CN104880216A - 一种基于不同纠错编码交叉使用的传感器故障辨识方法 - Google Patents

Abstract

本发明公开了一种基于不同纠错编码交叉使用的传感器故障辨识方法。使用本发明能够跟据传感器故障辨识的具体问题和特点，通过将不同种类的纠错编码分别用于其特征提取与故障辨识过程中，则可以快速准确的对故障进行辨识。该方法通过交叉使用纠错编码的方式，使得与在故障特征提取与中使用单一纠错编码的方法相比，有更高的分类精度，可以综合互补不同种类纠错编码的优势以达到更好的效果。

Description

一种基于不同纠错编码交叉使用的传感器故障辨识方法

技术领域

本发明涉及智能信息处理领域，具体涉及一种基于不同纠错编码交叉使用的传感器故障辨识方法。

背景技术

传感器是一种广泛应用于各种控制系统的敏感测量仪器，其测量结果的准确性直接影响系统的运行。由于一些传感器的工作环境比较恶劣，它们在使用过程中经常会因为种种原因发生故障。常见的故障输出信号有以下几种：偏差、漂移、冲击、周期性干扰、短路、开路。一旦传感器故障被系统检测出，需要针对不同故障类型进行一定的在线或离线的故障补偿，因此，对传感器故障进行辨识就显得尤为重要。

对传感器进行故障辨识属于模式识别问题，包括特征提取和模式分类两个重要过程。特征的选择与提取是模式分类的基础，高效的特征信息有利于后续学习和识别结果的准确率。

目前已有将单一种纠错码(Hadamard编码)用于故障辨识中特征提取和故障模式分类。然而，此方法只能采用单一种纠错码进行故障辨识，其准确性较低。

发明内容

有鉴于此，本发明提供了一种基于不同纠错编码交叉使用的传感器故障辨识方法，能够通过交叉使用不同的纠错编码矩阵，实现传感器的故障辨识。

一种基于不同纠错编码交叉使用的传感器故障辨识方法，其中，所述传感器包括I种故障模式和1种正常模式；纠错编码包括K种；该辨识方法包括如下步骤：

步骤一、信号采样和预处理：

根据传感器的I+1种模式，分别在每种模式下采样J组传感器输出信号，每种模式下的每组传感器输出信号均作为一组样本数据，记为X_ij(i＝1，2，...，I+1，j＝1，2，...，J)，根据对样本数据标准化，获得标准化样本数据E(X_ij)为所有样本数据X_ij的均值，为X_ij的标准差；

步骤二、初始特征提取：

通过分析每种模式下的每组样本数据，获得每组样本数据的峰值指标、均方根值、峭度指标、偏态指标、波形指标、裕度指标、重心频率、均方频率和频率方差共9种特征参数，并组成相应组样本数据的原始特征向量，记为λ_t＝{λ_t1,λ_t2,…,λ_t9}，其中，t为样本数据的组号，t＝1,2,…,((I+1)×J)；λ_t1,λ_t2,…,λ_t9表示第t组样本数据中的9个特征向量；

步骤三、从K种纠错编码中选取其中一种，根据传感器模式数量构建行数为I+1的纠错编码矩阵，称为第一纠错编码矩阵；第一纠错编码矩阵中每行分别代表一种模式；

步骤四、利用第一纠错编码矩阵进行特征提取：

利用步骤二中获得的(I+1)×J组原始特征向量构建集合样本特征向量，记为χ＝{(λ₁,c₁),(λ₂,c₂),…,(λ_(I+1)×J,c_(I+1)×J)}，其中，c_t表示第t组样本数据在步骤一采样时所处的采集环境属于哪种模式，c_t∈{1,2,…,I+1}；

将步骤三得到的第一纠错编码矩阵中的每一列作为一个SVM两类分类器，每个SVM两类分类器对所述集合样本特征向量χ进行训练，即：根据c_t的不同将(λ_t,c_t)代入c_t模式对应的矩阵行中，选择本SVM两类分类器对应的行数进行训练；获得决策函数的参数α_p和b_q，进而获得每个SVM两类分类器相应的 分类决策函数,q＝1,2,…,l，其中，l为第一纠错编码矩阵的列数；其中，k(λ_p,λ_t)为核函数；N_SV为(I+1)×J组样本数据中离分类超平面最近的支持向量个数；根据公式将得到的决策函数转化为先验概率，其中，a＝1,m＝0，进而得到特征变换空间新的特征向量  ${\tilde{Z}}_t=\{Z_{t1},Z_{t2},...,Z_{\mathrm{tl}}\};$

步骤五、从K种纠错编码中选取一种不同于步骤三的纠错编码，根据传感器模式数量构建行数为I+1的纠错编码矩阵，称为第二纠错编码矩阵；第二纠错编码矩阵中每行分别代表一种模式；

步骤六、利用第二纠错编码矩阵进行训练：

根据步骤四中获得的新的特征，获得新集合样本特征向量 将步骤五得到的第二纠错编码矩阵中的每一列作为一个SVM两类分类器，每个SVM两类分类器对所述集合样本特征向量χ进行训练，获得决策函数的参数α'_p和b_n，进而获得每个SVM两类分类器相应的决策函数其中，n＝1,2,…,l′，l'为第二纠错编码矩阵的列数；N'_SV为(I+1)×J组样本数据中离分类超平面最近的支持向量个数；

步骤七、故障判别：

根据步骤六中获得的各个SVM两类分类器，对测试样本进行测试，获得l'个SVM两类分类器的输出值，从而获得一个输出向量s＝{s₁,s₂,…,s_l'}；计算此向量和第二编码矩阵每一个行向量之间的汉明距离，将最小距离对应的行所代表的模式作为最终的判别结果。

有益效果： 

本发明能够跟据传感器故障辨识的具体问题和特点，通过将不同种类的纠错编码分别用于其特征提取与故障辨识过程中，则可以快速准确的对故障进行辨识。该方法通过交叉使用纠错编码的方式，使得与在故障特征提取与多类分类过程中使用单一纠错编码的方法相比，有更高的分类精度，可以综合互补不同种类纠错编码的优势以达到更好的效果。该方法实时性与正确率较之前均有所提高，并且可以根据不同的需要和纠错编码的特点选择合适的编码，推广性好。

附图说明

图1为故障辨识方法流程图。

具体实施方式

下面结合附图并举实施例，对本发明进行详细描述。

本发明提供了一种基于不同纠错编码交叉使用的传感器故障辨识方法，其中，所述传感器包括I种故障模式和1种正常模式；纠错编码ECOC(Error Correcting Output Codes)K种，例如：一对一编码、一对多编码、二叉树编码、稀疏随机编码编码、密集随机编码和哈达码(Hadamard)；该辨识方法包括如下步骤：

步骤一、信号采样和预处理：

根据传感器的I+1种模式，分别在每种模式下采样J组传感器输出信号，每种模式下的每组传感器输出信号均作为一组样本数据，记为X_ij(i＝1,2,...,I+1,j＝1,2...,J)，根据公式(1)

${\stackrel{\‾}{X}}_{\mathrm{ij}}=\frac{X_{\mathrm{ij}}-E\left(X_{\mathrm{ij}}\right)}{D_{{\mathrm{\σ}}_{\mathrm{ij}}}}---\left(1\right)$

对样本数据标准化，获得标准化样本数据E(X_ij)为所有样本数据X_ij的均值， 为X_ij的标准差；

步骤二、初始特征提取：

通过分析每种模式下的每组样本数据，获得每组样本数据的峰值指标、均方根值、峭度指标、偏态指标、波形指标、裕度指标、重心频率、均方频率和频率方差共9种特征参数，并组成相应组样本数据的原始特征向量，记为λ_t＝{λ_t1,λ_t2,…,λ_t9}，其中，t为样本数据的组号，t＝1,2,…,((I+1)×J)；λ_t1,λ_t2,…,λ_t9表示第t组样本数据中的9个特征向量；

步骤三、从K种纠错编码中选取其中一种，根据传感器模式数量构建行数为I+1的纠错编码矩阵，称为第一纠错编码矩阵；第一纠错编码矩阵中每行分别代表一种模式；例如，

若选取的一对多码，则为：

$H_6=\left(\begin{array}{cccccc}1& -1& -1& -1& -1& -1\\ -1& 1& -1& -1& -1& -1\\ -1& -1& 1& -1& -1& -1\\ -1& -1& -1& 1& -1& -1\\ -1& -1& -1& -1& 1& -1\\ -1& -1& -1& -1& -1& 1\end{array}\right)$

若选取一对一码，则为：

$H_6=\left(\begin{array}{ccccccccc}1& 1& 1& 1& 1& 0& 0& 0& ...\\ -1& 0& 0& 0& 0& 1& 1& 1& ...\\ 0& -1& 0& 0& 0& -1& 0& 0& ...\\ 0& 0& -1& 0& 0& 0& -1& 0& ...\\ 0& 0& 0& -1& 0& 0& 0& -1& ...\\ 0& 0& 0& 0& -1& 0& 0& 0& ...\end{array}\right)$

若选取哈达码，则为：

$H_6=\left[\begin{array}{ccccccc}-1& -1& -1& -1& -1& -1& -1\\ 1& -1& 1& -1& 1& -1& 1\\ -1& 1& 1& -1& -1& 1& 1\\ 1& 1& -1& -1& 1& 1& -1\\ -1& -1& -1& 1& 1& 1& 1\\ 1& -1& 1& 1& -1& 1& -1\end{array}\right]$

步骤四、利用第一纠错编码矩阵进行特征提取：

利用步骤二中获得的(I+1)×J组原始特征向量构建集合样本特征向量，记为χ＝{(λ₁,c₁),(λ₂,c₂),…,(λ_(I+1)×J,c_(I+1)×J)}，其中，c_t表示第t组样本数据在步骤一采样时所处的采集环境属于哪种模式，c_t∈{1,2,…,I+1}；

将步骤三得到的第一纠错编码矩阵中的每一列作为一个SVM两类分类器，每个SVM两类分类器对所述集合样本特征向量χ进行训练，根据c_t的不同取值所对应的模式，选择本SVM两类分类器对应的行数进行训练。即：由于c_t的取值代表了其相应的模式，而每种模式在第一纠错编码矩阵中以相对应行的形式体现；例如第一纠错编码矩阵中的第3行则代表了第3种模式。根据SVM训练理论，即定义其构成SVM两类分类器列向量中的1为正类，-1为负类。这样一来，每个SVM两类分类器所代表的列向量，其第i行则为对应的第i种模式，其第i行所对应的列向量的值则可表示其分类属性；例如：选取哈达码，根据步骤三中已生成的哈达码可知，其第二列所代表的SVM两类分类器中第3行则代表了哈达码第二列的SVM两类分类器中第三种模式属于正类。获得决策函数的参数α_p和b_q，进而获得每个SVM两类分类器相应的分类决策函数

$f_q\left({\mathrm{\λ}}_t\right)=\underset{p=1}{\overset{N_{\mathrm{sv}}}{\mathrm{\Σ}}}{\mathrm{\α}}_p{c}_{p}k({\mathrm{\λ}}_p,{\mathrm{\λ}}_t)+b_q---\left(2\right),$

q＝1，2，…，l，其中，l为第一纠错编码矩阵的列数；，当为线性核函数时，用于线性特征提取。当为RBF核函数时，取γ＝1， 用于非线性特征提取。N_SV为(I+1)×J组样本数据中支持向量的个数；即：距离分类超平面最近的点的个数。之后，根据公式

