[发明专利]一种基于CEEMDAN结合近似熵的螺旋桨状态识别方法

权利要求书

1.一种基于CEEMDAN结合近似熵的螺旋桨状态识别方法，其特征在于，其步骤为：

步骤一、将不同状态下的螺旋桨噪声信号分别进行CEEMDAN分解，得到若干IMF分量及一个残余分量；

步骤二、通过相关系数法求出步骤一中各IMF分量与原始信号的相关系数，设置阈值γ筛选出有效IMF分量；

步骤三、统一不同状态下有效IMF分量的数量，并求其近似熵值作为各自的特征量；

步骤四、利用步骤三中求得的不同状态的特征量结合BP神经网络进行训练与预测，建立通过螺旋桨噪声信号识别螺旋桨不同状态的特征网络模型。

2.根据权利要求1所述的一种基于CEEMDAN结合近似熵的螺旋桨状态识别方法，其特征在于：步骤一具体过程为：

A.设初始信号为x(t)，将初始信号依次添加L次高斯白噪声得到新的信号序列y_i(t)，其中i＝1,2,...,L；依次对新信号y_i(t)进行EMD分解，取每次分解的第一阶IMF分量，将得到的L个IMF分量求和并取其平均值，作为原始信号CEEMDAN分解的第一个IMF分量IMF₁(t)；

B.第一个IMF分量后的残余分量为r₁(t)＝x(t)-IMF₁(t)；

C.对上一步残余分量r₁(t)加入正负成对高斯白噪声得到新的信号序列h(t)，对其加入高斯白噪声进行EMD分解得到第一阶IMF分量，求出加入L次高斯白噪声的L个第一阶IMF分量的均值，得到CEEMDAN分解的第二个IMF分量IMF₂(t)，进而求得第二个IMF分量后的残余分量为r₂(t)＝r₁(t)-IMF₂(t)；

D.重复C步骤，直到最后获得的残差信号为单调信号，结束分解；最终得到K个IMF分量以及1个残余分量r_K(t)。

3.根据权利要求2所述的一种基于CEEMDAN结合近似熵的螺旋桨状态识别方法，其特征在于：步骤二所述相关系数法采用皮尔逊系数法，若相关系数大于阈值γ的为有效IMF分量，予以保留；小于阈值γ的则为含大量噪声的无效IMF分量，予以删除。

4.根据权利要求3所述的一种基于CEEMDAN结合近似熵的螺旋桨状态识别方法，其特征在于：步骤三具体过程为：

a.将不同状态下的有效IMF分量进行二次筛选，选择相同数量、阶数的IMF分量进行求解；

b.设IMF分量为一个含有n点数据的时间序列{x(i),i＝1,2,…,n}，定义一个窗口长度为m的窗，将时间序列依次滑动分割成g＝n-m+1个序列，每个序列作为m维向量X(i)；

c.计算X(i)与X(j)中所有元素之间的距离，并定义其中最大的距离为d_max，对于每一个i值，计算X(i)与所有X(j)，j＝1,2,...,n-m+1的距离d_max，则有g个d_max；定义一个阈值λ，统计g个d_max小于阈值λ的个数，将其与总序列个数g作比值，记为

d.对所有的进行取对数运算，然后再求其平均值，记为φ^m(t)：

e.令窗口长度m加1，重复步骤b-d，得到φ^m+1(t)，故近似熵值ApEn(t)＝φ^m(t)-φ^m+1(t)，将求得的近似熵值作为螺旋桨噪声信号的特征量。

5.根据权利要求4所述的一种基于CEEMDAN结合近似熵的螺旋桨状态识别方法，其特征在于：阈值λ取(0.1～0.25)σ_x，σ_x为原始数据时间序列{x(i)}的标准差。

6.根据权利要求5所述的一种基于CEEMDAN结合近似熵的螺旋桨状态识别方法，其特征在于：步骤四具体过程为：

(1)准备阶段：将两种状态下的螺旋桨噪声信号的CEEMDAN近似熵特征量各提取40组数据集，其中30组作为训练集使用，10组作为测试集使用；

(2)训练阶段：借用MATLAB软件的神经网络工具箱进行训练，训练出最佳网络，其中参数设置为：70％的数据集作为训练集，15％的数据集作为验证集，15％的数据集作为测试集，近似熵特征向量为输入层，中间隐藏层的神经元的个数为10，输出层为状态结果，训练算法选择Levenberg-Marquardt算法；将60组训练集数据及其对应的状态结果输入到此网络中进行训练，直到训练出最佳网络，然后保存此网络；

(3)预测阶段：将20组测试集输入训练好的神经网络，预测相应的状态，然后与实际状态分类对应，从而得到识别率。