武青海

摘 要： 為了提高傳感器故障診斷精度，提出一種基于局部均值分解和支持向量機(jī)相融合的傳感器故障診斷算法。首先利用局部均值分解方法將傳感器的輸出信號分解成一系列由包絡(luò)信號和純調(diào)頻信號相乘所得的PF分量；然后利用支持向量機(jī)進(jìn)行故障識別；最后采用Matlab編程實(shí)現(xiàn)仿真對比實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，該方法可以較好地識別傳感器故障，提高了傳感器故障診斷的穩(wěn)定性和準(zhǔn)確性。

關(guān)鍵詞： 局部均值分解； 支持向量機(jī)； 傳感器故障診斷； 故障識別

中圖分類號： TN911.7?34； TP911 文獻(xiàn)標(biāo)識碼： A 文章編號： 1004?373X（2017）03?0110?04

Sensor fault diagnosis fusing local mean decomposition with support vector machine

WU Qinghai

（Jilin Agricultural Science and Technology University， Jilin 132101， China）

Abstract： In order to improve the diagnosis accuracy of the sensor fault， a sensor fault diagnosis algorithm based on the fusion of local mean decomposition and support vector machine is proposed. The local mean decomposition method is used to decompose the sensor′s output signal into a series PF components obtained by multiplying the envelope signal by pure FM signal. The support vector machine （SVM） is employed to recognize the sensor fault. The Matlab programming is used to realize the simulation comparison experiments. The results show this method can identify the sensor fault better， and improve the stability and accuracy of the sensor fault diagnosis.

Keywords： local mean decomposition； support vector machine； sensor fault diagnosis； fault identification

0 引 言

傳感節(jié)點(diǎn)隨機(jī)部署于目標(biāo)的感知視場區(qū)域，獲取目標(biāo)溫度、光強(qiáng)度、噪聲、壓力，達(dá)到信息采集和目標(biāo)監(jiān)測的目的，而今無線傳感器網(wǎng)絡(luò)已經(jīng)廣泛應(yīng)用在礦壓監(jiān)測、智能家居、倉庫控制等各個領(lǐng)域，展示了較好的應(yīng)用價值，傳感器節(jié)點(diǎn)受到物理環(huán)境和通信中斷等因素的影響，容易產(chǎn)生故障，需要進(jìn)行傳感器故障的有效診斷，保障網(wǎng)絡(luò)的暢通[1?3]。

對傳感器故障診斷的原理是通過對故障信號的特征提取和分析，實(shí)現(xiàn)故障類別判別，典型的方法有時域分析診斷法、專家系統(tǒng)診斷法、時頻特征檢測法、故障節(jié)點(diǎn)的自適應(yīng)盲分離定位法和人工神經(jīng)網(wǎng)絡(luò)識別方法等[4]，但是這些算法在受到較大的電磁雜波干擾和串?dāng)_時，檢測精度受到限制[5?6]。

為了提高傳感器故障診斷精度，提出了基于局部均值分解和支持向量機(jī)相融合的傳感器故障診斷算法，實(shí)驗(yàn)結(jié)果表明，該方法可以較好地識別傳感器故障，提高了傳感器故障診斷的穩(wěn)定性和準(zhǔn)確性。

1 傳感器故障信號的采集

為了實(shí)現(xiàn)對傳感器的智能故障診斷，首先進(jìn)行傳感器故障信號的采集，傳感器的故障信號來源于傳感器節(jié)點(diǎn)在目標(biāo)監(jiān)測區(qū)域出現(xiàn)溫度、壓力、噪聲等信號異常，通過換能器實(shí)現(xiàn)對傳感器故障信號的物理特征轉(zhuǎn)換，實(shí)現(xiàn)對溫度、壓力、噪聲等信號的轉(zhuǎn)換[7]。采用時域和頻域分析方法構(gòu)建傳感器故障信號采集模型，傳感器故障信號采集過程中受到交叉項的嚴(yán)重干擾，帶來了不該有的頻率能量，在信號采集的基礎(chǔ)上，還要進(jìn)行信號濾波。構(gòu)建的無線傳感器網(wǎng)絡(luò)結(jié)構(gòu)模型如圖1所示。

