[发明专利]一种基于经验模态分解与多核学习的发动机故障检测方法

权利要求书

1.一种基于经验模态分解与多核学习的发动机故障检测方法，其特征在于，包括以下步骤：

S1：采集原始发动机信号，并进行EEMD分解；

S2：根据EEMD分解结果进行奇异值分解，提取故障特征；

S3：构建DPSO-PRSVM算法模型；

S4：利用DPSO-PRSVM算法模型对故障特征进行分类，完成发动机故障检测；

所述步骤S3包括以下子步骤：

S31：构建多核函数并生成具有N个粒子的初始种群；

S32：利用适应度函数评价每个粒子，确定并更新全局最优粒子；

S33：基于更新后的全局最优粒子，利用DPSO算法中平均距离和惯性权值公式更新粒子的惯性权值；

S34：利用DPSO算法更新粒子的速度和位置；

S35：判断DPSO算法的进化代数是否达到最大进化代数，若是则输出全局最优粒子，完成DPSO-PRSVM算法模型构建，否则返回步骤S32。

2.根据权利要求1所述的基于经验模态分解与多核学习的发动机故障检测方法，其特征在于，所述步骤S1包括以下子步骤：

S11：采集原始发动机信号x₀(t)，并加入随机白噪声序列n_i(t)，得到发动机信号组x_i(t)；

S12：将发动机信号组x_i(t)中的每一个信号进行EEMD分解，得到基本模态分量c_ij和信号中心趋势残量r_i(t)，其中，i＝1,2,…,m，j＝1,2,…,n，m表示对x_i(t)进行EMD分解得到的基本模态分量的组数，n表示分解得到的每组基本模态分量的数量；

S13：将基本模态分量c_ij和信号中心趋势残量r_i(t)分为m组IMF分量和m组余量，并计算m组IMF分量的均值{C₁,C₂,…,C_n}和m组余量的均值Res；

S14：根据m组IMF分量的均值{C₁,C₂,…,C_n}和m组余量的均值Res，得到原始发动机信号x₀(t)的分量。

3.根据权利要求2所述的基于经验模态分解与多核学习的发动机故障检测方法，其特征在于，所述步骤S11中，发动机信号组x_i(t)的计算公式为：

x_i(t)＝x₀(t)+n_i(t)

其中，x₀(t)表示原始发动机信号，n_i(t)表示随机白噪声序列；

所述步骤S12中，进行EEMD分解的计算公式为：

其中，n表示分解得到的每组基本模态分量的数量，c_i,j表示第i次加入白噪声后分解得到的第j个基本模态分量，r_i,j(t)表示信号中心趋势残量；

所述步骤S14中，原始发动机信号x₀(t)的分量表示式为：

其中，C_j为IMF分量相应的均值，m表示对x_i(t)进行EMD分解得到的基本模态分量的组数，Res表示m组余量的均值，r_i，n表示第i次分解得到的第n个中心趋势残量。

4.根据权利要求1所述的基于经验模态分解与多核学习的发动机故障检测方法，其特征在于，所述步骤S2中，提取故障特征的方法为：根据m组IMF分量的均值{C₁,C₂,…,C_n}组成初始特征向量矩阵A＝[C₁,C₂,…,C_n]^T，并对初始特征向量矩阵A＝[C₁,C₂,…,C_n]^T进行奇异值分解，将奇异值作为故障特征。