基于小波分析和神经网络的传感器故障诊断.pdf

电气与自动化李子凡等基于小波分析和神经网络的传感器故障诊断第一作者简介:李子凡()男安徽宣城人硕士研究生研究方向为控制工程.:./.基于小波分析和神经网络的传感器故障诊断李子凡叶志锋王彬(南京航空航天大学 能源与动力学院江苏 南京)摘 要:结合多维度特征提取和故障识别方法提出一种基于小波分析和神经网络的传感器故障诊断方法 运用小波变换模极大值特征提取方法和高频小波能量特征提取方法在小波分解层数和小波类型两个不同维度对传感器信号进行特征提取提取的特征矩阵具有序列特性 研究结果表明:特征矩阵相对于特征向量对不同信号具有更明显的区分度运用 神经网络对传感器进行故障诊断根据不同压力工况下的传感器特征数据集训练针对不同压力工况的 神经网络预测模型提高了预测模型的泛化能力对 神经网络预测方法进行试验验证基于预测模型对随机压力工况下发生的随机故障进行预测预测准确率达到.关键词:故障诊断小波多分辨率分析多维度特征提取 神经网络中图分类号:文献标志码:文章编号:()():.:引言传感器作为系统获取运行数据的重要部件在现代化控制系统中有着大量的应用 控制系统能够根据传感器测量的数据来识别系统的运行状态得出当前运行状态下的最优控制指令来调节系统的运行 因此系统的稳定运行很大程度上取决于传感器测量的数据是否准确在大部分工程应用中传感器的工作环境充斥着高温、高压、粉尘、潮湿等恶劣条件由精密器件组成的传感器长期工作在这种环境下发生故障在所难免 一旦传感器发生故障将会使控制系统获取错误的运行数据发出错误的控制指令最终导致系统无法正常运行这在某些情况下将是致命的 因此发展高效且实用的传感器故障诊断技术就显得尤为重要传统的传感器故障诊断技术包括基于定性经验的方法、基于解析模型的方法和基于数据驱动的方法 基于定性经验的方法包括专家系统、定性仿真等需要结合经验知识进行故障诊断基于解析模型的方法包括状态估计、解析冗余等需要对系统进行精确建模基于数据驱动的方法包括信号分析、机器学习等是直接对传感器数据进行分析来诊断故障的方法 由于传感器的精密程度越来越高出现的故障也趋于复杂化传统的故障诊断技术已经很难适应复杂化故障的诊断需求 随着机器学习、人工智能等方法的兴起传感器故障诊断技术也得到了快速发展不同的传感器故障诊断技术逐渐出现了融合的趋势目前主流的传感器故障诊断方法是利用信号分析技术对传感器输出信号进行特征提取然后利用机器学习、人工智能等方法基于提取的特征数据训练分类、预测模型来进行传感器故障诊断 文献基于主元分析特征抽取和 多类分类实现了对流量传感器的故障诊断 该方法的故障诊断准确率较高但需要训练多个 分类器增加了故障诊断所需的时间 文献以小波变换和神经网络为基础使用正常传感器对故障传感器输出值进行预测 该方法提高了神经网络诊断和预测信号的精度但是对带有噪声传感器信号的预测准确率会降低 文献结合非线性无源观测器与 神经网络提出了一种电气与自动化李子凡等基于小波分析和神经网络的传感器故障诊断融合模型和数据的传感器故障诊断方法 该方法提高了故障诊断的鲁棒性和识别率但是当建模精度无法保证时对故障的识别率会降低本文提出了一种基于小波分析和神经网络的传感器故障诊断方法 首先通过多维度特征提取方法从小波分解层数和小波类型两个不同维度对传感器信号进行特征提取得到具有序列特性的特征矩阵然后利用特征矩阵训练长短期记忆()神经网络预测模型对传感器故障进行诊断设计传感器故障诊断系统通过试验验证了此方法的可行性 传感器信号特征提取.小波分析函数()()的连续小波变换定义为()()()()()()()式中:()为尺度因子 为平移因子令 代入式中得到离散小波变换:()()()()()()()()式中:为尺度指标 为平移指标()为离散小波系数通常取离散化参数 得到二进离散小波变换为()()()()()()式中 为二进离散小波变换系数小波分析的放大倍数 会随着尺度指标 改变这就是小波分析的多分辨率特性 小波多分辨率分析通常由 算法实现.