CN110287921A - 一种发动机特征参数的降噪方法及降噪系统 - Google Patents

Abstract

本申请公开了一种发动机特征参数的降噪方法及降噪系统，其中，所述发动机特征参数的降噪方法首先利用经验模态分解(Empirical Mode Decomposition，EMD)法对时间序列进行了分解，以获得发动机特征参数的本征模态分量和趋势分量；此后分别对本征模态分量和趋势分量进行重采样，以使本征模态分量和趋势分量离散化；最后针对离散化后获得的本征模态矩阵和趋势分量矩阵进行数据重构，以去除时域数据变量之间的相关性，去除发动机特征参数之间的信息冗余，从而完成特征参数的去噪声和重构。另外，所述发动机特征参数的降噪方法特别适用于处理例如重型柴油发动机等发动机特征参数信噪比较大的情况。

Description

一种发动机特征参数的降噪方法及降噪系统

技术领域

本申请涉及车辆工程技术领域，更具体地说，涉及一种发动机特征参数的降噪方法及降噪系统。

背景技术

发动机整机性能参数(或称特征参数)在使用过程中为一组多源离散的时间序列数据。在机动车辆的运行过程中，发动机特征参数通过传感器探测，并向机动车辆的控制器传输，以使控制器根据获取的发动机特征参数进行数据分析，指导机动车辆的正常运行。

但由于传感器工作状态和数据传输过程中存在的不稳定因素，使得机动车辆的控制器获取的发动机特征参数存在一定数量的噪声，使用这种携带不确定噪声的特征参数进行数据分析时，很容易导致数据分析结果不准确，甚至完全背离实际带来错误的指导。

因此，有必要提供一种发动机特征参数的降噪方法，实现对发动机特征参数的噪声抑制的目的。

发明内容

为解决上述技术问题，本申请提供了一种发动机特征参数的降噪方法及降噪系统，以实现对发动机特征参数的噪声抑制的目的。

为实现上述技术目的，本申请实施例提供了如下技术方案：

一种发动机特征参数的降噪方法，包括：

获取发动机特征参数的时间序列；

利用经验模态分解法对所述时间序列进行分解，获得所述发动机特征参数的本征模态分量和趋势分量；

对所述本征模态分量和趋势分量进行重采样，获取本征模态分量的多个离散时间序列和趋势分量的多个离散时间序列，并根据所述本征模态分量的多个离散时间序列和趋势分量的多个离散时间序列分别构成本征模态矩阵和趋势分量矩阵；

对所述本征模态矩阵进行归一化，以获得归一化后的本征模态矩阵；

根据归一化后的本征模态矩阵，计算归一化后的本征模态矩阵的协方差矩阵，并对所述协方差矩阵进行特征值分解，以获得所述协方差矩阵的特征值矩阵和特征向量；

根据预设的累计贡献率确定所述协方差矩阵的特征值个数，并根据确定的特征值个数确定所述协方差矩阵的特征值矩阵和特征向量；

根据确定的所述协方差矩阵的特征值矩阵和特征向量，确定重构后的本征模态矩阵；

根据所述趋势分量矩阵和重构后的本征模态矩阵表示所述发动机特征参数。

可选的，所述根据归一化后的本征模态矩阵，计算归一化后的本征模态矩阵的协方差矩阵，并对所述协方差矩阵进行特征值分解，以获得所述协方差矩阵的特征值矩阵和特征向量包括：

根据归一化后的本征模态矩阵，利用第一预设公式，计算归一化后的本征模态矩阵的协方差矩阵；

利用第二预设公式，对所述协方差矩阵进行特征值分解，以获得所述协方差矩阵的特征值矩阵和特征向量；

所述第一预设公式为：其中，∑表示所述协方差矩阵，C^*表示归一化后的本征模态矩阵，C^*^T表示归一化后的本征模态矩阵的转置矩阵，n表示每个离散时间序列中的元素个数；

所述第二预设公式为：∑＝PΛP^T；其中，表示所述协方差矩阵的特征值矩阵，λ₁…λ_j表示从大到小的顺序排列的所述协方差矩阵的特征值，P表示所述协方差矩阵的特征向量。

