基于EMD和SVM的传感器故障诊断方法.docVIP

PAGE/NUMPAGES

基于和的传感器故障诊断方法

(字以内)（二号黑体）

冯志刚，王祁*，信太克规

沈阳航空工业学院自动化学院，沈阳；

.哈尔滨工业大学自动化测试与控制系，哈尔滨)

摘要：为了解决自确认压力传感器的故障诊断问题，提出了一种基于经验模式分解（）和支持向量机（）的传感器故障诊断方法，该方法对传感器输出信号进行经验模态分解，将其分解为若干个固有模态函数（），对每个通过一定的削减算法增强故障特征，然后计算每个和残余项的能量以及整个信号的削减比作为特征向量，以此作为输入来建立支持向量多分类机，判断传感器的故障类型。通过压力传感器的故障诊断结果表明，该方法能有效的应用于传感器的故障诊断中。

关键词：经验模态分解；支持向量机；特征提取；传感器故障诊断

中图分类号：;文章标识码：文章编号：((年份))(期号)(页码)

传感器作为信息获取的源头，在自动的、智能的系统中发挥着重大的作用。它的测量结果直接影响系统的运行，影响分析、决策的正确性，特别是在化工，航天测试系统中，一旦传感器发生故障，后果将不堪想象，因此，对传感器故障进行检测和诊断就显得非常重要。收稿日期：20XX-01-23；基金项目：国家自然科学基金资助项目(605720XX)；作者简介：冯志刚(1980-)，男，讲师，电话

收稿日期：20XX-01-23；基金项目：国家自然科学基金资助项目(605720XX)；

作者简介：冯志刚(1980-)，男，讲师，电话？；电邮fzg1023@yeah.net；

*通讯作者：王祁(1944-)，男，教授，博士生导师，电话？，电邮？。

经验模态分解与特征提取

经验模态分解

方法由.于年提出[]，该方法适用于分析和处理非线性、非平稳随机信号，并且迅速在水波研究、地震学及机械设备故障诊断中得到了应用。该方法可将任意信号分解为若干个本征模态分量和一个残余项，使本征模态分量成为满足以下个条件的函数或信号：

()在整个数据序列中，极值点的数量与过零点的数量必须相等或者至多相差一个。

()在任何一点，由数据序列的局部极大值点确定的上包络线和由局部极小值点确定的下包络线的均值为零，即信号关于时间轴局部对称。

分解的本质是一个筛选过程，具体的步骤见文献[]。经过分解后，原始信号可表示为：

即可将任何一个信号分解为个基本模态分量和一个残余项之和，分量分别包含了信号从高到低不同频率段的成分，则表示信号的中心趋势。

特征提取

本文以传感器故障时，输出信号的六种典型形式为例进行研究，包括：偏差()，冲击()，周期性干扰()，噪声干扰()，漂移()和输出恒定值()。具体的信号表现形式如图所示。

图传感器故障时输出信号的六种典型表现形式

传感器发生故障时，输出信号会产生一些瞬变，表现在频域上就是某种或者某几种频率成分能量的改变，因此可以提取分解后各个分量的能量作为特征。图是具有偏差故障的传感器信号经过分解后各个分量和残余项的波形图。可以看出偏差信号特征在各个分量上都有反映，为了增强特征，对分解后的各个分量和残余项进行了削减，图是对图的削减结果，可以看出，偏差信号的特征在各个分量上都得到了增强。

量符、改为斜体，量和

量符、改为斜体，量和“”之间空半格

图具有偏差故障的传感器信号分解波形图

图分量和残余项经过削减后的波形图

为了使提取的特征不受传感器输出信号幅值的影响，在进行分解之前，对信号进行了标准化。具体的特征提取步骤如下：

()对传感器信号进行标准化：

其中，表示传感器输出信号序列，为对应的均值，为的标准差。

()对进行分解，提取前个分量，以分别表示个分量序列，以表示残余序列。

()为了增强分量的故障特征，对分量和残余项进行了削减。

)计算各个分量和残余项的削减阈值：

其中表示分量和残余项的长度，表示第个分量第点的取值。

)对各分量和残余项进行如下削减处理，并且求取各分量和残余项的削减比。

,

其中为削减后的分量和残余项，为对应分量的削减比，为其被削减掉的点数与其总点数之比。

()计算各分量及残余项的总能量，并且进行归一化，得到归一化能量，以利于模式分类。

,

()计算总的削减比，构造特征向量，用于传感器故障诊断。

特征评估

为了对所选特征对于故障类型的可分性进行评估，计算了特征间的距离大小来对特征敏感度进行评估，其评估原则是：同一类的类内特征距离最小，不同类的类间特征距离最大，即某一特征同一类的类内距离越小，不同类的类间距离越大，则这一特征越敏感，该特征区分这些类别的能力就越强[]。特征评估的步骤如下：

()计