基于小波包和支持向量机的传感器故障诊断方法

　　传感器是信息获取的源头,是自动化测试与控制系统的重要组成部分,其测量结果的准确性直接影响系统的运行,影响分析和决策的正确性,因此,对传感器故障进行检测和诊断就显得非常重要。当传感器发生故障时,传感器输出信号主要表现为以下几种形式:偏差(bias),冲击(spike),周期性干扰(cyclic),噪声干扰(erratic),漂移(drift)和输出恒定值(stuck)。此时,传感器输出信号是非平稳的,信号频率成分比较丰富,采用单纯的时域或频域分析都不能有效地检测出信号的故障特征。为此,国内外学者将时-频分析方法应用于传感器故障信号的特征提取中。文献[1]对传感器输出信号进行小波变换,在不同尺度上计算信号发生故障前后能量的变化率,进而检测压力传感器的各种故障。文献[2]利用小波包分解提取各个节点的能量,然后利用径向基函数(RBF)神经网络进行传感器故障诊断。但是文献[2]只考虑了正常、偏差、冲击、周期性干扰和漂移5种传感器状态,没有考虑噪声干扰和输出恒定值这两种故障。本文利用特征评估的方法对文献[2]中提取的能量特征进行评估,发现该方法不能区分正常和输出恒定值两种传感器状态,为此增加了信号的削减比这一特征,然后利用支持向量多分类机识别传感器故障类型。该方法有效地改善了传统分类方法的缺陷,具有优异的泛化和推广能力,特别是在小样本输入情况下,体现出更大的优势。

　　1　小波包特征提取及评估

　　1. 1　小波包分解与特征提取

　　小波包分析是从小波分析延伸出来的一种对信号进行更细致分解和重构的方法。在小波分析中,每次只对上次分解的低频部分进行再分解,对高频部分则不再分解,因此在高频段分辨率较差。小波包则对高频部分也进行分解,所以小波包可以对信号的高频部分做更加细致的刻画,对信号的分析能力也更强。

　　本文以传感器故障时输出信号的6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。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某几种频率成分能量的改变,因此,可以提取小波包分解后各个节点的能量作为特征。图1显示了传感器正常和6种故障状态下的数据表现形式以及对应的能量分布图。7种状态下的传感器信号经过标准化后,进行三层小波包分解,再对小波包系数进行削减,计算出各频带所占的相对能量,按照各个频带能量的比例关系作出的一系列直方图称为能量分布图(见图7(b))。从图1可以看出,通过能量特征可以区分出正常、偏差、冲击、周期性干扰、噪声干扰和漂移6种状态,不能区分正常和输出恒定两种状态,之后的特征评估也证明这一点,为此增加了信号的削减比作为第9个特征。在进行小波包分解前对信号进行的标准化,是为了使提取的特征不受传感器输出信号幅值的影响,具体的特征提取步骤如下: