基于EEMD和DTW相结合故障识别算法.docVIP

基于EEMD和DTW相结合故障识别算法 　　摘 要：提出了一种集成的经验模式分解（EEMD）算法和动态时间规整（DTW）算法相结合的故障识别算法。该算法首先利用正态分布白噪声在经验模式分解中具有的二进尺度分解特性，利用EEMD算法对实验样本与参考样本进行处理以去掉样本信号的非平稳性和噪声，然后对未知的实验样本与已知的参考样本之间的相似性利用DTW算法进行评价，采用它们之间的最短距离来进行分类，从而达到故障识别。最后将此算法应用到Tennessee Eastman过程的故障识别中。仿真结果表明基于EEMD和DTW相结合的算法能够准确地进行故障识别，而仅采用普通的DTW算法则存在一定的误差。 　　关键词：EEMD；DTW；故障识别；TE过程 　　中图分类号：F49 　　文献标识码：A 　　文章编号：1672-3198（2013）14-0164-02 　　1 EEMD算法 　　EMD方法是一种非平稳的信号分析方法，它将任意非线性、非平稳信号从高频到低频分解为若干个具有物理意义的基本模式分量（IMF）及趋势项之和。EEMD方法是对EMD方法进行改进得到的结果。其核心思想是引入正态分布的白噪声具有频率均匀分布的统计特性，当信号加入白噪声后，将为分析信号提供了均匀分析的分解尺度，还能平滑脉冲的干扰，这样可以促进抗混分解，还能有效地抑制信号固有模式的混叠并能更好地显现信号的真实特征。这样就能避免EMD方法中因为IMF不连续而造成模式的混叠现象。EEMD方法本质上是一种噪声辅助数据分析方法，因为在不连续的信号中，它们的高频成分的极值点的分布间隔是密集的，而它们的低频成分的极值点的分布间隔是稀疏的，极值点分布间隔的不均匀将会产生极值点上、下包络线的拟合误差，从而产生了模式的混叠。通过加入正态的白噪声，使信号在不同尺度上具有连续性，从而改变了信号高频、低频成分的极值点分布特性，使得信号在整个频带中极值点的分布间隔是均匀的，从而达到在EMD分解中避免模式混叠的目的。 　　EEMD方法步骤如下： 　　2 DTW算法（dynamic time warping，DTW） 　　DTW算法是一种模式匹配算法，把时间规整和距离测度计算结合起来的一种归整技术，可用于对两个动态样本进行比较。这两个样本可以是完全??配的，也可以是不完全匹配的。DTW采用动态规划原理对两个样本的相似之处进行非线性规整，从而得到两个样本之间的最小距离。图1给出了分别具有r个和t个采样点的两个单变量样本R和T的DTW示意图。从图中我们可以看出对样本R和T进行DTW算法所用的技术是对这两个样本中的一些微量进行某些操作，比如移动、压缩或者扩展等，最终使得这两个样本间的距离达到最小值。 　　3 基于EEMD和DTW的故障识别算法 　　本文采用EEMD算法和DTW算法这两种算法相结合的方法，将样本分为未知的实验样本和参考样本，然后对这些样本的基本最短距离进行分类，以它们之间的相似性来进行分类，从而进行故障识别。 　　故障识别是将实验样本发生何种故障正确地区分出来，这个过程是与故障的幅值信息没有存在关联性。因此，我们应该把将从实验样本和参考样本这些数据中提取出来的特征量的幅值信息先去掉。因为DTW算法是一种基于距离测量指标的算法，如果不去掉幅值信息，那么幅值不同的阶跃信号将会错误地抬高距离测量的值，那么也就无法进行故障识别。因此，本文首先必须对实验样本和参考样本这些实验数据进行标称化的处理，从而去掉阶跃信号幅值对DTW算法的影响。每一个变量都要进行一个标称化的过程，其方法是每一个变量减去样本的平均值，并除以样本的标准差。但是我们也不能盲目应用这种方法。例如，对有些含有非平稳和含有噪声的数据来说，因为计算出来的均值与标准差是不准确的，这就会使得数据标称化的过程变得更加困难。另外，具有小幅值的平稳噪声变量经过归一化操作后，幅值将会变大。因此，本文在对数据样本进行故障识别操作之前最重要的就是要先去掉信号的非平稳性和噪声干扰。所以相关数据在标称化之前可以先采用EEMD算法进行预处理以达到去掉信号的非平稳性和噪声干扰。 　　基于上述分析，本文提出的基于EEMD算法和DTW算法相结合的故障识别方法主要由下面这四步构成。 　　令ri×N维的矩阵Ri，i=1，2，…，I为一组参考样本，其中ri表示样本点数，N表示变量数。每一种样本表示一种已知的故障。对参考样本Ri中的每个变量和待识别故障的实验样本Tj，进行下述操作： 　　第一步：将数据先进行EEMD算法。 　　第二步：将第一步处理后的数据进行标称化操作，即将每一个变量转化为零均值，标准差为1的变量。 　　第三步：在待识别故障的实验样本Tj和参考样本Ri之间应用DTW算法，从而得到I个最短距离。 　　第四步：在这I个最短距离