在时频功率密度谱SPWVDA(n,m)中，在时间轴序号n＝1处，通过公式(1)构造该时间轴序号所在时间点处的概率密度函数p(1,m)，进而通过公式(2)计算该时间点处的香农熵，计算结果H(1)，即为在时间轴序号n＝1处的瞬时频谱熵；

重复此步骤内容，计算时间轴序号n分别为2,3，…，L₁时的瞬时频谱熵H(n)，得到瞬时频谱熵分布；

式中，SPWVDA(1,m)为时频功率密度谱SPWVDA(n,m)中，时间轴序号n＝1、第m个频带上的能量，p(1,m)为概率密度函数，N₃为频率轴划分区间数，H(1)为在时间轴序号n＝1处的瞬时频谱熵；

第四步，确定故障特征区域时域边界，即在瞬时频谱熵分布中确定畸变区间；

确定瞬时频谱熵分布中最小值所在位置，然后由此位置同时向两边延伸至邻近极大值点，如果此极大值小于其他区域的极小值，则继续向两边延伸，直至所遇到的极大值大于其他区域的极小值为止，则两个最终极大值点之间的区域即为畸变区间；然后以左侧极大值点所在位置为故障能量区域的时域下边界N_D，以右侧极大值点所在位置为故障能量区域的时域上边界N_U。

2.一种基于信噪能量差的故障能量区域频域边界识别方法，其特征在于：包括以下步骤：

第一步，获取长度为L₁的水下机器人速度信号数据；

第二步，采用常规小波变换方法对速度信号进行多个尺度的小波分解与重构，得到多个小波近似分量u_jA(n)，j为小波分解尺度，j＝0,1,2,…,8，其中，j＝0表示速度信号未进行小波分解；

第三步，计算时频功率密度谱；采用常规平滑伪维格纳-威利分布算法与绝对值算法计算第j个尺度小波近似分量u_jA(n)的时频功率密度谱SPWVDA_j(n,m)；

第四步，计算信噪能量差分布；

基于瞬时频谱熵确定故障能量区域的时域下边界N_D和时域上边界N_U，过程包括计算瞬时频谱熵分布；在时频功率密度谱SPWVDA(n,m)中，在时间轴序号n＝1处，通过公式(1)构造该时间轴序号所在时间点处的概率密度函数p(1,m)，进而通过公式(2)计算该时间点处的香农熵，计算结果H(1)，即为在时间轴序号n＝1处的瞬时频谱熵；

重复此步骤内容，计算时间轴序号n分别为2,3，…，L₁时的瞬时频谱熵H(n)，得到瞬时频谱熵分布；

式中，SPWVDA(1,m)为时频功率密度谱SPWVDA(n,m)中，时间轴序号n＝1、第m个频带上的能量，p(1,m)为概率密度函数，N₃为频率轴划分区间数，H(1)为在时间轴序号n＝1处的瞬时频谱熵；

确定故障特征区域时域边界，即在瞬时频谱熵分布中确定畸变区间；

确定瞬时频谱熵分布中最小值所在位置，然后由此位置同时向两边延伸至邻近极大值点，如果此极大值小于其他区域的极小值，则继续向两边延伸，直至所遇到的极大值大于其他区域的极小值为止，则两个最终极大值点之间的区域即为畸变区间；然后以左侧极大值点所在位置为故障能量区域的时域下边界N_D，以右侧极大值点所在位置为故障能量区域的时域上边界N_U；

在时频功率密度谱SPWVDA_j(n,m)中，将时域边界N_D与N_U之间的时频功率密度谱SPWVDA_j(n,m)进行求和，所得结果E_Sj作为故障能量，将时域边界N_D与N_U之外的时频功率密度谱SPWVDA_j(n,m)进行求和，所得结果E_Nj作为噪声能量，将E_ΔSNj＝E_Sj-E_Nj作为信噪能量差；计算j＝0,1,2,…,8的信噪能量差E_ΔSNj，得到信噪能量差分布；