根據(jù)信道測量模型，得到無線傳感器網(wǎng)絡(luò)在通信節(jié)點(diǎn)覆蓋區(qū)域[G]的信號傳輸模型為：

[xs=WTsy] （1）

式中[xs=xη1，xη2，…，xηNT，]表示采集樣本集。

單位區(qū)域的無線傳感器節(jié)點(diǎn)的通信覆蓋半徑一致，因此可以在簇頭節(jié)點(diǎn)最大跳數(shù)方位內(nèi)構(gòu)建無線傳感器網(wǎng)絡(luò)的信號傳遞狀態(tài)特征方程：

[x（k+1）=Φ（k）x（k）+J（k）M（k）+w（k）] （2）

其中：

[Φ（k）=[A（k）-J（k）H（k）]w（k）=Γ（k）w（k）-J（k）V（k）J（k）=Γ（k）B（k）R-1（k）] （3）

此時，傳感器網(wǎng)絡(luò)信息融合的檢驗(yàn)統(tǒng)計量[w（k）]的方差為：

[Q（k）=E[w（k）wT（k）]=Γ（k）[Q（k）-B（k）R-1（k）BT（k）]ΓT（k）] （4）

根據(jù)傳感器的極大極小準(zhǔn)則，得到[w（k）]與[V（k）]的協(xié)方差為[E[w（k）VT（k）]=0，]無線傳感器的故障信號采樣融合的方差滿足：

[E[V（k）VT（k）]=R1v（k）D12（k）…D1N（k）D21（k）R2v（k）…D2N（k）????DN1（k）DN2（k）…RNv（k）：=RV（k）] （5）

傳感器故障信號采集模型為：

[z（t）=x（t）+iy（t）=a（t）eiθ（t）] （6）

其中：

[a（t）=x2（t）+y2（t）， θ（t）=arctany（t）x（t）] （7）

式中：[a（t）]和[θ（t）]為故障信號的包絡(luò)幅值和相位信息，[a（t）]和[θ（t）]為采樣時間序列，即有：

[zik=hik（xk，uk）+vik， i=1，2，…，M] （8）

式中：[hik（xk，uk）]為沖激響應(yīng)函數(shù)；[vik]為噪聲干擾項。

故障信號具有噪聲干擾項，需要濾波處理來提高信號純度，采用二階格型陷波器進(jìn)行信號濾波[8]，二階格型陷波器的設(shè)計結(jié)構(gòu)框圖如圖2所示。

設(shè)傳感器網(wǎng)絡(luò)故障信號[x（k）]為一組有不同頻率能量分量的干擾信號，[y（k）]為輸出，根據(jù)經(jīng)驗(yàn)?zāi)B(tài)分解，濾波器的頻率點(diǎn)落在[x（k）]的頻率范圍內(nèi)，能有效實(shí)現(xiàn)對故障信號的能量聚焦，對得到的IMF分量進(jìn)行噪聲抵消；輸出信號[y（k）]通過自適應(yīng)特征匹配，用輸入[x（k）]減去輸出[y（k）]可以得到殘余信號[rn]的幅值；[x1（n）]是自適應(yīng)級聯(lián)濾波器的一個狀態(tài)參數(shù)。

設(shè)定自適應(yīng)級聯(lián)濾波器的抽頭數(shù)[L，][0<μ<2LSmax，][Smax]是IMF分量經(jīng)Hilbert變換的濾波系數(shù)，令自適應(yīng)權(quán)值[w0=0，]得到故障信號濾波的迭代模型為：

[θ1（k+1）=θ1（k）-μRe[y（k）φ*（k）]] （9）

式中：[μ]是時間線性系統(tǒng)收斂控制參數(shù)；[φ（k）]是故障信號期望。

用[y（k）]和[θ1k]進(jìn)行自適應(yīng)加權(quán)，得到改進(jìn)的信號濾波器的傳遞函數(shù)為：

[HB（z）=（1+sinθ2）cosθ2cosθ1（k）cosθ2z-11+sinθ1（k）（1+sinθ2）z-1+sinθ2z-2G（z）] （10）

其中：

[G（z）=1-sinθ221-z-21+sinθ1（k）（1+sinθ2）z-1+sinθ2z-2] （11）

輸入的傳感器網(wǎng)絡(luò)的故障信號[u（k）]經(jīng)過二階格型陷波器濾波，使得輸出傳感器故障信號與期望響應(yīng)之間的匹配度最大，令[d（k）]代表濾波輸出的故障信號的均方根誤差，得到對噪聲濾波后的信號增益為：