传感器信号小波分解对信号进行小波多分辨率分析可以得到不同尺度下信号对应于尺度空间的近似系数和对应于小波空间的细节系数 以周期故障为例运用小波多分辨率分析方法分别对正常信号和周期故障信号进行 层小波分解 传感器信号及对应的小波多分辨率分析结果如图 所示(本刊黑白印刷相关疑问请咨询作者)0246810048121620E/mAL/s0246810048121620E/mAL/s0246810-7.000246810-0.500.50246810-0.500.50246810-0.500.50246810-0.500.50246810-0.500.5 L/s 0246810-0.500.50246810-7.000246810-0.500.50246810-0.500.50246810-0.500.50246810-0.500.50246810-0.500.5 L/s 0246810-0.500.5(a)(b)Kd1d2d3d4d5d6d1d2d3d4d5d6a6a6图 传感器信号及小波分析结果.信号特征提取)小波变换模极大值特征分析信号的间断点也被称为奇异点是进行信号分析时的重点分析对象通常包含着信号的重要信息 信号的奇异性一般用 指数 来表征设信号()在 及其某个领域具有以下性质:()()()()()此式即为()在 处的 指数 的定义式假设存在连续可微的小波函数()其在无穷远处的衰减率为(/()若信号()在区间 内的 尺度小波变换满足()则()在区间内为均匀 指数 对尺度因子 的二进离散小波变换两边取对数得到()()式中二进离散小波变换的尺度指标 通 过 项 与 指数 联系起来电气与自动化李子凡等基于小波分析和神经网络的传感器故障诊断对于不同的 指数 小波变换模极大值随着尺度指标 的变化趋势也不同 图 为 种突变信号的小波变换模极大值随尺度指标 的变化关系 其中斜坡信号的 指数 大于 阶跃信号的 指数 等于 脉冲信号的 指数 小于 x(t)1234WT26 x(t)WT25 x(t)WT24 x(t)WT23 x(t)WT22 x(t)WT21 x(t)ttttttt图 不同信号小波变换模极大值随尺度指标 变化关系若()/对任意尺度因子 在 处过 点则称点()为信号()的局部极值点 若对 任意邻域内 都有()()()则称点()为小波变换的模极大值点对传感器信号进行 层小波分解得到细节系数 对 进行取模处理得到 的非负值记为 提取的最大值记为 即为模极大值 小波变换模极大值提取结果如图 所示12345600.20.40.60.81.0#!LLL.DLDL图 小波变换模极大值随小波分解层数变化图由图 可以看出周期故障、干扰故障、偏差故障和短路故障的小波变换模极大值和正常信号相比区别较为明显 断路故障的小波变换模极大值和正常信号相比存在较小差异但是区别不明显用小波模极大值作为故障特征可能无法有效区分正常信号和断路故障信号)小波变换模极大值特征序列以上研究中对传感器信号进行小波变换模极大值特征提取采用的小波基函数都是 小波 在分析过程中发现 小波对于断路故障这一类缓变故障的分析效果不佳对于小波分解层数维度上的故障特征区分不明显在对断路故障信号采用其他 小波进行模极大值特征提取后发现不同 小波对断路故障的模极大值特征提取结果也各不相同以断路故障信号和正常信号为例采用 小波对这两种传感器信号分别进行小波变换模极大值特征提取得到的结果如图 和图 所示00.050.100.150.200.25db10db9db8db7db6db5db4db3db2 D1 D2 D3 D4 D5 D6#2db1图 断路故障小波变换模极大值随小波类型变化图00.050.100.150.200.25db10db9db8db7db6db5db4db3db2#2db1 D1 D2 D3 D4 D5 D6图 正常信号小波变换模极大值随小波类型变化图对比图 和图 可以看出断路故障信号和正常信号的第 层模极大值结果很接近但是第 层模极大值结果有明显差异 通过对比分析可以发现当断路故障信号和正常信号采用、和 小波进行小波分解时第 层模极大值有明显差异可以对这两种信号进行有效区分经过对传感器正常信号和 种故障信号进行小波变换模极大值特征提取可以得到正常信号和不同故障信号基于小波分解层数和小波类型两个不同维度的模极大值特征矩阵:()()()()高频小波能量特征分析除了时域数据中包含信号的特征信息之外各频带的能量中也包含着信号的特征信息 