可选的，所述根据预设的累计贡献率确定所述协方差矩阵的特征值个数包括：

将预设的累计贡献率和所述协方差矩阵的特征值代入第三预设公式中，以计算获得所述协方差矩阵的特征值个数；

所述第三预设公式为：其中，m表示所述协方差矩阵的特征值个数，η表示所述预设的累计贡献率。

可选的，所述对所述本征模态分量和趋势分量进行重采样，获取本征模态分量的多个离散时间序列和趋势分量的多个离散时间序列，并根据所述本征模态分量的多个离散时间序列和趋势分量的多个离散时间序列分别构成本征模态矩阵和趋势分量矩阵包括：

以预设频率分别对所述本证模态分量和趋势分量进行重采样，获取本证模态分量的多个离散时间序列和所述趋势分量的多个离散时间序列；

将所述本证模态分量的每个离散时间序列作为一个列向量，构成所述本征模态矩阵；

将所述趋势分量的每个离散时间序列作为一个列向量，构成所述趋势分量矩阵。

可选的，所述对所述本征模态矩阵进行归一化，以获得归一化后的本征模态矩阵包括：

将所述本征模态矩阵中的每个列向量的每个元素代入第四预设公式中计算获得归一化后的元素，并利用归一化后的元素构建归一化后的本征模态矩阵；

所述第四预设公式为：其中，表示归一化后的元素，C_ij表示所述本征模态矩阵中第j个列向量中第i个元素，μ_j表示第j个列向量的所有元素的平均值，S_j表示第j个列向量的所有元素的方差。

可选的，所述利用经验模态分解法对所述时间序列进行分解，获得所述发动机特征参数的本征模态分量包括：

将所述时间序列作为第一待处理信号进行迭代处理，以获得所述发动机特征参数的本征模态分量；

对所述第一待处理信号进行迭代处理包括：

获取所述第一待处理信号的所有极大值点和所有极小值点；

通过三次样条函数分别拟合出所有极大值点的包络线作为第一包络线，所有极小值点的包络线作为第二包络线，并取所述第一包络线和第二包络线的平均值作为所述第一待处理信号的均值包络线；

利用所述第一待处理信号减去所述均值包络线，以获得第一待确认信号；

判断所述第一待确认信号是否满足第五预设公式，如果是，则将所述第一待确认信号作为所述本征模态分量，如果否，则将所述第一待确认信号作为新的第一待处理信号并返回获取所述第一待处理信号的所有极大值点和所有极小值点的步骤；

所述第五预设公式为：其中，表示第k次迭代过程中获得的待确认信号，表示第k-1次迭代过程中获得的待确认信号；

所述利用经验模态分解法对所述时间序列进行分解，获得所述发动机特征参数的趋势分量包括：

将所述时间序列与所述本征模态分量的差值作为第二待处理信号进行迭代处理，以获得所述发动机特征参数的趋势分量；

对所述第二待处理信号进行迭代处理包括：

获取所述第二待处理信号的所有极大值点和所有极小值点；

通过三次样条函数分别拟合出所有极大值点的包络线作为第三包络线，所有极小值点的包络线作为第四包络线，并取所述第三包络线和第四包络线的平均值作为所述第二待处理信号的均值包络线；

利用所述第二待处理信号减去所述均值包络线，以获得第二待确认信号；

判断所述第二待确认信号是否为单调函数或常量，如果是，则将所述第二待确认信号作为所述趋势分量，如果否，则将所述第二待确认信号作为新的第二待处理信号并返回获取所述第二待处理信号的所有极大值点和所有极小值点的步骤。

一种发动机特征参数的降噪系统，包括：

序列获取模块，用于获取发动机特征参数的时间序列；

序列分解模块，用于利用经验模态分解法对所述时间序列进行分解，获得所述发动机特征参数的本征模态分量和趋势分量；

序列离散模块，用于对所述本征模态分量和趋势分量进行重采样，获取本征模态分量的多个离散时间序列和趋势分量的多个离散时间序列，并根据所述本征模态分量的多个离散时间序列和趋势分量的多个离散时间序列分别构成本征模态矩阵和趋势分量矩阵；