第五步，确定故障能量区域频域边界；在信噪能量差E_ΔSNj分布中，确定信噪能量差最大值，确定该最大值对应的小波分解尺度，确定该分解尺度对应的小波近似分量，则该小波近似分量所对应的频带[M_D M_U]即为故障能量区域频域边界，其中M_D为频域下边界，M_U为频域上边界。

3.一种基于瞬时频谱熵与信噪能量差的故障能量区域边界识别与特征提取方法，其特征在于：包括以下步骤：

第一步，分别获取长度为L₁的水下机器人速度信号和推进器控制电压变化率信号数据；

第二步，基于瞬时频谱熵确定故障能量区域时域下边界N_D以及时域上边界N_U；包括：采用常规小波变换方法对速度信号进行多个尺度的小波分解与重构，得到多个小波近似分量u_jA(n)，j为小波分解尺度，j＝0,1,2,…,8，其中，j＝0表示速度信号未进行小波分解；

计算时频功率密度谱；采用常规平滑伪维格纳-威利分布算法与绝对值算法计算第j个尺度小波近似分量u_jA(n)的时频功率密度谱SPWVDA_j(n,m)；

计算信噪能量差分布；

基于瞬时频谱熵确定故障能量区域的时域下边界N_D和时域上边界N_U，过程包括计算瞬时频谱熵分布；在时频功率密度谱SPWVDA(n,m)中，在时间轴序号n＝1处，通过公式(1)构造该时间轴序号所在时间点处的概率密度函数p(1,m)，进而通过公式(2)计算该时间点处的香农熵，计算结果H(1)，即为在时间轴序号n＝1处的瞬时频谱熵；

重复此步骤内容，计算时间轴序号n分别为2,3，…，L₁时的瞬时频谱熵H(n)，得到瞬时频谱熵分布；

式中，SPWVDA(1,m)为时频功率密度谱SPWVDA(n,m)中，时间轴序号n＝1、第m个频带上的能量，p(1,m)为概率密度函数，N₃为频率轴划分区间数，H(1)为在时间轴序号n＝1处的瞬时频谱熵；

确定故障特征区域时域边界，即在瞬时频谱熵分布中确定畸变区间；

确定瞬时频谱熵分布中最小值所在位置，然后由此位置同时向两边延伸至邻近极大值点，如果此极大值小于其他区域的极小值，则继续向两边延伸，直至所遇到的极大值大于其他区域的极小值为止，则两个最终极大值点之间的区域即为畸变区间；然后以左侧极大值点所在位置为故障能量区域的时域下边界N_D，以右侧极大值点所在位置为故障能量区域的时域上边界N_U；第三步，基于信噪能量差确定故障能量区域频域下边界M_D以及频域上边界M_U；

在时频功率密度谱SPWVDA_j(n,m)中，将时域边界N_D与N_U之间的时频功率密度谱SPWVDA_j(n,m)进行求和，所得结果E_Sj作为故障能量，将时域边界N_D与N_U之外的时频功率密度谱SPWVDA_j(n,m)进行求和，所得结果E_Nj作为噪声能量，将E_ΔSNj＝E_Sj-E_Nj作为信噪能量差；计算j＝0,1,2,…,8的信噪能量差E_ΔSNj，得到信噪能量差分布；

确定故障能量区域频域边界；在信噪能量差E_ΔSNj分布中，确定信噪能量差最大值，确定该最大值对应的小波分解尺度，确定该分解尺度对应的小波近似分量，则该小波近似分量所对应的频带[M_D M_U]即为故障能量区域频域边界，其中

M_D为频域下边界，M_U为频域上边界；

第四步，提取推进器时频能量故障特征；

采用平滑伪维格纳-威利分布算法、绝对值算法分别计算速度信号、控制电压变化率信号的时频功率密度谱SPWVDA_U(n,m)和SPWVDA_C(n,m)，在时域下边界N_D、时域上边界N_U、频域下边界M_D和频域上边界M_U所围成的矩形区域内，对分别时频功率密度谱进行求和，所得结果F_U、F_C分别作为速度信号时频能量故障特征和控制信号时频能量故障特征。