CN102680017A - 一种传感器故障诊断方法及诊断装置 - Google Patents

Abstract

本发明实施例公开了一种传感器故障诊断方法及诊断装置，所述方法包括：接收传感器的输出信号；应用小波包对所述输出信号进行分解；筛选出具有最大幅值的小波包变换系数，以保留可表征故障特征的数据；根据传感器各频率成分能量的变化率进行特征提取，以获取特征向量；将所述特征向量输入到指定神经网络中，以获取传感器故障类型，其中所述指定神经网络的输入和输出层结点数分别由所述特征向量的维数和传感器故障类型数确定，网络权值和阈值经训练样本训练确定。本发明实施例采用小波包对传感器动态信号进行精细划分，并根据神经网络的输出确定传感器故障类型，从而能够有效诊断传感器的突变故障。

Description

一种传感器故障诊断方法及诊断装置

技术领域

本发明涉及传感器故障诊断领域，尤其是涉及一种传感器故障诊断方法及诊断装置。

背景技术

由精密元件组成的传感器经常工作在高温、高压、振动、冲击、污染、电磁干扰等恶劣环境下，使得传感器很容易发生故障，引起输出信号失真，影响信号采集的准确性、稳定性和可靠性，进而影响整个控制系统的性能，甚至会对车辆等的安全性构成威胁。因此，传感器的故障诊断是提高车辆等控制系统可靠性的重要手段。根据传感器故障的表现形式可将其分为缓变型故障和突变型故障，本发明仅涉及诊断传感器的突变故障。

当传感器发生突变故障时，在其输出信号中会产生瞬变，而这种包含瞬变的传感器输出信号是非平稳信号。在现有技术中，传统的基于信号分析的故障诊断方法是基于傅立叶变换的，发明人在实现本发明的过程中发现，傅立叶变换虽然能有效地分析平稳信号，但其所使用的是一种全局的变换，要么完全在时域，要么完全在频域，因此无法表述信号的时-频局域性质，而这种性质恰恰是非平稳信号最根本、最关键的性质。因此，用传统的信号分析方法诊断传感器突变故障有很大的局限性。

发明内容

本发明实施例的目的是提供一种传感器故障诊断方法及诊断装置，以对传感器的突变故障进行有效的诊断。

本发明实施例公开了一种传感器故障诊断方法，包括：

接收传感器的输出信号；

应用小波包对所述输出信号进行分解；

筛选出具有最大幅值的小波包变换系数，以保留可表征故障特征的数据；

根据传感器各频率成分能量的变化率进行特征提取，以获取特征向量；

将所述特征向量输入到指定神经网络中，以获取传感器故障类型，其中所述指定神经网络的输入和输出层结点数分别由所述特征向量的维数和传感器故障类型数确定，网络权值和阈值经训练样本训练确定。

优选的，筛选出具有最大幅值的小波包变换系数的步骤，具体包括：

将所有小波包系数的绝对值与指定门限值相比较，若被比较的小波包系数的绝对值小于所述指定门限值，则将所述被比较的小波包系数的值设为零，以过滤掉幅值较小的小波包系数从而筛选出具有最大幅值的小波包变换系数。

优选的，所述指定门限值具体为每一小波包节点上的系数的均方根值。

优选的，筛选出具有最大幅值的小波包变换系数的步骤中，将所述被比较的小波包系数的值设为零的步骤之后还包括：

使用相关重建误差来衡量数据筛选的质量和效果。

优选的，根据传感器各频率成分能量的变化率进行特征提取，以获取特征向量的步骤，具体包括：

根据小波包对所述输出信号进行分解的层数确定特征向量的维度；

根据传感器突变故障发生后与发生前在不同小波包结点上能量的变化率及所述特征向量的维度构建能量变化率向量；

对所述能量变化率向量进行归一化处理，以得到特征向量。

本发明实施例还公开了一种传感器故障诊断装置，包括：

信号接收单元，用于接收传感器的输出信号；

小波包分解单元，用于应用小波包对所述输出信号进行分解；

小波包变换系数筛选单元，用于筛选出具有最大幅值的小波包变换系数，以保留可表征故障特征的数据；

特征向量提取单元，用于根据传感器各频率成分能量的变化率进行特征提取，以获取特征向量；

神经网络判断单元，用于将所述特征向量输入到指定神经网络中，以获取传感器故障类型，其中所述指定神经网络的输入和输出层结点数分别由所述特征向量的维数和传感器故障类型数确定，网络权值和阈值经训练样本训练确定。

优选的，所述小波包变换系数筛选单元具体包括：

小波包系数比较子单元，用于将所有小波包系数的绝对值与指定门限值相比较，若被比较的小波包系数的绝对值小于所述指定门限值，则触发置零子单元；

所述置零子单元，用于则将所述被比较的小波包系数的值设为零，以过滤掉幅值较小的小波包系数从而筛选出具有最大幅值的小波包变换系数。

优选的，所述指定门限值具体为每一小波包节点上的系数的均方根值。

优选的，所述小波包变换系数筛选单元还包括：

筛选质量评价子单元，用于使用相关重建误差来衡量数据筛选的质量和效果。

优选的，所述特征向量提取单元具体包括：

特征向量维度获取子单元，用于根据小波包对所述输出信号进行分解的层数确定特征向量的维度；

能量变化率向量构建子单元，用于根据传感器突变故障发生后与发生前在不同小波包结点上能量的变化率及所述特征向量的维度构建能量变化率向量；

归一化子单元，用于对所述能量变化率向量进行归一化处理，以得到特征向量。

本发明实施例利用小波包变换能够对包含非平稳态特点的信号进行更为精细的特征提取的优势和神经网络适合多故障的复杂模式识别的特点，在无需预先建立传感器模型的情况下，采用小波包对传感器动态信号进行精细划分，一旦传感器输出信号的局部变化被检测到，根据发生故障前与发生故障后在不同频率段的小波包变换信号的能量分布的不同，提取出特征向量，并输入到神经网络中，并根据神经网络的输出确定传感器故障类型，从而能够有效诊断传感器的突变故障。

附图说明

为了更清楚地说明本发明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发明的一些实施例，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，还可以根据这些附图获得其他的附图。

图1是本发明实施例一方法流程图；

图2是三层小波包分解树状结构示意图；

图3是本发明实施例二装置示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例一

本实施例将小波包变换和神经网络结合起来对传感器的突变故障进行诊断。小波包可以看成是函数空间逐级正交剖分的扩展，并继承了相应小波函数的特性。小波包分析能够为信号提供一种更加精细的分析方法，它将频带进行多层次划分，对信号的高频部分实行与低频部分相同的进一步分解，并能够根据被分析信号的特征，自适应地选择相应频带，使之与信号频谱相匹配，从而提高了时-频分辨率。其每次分解都相当于同时进行低频和高频滤波，进一步分解出低频和高频两部分，这样一直下去，使低频和高频都能达到很精细的程度。

图1为本发明实施例一方法的流程图，提供了一种传感器故障诊断方法，所述方法包括：

S101：接收传感器的输出信号。

S102：应用小波包对所述输出信号进行分解。

本实施例采用小波包变换对传感器动态信号进行精细划分。小波包是小波函数线性组合形成的替代基，各个空间都有自己的整数位移正交归一基。小波包函数：

$W_{j,k}^n\left(t\right)=2^{j/2}{W}^n(2^{j}t-k)---\left[1\right]$

为小波包函数。与一般的小波一样，整数j代表尺度因子，整数k代表平移因子，上标n是调制参数，代表j尺度级别下的空间序号。第一级的小波包函数分别是通常的尺度函数和小波函数：

W⁰(t)＝φ(t)，W¹(t)＝ψ(t)

通过尺度的伸缩，对n=0,1,2…，小波包函数可以由以下关系确立：

$W^{2n}\left(t\right)=\sqrt{2}\underset{k}{\mathrm{\Σ}}{h}_k{W}^n(2t-k),$ $W^{2n+1}\left(t\right)=\sqrt{2}\underset{k}{\mathrm{\Σ}}{g}_k{W}^n(2t-k)---\left[2\right]$

某一函数的小波包变换系数可以通过下式计算：

$s_{j,k}^n\left(t\right)=<f\left(t\right),W_{j,k}^n\left(t\right)>---\left[3\right]$

是小波包系数，n为在结点(j,k)上的系数的个数，f(t)为传感器输出信号。

应用小波包对传感器输入信号进行分解，一旦传感器输出信号的局部变化被检测到，发生故障前与发生故障后在不同频率段的小波包变换信号的能量分布的不同，将作为特征向量被提取出来。图2示出了三层小波包分解的树状结构示意图。

