基于熵的傳感器故障診斷方法研究.pdf

1、隨著自動化技術(shù)和智能化技術(shù)的發(fā)展和提高，傳感器廣泛地應(yīng)用于各種系統(tǒng)中。無論是多傳感網(wǎng)絡(luò)的應(yīng)用系統(tǒng)，還是單傳感器的應(yīng)用系統(tǒng)，單個傳感器都是每種應(yīng)用中獲取數(shù)據(jù)的最基礎(chǔ)的單元，其工作狀態(tài)直接影響系統(tǒng)的正常運行。在實際應(yīng)用中，由于外部環(huán)境因素以及傳感器內(nèi)部原因，傳感器極易發(fā)生故障甚至損壞，降低被測信息的準確性，在低質(zhì)量信息基礎(chǔ)上進行的后續(xù)的判斷、識別、決策和控制等處理就失去了真正的意義，因此傳感器故障的正確診斷識別是確保系統(tǒng)正常工作的基礎(chǔ)，具有

2、重要的現(xiàn)實意義。
　　本論文針對三種傳感器常見的基礎(chǔ)故障，綜合利用信號處理技術(shù)手段，聯(lián)合多維度信息分析和研究單個傳感器故障的特征提取和診斷識別方法，從數(shù)據(jù)采集的基本單元提高被測信息的可靠性，保證傳感器的有效使用。
　　論文基于傳感器故障特征跨子帶分布的特性，在小波時間熵的基礎(chǔ)上，以多個子帶小波系數(shù)為整體作為信息熵的計算對象，提出了基于多子帶小波時間總熵的傳感器故障特征提取方法。以BP神經(jīng)網(wǎng)絡(luò)為分類器，形成了基于多子帶小波時間

3、總熵的特征提取和故障識別方法。通過實驗驗證，這種識別方法的識別準確度可達到96％，比小波時間熵為特征的識別準確度提高約20％，驗證了該識別方法的有效性，同時也說明了多子帶小波時間總熵能有效的表示傳感器故障特征。
　　其次，本文將排列熵引入到傳感器故障特征表示中，利用多尺度加權(quán)排列熵表示多個尺度上信號的局部結(jié)構(gòu)特性和幅度特性，結(jié)合小波變換的多分辨率分析對信號全局結(jié)構(gòu)特性的有效表示，提出了基于小波變換的多尺度加權(quán)排列熵的傳感器故障特征

4、提取方法。針對提取的特征矢量維度高的問題，提出了聯(lián)合特征選擇MCFS和BP神經(jīng)網(wǎng)絡(luò)的分類器。利用上述特征提取方法和分類器形成傳感器故障識別方法。通過實驗驗證，信號特征矢量維度從20維降低到5維，識別準確度仍舊保持在99％，驗證了該識別方法和分類器有效可行，同時說明基于小波變換的多尺度加權(quán)排列熵能有效表示傳感器故障的多層面特征。
　　第三，本文從計算耗時、識別準確度和抗噪聲性能方面分析比較了基于多子帶小波時間總熵和BP神經(jīng)網(wǎng)絡(luò)分類器

5、的識別方法，以及基于小波變換的多尺度加權(quán)排列熵和特征選擇MCFS-BP神經(jīng)網(wǎng)絡(luò)分類器的識別方法的優(yōu)缺點。后一種方法比前一種方法的識別準確度提高3％，抗噪聲性能好，但是計算耗時大。另外，應(yīng)用不同幅度變化的傳感器數(shù)據(jù)進行識別算法的普適性分析，實驗證明，第一種識別方法對于幅度變化小的數(shù)據(jù)有效，識別性能明顯改善，對于幅度變化大的數(shù)據(jù)的識別效果改善不大，第二種識別方法對于兩種數(shù)據(jù)都是有效的。
　　最后，基于信息熵是信息產(chǎn)生率的一種量化測度，

6、能表示信號每個時刻信息的變化，本文利用小波時間熵和排列熵對故障特征的提取能力，針對傳感器故障發(fā)生時刻的判斷問題，將滑動窗口與特征表示相結(jié)合，提出了基于多子帶小波熵的傳感器故障定位方法，以及基于小波變換加權(quán)排列熵的傳感器故障定位方法。實驗證明，第一種方法對于快變的偏移和stuck故障能通過脈沖峰值精確定位，對于慢變的漂移故障不能定位。第二種方法對于快變的偏移和stuck故障能通過脈沖上升沿精確定位，對于慢變的漂移故障能通過過渡帶進行定位。