基于EMD和多特征组合的液压信号辨识方法

　， 毅敏

(武汉科技大学 信息科学与工程学院， 湖北 武汉　430081)

引言

液压控制系统是冶金生产中重要的技术之一，也是现代轧机设备中的核心组成部分,具有自动化成度高、结构复杂精密、功率大、响应快等特点[1]。当钢材产品规格发生变化时，压力信号会呈现多种形式。如果不能有效辨识信号类别，及时调整生产时序，液压系统就会发生泄漏等故障，这不仅会影响产品质量，而且会损坏液压设备，导致生产停产。因此准确辨识液压信号类别对保障液压系统正常运行具有重大的意义。

目前常用的液压信号分析辨识方法主要有传统时频域分析、小波变换以及EMD分解等方法。传统时频域分析方法通常认为液压信号具有平稳性。当液压设备某零件出现故障时，液压压力信号平稳性随之下降，并呈现周期性变化[2]。因此，从时域、频域等分析方法在一定程度上能辨识液压信号类别。但是实际生产中液压设备存在多个信号源，并且容易受到外界环境干扰或者是传感器自身影响，频率成分极为丰富，其信号具有非线性、非平稳性特点。小波变换虽然也从时域分析信号，具有多尺度解析能力，能较好地辨识非平稳信号[3]。但是需要根据先验经验设定小波基函数，不能自适应处理非平稳信号。并且由于基函数长度有限，分解中容易造成信号能量泄漏，导致信号的特征信息缺失，影响信号的辨识结果。EMD分解吸取了小波变换的优点，在局部时频特性上具有良好的表现能力，能自适应分解信号。多数研究采用EMD分解后选取能量等单一特征量辨识信号。但是当液压信号特征信息不明显或特征信息类似时，单一特征量并不能完全体现液压系统的运行状态。特别当液压信号波动特性相近时，单特征量辨识方法容易造成误判，辨识准确率不高。针对以上方法存在的缺陷，提出了基于信号自适应分解和多特征组合的液压信号辨识方法。

本方法利用经验模态分解(Empirical Mode Decomposition，EMD)将液压信号自适应分解成若干个平稳的固有模态函数(Intrinsic Mode Function, IMF)与残余项之和，提取每个分量中能表现液压信号波动特性的多个特征量，组合形成全局特征向量输入到支持向量机(Support Vector Machine,SVM)进行学习和辨识。将该方法应用于某钢厂液压系统主管压力信号的辨识，结果表明相比于小波分析以及单一特征量辨识方法，特别在信号波动特征相近或类似时，多特征组合方法能有效的辨识液压信号的类别，准确率也有了一定提高。

1　经验模态分解(EMD)

经验模态分解是一种基于信号自身尺度特征的自适应分解方法，不需要设定基函数就能将非线性、非平稳的信号x(n)分解为若干个能有效突出信号局部特征和波动特性的固有模态函数(IMF)[4]。在分解过程中IMF分量必须满足定义[5]：一方面其极值点和过零点个数相同或至多相差一个；另一方面其上下包络线均值为零或者小于给定的微小常数。信号x(n)的EMD分解算法总结如下[6-8]：

(1) 确定信号x(n)的局部极值点，利用三次样条插值函数对局部极大值和极小值拟合，形成极大值包络线emax(n)和极小值包络线emin(n)；

(2) 求取包络均值m1(n)=[emax(n)+emin(n)]/2，令h1(n)=x(n)-m1(n)，判断h1(n)是否满足IMF的定义，若不满足，则把h1(n)当作原始数据重复步骤1和步骤2，直到hk(n)满足IMF定义或者是停止条件为止；

(3) 令c1(n)=hk(n)，将c1(n)从原信号分离出来，r1(n)=x(n)-c1(n)；

(4) 令x(n)=r1(n)，作为原始信号重复上述步骤，直到cN(n)或rN(n)满足预设条件为止。

2　EMD和多特征组合的液压信号辨识方法

基于EMD和多特征组合的液压信号辨识方法流程图如图1所示。将原始信号预处理后进行EMD分解；对获取的IMF分量提取特征，并组合形成全局特征向量；选取部分向量作为训练集输入到SVM中构建最佳多分类器，剩下部分作为测试集，利用设计的多分类器进行信号类别辨识。

