CN112880726A - 基于变分模态分解样本熵的传感器故障诊断方法和装置 - Google Patents
基于变分模态分解样本熵的传感器故障诊断方法和装置 Download PDFInfo
- Publication number
- CN112880726A CN112880726A CN202011635495.7A CN202011635495A CN112880726A CN 112880726 A CN112880726 A CN 112880726A CN 202011635495 A CN202011635495 A CN 202011635495A CN 112880726 A CN112880726 A CN 112880726A
- Authority
- CN
- China
- Prior art keywords
- fault
- sensor
- sample
- sample set
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于变分模态分解样本熵的传感器故障诊断方法和装置。该方法首先采集正常状态和各种故障类别下的传感器信号,利用VMD对传感器信号进行分解获得峰度值较大的n个IMF;利用样本熵算法分别求取n个最优IMF对应的样本熵值;样本熵值组成特征向量,特征向量和故障类别编码组成特征样本,形成特征样本集;利用特征样本集对KNN模型进行训练;利用训练好的KNN模型执行传感器故障诊断,实现对不同传感器故障类型的识别。本发明所提出的故障特征提取方法具有很强的可分性,能够提高对不同传感器故障的时‑频描述能力,从而提高传感器故障识别准确率。
Description
技术领域
本发明涉及故障诊断技术领域,具体涉及测控***中的传感器故障诊断方法和装置。
背景技术
随着传感器技术的发展,测控***可以在极端恶劣的环境条件下实现对物理量的测量并依据测量值进行执行操作。传感器作为测控***中最为重要的信号获取装置,对测控***的整体性能影响巨大。然而,由于传感器工作环境、敏感材料特性等因素的影响,传感器不可避免地会发生性能退化,甚至故障。一旦传感器发生故障,其输出信号会相应地发生变化。
利用传感器输出信号的时-频特性进行故障判断是对传感器故障诊断的有效实现途径。为了提升测控***整体的可靠性,需要实时地对传感器进行可靠性监测,并对传感器的故障类型进行识别。
由于传感器故障类型多种多样,而且形成原因复杂,无法利用数学模型对故障的信号进行准确描述。因此,利用模式识别方式实现传感器故障诊断是当前研究领域的热点方向。当前传感器故障诊断的解决思路是通过故障特征提取方法与分类器相结合的方式实现的。然而,由于传感器信号本身具有一定的时频特性,叠加在传感器信号中的故障信号提取是导致当前方法故障特征提取效果差的主要原因。在微弱故障情况下,这种现象尤为显著。故障特征提取效果将直接影响故障诊断方法整体性能,致使传感器故障识别准确率下降。
发明内容
有鉴于此,本发明提供了一种基于变分模态分解样本熵的传感器故障诊断方法和装置,其所提出的故障特征提取方法具有很强的可分性,能够提高对不同传感器故障的时-频描述能力,从而提高传感器故障识别准确率。
为了解决上述技术问题,本发明是这样实现的。
一种基于变分模态分解样本熵的传感器故障诊断方法,包括:
步骤1:采集正常状态和各种故障类别下的传感器信号;
步骤2:利用变分模态分解(VMD)对传感器信号进行分解,获得峰度值较大的n个固有模态分量(IMF)分量为最优IMF;
步骤3:利用样本熵算法分别求取n个最优IMF对应的样本熵值;
步骤4:采用步骤3获得的样本熵值组成特征向量,并对正常状态和故障类别进行故障类别编码,特征向量和故障类别编码组成特征样本,形成特征样本集;
步骤5:利用特征样本集对K最近邻域法(KNN)模型进行训练;
步骤6:利用训练好的KNN模型执行传感器故障诊断,实现对不同传感器故障类型的识别。
优选地,所述步骤2中n的确定方式为:针对正常状态下的传感器信号,利用瞬时频率均值选择VMD的最优分解数量n。
优选地,n=4。
优选地,所述步骤5为:将特征样本集分为训练样本集和测试样本集;利用训练样本集对KNN模型进行训练,并利用测试样本集确定最优的KNN模型。
优选地,所述样本熵算法中的嵌入维数m取1或2,相似容限r的取0.1~0.25倍的std;其中,std为n个IMF的标准差。
一种基于变分模态分解样本熵的传感器故障诊断装置,包括特征向量生成模块、训练模块、KNN模型和故障诊断模块;
所述特征向量生成模块,用于针对输入的传感器信号,利用VMD进行分解,获取峰度值较大的n个IMF分量为最优IMF;利用样本熵算法分别求取n个最优IMF对应的样本熵值;采用样本熵值组成特征向量;
所述训练模块,用于采集正常状态和各种故障类别下的传感器信号;调取所述特征向量生成模块生成样本中传感器信号的特征向量,对正常状态和故障类别进行故障类别编码,特征向量和故障类别编码组成特征样本,形成特征样本集;利用特征样本集对KNN模型进行训练;