S103：筛选出具有最大幅值的小波包变换系数，以保留可表征故障特征的数据。

在所采集的传感器输出数据中只保留可表征数据特征（故障）的一些数据，而这些特征是由具有最大幅值的小波包变换系数所表述的，据此来选择小波包变换系数。

在小波包树结构中，

为小波包函数（5）（6），整数j和k分别为尺度和变换因子，n为调整参数。

$W_{j,k}^n\left(t\right)=2^{j/2}{W}^n(2^{j}t-k)---\left[4\right]$

每一个结点(j，i)_r都对应着相应的小波包系数

(k=1,2,…m)，其中，k为在结点(j,n)上的系数的个数。

$s_{j,n}^k\left(t\right)=<x\left(t\right),W_{j,n}^k\left(t\right)>$

则优选的，步骤S103具体可以包括：将所有小波包系数的绝对值与指定门限值相比较，若被比较的小波包系数的绝对值小于所述指定门限值，则将所述被比较的小波包系数的值设为零，以过滤掉幅值较小的小波包系数从而筛选出具有最大幅值的小波包变换系数。即，将所有小波包系数的绝对值

与门限值

相比较，如果系数的幅值小于门限值

那么系数的值设为零，其它情况下系数的值则为可由以下公式进行描述：

$s_r^{j,i,k}=\left\{\begin{array}{cc}{s}_r^{j,i,k}& ,\mathrm{if}\left|s_r^{j,i,k}\right|\&GreaterEqual;{\mathrm{\&lambda;}}_r^{j,i}.\\ 0& ,\mathrm{if}\left|s_r^{j,i,k}\right|<{\mathrm{\&lambda;}}_r^{j,i}.\end{array}\right.---\left[5\right]$

上式中为设定的门限值，

为系数的幅值小于门限值的小波包系数。门限值

滤掉了幅值较小的小波包系数，而保留了包含瞬态现象的“重要”的小波包系数。对于门限值

的选择：所述指定门限值具体可以为每一小波包节点上的系数的均方根值，即：

${\mathrm{\&lambda;}}_r^{j,i}=\sqrt{\frac{1}{k}\underset{1}{\overset{k}{\mathrm{\&Sigma;}}}{\left(s_r^{j,i,k}\right)}^2}---\left[6\right]$

此外，在实际应用中，我们希望保留非常少的小波包系数，但同时为了更好地表征原始数据，保留足够数量的小波包系数也是必须的。所以优选的，将所述被比较的小波包系数的值设为零的步骤之后还可以包括：使用相关重建误差RRE(C)来衡量数据筛选的质量和效果。保留C个最大幅值的小波包系数用来计算以下的相关重建误差：

$\mathrm{RRE}\left(C\right)=\frac{{\left[{\mathrm{\&Sigma;}}_{i=1}^N{(f{\left(t\right)}_i-\hat{f}{\left(t\right)}_{i,C})}^2\right]}^{1/2}}{{\left({\mathrm{\&Sigma;}}_{i=1}^{N}f{\left(t\right)}_i^2\right)}^{1/2}}+\mathrm{\&rho;}\frac{C}{N}--\left[7\right]$

在上式中，C是被选择为非零的小波包系数的个数，

是由C个最大幅值小波包系数重建的第i组信号f(t)_i。为简单起见，这里我们设常数因子ρ=1。由上式可见，RRE(C)的值越小，信号重建的质量越高，小波包系数削减的效果就越好。

S104：根据传感器各频率成分能量的变化率进行特征提取，以获取特征向量。针对传感器的突变故障进行分析，传感器突变故障的典型信号模型包括：偏置型故障、脉冲型故障、漂移型故障、周期型故障、尖峰型故障。传感器非正常状态在输出中产生一些变化（瞬变），即使变化很小，瞬变的不规则性也包含了传感器故障的重要信息。因此，在各频率成分信号中的能量包含着传感器丰富的故障信息。某种或某几种频率成分能量的改变代表一种故障。我们根据传感器各频率成分能量的变化率进行特征提取。

传感器信号x(t)∈L²(R)的小波包系数由下式计算：

$s_{j,n}^k\left(t\right)=<x\left(t\right),W_{j,n}^k\left(t\right)>---\left[8\right]$

假设传感器原始信号被分解为

(n=0,1,…),其中j是小波包树结构的层数，n为j层小波包结点数，则小波包结点n上的信号在时段（t₁,t₂）内的能量e_j，n可表示为：

$e_{j,n}={\&Integral;}_{t_1}^{t_2}{\left|x_{j,n}^k\left(t\right)\right|}^2\mathrm{dt}=\underset{k=1}{\overset{m}{\mathrm{\&Sigma;}}}{\left|x_{j,n}\right|}^2---\left[9\right]$