归一化模块，用于对所述本征模态矩阵进行归一化，以获得归一化后的本征模态矩阵；

协方差计算模块，用于根据归一化后的本征模态矩阵，计算归一化后的本征模态矩阵的协方差矩阵，并对所述协方差矩阵进行特征值分解，以获得所述协方差矩阵的特征值矩阵和特征向量；

特征值确定模块，用于根据预设的累计贡献率确定所述协方差矩阵的特征值个数，并根据确定的特征值个数确定所述协方差矩阵的特征值矩阵和特征向量；

重构矩阵模块，用于根据确定的所述协方差矩阵的特征值矩阵和特征向量，确定重构后的本征模态矩阵；

参数表征模块，用于根据所述趋势分量矩阵和重构后的本征模态矩阵表示所述发动机特征参数。

可选的，所述协方差计算模块包括：

第一计算单元，用于根据归一化后的本征模态矩阵，利用第一预设公式，计算归一化后的本征模态矩阵的协方差矩阵；

第二计算单元，用于利用第二预设公式，对所述协方差矩阵进行特征值分解，以获得所述协方差矩阵的特征值矩阵和特征向量；

所述第一预设公式为：其中，∑表示所述协方差矩阵，C^*表示归一化后的本征模态矩阵，C^*^T表示归一化后的本征模态矩阵的转置矩阵，n表示每个离散时间序列中的元素个数；

所述第二预设公式为：∑＝PΛP^T；其中，表示所述协方差矩阵的特征值矩阵，λ₁…λ_j表示从大到小的顺序排列的所述协方差矩阵的特征值，P表示所述协方差矩阵的特征向量。

可选的，所述特征值确定模块根据预设的累计贡献率确定所述协方差矩阵的特征值个数具体用于，

将预设的累计贡献率和所述协方差矩阵的特征值代入第三预设公式中，以计算获得所述协方差矩阵的特征值个数；

所述第三预设公式为：其中，m表示所述协方差矩阵的特征值个数，η表示所述预设的累计贡献率。

可选的，所述序列离散模块包括：

重采样单元，用于以预设频率分别对所述本证模态分量和趋势分量进行重采样，获取本证模态分量的多个离散时间序列和所述趋势分量的多个离散时间序列；

第一矩阵构建单元，用于将所述本证模态分量的每个离散时间序列作为一个列向量，构成所述本征模态矩阵；

第二矩阵构建单元，用于将所述趋势分量的每个离散时间序列作为一个列向量，构成所述趋势分量矩阵。

从上述技术方案可以看出，本申请实施例提供了一种发动机特征参数的降噪方法及降噪系统，其中，所述发动机特征参数的降噪方法首先利用经验模态分解(EmpiricalMode Decomposition，EMD)法对时间序列进行了分解，以获得发动机特征参数的本征模态分量和趋势分量；此后分别对本征模态分量和趋势分量进行重采样，以使本征模态分量和趋势分量离散化；最后针对离散化后获得的本征模态矩阵和趋势分量矩阵进行数据重构，以去除时域数据变量之间的相关性，去除发动机特征参数之间的信息冗余，从而完成特征参数的去噪声和重构。

另外，所述发动机特征参数的降噪方法特别适用于处理例如重型柴油发动机等发动机特征参数信噪比较大的情况。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本申请的一个实施例提供的一种发动机特征参数的降噪方法的流程示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请实施例提供了一种发动机特征参数的降噪方法，如图1所示，包括：

S101：获取发动机特征参数的时间序列；

S102：利用经验模态分解法对所述时间序列进行分解，获得所述发动机特征参数的本征模态分量和趋势分量；

经验模态分解(Empirical Mode Decomposition，EMD)是一种针对非线性、非平稳信号的自适应信号分解算法。该方法不仅突破了Fourier变换的局限性，而且不存在如小波变换一样需要预选小波基函数的问题，具有良好的时频分辨率和自适应性，能够完美地重构原始信号。

