哈工大毕业论文格式模板

基于EMD和SVM的传感器故障诊断方法

20字以内 (二号黑体) 冯志刚1，王 祁2，信太克规2(四号楷体)

1.沈阳航空工业学院 自动化学院，沈阳110136，fzg1023@yeah.net;

2.哈尔滨工业大学 自动化测试与控制系，哈尔滨150001

摘 要：为了解决自确认压力传感器的故障诊断问题，提出了一种基于经验模式分解(EMD)和支持向量机(SVM)的传感器故障诊断方法，该方法对传感器输出信号进行经验模态分解，将其分解为若干个固有模态函数(IMF)，对每个IMF通过一定的削减算法增强故障特征，然后计算每个IMF和残余项的能量以及整个信号的削减比作为特征向量，以此作为输入来建立支持向量多分类机，判断传感器的故障类型。通过压力传感器的故障诊断结果表明，该方法能有效的应用于传感器的故障诊断中。

关键词：经验模态分解；支持向量机；特征提取；传感器故障诊断

传感器作为信息获取的源头，在自动的、智能的系统中发挥着重大的作用。它的测量结果直接影响系统的运行，影响分析、决策的正确性，特别是在化工，航天测试系统中，一旦传感器发生故障，后果将不堪想象，因此，对传感器故障进行检测和诊断就显得非常重要。当传感器发生故障时，传感器输出信号主要表现为以下几种形式：偏差，冲击，周期性干扰，噪声干扰，漂移和输出恒定值。此时，传感器输出信号是非平稳的，信号频率成分比较丰富，采用单纯的时域分析或者频域分析都不能有效的检测出信号的故障特征。为此国内外学者将时-频分析方法应用于传感器故障信号的特征提取中，文献[1]对传感器输出信号进行小波变换，在不同的尺度上计算信号发生故障前后能量的变化率来检测压力传感器的各种故障。文献[2]利用小波包分解提取各个节点的能量，然后利用RBF 径向基函数 神经网络进行传感器故障诊断。经验模态分解方法 empirical mode decomposition, EMD [3]是最近提出的一种新的信号时-频分析的方法，该方法基于信号的局部特征时间尺度，可以把信号分解成若干个固有模态函数 intrinsic mode function, IMF 之和，分解出的各个IMF分量突出了数据的局部特征，对其分析可以更准确有效的把握传感器信号的故障特征信息，并且EMD分解方法已经成功的应用于机械故障诊断的特征提取中[4,5]。本文利用EMD方法，将传感器输出信号分解为若干个IMF分量，对每个IMF分量通过一定的削减算法增强故障特征，计算每个IMF分量和残余项的能量以及整个信号的削减比作为特征向量，然后利用支持向量多分类机识别传感器故障类型，该方法有效的改善了传统分类方法的缺陷，如文献[2]中神经网络结构的选择、易陷入局部极小点、过学习问题等，具有非常优异的泛化、推广能力，特别是在小样本输入情况下，体现出更大的优势。

1 经验模态分解与特征提取

1.1 经验模态分解

EMD方法由Norden E. Huang 于1998年提出[3]，该方法适用于分析和处理非线性、非平稳随机信号，并且迅速在水波研究、地震学及机械设备故障诊断中得到了应用。该方法可将任意信号分解为若干个本征模态分量和一个残余项，使本征模态分量成为满足以下2个条件的函数或信号：

1 在整个数据序列中，极值点的数量与过零点的数量必须相等或者至多相差一个。

2 在任何一点，由数据序列的局部极大值点确定的上包络线和由局部极小值点确定的下包络线的均值为零，即信号关于时间轴局部对称。

EMD分解的本质是一个筛选过程，具体的步骤见文献[3-4]。经过分解后，原始信号可表示为：

即EMD可将任何一个信号分解为个基本模态分量和一个残余项之和，分量分别包含了信号从高到低不同频率段的成分，则表示信号的中心趋势。

1.2 特征提取

本文以传感器故障时，输出信号的六种典型形式为例进行研究，包括：偏差 bias ，冲击 spike ，周期性干扰 cyclic ，噪声干扰 erratic ，漂移 drift 和输出恒定值 stuck 。具体的信号表现形式如图1所示。

图1 传感器故障时输出信号的六种典型表现形式

传感器发生故障时，输出信号会产生一些瞬变，表现在频域上就是某种或者某几种频率成分能量的改变，因此可以提取EMD分解后各个IMF分量的能量作为特征。图2是具有偏差故障的传感器信号经过EMD分解后各个IMF分量和残余项的波形图。可以看出偏差信号特征在各个IMF分量上都有反映，为了增强特征，对分解后的各个IMF分量和残余项进行了削减，图3是对图1的削减结果，可以看出，偏差信号的特征在各个IMF分量上都得到了增强。

为了使提取的特征不受传感器输出信号幅值的影响，在进行EMD分解之前，对信号进行了标准化。具体的特征提取步骤如下：

1 对传感器信号进行标准化：

其中，表示传感器输出信号