本实施例中，小波包变换对原始信号进行了三层分解（j＝3,n=0,1,…,7,k=1,…,m），则优选的步骤S104具体可以包括：

S1041：根据小波包对所述输出信号进行分解的层数确定特征向量的维度。特征向量由下式构成：

$T_1={[e_0,e_1,...,e_{2^j-1}]}^T---\left[10\right]$

S1042：根据传感器突变故障发生后与发生前在不同小波包结点上能量的变化率及所述特征向量的维度构建能量变化率向量。对不同的传感器故障，故障发生后信号有不同的变化模式，为检测和量化这些模式，针对不同小波包结点上信号能量的不同，我们用下式计算得到能量变化率向量：

$T_2={[\frac{e_{j,0}^b}{e_{j,0}^a},\frac{e_{j,1}^b}{e_{j,1}^a},...,\frac{e_{j,7}^b}{e_{j,7}^a}]}^T---\left[11\right]$

其中表示传感器突变故障发生后与发生前在不同小波包结点上能量的变化率。

S1043：对所述能量变化率向量进行归一化处理，以得到特征向量。

设： $E={\left[\underset{n=0}{\overset{7}{\mathrm{\&Sigma;}}}{\left|\frac{e_{j,n}^b}{e_{j,n}^a}\right|}^2\right]}^{1/2},$ $U_{j,n}=\frac{e_{j,n}^b}{e_{j,n}^a}$ (j=3)                             [12]

其中

表示传感器突变故障发生后与发生前在不同小波包结点上能量的变化率。则最终可以构造特征向量T：

$T={[\frac{U_{\mathrm{3,0}}}{E},\frac{U_{\mathrm{3,1}}}{E},...,\frac{U_{\mathrm{3,6}}}{E},\frac{U_{\mathrm{3,7}}}{E},]}^T---\left[13\right]$

S105：将经过所述特征向量输入到指定神经网络中，以获取传感器故障类型，其中所述指定神经网络的输入和输出层结点数分别由所述特征向量的维数和传感器故障类型数确定，网络权值和阈值经训练样本训练后确定。

传感器故障诊断实质上就是根据传感器特征信息进行分类的问题。在本实施例中，具体可以采用BP神经网络方法进行传感器故障诊断。根据输入特征向量的维数和传感器故障类型数确定BP神经网络的输入、输出层结点数。当然，在本发明其他实施例中也可以选用其他类型的神经网络，对此本发明实施例不做限制。

为了让BP神经网络能够对传感器故障进行识别，首先必须对网络进行训练。例如：若训练样本取自传感器周期故障，则令相应的网络输出向量为{1，0，0，0，0}；若训练样本取自传感器漂移故障，则令相应的网络输出向量为{0，0，1，0，0}。即BP神经网络的期望输出可以设计如下：

[1,0,0,0,0]：周期故障

[0,1,0,0,0]：脉冲故障

[0,0,1,0,0]：漂移故障

[0,0,0,1,0]：偏置故障

[0,0,0,0,1]：尖峰故障

依照上述规律利用大量试验所得样本进行网络训练，使总体误差达到最小，并将训练后的网络权值和阈值存至存储器中。利用训练好的BP网络，把采集到的数据进行特征提取后输入神经网络，经网络计算后便可得到故障类型。

实施例二

图3为本发明实施例二中装置的示意图。本实施例提供了一种传感器故障诊断装置，包括：

信号接收单元301，用于接收传感器的输出信号；

小波包分解单元302，用于应用小波包对所述输出信号进行分解；

小波包变换系数筛选单元303，用于筛选出具有最大幅值的小波包变换系数，以保留可表征故障特征的数据；

特征向量提取单元304，用于根据传感器各频率成分能量的变化率进行特征提取，以获取特征向量；

神经网络判断单元305，用于将所述特征向量输入到指定神经网络中，以获取传感器故障类型，其中所述指定神经网络的输入和输出层结点数分别由所述特征向量的维数和传感器故障类型数确定，网络权值和阈值经训练样本训练确定。