在步骤S102中，获取的本征模态分量可以表示为C₁(t)、C₂(t)、…、C_n(t)；这些本征模态分量都是时间的连续函数。

S103：对所述本征模态分量和趋势分量进行重采样，获取本征模态分量的多个离散时间序列和趋势分量的多个离散时间序列，并根据所述本征模态分量的多个离散时间序列和趋势分量的多个离散时间序列分别构成本征模态矩阵和趋势分量矩阵；

所述本征模态分量的每个离散时间序列作为一个列向量，构成的本征模块矩阵可以表示为：其中，C_ij表示第i个列向量的第j个元素。

S104：对所述本征模态矩阵进行归一化，以获得归一化后的本征模态矩阵；

S105：根据归一化后的本征模态矩阵，计算归一化后的本征模态矩阵的协方差矩阵，并对所述协方差矩阵进行特征值分解，以获得所述协方差矩阵的特征值矩阵和特征向量；

S106：根据预设的累计贡献率确定所述协方差矩阵的特征值个数，并根据确定的特征值个数确定所述协方差矩阵的特征值矩阵和特征向量；

在步骤S106中，所述预设的累计贡献率可以为0.99或0.995等接近于1的常数，所述累计贡献率的取值越大，最终确定的协方差矩阵中包含的原有矩阵的信息量越大，有利于提升所述发动机特征参数的降噪方法的去噪效果。

S107：根据确定的所述协方差矩阵的特征值矩阵和特征向量，确定重构后的本征模态矩阵；

S108：根据所述趋势分量矩阵和重构后的本征模态矩阵表示所述发动机特征参数。

所述发动机特征参数的降噪方法首先利用经验模态分解(Empirical ModeDecomposition，EMD)法对时间序列进行了分解，以获得发动机特征参数的本征模态分量和趋势分量；此后分别对本征模态分量和趋势分量进行重采样，以使本征模态分量和趋势分量离散化；最后针对离散化后获得的本征模态矩阵和趋势分量矩阵进行数据重构，以去除时域数据变量之间的相关性，去除发动机特征参数之间的信息冗余，从而完成特征参数的去噪声和重构。

另外，所述发动机特征参数的降噪方法特别适用于处理例如重型柴油发动机等发动机特征参数信噪比较大的情况。

在上述实施例的基础上，在本申请的一个实施例中，所述根据归一化后的本征模态矩阵，计算归一化后的本征模态矩阵的协方差矩阵，并对所述协方差矩阵进行特征值分解，以获得所述协方差矩阵的特征值矩阵和特征向量包括：

根据归一化后的本征模态矩阵，利用第一预设公式，计算归一化后的本征模态矩阵的协方差矩阵；

利用第二预设公式，对所述协方差矩阵进行特征值分解，以获得所述协方差矩阵的特征值矩阵和特征向量；

所述第一预设公式为：其中，∑表示所述协方差矩阵，C^*表示归一化后的本征模态矩阵，C^*^T表示归一化后的本征模态矩阵的转置矩阵，n表示每个离散时间序列中的元素个数；

所述第二预设公式为：∑＝PΛP^T；其中，表示所述协方差矩阵的特征值矩阵，λ₁…λ_j表示从大到小的顺序排列的所述协方差矩阵的特征值，P表示所述协方差矩阵的特征向量。

所述根据预设的累计贡献率确定所述协方差矩阵的特征值个数包括：

将预设的累计贡献率和所述协方差矩阵的特征值代入第三预设公式中，以计算获得所述协方差矩阵的特征值个数；

所述第三预设公式为：其中，m表示所述协方差矩阵的特征值个数，η表示所述预设的累计贡献率。

本实施例中，提供了一种具体地“根据预设的累计贡献率确定所述协方差矩阵的特征值个数”以及“对所述本征模态分量和趋势分量进行重采样，获取本征模态分量的多个离散时间序列和趋势分量的多个离散时间序列，并根据所述本征模态分量的多个离散时间序列和趋势分量的多个离散时间序列分别构成本征模态矩阵和趋势分量矩阵”的步骤。

在上述实施例的基础上，在本申请的又一个实施例中，所述对所述本征模态矩阵进行归一化，以获得归一化后的本征模态矩阵包括：

将所述本征模态矩阵中的每个列向量的每个元素代入第四预设公式中计算获得归一化后的元素，并利用归一化后的元素构建归一化后的本征模态矩阵；

所述第四预设公式为：其中，表示归一化后的元素，C_ij表示所述本征模态矩阵中第j个列向量中第i个元素，μ_j表示第j个列向量的所有元素的平均值，S_j表示第j个列向量的所有元素的方差。