[ε（k）=d（k）-y（k）=d（k）-i=1MWix（k-i）] （12）

對式（12）兩邊取數(shù)學(xué)期望，實(shí)現(xiàn)對傳感器網(wǎng)絡(luò)故障信號的抗干擾濾波處理，使得均方誤差最小，提高故障信號的分析能力。

2 傳感器故障診斷算法的設(shè)計與實(shí)現(xiàn)

2.1 故障信號局部均值分解

將傳感器故障信號通過局部均值分解表示為[z（t）]是[x（t）]與[1t]的卷積，為：

[WDx（t，f）=xt+τ2x*t-τ2e-j2πftdτ] （13）

把傳感器故障信號的時域和頻域結(jié)合在一起，由瞬時頻率的不變性[9?11]構(gòu)造一個能反映傳感器故障信號固有模態(tài)時頻聯(lián)合分布[p（t，f），]在時間軸上進(jìn)行局部均值分解，得到信號[x（t）]的第[n]個局部均值分解分量：

[r1-c2=r2 ?rn-1-cn=rn] （14）

由此得到傳感器網(wǎng)絡(luò)的故障信號IMF分量[cn]或殘余信號[rn]的幅值，在連續(xù)滑動窗口中對故障信號進(jìn)行時頻特征提取，得到的提取結(jié)果為：

[x（t）=i=1nci+rn] （15）

式中：[ci]代表局部均值分解IMF分量；[rn]代表局部均值分解的殘余函數(shù)。

對故障信號[x（t）]做分?jǐn)?shù)階傅里葉變換為：

[STFT（t，f）=-∞∞x（τ）h?（τ-t）e-j2πfτdτ] （16）

式中：[τ]為局部極值窗函數(shù)；[f]為頻率；[t]為局部時間尺度。

利用局部均值分解方法將傳感器的輸出信號分解成一系列由包絡(luò)信號和純調(diào)頻信號相乘所得的PF分量，表示為：

[y（t）=1πPx（τ）t-τdτ=x（t）*1πt] （17）

式中：[P]表示頻率調(diào)制的柯西主值；[x（τ）]表示IMF函數(shù)在每一個周期內(nèi)的固有模態(tài)特征，包絡(luò)下平均值為：

[SD=t=0Th1（k-1）（t）-h1k（t）2h21（k-1）（t）] （18）

由此提取到故障信號的PF分量特征信息，以提取到的PF分量特征作為故障屬性特征參量，進(jìn)行故障分類診斷和識別。

2.2 支持向量機(jī)分類的故障診斷

支持向量機(jī)是較好的分類器，采用支持向量機(jī)對提取到的傳感器故障信號的PF分量特征進(jìn)行自適應(yīng)聚類處理，支持向量機(jī)模型描述為：

[hj（t）=hj-1（t）-mj-1（t）] （19）

把故障信號的PF分量特征輸入到支持向量機(jī)模型中，考察[hj-1（t）]和[hj（t）]是否滿足故障判別終止條件，即[SD=t=0Th1（k-1）（t）-h1k（t）2h21（k-1）（t）≤0.3，]若滿足則該傳感器節(jié)點(diǎn)輸出的信號具有顯著差異性，表明該傳感器節(jié)點(diǎn)為故障節(jié)點(diǎn)，此時滿足[ci（t）=hj（t）]。通過局部均值分解與支持向量機(jī)相融合，把一個復(fù)雜的傳感器故障信號分解成若干包絡(luò)信號和純調(diào)頻信號，并利用支持向量機(jī)對故障特征進(jìn)行自適應(yīng)分類，實(shí)現(xiàn)智能故障識別和診斷。改進(jìn)算法的實(shí)現(xiàn)流程描述如圖3所示。

3 實(shí)驗(yàn)與結(jié)果分析

無線傳感器網(wǎng)絡(luò)網(wǎng)格大小區(qū)域覆蓋為[A=300 m×300 m，]總的傳感器節(jié)點(diǎn)數(shù)為[N=]4 000，單個無線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)的輻射半徑為[R=20]m，故障信號采樣頻率為60 kHz，載波頻率為3 kHz，故障信號分解的時寬為[Tp=]0.2 s，起始頻率為[f1=]150 Hz，終止頻率為[f2=]250 Hz，濾波器的參數(shù)設(shè)定為[σ2w=1，][r=0.8，][θ=]0.4π。每種傳感器故障工況采集信號樣本為40，共計2 000個樣本。根據(jù)上述仿真環(huán)境和參數(shù)設(shè)定，進(jìn)行傳感器故障診斷仿真分析，首先進(jìn)行故障信號的采集和傳輸接收，得到的信號時域模型如圖4所示。

