專利名稱:一種傳感器故障診斷方法及診斷裝置的制作方法
技術(shù)領(lǐng)域:
本發(fā)明涉及傳感器故障診斷領(lǐng)域,尤其是涉及一種傳感器故障診斷方法及診斷裝置。
背景技術(shù):
由精密元件組成的傳感器經(jīng)常工作在高溫、高壓、振動(dòng)、沖擊、污染、電磁干擾等惡劣環(huán)境下,使得傳感器很容易發(fā)生故障,引起輸出信號(hào)失真,影響信號(hào)采集的準(zhǔn)確性、穩(wěn)定性和可靠性,進(jìn)而影響整個(gè)控制系統(tǒng)的性能,甚至?xí)?duì)車輛等的安全性構(gòu)成威脅。因此,傳感器的故障診斷是提高車輛等控制系統(tǒng)可靠性的重要手段。根據(jù)傳感器故障的表現(xiàn)形式可將其分為緩變型故障和突變型故障,本發(fā)明僅涉及診斷傳感器的突變故障。
當(dāng)傳感器發(fā)生突變故障時(shí),在其輸出信號(hào)中會(huì)產(chǎn)生瞬變,而這種包含瞬變的傳感器輸出信號(hào)是非平穩(wěn)信號(hào)。在現(xiàn)有技術(shù)中,傳統(tǒng)的基于信號(hào)分析的故障診斷方法是基于傅立葉變換的,發(fā)明人在實(shí)現(xiàn)本發(fā)明的過程中發(fā)現(xiàn),傅立葉變換雖然能有效地分析平穩(wěn)信號(hào),但其所使用的是一種全局的變換,要么完全在時(shí)域,要么完全在頻域,因此無法表述信號(hào)的時(shí)-頻局域性質(zhì),而這種性質(zhì)恰恰是非平穩(wěn)信號(hào)最根本、最關(guān)鍵的性質(zhì)。因此,用傳統(tǒng)的信號(hào)分析方法診斷傳感器突變故障有很大的局限性。
發(fā)明內(nèi)容
本發(fā)明實(shí)施例的目的是提供一種傳感器故障診斷方法及診斷裝置,以對(duì)傳感器的突變故障進(jìn)行有效的診斷。本發(fā)明實(shí)施例公開了一種傳感器故障診斷方法,包括接收傳感器的輸出信號(hào);應(yīng)用小波包對(duì)所述輸出信號(hào)進(jìn)行分解;篩選出具有最大幅值的小波包變換系數(shù),以保留可表征故障特征的數(shù)據(jù);根據(jù)傳感器各頻率成分能量的變化率進(jìn)行特征提取,以獲取特征向量;將所述特征向量輸入到指定神經(jīng)網(wǎng)絡(luò)中,以獲取傳感器故障類型,其中所述指定神經(jīng)網(wǎng)絡(luò)的輸入和輸出層結(jié)點(diǎn)數(shù)分別由所述特征向量的維數(shù)和傳感器故障類型數(shù)確定,網(wǎng)絡(luò)權(quán)值和閾值經(jīng)訓(xùn)練樣本訓(xùn)練確定。優(yōu)選的,篩選出具有最大幅值的小波包變換系數(shù)的步驟,具體包括將所有小波包系數(shù)的絕對(duì)值與指定門限值相比較,若被比較的小波包系數(shù)的絕對(duì)值小于所述指定門限值,則將所述被比較的小波包系數(shù)的值設(shè)為零,以過濾掉幅值較小的小波包系數(shù)從而篩選出具有最大幅值的小波包變換系數(shù)。優(yōu)選的,所述指定門限值具體為每一小波包節(jié)點(diǎn)上的系數(shù)的均方根值。優(yōu)選的,篩選出具有最大幅值的小波包變換系數(shù)的步驟中,將所述被比較的小波包系數(shù)的值設(shè)為零的步驟之后還包括使用相關(guān)重建誤差來衡量數(shù)據(jù)篩選的質(zhì)量和效果。