优选的，所述小波包变换系数筛选单元具体包括：

小波包系数比较子单元，用于将所有小波包系数的绝对值与指定门限值相比较，若被比较的小波包系数的绝对值小于所述指定门限值，则触发置零子单元；

所述置零子单元，用于则将所述被比较的小波包系数的值设为零，以过滤掉幅值较小的小波包系数从而筛选出具有最大幅值的小波包变换系数。

优选的，所述指定门限值具体为每一小波包节点上的系数的均方根值。

优选的，所述小波包变换系数筛选单元还包括：

筛选质量评价子单元，用于使用相关重建误差来衡量数据筛选的质量和效果。

优选的，所述特征向量提取单元具体包括：

特征向量维度获取子单元，用于根据小波包对所述输出信号进行分解的层数确定特征向量的维度；

能量变化率向量构建子单元，用于根据传感器突变故障发生后与发生前在不同小波包结点上能量的变化率及所述特征向量的维度构建能量变化率向量；

归一化子单元，用于对所述能量变化率向量进行归一化处理，以得到特征向量。

对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本领域普通技术人员可以理解实现上述方法实施方式中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于计算机可读取存储介质中，这里所称得的存储介质，如：ROM、RAM、磁碟、光盘等。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。本文中应用了具体个例对本发明的原理及实施方式进行了闸述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (10)

1.一种传感器故障诊断方法，其特征在于，包括：

接收传感器的输出信号；

应用小波包对所述输出信号进行分解；

筛选出具有最大幅值的小波包变换系数，以保留可表征故障特征的数据；

根据传感器各频率成分能量的变化率进行特征提取，以获取特征向量；

将所述特征向量输入到指定神经网络中，以获取传感器故障类型，其中所述指定神经网络的输入和输出层结点数分别由所述特征向量的维数和传感器故障类型数确定，网络权值和阈值经训练样本训练确定。

2.根据权利要求1所述的方法，其特征在于，筛选出具有最大幅值的小波包变换系数的步骤，具体包括：

将所有小波包系数的绝对值与指定门限值相比较，若被比较的小波包系数的绝对值小于所述指定门限值，则将所述被比较的小波包系数的值设为零，以过滤掉幅值较小的小波包系数从而筛选出具有最大幅值的小波包变换系数。

3.根据权利要求2所述的方法，其特征在于，所述指定门限值具体为每一小波包节点上的系数的均方根值。

4.根据权利要求2所述的方法，其特征在于，筛选出具有最大幅值的小波包变换系数的步骤中，将所述被比较的小波包系数的值设为零的步骤之后还包括：

使用相关重建误差来衡量数据筛选的质量和效果。

5.根据权利要求1所述的方法，其特征在于，根据传感器各频率成分能量的变化率进行特征提取，以获取特征向量的步骤，具体包括：

根据小波包对所述输出信号进行分解的层数确定特征向量的维度；

根据传感器突变故障发生后与发生前在不同小波包结点上能量的变化率及所述特征向量的维度构建能量变化率向量；

对所述能量变化率向量进行归一化处理，以得到特征向量。

6.一种传感器故障诊断装置，其特征在于，包括：

信号接收单元，用于接收传感器的输出信号；

小波包分解单元，用于应用小波包对所述输出信号进行分解；

小波包变换系数筛选单元，用于筛选出具有最大幅值的小波包变换系数，以保留可表征故障特征的数据；

特征向量提取单元，用于根据传感器各频率成分能量的变化率进行特征提取，以获取特征向量；

神经网络判断单元，用于将所述特征向量输入到指定神经网络中，以获取传感器故障类型，其中所述指定神经网络的输入和输出层结点数分别由所述特征向量的维数和传感器故障类型数确定，网络权值和阈值经训练样本训练确定。

7.根据权利要求6所述的装置，其特征在于，所述小波包变换系数筛选单元具体包括：

小波包系数比较子单元，用于将所有小波包系数的绝对值与指定门限值相比较，若被比较的小波包系数的绝对值小于所述指定门限值，则触发置零子单元；

所述置零子单元，用于则将所述被比较的小波包系数的值设为零，以过滤掉幅值较小的小波包系数从而筛选出具有最大幅值的小波包变换系数。

8.根据权利要求7所述的装置，其特征在于，所述指定门限值具体为每一小波包节点上的系数的均方根值。

9.根据权利要求7所述的装置，其特征在于，所述小波包变换系数筛选单元还包括：

筛选质量评价子单元，用于使用相关重建误差来衡量数据筛选的质量和效果。

10.根据权利要求6所述的装置，其特征在于，所述特征向量提取单元具体包括：

特征向量维度获取子单元，用于根据小波包对所述输出信号进行分解的层数确定特征向量的维度；

能量变化率向量构建子单元，用于根据传感器突变故障发生后与发生前在不同小波包结点上能量的变化率及所述特征向量的维度构建能量变化率向量；

归一化子单元，用于对所述能量变化率向量进行归一化处理，以得到特征向量。

Images