信号的自回归模型及其在电力设备故障检测中的应用.ppt

信号的自回归模型及其在电力设备故障检测中的应用 2018-2-6 课程论文 之 主要内容 自回归的含义 应用自回归建模的原理是 U(n) X(n) H(z) 参数模型 假设所研究的过程x(n)是由一个输入序列u(n)激励一个线性系统 H(z)的输出，如上图所示。H(z)是一个因果的线性移不变离散时间系 统，其应该是稳定的，其单位抽样响应h(n)是确定的。输出序列x(n)可以 是平稳的随机序列，也可以是确定性的时间序列。若x(n)是确定性的，则 u(n)是一个冲击序列；若x(n)是随机的，则u(n)应是一个白噪声序列。无 论x(n)是确定性信号还是随机信号，对上图的线性系统，x(n)和u(n)之间总有如下关系： （1） （2） 对（1）和（2）式两边分别取Z变换，并假定 得 （3） （4） （5） 此两式给出的信号x(n)的模型称为自回归模型，简称AR模型，它是一个 全极点的模型，p为模型的阶数。自回归模型的定义：自回归是指模型现 在的输出是现在的输入和过去 p个输出的加权和。 假定 都是实平稳的随机信号， 为白噪声，方差为 则对式（4）两边同时乘以 并求平均值，得到： （6） 即： （7） 由于u(n)是方差为 的白噪声，由式（2）得自相关函数为： 即： m≠0 m=0 (8) 由z变换的定义， ，在式(5)中，当z→∞时，h(0)=1， 因此综合式(7)和(8)，且自相关函数偶对称即 有： （9） 写成矩阵形式为： （10） 式(9)和(10)即是AR模型的正则方程，其系数矩阵不但对称，而且沿和主对角线平行的任一条对角线上的元素都相等。 一个P阶的AR模型共有p+1个参数，即 ，只要知道x(n)的前p+1个自相关函数 ，即可根据式(9)或(10)，求出这P+1个参数。 AR模型的计算 定义 为P阶AR模型在阶次为m时的第k个系数，k=1，2，…,m， m=1，2，…，P， 为m阶时的前向预测的最小误差功率，由式(10)，当 m=1时， (11) 可得 （12） （13） 定义初始条件： ，则 定义第m阶时的第m个系数 为 ，由Toeplitz矩阵的性质，得： (14) (15) (16) 即从低阶开始递推，直到阶次P，给出了在每一阶次的参数，该算法 称为Levinson--Durbin算法。由于线性预测的最小均方差总大于零，由式 (16)可知当 时，递推应停止。 线性预测及其与AR模型的关系 设x(n)在n时刻之前的P个数据x(n-p)，x(n-p+1)，…，x(n-1)已知，记 是对真实值x(n)的线性预测，那么： 即用前面P个数据向前一步预测x(n)，称为前向预测。记预测值 与真值x(n)之间的误差为e(n)，即： 线性预测的基本要求就是选择各 （ k= 1~ p） 使预测误差的均方值极小： (17) (18) （19） 模型阶数p 的确定 自相关模型的阶数对模型精确度的影响巨大，因此模型定阶至为关 键，阶数过大，会产生伪波谱峰值，而阶数过小，会引起波谱峰值过于平滑，忽略掉许多细节常用的定阶方法有以下两种： 1） 理论方法：根据前述， 随着 p 的增加而下降，而 则随着 p 增加而上升因此从 k= 1 开始逐次增加模型阶数对信号进行拟合，最这k 增加等式左端先下降后增加，必定会在某一k 值下取得极小值，此时这个极小值点的p 值就是模型的最佳阶次 2） 经验方法：根据经验为预测误差规定下限，在阶次递增计算时，当它低于规定的下限时就终止递归，得到最佳阶次，另外，当其不再显著下降时，也可以终止运算 采用经验方法时，信号阶次不仅和信号的性质有关，它的选取和研究目的也有关。 1） 信号的自回归模型是设备诊断中较为常用的建模方法，其突出优点为模型方程为线性化方程。 2） 功率谱估计。此模型用于功率谱估计时，具有谱平滑性好，分辨率高的特点 。 3） 特征提取和模式识别。自回归模型的另一突出特点是具有较好的特征提取能力，通过不同信号模型参数的差异进行模式识别。 4） 响应提取。首先根据噪声响应建模，进一步获得叠加了激励后的响应，从而达到从噪声中提取诱发响应的目的。 5） 数据压缩。只要通过建立自回归模型，得到模型参数a 阶数 p和激励功率N0，就能把信号x（ n） 的主要特征描述