所述故障诊断模块,用于采集待诊断的传感器数据,调取所述特征向量生成模块生成对应的特征向量,输入训练好的KNN模型执行传感器故障诊断,实现对不同传感器故障类型的识别。
优选地,所述特征向量生成模块所采用的n的确定方式为:针对正常状态下的传感器信号,利用瞬时频率均值选择VMD的最优分解数量n。
优选地,所述训练模块在利用特征样本集对KNN模型进行训练时,将特征样本集分为训练样本集和测试样本集;利用训练样本集对KNN模型进行训练,并利用测试样本集确定最优的KNN模型。
有益效果:
(1)利用VMD分解能够有效提取不同时间尺度下的传感器信号,有助于有效提取故障特征。
(2)利用峰度标准可以有效选取最可能发生时频变化的n个IMF,选取的n个IMF包含故障特征的可能性较大,选择最可能出现故障信号的IMF可以提升特征提取的可靠性,提升故障特征描述能力。
(3)样本熵(sample entropy,SampEn)的物理意义表示信号产生新信息的速率,这与传感器故障信号的产生形式一致,适合对分解出的IMFs分量进行特征提取。同时,样本熵适用于确定性过程和随机过程分析,具有良好的稳健性、一致性和抗噪能力。利用对n个IMF进行样本熵求取,获得传感器故障特征可以有效地描述故障特征。
附图说明
图1为本发明传感器故障诊断流程图。
图2为本发明传感器故障诊断装置组成框图。
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。
为了解决当前传感器故障诊断方法尚存在特征提取可分性不强、故障识别准确率低的问题,本发明提出一种VMD样本熵故障特征提取方法。首先,利用变分模态分解(VMD)对信号进行分解,获取一系列固有模态分量(IMF)分量,其中包含不同时间尺度下包含的传感器信号的特征,并从中选取最优的n个IMF分量。信号的峰度值能有效描述信号的脉冲特性,峰度值越高,信号所包含的脉冲特征越丰富,获取峰度值最大的IMF分量为最优的n个IMF分量。然后,求取n个IMF分量样本熵值,作为传感器故障特征。最后,通过训练KNN分类模型实现对故障类型的识别。
如图1所示,该方法包括如下步骤:
步骤1:采集正常状态和故障模式下的传感器信号,传感器信号及其类别构成样本,形成训练集。
步骤2:针对正常状态下的传感器信号,利用瞬时频率均值选择变分模态分解(VMD)的最优分解数量n。
本发明可以采用参考文献D.Xiao,J.Ding,X.Li,and L.Huang,"Gear faultdiagnosis based on kurtosis criterion VMD and SOM neural network,"AppliedSciences,vol.9,no.24,p.5424,2019中所公开的理工瞬时频率均值的变化来选择VMD的最优分解数。根据文献K.Dragomiretskiy and D.Zosso,"Variational modedecomposition,"IEEE transactions on signal processing,vol.62,no.3,pp.531-544,2013的记载,VMD算法的惩罚因子为2000,判别精度为10-7,则经过反复实验分析,得出最优分解次数n=4。
步骤3:对于样本集中的每个样本,利用VMD对传感器信号进行分解,从得到的IMF分量中获取峰度值较大的n个IMF分量为最优IMF,IMF当中包含传感器状态。
变分模态分解(VMD,Variational Mode Decomposition)克服了经验模态分解(EMD,Empirical Mode Decomposition)和局部均值分解(LMD,Local MeanDecomposition)两种传统信号自适应分解方法的缺点,将信号分解转化为变分问题,通过寻找问题的最优解来解决信号自适应分解问题。
而利用峰度标准可以有效选取最可能发生时频变化的n个IMF,选取的n个IMF包含故障特征的可能性较大,选择最可能出现故障信号的IMF可以提升特征提取的可靠性,提升故障特征描述能力。其中,对于一个序列求取峰度是数学领域的常规手段,这里不赘述。
步骤4:利用样本熵算法分别求取n个最优IMF对应的样本熵值。
样本熵是由Richman提出的时间序列复杂性测度方法,信号越复杂,样本熵值越大。样本熵的物理意义表示时间序列产生新信息的速率,这与传感器故障信号的产生形式一致。
样本熵的计算方法如下:
步骤41:每个IMF为一个时间序列,将N点时间序列x(t)按序号组成一组m维矢量,
X(i)=[x(i),x(i+1),…,x(i+m-1)]
式中,i=1,2,…,N-m+1;
步骤42:定义矢量X(i)和X(j)之间的距离为最大坐标差:
d[X(i),X(j)]=max[|x(i+k)-x(j+k)|]
式中,k=1,2,…,m-1,i,j=1,2,…,N-m+1;
步骤43:对于给定相似容限r,统计第i个向量与其他N-m个向量之间的距离小于r的数目,并计算其与N-m的比值,记作
式中,Θ为Heaviside函数,
步骤45:增加矢量维数为m+1,通过重复上述计算步骤,得到Cm+1(r);
步骤46:时间序列x(n)的样本熵表示为
当时间序列的长度N为有限值时,上式转换为