以上述傳感器傳輸?shù)墓收闲盘枮闇y試訓(xùn)練集，進(jìn)行故障診斷分析，對故障信號進(jìn)行濾波處理，得到濾波輸出的信號模型如圖5所示。從圖5可見，通過信號濾波，有效去除了干擾向量，提高了信號輸出的純度。

利用局部均值分解方法將傳感器的輸出信號分解成一系列由包絡(luò)信號和純調(diào)頻信號相乘所得的PF分量，包絡(luò)信號和純調(diào)頻信號如圖6所示。

對傳感器輸出信號的局部均值分解特征采用支持向量機(jī)進(jìn)行故障定位，得到傳感器的故障定位結(jié)果如圖7所示。

從圖7可見，采用本文算法進(jìn)行故障檢測，信號的PF分量能準(zhǔn)確定位故障的時頻尺度，實(shí)現(xiàn)對傳感器輸出信號故障特征的準(zhǔn)確提取和故障節(jié)點(diǎn)的定位判別。為了定量對比算法性能，采用本文算法和傳統(tǒng)方法，以故障檢測的準(zhǔn)確度為定量分析指標(biāo)，得到的對比結(jié)果見表1。

從表1中的結(jié)果可見，隨著信噪比的增大，對故障診斷的準(zhǔn)確度不斷提高，而總體來說，本文算法對故障的檢測精度高于傳統(tǒng)算法。

4 結(jié) 語

通過對傳感器傳輸信號的特征提取和分析，實(shí)現(xiàn)故障類別判別，提出了基于局部均值分解和支持向量機(jī)相融合的傳感器故障診斷算法，研究結(jié)果表明，本文算法的故障診斷準(zhǔn)確度高，穩(wěn)定性能較好。

參考文獻(xiàn)

[1] 王瑞，馬艷.基于分?jǐn)?shù)階傅里葉變換的線性調(diào)頻脈沖信號波達(dá)方向估計[J].兵工學(xué)報，2014，35（3）：421?427.

[2] 程新根，馬朝華.基于WSN的天然氣管道運(yùn)行狀態(tài)安全監(jiān)測系統(tǒng)設(shè)計[J].物聯(lián)網(wǎng)技術(shù)，2015，5（10）：23?25.

[3] 陸興華，吳恩燊，黃冠華.基于Android的智能家居控制系統(tǒng)軟件設(shè)計研究[J].物聯(lián)網(wǎng)技術(shù)，2015，5（11）：14?16.

[4] 楊俊，周丙寅，張毅，等.基于遞歸圖分析的壓縮機(jī)故障診斷算法研究[J].計算機(jī)與數(shù)字工程，2013，41（6）：984?986.

[5] 梁生，劉騰飛，盛新志，等.基于空間域差分的φ?OTDR光纖分布式擾動傳感器定位方法研究[J].紅外與激光工程，2016，45（6）：253?257.

[6] 黃朝，許鑫，劉敦歌，等.基于多傳感器的微弱磁異常信號提取方法研究[J].電子測量技術(shù)，2015，38（10）：91?95.

[7] 鄧異，梁燕，周勇.水聲換能器基陣信號采集系統(tǒng)優(yōu)化設(shè)計[J].物聯(lián)網(wǎng)技術(shù)，2015，5（4）：36?37.

[8] 張毅，盛會平，胡光波.基于相空間重構(gòu)和K?L變換的壓縮機(jī)故障診斷[J].壓縮機(jī)技術(shù)，2011（4）：19?21.

[9] 張毅，周丙寅.井下直線電機(jī)泵故障檢測儀硬件系統(tǒng)設(shè)計[J].計算機(jī)與數(shù)字工程，2012，40（11）：162?166.

[10] 劉昊晨，梁紅.線性調(diào)頻信號參數(shù)估計和仿真研究[J].計算機(jī)仿真，2011，28（2）：157?159.

[11] 劉家亮，王海燕，姜喆，等.垂直線列陣結(jié)構(gòu)對PTRM陣處理空間增益的影響[J].魚雷技術(shù)，2010，18（4）：263?267.