優(yōu)選的,根據(jù)傳感器各頻率成分能量的變化率進(jìn)行特征提取,以獲取特征向量的步驟,具體包括根據(jù)小波包對(duì)所述輸出信號(hào)進(jìn)行分解的層數(shù)確定特征向量的維度;根據(jù)傳感器突變故障發(fā)生后與發(fā)生前在不同小波包結(jié)點(diǎn)上能量的變化率及所述特征向量的維度構(gòu)建能量變化率向量;對(duì)所述能量變化率向量進(jìn)行歸一化處理,以得到特征向量。本發(fā)明實(shí)施例還公開了一種傳感器故障診斷裝置,包括信號(hào)接收單元,用于接收傳感器的輸出信號(hào);小波包分解單元,用于應(yīng)用小波包對(duì)所述輸出信號(hào)進(jìn)行分解;·
小波包變換系數(shù)篩選單元,用于篩選出具有最大幅值的小波包變換系數(shù),以保留·可表征故障特征的數(shù)據(jù);特征向量提取單元,用于根據(jù)傳感器各頻率成分能量的變化率進(jìn)行特征提取,以獲取特征向量;神經(jīng)網(wǎng)絡(luò)判斷單元,用于將所述特征向量輸入到指定神經(jīng)網(wǎng)絡(luò)中,以獲取傳感器故障類型,其中所述指定神經(jīng)網(wǎng)絡(luò)的輸入和輸出層結(jié)點(diǎn)數(shù)分別由所述特征向量的維數(shù)和傳感器故障類型數(shù)確定,網(wǎng)絡(luò)權(quán)值和閾值經(jīng)訓(xùn)練樣本訓(xùn)練確定。優(yōu)選的,所述小波包變換系數(shù)篩選單元具體包括小波包系數(shù)比較子單元,用于將所有小波包系數(shù)的絕對(duì)值與指定門限值相比較,若被比較的小波包系數(shù)的絕對(duì)值小于所述指定門限值,則觸發(fā)置零子單元;所述置零子單元,用于則將所述被比較的小波包系數(shù)的值設(shè)為零,以過濾掉幅值較小的小波包系數(shù)從而篩選出具有最大幅值的小波包變換系數(shù)。優(yōu)選的,所述指定門限值具體為每一小波包節(jié)點(diǎn)上的系數(shù)的均方根值。優(yōu)選的,所述小波包變換系數(shù)篩選單元還包括篩選質(zhì)量評(píng)價(jià)子單元,用于使用相關(guān)重建誤差來衡量數(shù)據(jù)篩選的質(zhì)量和效果。優(yōu)選的,所述特征向量提取單元具體包括特征向量維度獲取子單元,用于根據(jù)小波包對(duì)所述輸出信號(hào)進(jìn)行分解的層數(shù)確定特征向量的維度;能量變化率向量構(gòu)建子單元,用于根據(jù)傳感器突變故障發(fā)生后與發(fā)生前在不同小波包結(jié)點(diǎn)上能量的變化率及所述特征向量的維度構(gòu)建能量變化率向量;歸一化子單元,用于對(duì)所述能量變化率向量進(jìn)行歸一化處理,以得到特征向量。本發(fā)明實(shí)施例利用小波包變換能夠?qū)Π瞧椒€(wěn)態(tài)特點(diǎn)的信號(hào)進(jìn)行更為精細(xì)的特征提取的優(yōu)勢(shì)和神經(jīng)網(wǎng)絡(luò)適合多故障的復(fù)雜模式識(shí)別的特點(diǎn),在無需預(yù)先建立傳感器模型的情況下,采用小波包對(duì)傳感器動(dòng)態(tài)信號(hào)進(jìn)行精細(xì)劃分,一旦傳感器輸出信號(hào)的局部變化被檢測(cè)到,根據(jù)發(fā)生故障前與發(fā)生故障后在不同頻率段的小波包變換信號(hào)的能量分布的不同,提取出特征向量,并輸入到神經(jīng)網(wǎng)絡(luò)中,并根據(jù)神經(jīng)網(wǎng)絡(luò)的輸出確定傳感器故障類型,從而能夠有效診斷傳感器的突變故障。
為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案,下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹,顯而易見地,下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例,對(duì)于本領(lǐng)域普通技術(shù)人員來講,在不付出創(chuàng)造性勞動(dòng)的前提下,還可以根據(jù)這些附圖獲得其他的附圖。圖I是本發(fā)明實(shí)施例一方法流程圖;圖2是三層小波包分解樹狀結(jié)構(gòu)示意圖;圖3是本發(fā)明實(shí)施例二裝置示意圖。
具體實(shí)施方式
下面將結(jié)合本發(fā)明實(shí)施例中的附圖,對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述,顯然,所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例,而不是全部的實(shí)施例?;诒景l(fā)明中的實(shí)施例,本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例,都屬于本發(fā)明保護(hù)的范圍。實(shí)施例一本實(shí)施例將小波包變換和神經(jīng)網(wǎng)絡(luò)結(jié)合起來對(duì)傳感器的突變故障進(jìn)行診斷。小波包可以看成是函數(shù)空間逐級(jí)正交剖分的擴(kuò)展,并繼承了相應(yīng)小波函數(shù)的特性。小波包分析能夠?yàn)樾盘?hào)提供一種更加精細(xì)的分析方法,它將頻帶進(jìn)行多層次劃分,對(duì)信號(hào)的高頻部分實(shí)行與低頻部分相同的進(jìn)一步分解,并能夠根據(jù)被分析信號(hào)的特征,自適應(yīng)地選擇相應(yīng)頻帶,使之與信號(hào)頻譜相匹配,從而提高了時(shí)-頻分辨率。其每次分解都相當(dāng)于同時(shí)進(jìn)行低頻和高頻濾波,進(jìn)一步分解出低頻和高頻兩部分,這樣一直下去,使低頻和高頻都能達(dá)到很精細(xì)的程度。圖I為本發(fā)明實(shí)施例一方法的流程圖,提供了一種傳感器故障診斷方法,所述方法包括SlOl :接收傳感器的輸出信號(hào)。S102 :應(yīng)用小波包對(duì)所述輸出信號(hào)進(jìn)行分解。本實(shí)施例采用小波包變換對(duì)傳感器動(dòng)態(tài)信號(hào)進(jìn)行精細(xì)劃分。小波包是小波函數(shù)線性組合形成的替代基,各個(gè)空間都有自己的整數(shù)位移正交歸一基。小波包函數(shù)W;k(t) = 2j,2Wn(2jt-k)[I]Wfk(t)為小波包函數(shù)。與一般的小波一樣,整數(shù)j代表尺度因子,整數(shù)k代表平移因子,上標(biāo)n是調(diào)制參數(shù),代表j尺度級(jí)別下的空間序號(hào)。第一級(jí)的小波包函數(shù)分別是通常的尺度函數(shù)和小波函數(shù)W0 (t) = (t) , W1 (t) = ¥ (t)通過尺度的伸縮,對(duì)n=0,1,2…,小波包函數(shù)可以由以下關(guān)系確立曠(0=抱h -k)= ^gkW1'(2t-k)[2]
. .k . . . _ k某一函數(shù)的小波包變換系數(shù)可以通過下式計(jì)算.V;U) =<./'(aIK(0>Pj是小波包系數(shù),n為在結(jié)點(diǎn)(j,k)上的系數(shù)的個(gè)數(shù),f(t)為傳感器輸出信號(hào)。應(yīng)用小波包對(duì)傳感器輸入信號(hào)進(jìn)行分解,一旦傳感器輸出信號(hào)的局部變化被檢測(cè)至IJ,發(fā)生故障前與發(fā)生故障后在不同頻率段的小波包變換信號(hào)的能量分布的不同,將作為特征向量被提取出來。圖2示出了三層小波包分解的樹狀結(jié)構(gòu)示意圖。S103 :篩選出具有最大幅值的小波包變換系數(shù),以保留可表征故障特征的數(shù)據(jù)。在所采集的傳感器輸出數(shù)據(jù)中只保留可表征數(shù)據(jù)特征(故障)的一些數(shù)據(jù),而這些特征是由具有最大幅值的小波包變換系數(shù)所表述的,據(jù)此來選擇小波包變換系數(shù)。在小波包樹結(jié)構(gòu)中,『么(0為小波包函數(shù)(5X6),整數(shù)j和k分別為尺度和變換因子,n為調(diào)整參數(shù)。
權(quán)利要求
1.一種傳感器故障診斷方法,其特征在于,包括 接收傳感器的輸出信號(hào); 應(yīng)用小波包對(duì)所述輸出信號(hào)進(jìn)行分解; 篩選出具有最大幅值的小波包變換系數(shù),以保留可表征故障特征的數(shù)據(jù); 根據(jù)傳感器各頻率成分能量的變化率進(jìn)行特征提取,以獲取特征向量; 將所述特征向量輸入到指定神經(jīng)網(wǎng)絡(luò)中,以獲取傳感器故障類型,其中所述指定神經(jīng)網(wǎng)絡(luò)的輸入和輸出層結(jié)點(diǎn)數(shù)分別由所述特征向量的維數(shù)和傳感器故障類型數(shù)確定,網(wǎng)絡(luò)權(quán)值和閾值經(jīng)訓(xùn)練樣本訓(xùn)練確定。
2.根據(jù)權(quán)利要求I所述的方法,其特征在于,篩選出具有最大幅值的小波包變換系數(shù)的步驟,具體包括 將所有小波包系數(shù)的絕對(duì)值與指定門限值相比較,若被比較的小波包系數(shù)的絕對(duì)值小于所述指定門限值,則將所述被比較的小波包系數(shù)的值設(shè)為零,以過濾掉幅值較小的小波包系數(shù)從而篩選出具有最大幅值的小波包變換系數(shù)。
3.根據(jù)權(quán)利要求2所述的方法,其特征在于,所述指定門限值具體為每一小波包節(jié)點(diǎn)上的系數(shù)的均方根值。
4.根據(jù)權(quán)利要求2所述的方法,其特征在于,篩選出具有最大幅值的小波包變換系數(shù)的步驟中,將所述被比較的小波包系數(shù)的值設(shè)為零的步驟之后還包括 使用相關(guān)重建誤差來衡量數(shù)據(jù)篩選的質(zhì)量和效果。
5.根據(jù)權(quán)利要求I所述的方法,其特征在于,根據(jù)傳感器各頻率成分能量的變化率進(jìn)行特征提取,以獲取特征向量的步驟,具體包括 根據(jù)小波包對(duì)所述輸出信號(hào)進(jìn)行分解的層數(shù)確定特征向量的維度; 根據(jù)傳感器突變故障發(fā)生后與發(fā)生前在不同小波包結(jié)點(diǎn)上能量的變化率及所述特征向量的維度構(gòu)建能量變化率向量; 對(duì)所述能量變化率向量進(jìn)行歸一化處理,以得到特征向量。