$Z_{\mathrm{tq}}=\frac{1}{1+\exp [-(a\×f_q\left({\mathrm{\λ}}_t\right)+m)]}---\left(3\right),$

将得到的决策函数转化为先验概率，其中，a＝1,m＝0，进而得到变换空间新的特征相对于初始特征来说，新的特征的获得，提高了特征的可分性，进而提高了准确度。

步骤五、从K种纠错编码中选取一种不同于步骤三的纠错编码，根据传感器模式数量构建行数为I+1的纠错编码矩阵，称为第二纠错编码矩阵；第二纠错编码矩阵中每行分别代表一种模式；

步骤六、利用第二纠错编码矩阵进行训练：

根据步骤四中获得的新的特征，获得新集合样本特征向量 将步骤五得到的第二纠错编码矩阵中的每一列作为一个SVM两类分类器，每个SVM两类分类器对所述集合样本特征向量χ进行训练，获得决策函数的参数α'_p和b_n，进而获得每个SVM两类分类器相应的决策函数

${f^{\′}}_n\left({\tilde{Z}}_t\right)=\mathrm{sgn}\{\underset{p=1}{\overset{N_{\mathrm{sv}}^{\′}}{\mathrm{\Σ}}}{{\mathrm{\α}}^{\′}}_p{c}_{p}k({\tilde{Z}}_t,{\tilde{Z}}_p)+b_n\}---\left(4\right),$

其中，n＝1,2,…,l'，l'为第二纠错编码矩阵的列数；N'_SV为(I+1)×J组样本数据中去除不符合分类条件后剩余的支持向量个数。其排除方法与N_SV的排除方法一致。

步骤七、故障判别：

根据步骤六中获得的各个SVM两类分类器，对测试样本进行测试，获得l'个SVM两类分类器的输出值，从而获得一个输出向量s＝{s₁,s₂,…,s_l'}；即：由于步骤六中获得的决策函数为符号函数，通过将测试样本在该决策函数中进行测 试，进而能够获得一个数值，数值为正则输出+1，数值为负则输出-1，为此，通过将测试样本在每个两类分类器中进行测试，便能够得一个输出向量s＝{s₁,s₂,…,s_l'}，计算此向量和第二编码矩阵每一个行向量之间的汉明距离，将最小距离对应的行所代表的模式作为最终的判别结果。

实施例：

在我们的实验中，我们选择陀螺仪传感器的故障数据样本进行六次不同的实验，每次实验均随机选取每类样本中的30组作为训练样本，20组作为测试样本，进行50次算法计算取结果平均值。同步骤四，根据矩阵H₆的每一列构造一个SVM两类分类器，将训练样本输入每个分类器中进行训练。将测试样本输入到各个训练好的SVM中，根据公式(1)，由每个分类器分别对样本进行判别，得到一个输出向量s＝{s₁,s₂,…,s_l'}。根据公式计算此向量和编码矩阵每一个行向量之间的汉明距离，将最小距离对应的类别作为最终的判别结果。

实验中由几种编码组合进行特征提取与故障分类后得到的辨识正确率结果如下表所示，由表可知不同编码组合的正确率普遍高于同一种编码组合：

其中，H代表哈达码，OVA代表一对多编码，OVO代表一对一编码。-之前代表特征提取过程，-之后代表故障模式分类过程。

综上所述，以上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。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，均应包含在本发明的保护范围之内。

Claims (1)

1.一种基于不同纠错编码交叉使用的传感器故障辨识方法，其中，所述传感器包括I种故障模式和1种正常模式；纠错编码包括K种；其特征在于，该辨识方法包括如下步骤：

步骤一、信号采样和预处理：

根据传感器的I+1种模式，分别在每种模式下采样J组传感器输出信号，每种模式下的每组传感器输出信号均作为一组样本数据，记为X_ij(i＝1,2,...,I+1,j＝1,2...,J)，根据对样本数据标准化，获得标准化样本数据E(X_ij)为所有样本数据X_ij的均值，为X_ij的标准差；