通过计算对应层数细节系数的平方和可以得到不同分解层数的小波能量 高频小波能量计算如下:()()对传感器信号进行 层小波分解得到细节系数 根据式()计算高频小波能量得到 图 为传感器正常信号和周期故障信号的高频小波能量对比电气与自动化李子凡等基于小波分析和神经网络的传感器故障诊断Ed1Ed2Ed3Ed4Ed5Ed60306090120!L7G图 正常信号和周期故障信号高频小波能量对比分析图 可以发现不同故障信号的高频小波能量变化各不相同且相对于正常信号的高频小波能量都有较为明显的差异用高频小波能量来表征不同故障的特征可以有效区分传感器正常信号和不同故障信号)高频小波能量特征序列和小波变换模极大值特征提取一样采用 小波分别对传感器正常信号和 种故障信号进行高频小波能量特征提取可以得到不同信号基于小波分解层数和小波类型这两个不同维度的高频小波能量特征矩阵:()()()()模极大值特征矩阵 和高频小波能量特征矩阵 共同组成传感器信号的特征矩阵 神经网络预测模型.神经网络长短期记忆()神经网络是在 中加入自循环结构体和门控单元后得到的一种改进神经网络解决了 的梯度消失、梯度爆炸和对序列的长期依赖问题 图 为 循环神经元结构CtTanhTanhht-1Ct-1ftitothtCtFLELELhtxt图 循环神经元结构.神经网络结构与参数设置经过不断测试选择具有最佳预测效果的 神经网络结构 最终设计的 神经网络预测模型共有 个层包括 个输入层 个隐含层和 个输出层 其中 个隐含层中前 个为 层分别包含 个神经元和 个神经元后两个为全连接层分别包含 个神经元和 个神经元输出层采用 层 神经网络的主要参数包括模型运行的每次迭代训练的批量大小()、最大迭代次数()、学习率()和输入类别数()具体参数设置如表 所示表 神经网络参数设置主要参数 批量大小 最大迭代次数 初始学习率输入类别数设定值.预测模型训练与测试 神经网络的结构以及参数设置完成后就可以训练和测试针对不同压力工况的预测模型 训练的损失函数为交叉熵用来度量预测值和期望值的误差 交叉熵的表达式如下所示()()式中:为第 类故障类别的标签()表示样本 被预测为标签 的概率 为标签个数预测模型训练时采用的方法是自适应矩估计()算法 预测模型的输入为的特征矩阵 输出为传感器信号对应的类别标签预测模型的训练与测试分别采集了 种不同压力工况下的传感器输出数据 压力工况类型如表 所示表 压力工况类型工况个数工况类型大气压阶跃到.负阶跃到大气压大气压阶跃到.负阶跃到大气压大气压阶跃到.负阶跃到大气压大气压阶跃到.负阶跃到大气压大气压阶跃到.负阶跃到大气压 用测试集对预测模型进行测试得到的分类结果和混淆矩阵如图 和图 所示11006543212003004005006002345678910 A K 10 A K 1M A K 1图 测试集分类结果电气与自动化李子凡等基于小波分析和神经网络的传感器故障诊断M00,图 测试集混淆矩阵由图 和图 可以看出 个测试样本中有 个样本分类错误分类错误的故障均为断路故障分类准确率为.其中压力工况 和压力工况 预测准确率均为 压力工况 和压力工况 各有 个断路故障被误分类为正常信号预测准确率为.压力工况 和压力工况 各有 个断路故障被误分类为正常信号预测准确率为.压力工况 和压力工况 各有 个断路故障被误分类为正常信号 个断路故障被误分类为偏差故障预测准确率为.压力工况 和压力工况 各有 个断路故障被误分类为正常信号预测准确率为.神经网络预测方法试验验证.试验验证系统设计试验验证系统的框架如图 所示GL35B*LabVIEW LA L#.GEG 图 试验验证系统框架 传感器的故障注入操作是在数据采集模块采集的传感器正常输出数据上进行的各种故障注入的具体操作过程如下周期故障:某一时刻后在传感器正常输出信号中加入某一随机频率和幅值的周期信号干扰故障:某一时刻后在传感器正常输出信号中加入某一随机幅值的脉冲信号可以为单个脉冲信号也可以为周期性脉冲信号偏差故障:某一时刻后在传感器正常输出信号中加入某一随机常值信号短路故障:某一时刻后在传感器正常输出信号中加入乘以增益 后的传感器正常输出信号使传感器信号置 断路故障:某一时刻后将传感器信号维持在当前时刻的恒定值根据以上故障注入操作的思路设计传感器故障注入模块与传感器数据采集模块和传感器故障诊断模块共同组成 神经网络预测方法的试验验证系统 传感器数据采集模块的硬件组成如图 所示/*FK),/*#/*FK*D*A)E!K/!4/!