可以看出,时间序列样本熵值取决于嵌入维数m和相似容限r的取值。参考近似熵,m取1或2,r取0.1~0.25倍std(std为时间序列的标准差)就能使样本熵具有较好的统计特性。
步骤5:采用步骤4获得的样本熵值组成特征向量,对正常状态和故障类别进行故障类别编码,特征向量和故障类别编码组成特征样本,形成特征样本集。
步骤6:利用特征样本集对K最近邻域法(KNN)模型进行训练。
KNN算法的主要思想是:先计算待分类样本与已知类别的训练样本之间的距离,找到距离与待分类样本数据最近的K个样本。若待分类样本数据的K个最近样本都属于一个类别,那么待分类样本也属于这个类别。否则,选出出现次数最多的那个类别,这个类别即待测数据的类别。
本步骤中,将特征样本集分为训练样本集和测试样本集;利用训练样本集对KNN模型进行训练,并利用测试样本集确定最优的KNN模型。
步骤7:利用训练好的KNN模型执行传感器故障诊断,实现对不同传感器故障类型的识别。
本步骤中,获取待故障诊断的传感器信号,然后利用VMD对传感器信号进行分解,获得n个最优IMF;利用样本熵算法分别求取n个最优IMF对应的样本熵值;选取能够代表故障模式的样本熵值,组成样本的特征向量,输入到KNN模型中,KNN模型输出故障类型的编码,编码对应具体的故障,进而可以获得传感器故障类型。
至此,本流程结束。
为了实现上述方法,本发明还提供了一种基于变分模态分解样本熵与KNN的传感器故障诊断装置,如图2所示,其包括特征向量生成模块、训练模块、KNN模型和故障诊断模块。
所述特征向量生成模块,用于针对输入的传感器信号,利用VMD进行分解,获取峰度值较大的n个IMF分量为最优IMF,IMF当中包含传感器状态;利用样本熵算法分别求取n个最优IMF对应的样本熵值;采用样本熵值组成特征向量。
所述训练模块,用于采集正常状态和故障模式下的传感器信号,传感器信号及其故障类别构成样本,形成训练集;调取所述特征向量生成模块生成样本中传感器信号的特征向量,对正常状态和故障类别进行故障类别编码,特征向量和故障类别编码组成特征样本,形成特征样本集;利用特征样本集对KNN模型进行训练。该训练模块在利用特征样本集对KNN模型进行训练时,将特征样本集分为训练样本集和测试样本集;利用训练样本集对KNN模型进行训练,并利用测试样本集确定最优的KNN模型。
所述故障诊断模块,用于采集待诊断的传感器数据,调取所述特征向量生成模块生成对应的特征向量,输入训练好的KNN模型执行传感器故障诊断,实现对不同传感器故障类型的识别。
以上的具体实施例仅描述了本发明的设计原理,该描述中的部件形状,名称可以不同,不受限制。所以,本发明领域的技术人员可以对前述实施例记载的技术方案进行修改或等同替换;而这些修改和替换未脱离本发明创造宗旨和技术方案,均应属于本发明的保护范围。
Claims (8)
1.一种基于变分模态分解样本熵的传感器故障诊断方法,其特征在于,包括:
步骤1:采集正常状态和各种故障类别下的传感器信号;
步骤2:利用变分模态分解(VMD)对传感器信号进行分解,获得峰度值较大的n个固有模态分量(IMF)分量为最优IMF;
步骤3:利用样本熵算法分别求取n个最优IMF对应的样本熵值;
步骤4:采用步骤3获得的样本熵值组成特征向量,并对正常状态和故障类别进行故障类别编码,特征向量和故障类别编码组成特征样本,形成特征样本集;
步骤5:利用特征样本集对K最近邻域法(KNN)模型进行训练;
步骤6:利用训练好的KNN模型执行传感器故障诊断,实现对不同传感器故障类型的识别。
2.如权利要求1所述的方法,其特征在于,所述步骤2中n的确定方式为:针对正常状态下的传感器信号,利用瞬时频率均值选择VMD的最优分解数量n。
3.如权利要求1所述的方法,其特征在于,n=4。
4.如权利要求1所述的方法,其特征在于,所述步骤5为:将特征样本集分为训练样本集和测试样本集;利用训练样本集对KNN模型进行训练,并利用测试样本集确定最优的KNN模型。
5.如权利要求1所述的方法,其特征在于,所述样本熵算法中的嵌入维数m取1或2,相似容限r的取0.1~0.25倍的std;其中,std为n个IMF的标准差。
6.一种基于变分模态分解样本熵的传感器故障诊断装置,其特征在于,包括特征向量生成模块、训练模块、KNN模型和故障诊断模块;
所述特征向量生成模块,用于针对输入的传感器信号,利用VMD进行分解,获取峰度值较大的n个IMF分量为最优IMF;利用样本熵算法分别求取n个最优IMF对应的样本熵值;采用样本熵值组成特征向量;
所述训练模块,用于采集正常状态和各种故障类别下的传感器信号;调取所述特征向量生成模块生成样本中传感器信号的特征向量,对正常状态和故障类别进行故障类别编码,特征向量和故障类别编码组成特征样本,形成特征样本集;利用特征样本集对KNN模型进行训练;
所述故障诊断模块,用于采集待诊断的传感器数据,调取所述特征向量生成模块生成对应的特征向量,输入训练好的KNN模型执行传感器故障诊断,实现对不同传感器故障类型的识别。
7.如权利要求6所述的装置,其特征在于,所述特征向量生成模块所采用的n的确定方式为:针对正常状态下的传感器信号,利用瞬时频率均值选择VMD的最优分解数量n。