在本实施例中，提供了一种“对所述本征模态矩阵进行归一化，以获得归一化后的本征模态矩阵”的具体方式，归一化后的本征模态矩阵中的所有元素被放缩到(0,1)之间。

在上述实施例的基础上，在本申请的一个具体实施例中，所述利用经验模态分解法对所述时间序列进行分解，获得所述发动机特征参数的本征模态分量包括：

将所述时间序列作为第一待处理信号进行迭代处理，以获得所述发动机特征参数的本征模态分量；

对所述第一待处理信号进行迭代处理包括：

获取所述第一待处理信号的所有极大值点和所有极小值点；

通过三次样条函数分别拟合出所有极大值点的包络线作为第一包络线，所有极小值点的包络线作为第二包络线，并取所述第一包络线和第二包络线的平均值作为所述第一待处理信号的均值包络线；

利用所述第一待处理信号减去所述均值包络线，以获得第一待确认信号；

判断所述第一待确认信号是否满足第五预设公式，如果是，则将所述第一待确认信号作为所述本征模态分量，如果否，则将所述第一待确认信号作为新的第一待处理信号并返回获取所述第一待处理信号的所有极大值点和所有极小值点的步骤；

所述第五预设公式为：其中，表示第k次迭代过程中获得的待确认信号，表示第k-1次迭代过程中获得的待确认信号；

在上述迭代过程中，第一待确认信号为迭代过程中的本征模态函数，通常情况下，在利用经验模态分解法对时间序列进行分解，以期获得所述发动机特征参数的本征模态分量的过程中，每个本征模态函数需要满足如下两个条件：

(1)在发动机特征参数的整个时间序列中，信号的极值点的个数与过零点的个数相差不大于1；

(2)信号上的任一点，满足上下包络值的平均值为0。

然而在实际情况中，由第一包络线和第二包络线获得的均值包络线无法为零，因此，当所述第一待确认信号满足第五预设公式时，即认为所述第一待确认信号满足要求。

所述利用经验模态分解法对所述时间序列进行分解，获得所述发动机特征参数的趋势分量包括：

将所述时间序列与所述本征模态分量的差值作为第二待处理信号进行迭代处理，以获得所述发动机特征参数的趋势分量；

对所述第二待处理信号进行迭代处理包括：

获取所述第二待处理信号的所有极大值点和所有极小值点；

通过三次样条函数分别拟合出所有极大值点的包络线作为第三包络线，所有极小值点的包络线作为第四包络线，并取所述第三包络线和第四包络线的平均值作为所述第二待处理信号的均值包络线；

利用所述第二待处理信号减去所述均值包络线，以获得第二待确认信号；

判断所述第二待确认信号是否为单调函数或常量，如果是，则将所述第二待确认信号作为所述趋势分量，如果否，则将所述第二待确认信号作为新的第二待处理信号并返回获取所述第二待处理信号的所有极大值点和所有极小值点的步骤。

在利用经验模态分解法对所述时间序列进行分解后获得的数据可以表示为：其中，C_i(t)表示所述本征模态分量，r_n(t)表示所述趋势分量。

下面对本申请实施例提供的发动机特征参数的降噪系统进行描述，下文描述的发动机特征参数的降噪系统可与上文描述的发动机特征参数的降噪方法相互对应参照。

相应的，本申请实施例提供了一种发动机特征参数的降噪系统，包括：

序列获取模块，用于获取发动机特征参数的时间序列；

序列分解模块，用于利用经验模态分解法对所述时间序列进行分解，获得所述发动机特征参数的本征模态分量和趋势分量；

序列离散模块，用于对所述本征模态分量和趋势分量进行重采样，获取本征模态分量的多个离散时间序列和趋势分量的多个离散时间序列，并根据所述本征模态分量的多个离散时间序列和趋势分量的多个离散时间序列分别构成本征模态矩阵和趋势分量矩阵；

归一化模块，用于对所述本征模态矩阵进行归一化，以获得归一化后的本征模态矩阵；

协方差计算模块，用于根据归一化后的本征模态矩阵，计算归一化后的本征模态矩阵的协方差矩阵，并对所述协方差矩阵进行特征值分解，以获得所述协方差矩阵的特征值矩阵和特征向量；

特征值确定模块，用于根据预设的累计贡献率确定所述协方差矩阵的特征值个数，并根据确定的特征值个数确定所述协方差矩阵的特征值矩阵和特征向量；

重构矩阵模块，用于根据确定的所述协方差矩阵的特征值矩阵和特征向量，确定重构后的本征模态矩阵；

参数表征模块，用于根据所述趋势分量矩阵和重构后的本征模态矩阵表示所述发动机特征参数。

可选的，所述协方差计算模块包括：

第一计算单元，用于根据归一化后的本征模态矩阵，利用第一预设公式，计算归一化后的本征模态矩阵的协方差矩阵；

第二计算单元，用于利用第二预设公式，对所述协方差矩阵进行特征值分解，以获得所述协方差矩阵的特征值矩阵和特征向量；

所述第一预设公式为：其中，∑表示所述协方差矩阵，C^*表示归一化后的本征模态矩阵，C^*^T表示归一化后的本征模态矩阵的转置矩阵，n表示每个离散时间序列中的元素个数；

所述第二预设公式为：∑＝PΛP^T；其中，表示所述协方差矩阵的特征值矩阵，λ₁…λ_j表示从大到小的顺序排列的所述协方差矩阵的特征值，P表示所述协方差矩阵的特征向量。

可选的，所述特征值确定模块根据预设的累计贡献率确定所述协方差矩阵的特征值个数具体用于，

将预设的累计贡献率和所述协方差矩阵的特征值代入第三预设公式中，以计算获得所述协方差矩阵的特征值个数；

所述第三预设公式为：其中，m表示所述协方差矩阵的特征值个数，η表示所述预设的累计贡献率。

可选的，所述序列离散模块包括：

重采样单元，用于以预设频率分别对所述本证模态分量和趋势分量进行重采样，获取本证模态分量的多个离散时间序列和所述趋势分量的多个离散时间序列；

第一矩阵构建单元，用于将所述本证模态分量的每个离散时间序列作为一个列向量，构成所述本征模态矩阵；

第二矩阵构建单元，用于将所述趋势分量的每个离散时间序列作为一个列向量，构成所述趋势分量矩阵。

综上所述，本申请实施例提供了一种发动机特征参数的降噪方法及降噪系统，其中，所述发动机特征参数的降噪方法首先利用经验模态分解(Empirical ModeDecomposition，EMD)法对时间序列进行了分解，以获得发动机特征参数的本征模态分量和趋势分量；此后分别对本征模态分量和趋势分量进行重采样，以使本征模态分量和趋势分量离散化；最后针对离散化后获得的本征模态矩阵和趋势分量矩阵进行数据重构，以去除时域数据变量之间的相关性，去除发动机特征参数之间的信息冗余，从而完成特征参数的去噪声和重构。

另外，所述发动机特征参数的降噪方法特别适用于处理例如重型柴油发动机等发动机特征参数信噪比较大的情况。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种发动机特征参数的降噪方法，其特征在于，包括：

获取发动机特征参数的时间序列；

利用经验模态分解法对所述时间序列进行分解，获得所述发动机特征参数的本征模态分量和趋势分量；

对所述本征模态分量和趋势分量进行重采样，获取本征模态分量的多个离散时间序列和趋势分量的多个离散时间序列，并根据所述本征模态分量的多个离散时间序列和趋势分量的多个离散时间序列分别构成本征模态矩阵和趋势分量矩阵；

