[0005] 为了克服现有的技术缺陷,本发明提供了一种应用于超声波局放检测的特征值提取方法。
[0006] 为实现上述目的,本发明提供了如下方案:
[0007] 步骤1:小波包分解与重构
[0008] 采用Daubechies3小波基对信号进行3层小波包分解与重构,得到8个不同频段的窄带信号。
[0009] 设原始信号S为(0,0)节点,(1,0)表示第一层小波包分解的低频系数S10,(1,1)表示第一层小波包分解的高频系数S11,再对S10和S11进行分解,分解S10得到(2,0)表示第二层小波包分解的低频系数S20,(2,1)表示第二层小波包分解的高频系数S21,分解S11得到(2,2)表示S11第二层小波包分解的低频系数S22,(2,3)表示S11第二层小波包分解的高频系数S23,以此类推得到各个节点表示的含义。
[0010] S信号三层小波包分解具有如下含义:
[0011] S=S30+S31+S32+S33+S34+S35+S36+S37
[0012] 对于采样频率为1MHz的超声波信号来讲,其分解的具体频带为:
[0013] S30:0KHz‑62.5KHz S31:62.5KHz‑125KHz S32:125KHz‑187.5KHz[0014] S33:187.5KHz‑250KHz S34:250KHz‑312.5KHz S35:312.5KHz‑375KHz[0015] S36:375KHz‑487.5KHz S37:437.5KHz‑500KHz
[0016] 步骤2 EMD分解
[0017] 对步骤1中分解得到的每个窄带信号做EMD分解得到若干个IMF分量,具体实现如下:
[0018] (1)对于窄带信号x(t),找出信号的所有局部极大值、极小值点;
[0019] (2)对这些极值点进行样条插值,得到由所有局部极大值点构成的上包络线和所有局部极小值点构成的下包络线,分别记为u(t)、v(t);
[0020] (3)上下包络线的均值为
[0021] (4)令h(t)=x(t)‑m(t),验证h(t)是否满足IMF分量的条件,若满足,则h(t)为第一个IMF分量,记为m1(t);如不满足,以h(t)为输入,返回步骤(1),直至得到第一个IMF分量,并将其记为m1(t);
[0022] (5)将r1(t)=x(t)‑m1(t)作为新的分析信号,重复步骤(1)到步骤(4),得到m2(t),此时记r2(t)=r1(t)‑m2(t),重复上述步骤直到得到余项rm(t)是一个单调信号或者其值小于某个预先给定的阈值,分解结束。
[0023] 其中,IMF分量必须满足两个条件:(1)在任意一点,函数所有极大值点构成的上包络线与所有极小值构成的下包络线的均值为零。(2)在整个数据段上,极值点的数目与过零点的数目相等或至多相差一个。
[0024] 步骤3筛选IMF分量
[0025] 首先对原始信号和各个IMF分量做归一化处理,然后运用互信息量法区分虚假IMF分量。互信息量I描述了两个随机变量之间的相关程度,定义为
[0026]
[0027] 式中,ρ(mi)为第i个IMF分量的边缘概率分布,ρ(x)为原始信号的边缘概率分布,ρ(mi,x)为第i个IMF分量和原始信号的联合概率分布。I(mi;x)的值越大,IMF分量与原始信号相关性越强。选定阈值,当I>阈值时该IMF分量是有效的。最后,将筛选出来的真实IMF分量按照频率由高到低的顺序排序。
[0028] 步骤4 IMF分量的分析
[0029] 1.对真实IMF分量做时域分析,采用过零点、均值和峰值指标这3个特征参数作为真实IMF分量的时域特征。过零点指统计信号的过零点数;均值指求信号幅值的平均值;峰值指标 其中Xp指振动波形的单峰最大值,Xrms为均方根值,公式为其中xi为第i点的值,N为该IMF分量之中离散点的个数。
[0030] 2.对IMF分量做频域分析
[0031] 对信号的各个真实IMF分量做傅里叶变换,得到幅频图,采用最大幅值、中心频率和信号能量这3个特征参数作为真实IMF分量的频域特征。信号能量 xk为幅频图第k点的幅值。
[0032] 步骤5运用神经网络对超声波局放信号进行分类
[0033] 经过真实IMF时域与频域分析,每一个IMF分量得到零点、均值、峰值指标、最大幅值、中心频率和信号能量共6个特征参数。真实IMF分量经过排序后取前M个IMF分量,把M个IMF分量的特征参数组合,得到一个向量,这个向量即是信号的特征向量。把这些特征向量输入到神经网络中进行分类。
[0034] 本发明采用了小波包分解和基于互信息量的IMF分量筛选方法,先进行小波包分解,对信号进行初步的频率划分,以便得到单频成分的IMF分量,降低EMD分解信号的初始带宽,从而更加精确地分解超声波信号,然后运用互信息量的方法有效地解决了EMD分解中存在的模态混叠和虚假IMF分量的问题,提高了时频分析的精确度,更有效地提取了波形特征,最后运用神经网络对超声波局放信号进行分类。