图1　基于EMD和多特征组合的液压信号辨识方法流程图

2.1　数据预处理及EMD分解

对原始主管压力信号EMD分解之前，对数据进行标准化处理，消除原始数据幅值对特征信息的影响，标准化公式如下：

(1)

2.2　多特征提取

计算每个分解量ci(n)(i=1,2,…,M,M+1)的多种特征量：能量、裕度、峰度、波动系数，组合形成全局特征向量，下面具体说明。

当液压主管压力信号状态不一样时，输出的信号频率成分和能量分布也会发生改变，反映到每个IMF分量的能量也会发生变化。因此能量可以直观体现液压信号的波动状况，分量ci(n),(i=1,2,…,M,M+1)的能量为：

(2)

为排除特征量幅值对分类准确率的影响，对所提取各个特征量进行规范化处理：

(3)

裕度、峰度作为一个无量纲的统计量，峰度反映了信号频数分布曲线顶端尖峭或者是扁平程度，能很好地反映非平稳信号的波动特性。

裕度为：

(4)

峰度为：

(5)

波动系数衡量信号的幅值差异，体现非平稳信号的变化强度。分量ci(n) (i=1,2,…,M,M+1)的波动系数为：

(6)

最后将上述特征向量组合起来，形成全局特征向量T=[E;L;S;F]。

2.3　SVM故障辨识

支持向量机(SVM)是利用内积核函数向高维空间非线性映射的学习分类方法，采用了VC维理论和结构风险最小化的原则对数据进行学习和分类，有效的解决了小样本、非线性、局部极小以及过学习问题[9，10]。本研究将多分类问题转化为多个二分类问题求解。从全局特征向量中选取一部分作为训练集，余下部分作为测试集。根据“一类对余类”的设计思想利用训练集构建最佳多分类器，测试集进行故障辨识。分类器逻辑图如图2所示。

图2　SVM分类器逻辑图

对SVM1定义y=1代表为信号状态一，y=-1代表为除信号状态一以外的状态；对SVM2定义y=1代表是信号状态二，y=-1代表为其他状态；对SVM3定义y=1代表是信号状态三，y=-1代表其他状态；对SVM4定义y=1代表信号状态四，y=-1代表其他状态；对SVM5定义y=1代表是信号状态五，y=-1代表其他状态。

3　实验与结果分析

实验对象是某钢厂液压控制系统中液压主管压力信号。液压控制系统具有功能规模大、自动化程度高等特点，其故障具有隐蔽性、多样性。实际工程多采用流量、压力以及振动信号分析液压系统的故障。

选取该钢厂三种不同状态的2#液压主管压力信号，具体如图3所示。

图3　液压主管压力信号的表现形式

从上图可以看出三种状态有一定差异性。液压主管压力信号第一种状态明显区别于其他两种状态，液压值陡降，特征信息十分突出；而第二种状态和第三种状态信号波动情况较为类似，都呈现一定漂移，特征信息也十分相近。三种状态下的产品生产规格有所区别, 是属于不同类别的液压信号。其中状态一的钢板厚度(3.0 mm)、宽度(1270 mm)与其它两种状态不同，而状态二与状态三的钢板厚度(2.5 mm)、宽度(1220 mm)相同，但是钢板产品的材质是不同的。

图4是液压主管压力信号第二种状态和第三种状态EMD分解后各个IMF分量的波形图。

图4　主管压力信号EMD分解图形

从图中可以看出液压主管压力波动特性在每个IMF分量上都有体现。随着IMF分量频率逐渐降低，能量、波动特性以及方差等特征量对信号特征的体现也会相应的减弱。因此为了更好分析和辨识主管压力信号类别，本研究选取了前3个IMF分量以及残余项按照2.2节中公式进行多特征提取,最后形成了4×5维全局特征向量。