#图 传感器数据采集模块硬件部分 具体的试验验证过程如下)在随机压力工况下通过数据采集模块采集压力传感器的输出数据经过 数据采集处理器和 程序预处理后通过故障注入模块注入随机故障或者不注入故障直接输出传感器正常信号得到传感器随机信号数据将随机信号数据经过特征提取后得到特征矩阵最后将特征矩阵输入预测模型进行分类)重复步骤)中的传感器故障诊断过程将得到的预测结果与真实结果进行对比验证 神经网络预测方法针对随机压力工况下发生随机故障的预测效果.试验验证结果分析用针对不同压力工况的 神经网络预测模型来预测随机压力工况下的随机故障共进行了 次随机试验得到的结果如图 所示020406080100120123456L1BP!25 BP25图 试验分类结果由图 可以看出在 次随机试验中只有 个试电气与自动化李子凡等基于小波分析和神经网络的传感器故障诊断验分类结果与期望分类结果不符合 表 是不同信号出现次数、预测成功次数和准确率表 试验验证结果信号类型信号出现次数预测成功次数准确率/周期故障干扰故障偏差故障短路故障断路故障.正常信号 从表 中可以看出在 次随机试验中只有 次断路故障预测错误预测准确率为.试验验证结果说明 神经网络预测方法在传感器故障诊断中的应用效果很好 结语本文针对传感器信号进行小波分析的过程中不同信号需要选择不同小波基函数的问题结合小波分析和神经网络技术提出一种直接对传感器输出信号进行分析的故障诊断方法 通过多维度特征提取方法提取传感器信号的特征矩阵用于故障诊断 相比于传统的特征向量提取的特征矩阵对不同信号的区分度更高且得到的特征矩阵具有序列特性能够充分发挥 神经网络对序列数据预测准确率高的优点 最后对故障诊断方法进行试验验证得到的分类准确率很高充分证明了多维度特征提取方法和 神经网络预测方法应用在传感器故障诊断中的效果很好参考文献:潘阳.涡轴发动机控制系统传感器故障诊断与容错控制.南京:南京航空航天大学.():.():.赵文博叶志锋王继强.基于卡尔曼滤波器组的航空发动机传感器故障诊断.机械制造与自动化():.彭红星陈祥光徐巍.特征抽取与 多类分类在传感器故障诊断中的应用.数据采集与处理():.白杰张正王伟等.基于小波神经网络的航空发动机传感器故障诊断.机床与液压():.徐海祥黄羽韬余文曌.基于无源观测器的小波神经网络故障诊断方法.华中科技大学学报(自然科学版)():.:.():.():.:.():.收稿日期:(上接第 页)结语碳化硅 作为新型宽禁带功率半导体器件在电力系统领域的应用前景广阔 本文针对碳化硅 存在的栅氧化层长期可靠性问题研究了一种基于 的碳化硅 栅极老化监测方法 首先结合设计搭建的硬件实验平台采集多个健康器件和老化器件各自在变温度范围、变漏源极测量电流和变栅源极测量电压条件下的 和 数据 然后利用 建立碳化硅 的栅极老化状态评估模型将测量条件参数和对应的状态参量作为模型的输入将器件的健康状态等级作为模型的输出提取健康器件与老化器件样本数据间的特征差异建立器件的外特性信息与健康状态之间的非线性对应关系 最后基于 对算法进行了验证得到本文所研究方法的平均检测正确率在 以上取得了良好的评估效果参考文献:盛况任娜徐弘毅.碳化硅功率器件技术综述与展望.中国电机工程学报():.钱照明张军明盛况.电力电子器件及其应用的现状和发展.中国电机工程学报():.张开新.高压大功率 固态功率控制器的仿真与设计.哈尔滨:哈尔滨工业大学.宋海洋.高温动态栅应力下 基 器件退化机理研究.南京:东南大学.(/):.():.():.李卫硕孙剑陈伟.基于 神经网络机器人实时避障算法.仪器仪表学报():.孟鹤立邓二平应晓亮等.基于体效应的 器件栅极老化监测方法研究.中国电机工程学报():./.:.收稿日期: