基于分数阶小波变换的航空直流变换器在线故障组合预测方法

摘要

本发明公开基于分数阶小波变换的航空直流变换器在线故障组合预测方法，具体步骤为：(1)实时监测并采集航空直流变换器的输出电压信号，计算不同时刻的输出电压变化率，以此作为变换器性能退化参数；(2)利用3σ方法和插值方法对性能退化数据进行异常值剔除和缺失数据填补；(3)对性能退化数据进行分数阶小波变换，分解为不同尺度的子分量，通过计算高频分量与环境数据之间的联合熵，确定噪声分量并将其剔除；(4)采用小波神经网络建立分解数据中高频分量的预测模型，采用灰色神经网络建立低频分量的预测模型，进行时序预测；(5)将低频分量与高频分量的预测值叠加得到最终预测值，结合故障阈值对航空直流变换器进行性能评估和故障预测。本发明剔除了性能退化数据中环境因素波动造成的干扰，还原了真实的性能退化数据，同时将性能退化数据分解为规律性较强的不同频率子分量，利用组合预测模型预测子分量，使得预测风险分散化，提高了在线故障预测的准确性。

主权项

基于分数阶小波变换的航空直流变换器在线故障组合预测方法，其特征在于该方法包括以下步骤：步骤1、实时采集航空直流变换器的输出电压u_out(t)和环境数据，其中环境数据包括温度T(t)、湿度W(t)和振动V(t)，计算不同时刻的输出电压变化率，以此作为变换器性能退化参数，获取不同时刻的性能退化数据X(t)；步骤2、利用3σ方法和插值方法对获取数据进行异常值剔除和缺失数据填补，得到当前时刻n和历史时刻1～n‑1的等间隔性能退化数据X＇(t)与环境数据T＇(t)、W＇(t)、V＇(t)，(t＝1，2，…，n)；步骤3、对步骤2中的等间隔性能退化数据X＇(t)进行分数阶小波变换，将其分解为不同尺度的子分量，通过计算不同高频分量与环境数据之间的联合熵，确定噪声分量并将其剔除；步骤4、分别对分解数据中的高频分量和低频分量进行故障预测，采用小波神经网络建立高频分量的预测模型，采用灰色神经网络建立低频分量的预测模型，分别进行时序预测；步骤5、将各子分量预测结果进行叠加，获取性能退化数据的最终预测结果，将预测结果与故障阈值比较，对航空直流变换器进行在线故障预测。