对所述本征模态矩阵进行归一化，以获得归一化后的本征模态矩阵；

根据归一化后的本征模态矩阵，计算归一化后的本征模态矩阵的协方差矩阵，并对所述协方差矩阵进行特征值分解，以获得所述协方差矩阵的特征值矩阵和特征向量；

根据预设的累计贡献率确定所述协方差矩阵的特征值个数，并根据确定的特征值个数确定所述协方差矩阵的特征值矩阵和特征向量；

根据确定的所述协方差矩阵的特征值矩阵和特征向量，确定重构后的本征模态矩阵；

根据所述趋势分量矩阵和重构后的本征模态矩阵表示所述发动机特征参数。

2.根据权利要求1所述的方法，其特征在于，所述根据归一化后的本征模态矩阵，计算归一化后的本征模态矩阵的协方差矩阵，并对所述协方差矩阵进行特征值分解，以获得所述协方差矩阵的特征值矩阵和特征向量包括：

根据归一化后的本征模态矩阵，利用第一预设公式，计算归一化后的本征模态矩阵的协方差矩阵；

利用第二预设公式，对所述协方差矩阵进行特征值分解，以获得所述协方差矩阵的特征值矩阵和特征向量；

所述第一预设公式为：其中，∑表示所述协方差矩阵，C^*表示归一化后的本征模态矩阵，C^*^T表示归一化后的本征模态矩阵的转置矩阵，n表示每个离散时间序列中的元素个数；

所述第二预设公式为：∑＝PΛP^T；其中，表示所述协方差矩阵的特征值矩阵，λ₁…λ_j表示从大到小的顺序排列的所述协方差矩阵的特征值，P表示所述协方差矩阵的特征向量。

3.根据权利要求1所述的方法，其特征在于，所述根据预设的累计贡献率确定所述协方差矩阵的特征值个数包括：

将预设的累计贡献率和所述协方差矩阵的特征值代入第三预设公式中，以计算获得所述协方差矩阵的特征值个数；

所述第三预设公式为：其中，m表示所述协方差矩阵的特征值个数，η表示所述预设的累计贡献率。

4.根据权利要求1所述的方法，其特征在于，所述对所述本征模态分量和趋势分量进行重采样，获取本征模态分量的多个离散时间序列和趋势分量的多个离散时间序列，并根据所述本征模态分量的多个离散时间序列和趋势分量的多个离散时间序列分别构成本征模态矩阵和趋势分量矩阵包括：

以预设频率分别对所述本证模态分量和趋势分量进行重采样，获取本证模态分量的多个离散时间序列和所述趋势分量的多个离散时间序列；

将所述本证模态分量的每个离散时间序列作为一个列向量，构成所述本征模态矩阵；

将所述趋势分量的每个离散时间序列作为一个列向量，构成所述趋势分量矩阵。

5.根据权利要求4所述的方法，其特征在于，所述对所述本征模态矩阵进行归一化，以获得归一化后的本征模态矩阵包括：

将所述本征模态矩阵中的每个列向量的每个元素代入第四预设公式中计算获得归一化后的元素，并利用归一化后的元素构建归一化后的本征模态矩阵；

所述第四预设公式为：其中，表示归一化后的元素，C_ij表示所述本征模态矩阵中第j个列向量中第i个元素，μ_j表示第j个列向量的所有元素的平均值，S_j表示第j个列向量的所有元素的方差。

6.根据权利要求1所述的方法，其特征在于，所述利用经验模态分解法对所述时间序列进行分解，获得所述发动机特征参数的本征模态分量包括：

将所述时间序列作为第一待处理信号进行迭代处理，以获得所述发动机特征参数的本征模态分量；

对所述第一待处理信号进行迭代处理包括：

获取所述第一待处理信号的所有极大值点和所有极小值点；

通过三次样条函数分别拟合出所有极大值点的包络线作为第一包络线，所有极小值点的包络线作为第二包络线，并取所述第一包络线和第二包络线的平均值作为所述第一待处理信号的均值包络线；

利用所述第一待处理信号减去所述均值包络线，以获得第一待确认信号；

判断所述第一待确认信号是否满足第五预设公式，如果是，则将所述第一待确认信号作为所述本征模态分量，如果否，则将所述第一待确认信号作为新的第一待处理信号并返回获取所述第一待处理信号的所有极大值点和所有极小值点的步骤；