8.如权利要求6所述的装置,其特征在于,所述训练模块在利用特征样本集对KNN模型进行训练时,将特征样本集分为训练样本集和测试样本集;利用训练样本集对KNN模型进行训练,并利用测试样本集确定最优的KNN模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011635495.7A CN112880726A (zh) | 2020-12-31 | 2020-12-31 | 基于变分模态分解样本熵的传感器故障诊断方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011635495.7A CN112880726A (zh) | 2020-12-31 | 2020-12-31 | 基于变分模态分解样本熵的传感器故障诊断方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112880726A true CN112880726A (zh) | 2021-06-01 |
Family
ID=76046602
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011635495.7A Pending CN112880726A (zh) | 2020-12-31 | 2020-12-31 | 基于变分模态分解样本熵的传感器故障诊断方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112880726A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113960412A (zh) * | 2021-10-20 | 2022-01-21 | 南方电网科学研究院有限责任公司 | 一种配电网故障行波信号处理方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105758644A (zh) * | 2016-05-16 | 2016-07-13 | 上海电力学院 | 基于变分模态分解和排列熵的滚动轴承故障诊断方法 |
CN106092574A (zh) * | 2016-05-30 | 2016-11-09 | 西安工业大学 | 基于改进emd分解与敏感特征选择的轴承故障诊断方法 |
US20180100894A1 (en) * | 2016-10-07 | 2018-04-12 | United States Of America As Represented By The Secretary Of The Navy | Automatic Generation of Test Sequences |
CN109472317A (zh) * | 2018-11-22 | 2019-03-15 | 哈尔滨工业大学 | 多维信号的实时故障检测与实时故障隔离方法 |
CN109489977A (zh) * | 2018-12-28 | 2019-03-19 | 西安工程大学 | 基于KNN-AdaBoost的轴承故障诊断方法 |
CN111397896A (zh) * | 2020-03-08 | 2020-07-10 | 华中科技大学 | 一种旋转机械故障诊断方法、***及存储介质 |
CN112098600A (zh) * | 2020-09-14 | 2020-12-18 | 哈尔滨工业大学 | 一种化学传感器阵列的故障检测及诊断方法 |
-
2020
- 2020-12-31 CN CN202011635495.7A patent/CN112880726A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105758644A (zh) * | 2016-05-16 | 2016-07-13 | 上海电力学院 | 基于变分模态分解和排列熵的滚动轴承故障诊断方法 |
CN106092574A (zh) * | 2016-05-30 | 2016-11-09 | 西安工业大学 | 基于改进emd分解与敏感特征选择的轴承故障诊断方法 |
US20180100894A1 (en) * | 2016-10-07 | 2018-04-12 | United States Of America As Represented By The Secretary Of The Navy | Automatic Generation of Test Sequences |
CN109472317A (zh) * | 2018-11-22 | 2019-03-15 | 哈尔滨工业大学 | 多维信号的实时故障检测与实时故障隔离方法 |
CN109489977A (zh) * | 2018-12-28 | 2019-03-19 | 西安工程大学 | 基于KNN-AdaBoost的轴承故障诊断方法 |