步骤二、初始特征提取：

通过分析每种模式下的每组样本数据，获得每组样本数据的峰值指标、均方根值、峭度指标、偏态指标、波形指标、裕度指标、重心频率、均方频率和频率方差共9种特征参数，并组成相应组样本数据的原始特征向量，记为λ_t＝{λ_t1,λ_t2,…,λ_t9}，其中，t为样本数据的组号，t＝1,2,…,((I+1)×J)；λ_t1,λ_t2,…,λ_t9表示第t组样本数据中的9个特征向量；

步骤三、从K种纠错编码中选取其中一种，根据传感器模式数量构建行数为I+1的纠错编码矩阵，称为第一纠错编码矩阵；第一纠错编码矩阵中每行分别代表一种模式；

步骤四、利用第一纠错编码矩阵进行特征提取：

利用步骤二中获得的(I+1)×J组原始特征向量构建集合样本特征向量，记为χ＝{(λ₁,c₁),(λ₂,c₂),…,(λ_(I+1)×J,c_(I+1)×J)}，其中，c_t表示第t组样本数据在步骤一采样时所处的采集环境属于哪种模式，c_t∈{1,2,…,I+1}；

将步骤三得到的第一纠错编码矩阵中的每一列作为一个SVM两类分类器，每个SVM两类分类器对所述集合样本特征向量χ进行训练，即：根据c_t的不同将(λ_t,c_t)代入c_t模式对应的矩阵行中，选择本SVM两类分类器对应的行数进行训练；获得决策函数的参数α_p和b_q，进而获得每个SVM两类分类器相应的分类决策函数 $f_q\left({\mathrm{\λ}}_t\right)=\underset{p=1}{\overset{N_{\mathrm{sv}}}{\mathrm{\Σ}}}{\mathrm{\α}}_p{c}_{p}k({\mathrm{\λ}}_p,{\mathrm{\λ}}_t)+b_q,$ q＝1,2,…,l，其中，l为第一纠错编码矩阵的列数；其中，k(λ_p,λ_t)为核函数；N_SV为(I+1)×J组样本数据中离分类超平面最近的支持向量个数；根据公式将得到的决策函数转化为先验概率，其中，a＝1,m＝0，进而得到特征变换空间新的特征向量 ${\tilde{Z}}_t=\{Z_{t1},Z_{t2},...,Z_{\mathrm{tl}}\};$

步骤五、从K种纠错编码中选取一种不同于步骤三的纠错编码，根据传感器模式数量构建行数为I+1的纠错编码矩阵，称为第二纠错编码矩阵；第二纠错编码矩阵中每行分别代表一种模式；

步骤六、利用第二纠错编码矩阵进行训练：

根据步骤四中获得的新的特征，获得新集合样本特征向量将步骤五得到的第二纠错编码矩阵中的每一列作为一个SVM两类分类器，每个SVM两类分类器对所述集合样本特征向量χ进行训练，获得决策函数的参数α'_p和b_n，进而获得每个SVM两类分类器相应的决策函数 ${f^{\′}}_n=\left({\tilde{Z}}_t\right)=\mathrm{sgn}\{\underset{p=1}{\overset{{N^{\′}}_{\mathrm{sv}}}{\mathrm{\Σ}}}{{\mathrm{\α}}^{\′}}_p{c}_{p}k({\tilde{Z}}_t,{\tilde{Z}}_p)+b_n\},$ 其中，n＝1,2,…,l'，l'为第二纠错编码矩阵的列数；N'_SV为(I+1)×J组样本数据中离分类超平面最近的支持向量个数；

步骤七、故障判别：

根据步骤六中获得的各个SVM两类分类器，对测试样本进行测试，获得l'个SVM两类分类器的输出值，从而获得一个输出向量s＝{s₁,s₂,…,s_l'}；计算此向量和第二编码矩阵每一个行向量之间的汉明距离，将最小距离对应的行所代表的模式作为最终的判别结果。