6.一種傳感器故障診斷裝置,其特征在于,包括 信號(hào)接收單元,用于接收傳感器的輸出信號(hào); 小波包分解單元,用于應(yīng)用小波包對(duì)所述輸出信號(hào)進(jìn)行分解; 小波包變換系數(shù)篩選單元,用于篩選出具有最大幅值的小波包變換系數(shù),以保留可表征故障特征的數(shù)據(jù); 特征向量提取單元,用于根據(jù)傳感器各頻率成分能量的變化率進(jìn)行特征提取,以獲取特征向量; 神經(jīng)網(wǎng)絡(luò)判斷單元,用于將所述特征向量輸入到指定神經(jīng)網(wǎng)絡(luò)中,以獲取傳感器故障類型,其中所述指定神經(jīng)網(wǎng)絡(luò)的輸入和輸出層結(jié)點(diǎn)數(shù)分別由所述特征向量的維數(shù)和傳感器故障類型數(shù)確定,網(wǎng)絡(luò)權(quán)值和閾值經(jīng)訓(xùn)練樣本訓(xùn)練確定。
7.根據(jù)權(quán)利要求6所述的裝置,其特征在于,所述小波包變換系數(shù)篩選單元具體包括 小波包系數(shù)比較子單元,用于將所有小波包系數(shù)的絕對(duì)值與指定門限值相比較,若被比較的小波包系數(shù)的絕對(duì)值小于所述指定門限值,則觸發(fā)置零子單元; 所述置零子單元,用于則將所述被比較的小波包系數(shù)的值設(shè)為零,以過濾掉幅值較小的小波包系數(shù)從而篩選出具有最大幅值的小波包變換系數(shù)。
8.根據(jù)權(quán)利要求7所述的裝置,其特征在于,所述指定門限值具體為每一小波包節(jié)點(diǎn)上的系數(shù)的均方根值。
9.根據(jù)權(quán)利要求7所述的裝置,其特征在于,所述小波包變換系數(shù)篩選單元還包括 篩選質(zhì)量評(píng)價(jià)子單元,用于使用相關(guān)重建誤差來衡量數(shù)據(jù)篩選的質(zhì)量和效果。
10.根據(jù)權(quán)利要求6所述的裝置,其特征在于,所述特征向量提取單元具體包括 特征向量維度獲取子單元,用于根據(jù)小波包對(duì)所述輸出信號(hào)進(jìn)行分解的層數(shù)確定特征向量的維度; 能量變化率向量構(gòu)建子單元,用于根據(jù)傳感器突變故障發(fā)生后與發(fā)生前在不同小波包結(jié)點(diǎn)上能量的變化率及所述特征向量的維度構(gòu)建能量變化率向量; 歸一化子單元,用于對(duì)所述能量變化率向量進(jìn)行歸一化處理,以得到特征向量。
全文摘要
本發(fā)明實(shí)施例公開了一種傳感器故障診斷方法及診斷裝置,所述方法包括接收傳感器的輸出信號(hào);應(yīng)用小波包對(duì)所述輸出信號(hào)進(jìn)行分解;篩選出具有最大幅值的小波包變換系數(shù),以保留可表征故障特征的數(shù)據(jù);根據(jù)傳感器各頻率成分能量的變化率進(jìn)行特征提取,以獲取特征向量;將所述特征向量輸入到指定神經(jīng)網(wǎng)絡(luò)中,以獲取傳感器故障類型,其中所述指定神經(jīng)網(wǎng)絡(luò)的輸入和輸出層結(jié)點(diǎn)數(shù)分別由所述特征向量的維數(shù)和傳感器故障類型數(shù)確定,網(wǎng)絡(luò)權(quán)值和閾值經(jīng)訓(xùn)練樣本訓(xùn)練確定。本發(fā)明實(shí)施例采用小波包對(duì)傳感器動(dòng)態(tài)信號(hào)進(jìn)行精細(xì)劃分,并根據(jù)神經(jīng)網(wǎng)絡(luò)的輸出確定傳感器故障類型,從而能夠有效診斷傳感器的突變故障。
文檔編號(hào)G01D18/00GK102680017SQ20121017632
公開日2012年9月19日 申請(qǐng)日期2012年5月31日 優(yōu)先權(quán)日2012年5月31日
發(fā)明者劉信奎, 張洪坤, 文武紅, 潘鳳文, 陳雪麗 申請(qǐng)人:濰柴動(dòng)力股份有限公司