对于三种液压主管压力信号，每种状态随机选取一部分特征向量作为训练集，利用libsvm工具箱作为分类工具，选用RBF(径向基函数)作为分类核函数，对训练集采用交叉寻优算法获取最佳参数C和g(C为惩罚因子，g为核函数参数)；剩下的特征向量作为测试集，输入到训练好的SVM分类器中分类识别，经过多次实验后统计结果得到平均分类准确率。表1是通过不同训练样本数学习得到的主管压力类别辨识结果。

表1　不同样本数分类结果

从表1中可以发现当训练样本急剧减少，辨识率有所下降，但是仍然高于80%，这验证了本研究方法在小样本下具有很好的辨识效果。状态一特征信息最为明显，辨识率也最高；状态二与状态三信号波动特性类似、特征信息相近，但是辨识率仍达到了96.67%和95.2%，说明多特征组合辨识方法是有效可行的。

为验证本研究方法在特征信息相近信号辨识上的优越性，采用基于小波包能量辨识方法和基于EMD能量单一特征量法对相同样本下的三种信号辨识，并与本研究方法比较。统计辨识结果如表2所示。

表2　不同分类方法辨识结果比较

从表2中可以看出，对状态二和状态三的辨识上，本研究方法辨识效果明显高于其他两种辨识方法，辨识率达到95%以上。其他两种方法对状态二状态三两种特征信息相近的信号辨识率不高主要是将状态二误判为状态三或者是将状态三误判为状态二。这验证了多特征组合辨识方法对特征信息相近或类似的信号仍然具有良好的预测和辨识能力。

4　结论

(1) 针对非平稳序列时变和非线性等特点，提出了一种EMD分解和多特征组合的信号辨识方法。该方法具备信号自适应处理分析能力；

(2) 将能量、峰度、裕度等特征量组合形成多特征向量，从而提高对特征信息相近或类似的信号的辨识能力；

(3) 将多特征组合方法运用于液压主管压力信号辨识中，辨识率较高，特别在小样本下，本研究方法仍然具有较好的辨识效果，表明EMD分解和多特征组合方法是有效可行的；

(4) 在样本数相同情况下，对多特征组合方法和小波分析以及单一特征量辨识方法的辨识性能进行比较，结果表明 ，针对特征信息相近或类似的信号，EMD分解和多特征组合方法具有辨识率高、预测性强等特点。

参考文献：

[1]范士娟,杨超.液压系统故障智能诊断技术现状与发展趋势[J].液压与气动,2010,(3):22-26.

[2]胡喆旻.液压系统多故障模式识别及状态评估研究[D].武汉：武汉理工大学,2013．

[3]林选．基于小波包和EMD相结合的电机轴承故障诊断[D]．太原：太原理工大学，2010．

[4]孙艳蒸．EMD时频分析理论与应用研究[D]．成都：电子科技大学,2009．

[5]岳相臣．经验模态分解算法应用研究[D]．西安：西安电子科技大学，2013．

[6]陈灏,张梅军,黄杰等.于改进的EEMD方法与GA-SVM的液压系统泄漏故障诊断[J].液压与气动,2014,(9):32-38.

[7]蔡艳平,李艾华,石林锁,白向峰,沈金伟．基于EMD与谱峭度的滚动轴承故障检测改进包络谱分析[J]．振动与冲击,2011,30(2):167-172.

[8]Rilling G，Flandrin P．On Empirical Mode Decomposition and Its Algorithms[J]．IEEE-EURASIP Workshop on Nonlinear Signal and Image Processing NSIP-03，June 2003．

[9]饶俊,王太勇.基于多类SVM与改进EMD的故障诊断[J]．控制与检测,2010,(6):29-31．

[10]唐发明,王仲东,陈绵云.支持向量机多类分类算法研究[J].控制与决策,2005,20(7):746-748.