所述第五预设公式为：其中，表示第k次迭代过程中获得的待确认信号，表示第k-1次迭代过程中获得的待确认信号；

所述利用经验模态分解法对所述时间序列进行分解，获得所述发动机特征参数的趋势分量包括：

将所述时间序列与所述本征模态分量的差值作为第二待处理信号进行迭代处理，以获得所述发动机特征参数的趋势分量；

对所述第二待处理信号进行迭代处理包括：

获取所述第二待处理信号的所有极大值点和所有极小值点；

通过三次样条函数分别拟合出所有极大值点的包络线作为第三包络线，所有极小值点的包络线作为第四包络线，并取所述第三包络线和第四包络线的平均值作为所述第二待处理信号的均值包络线；

利用所述第二待处理信号减去所述均值包络线，以获得第二待确认信号；

判断所述第二待确认信号是否为单调函数或常量，如果是，则将所述第二待确认信号作为所述趋势分量，如果否，则将所述第二待确认信号作为新的第二待处理信号并返回获取所述第二待处理信号的所有极大值点和所有极小值点的步骤。

7.一种发动机特征参数的降噪系统，其特征在于，包括：

序列获取模块，用于获取发动机特征参数的时间序列；

序列分解模块，用于利用经验模态分解法对所述时间序列进行分解，获得所述发动机特征参数的本征模态分量和趋势分量；

序列离散模块，用于对所述本征模态分量和趋势分量进行重采样，获取本征模态分量的多个离散时间序列和趋势分量的多个离散时间序列，并根据所述本征模态分量的多个离散时间序列和趋势分量的多个离散时间序列分别构成本征模态矩阵和趋势分量矩阵；

归一化模块，用于对所述本征模态矩阵进行归一化，以获得归一化后的本征模态矩阵；

协方差计算模块，用于根据归一化后的本征模态矩阵，计算归一化后的本征模态矩阵的协方差矩阵，并对所述协方差矩阵进行特征值分解，以获得所述协方差矩阵的特征值矩阵和特征向量；

特征值确定模块，用于根据预设的累计贡献率确定所述协方差矩阵的特征值个数，并根据确定的特征值个数确定所述协方差矩阵的特征值矩阵和特征向量；

重构矩阵模块，用于根据确定的所述协方差矩阵的特征值矩阵和特征向量，确定重构后的本征模态矩阵；

参数表征模块，用于根据所述趋势分量矩阵和重构后的本征模态矩阵表示所述发动机特征参数。

8.根据权利要求7所述的系统，其特征在于，所述协方差计算模块包括：

第一计算单元，用于根据归一化后的本征模态矩阵，利用第一预设公式，计算归一化后的本征模态矩阵的协方差矩阵；

第二计算单元，用于利用第二预设公式，对所述协方差矩阵进行特征值分解，以获得所述协方差矩阵的特征值矩阵和特征向量；

所述第一预设公式为：其中，∑表示所述协方差矩阵，C^*表示归一化后的本征模态矩阵，C^*^T表示归一化后的本征模态矩阵的转置矩阵，n表示每个离散时间序列中的元素个数；

所述第二预设公式为：∑＝PΛP^T；其中，表示所述协方差矩阵的特征值矩阵，λ₁…λ_j表示从大到小的顺序排列的所述协方差矩阵的特征值，P表示所述协方差矩阵的特征向量。

9.根据权利要求7所述的系统，其特征在于，所述特征值确定模块根据预设的累计贡献率确定所述协方差矩阵的特征值个数具体用于，

将预设的累计贡献率和所述协方差矩阵的特征值代入第三预设公式中，以计算获得所述协方差矩阵的特征值个数；

所述第三预设公式为：其中，m表示所述协方差矩阵的特征值个数，η表示所述预设的累计贡献率。

10.根据权利要求7所述的系统，其特征在于，所述序列离散模块包括：

重采样单元，用于以预设频率分别对所述本证模态分量和趋势分量进行重采样，获取本证模态分量的多个离散时间序列和所述趋势分量的多个离散时间序列；

第一矩阵构建单元，用于将所述本证模态分量的每个离散时间序列作为一个列向量，构成所述本征模态矩阵；

第二矩阵构建单元，用于将所述趋势分量的每个离散时间序列作为一个列向量，构成所述趋势分量矩阵。