CN111397896A (zh) * | 2020-03-08 | 2020-07-10 | 华中科技大学 | 一种旋转机械故障诊断方法、***及存储介质 |
CN112098600A (zh) * | 2020-09-14 | 2020-12-18 | 哈尔滨工业大学 | 一种化学传感器阵列的故障检测及诊断方法 |
Non-Patent Citations (2)
Title |
---|
DONGMING XIAO ET AL.: "Gear fault diagnosis based on kurtosis criterion VMD and SOM neural network", 《APPLIED SCIENCES》 * |
KONSTANTIN DRAGOMIRETSKIY ET AL.: "Variational mode decomposition", 《IEEE TRANSACTIONS ON SIGNAL PROCESSING》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113960412A (zh) * | 2021-10-20 | 2022-01-21 | 南方电网科学研究院有限责任公司 | 一种配电网故障行波信号处理方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Neupane et al. | Bearing fault detection using scalogram and switchable normalization-based CNN (SN-CNN) | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
Feng et al. | Design and implementation of a self-validating pressure sensor | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及*** | |
CN113485302A (zh) | 基于多元时序数据的车辆运行过程故障诊断方法及*** | |
Son et al. | Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge | |
CN113203954A (zh) | 一种基于时频图像处理的电池故障诊断方法 | |
Wen et al. | A new method for identifying the ball screw degradation level based on the multiple classifier system | |
CN116168720A (zh) | 一种电机声音异常故障诊断方法、***、及可存储介质 | |
CN116520068B (zh) | 一种电力数据的诊断方法、装置、设备及存储介质 | |
CN112880726A (zh) | 基于变分模态分解样本熵的传感器故障诊断方法和装置 | |
CN112541524B (zh) | 基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法 | |
CN111474476B (zh) | 一种电机故障预测方法 | |
CN117591986A (zh) | 基于人工智能的汽车数据实时处理方法 | |
CN116400244B (zh) | 储能电池的异常检测方法及装置 | |
CN113255771B (zh) | 基于多维异构差异分析的故障诊断方法及*** | |
CN116541771A (zh) | 一种基于多尺度特征融合的非平衡样本轴承故障诊断方法 | |
CN112069621B (zh) | 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法 | |
CN114021275A (zh) | 一种基于深度卷积模糊***的滚动轴承故障诊断方法 | |
CN114397521A (zh) | 一种针对电子设备的故障诊断方法及*** | |
CN115480134B (zh) | 一种基于设备局部放电数据图的故障识别方法及*** | |
CN117332352B (zh) | 一种基于BAM-AlexNet的避雷器信号缺陷识别方法 | |
CN115580445B (zh) | 一种未知攻击入侵检测方法、装置和计算机可读存储介质 | |
CN118194241A (zh) | 一种电动汽车电机故障诊断方法及装置 | |
Han et al. | Fault Diagnosis Based on EEMD-KPCA-MTS for Rolling Bearing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210601 |
|
RJ01 | Rejection of invention patent application after publication |