专利名称：一种传感器故障诊断方法及诊断装置的制作方法
技术领域：
本发明涉及传感器故障诊断领域，尤其是涉及一种传感器故障诊断方法及诊断装置。
背景技术：
由精密元件组成的传感器经常工作在高温、高压、振动、冲击、污染、电磁干扰等恶劣环境下，使得传感器很容易发生故障，引起输出信号失真，影响信号采集的准确性、稳定性和可靠性，进而影响整个控制系统的性能，甚至会对车辆等的安全性构成威胁。因此，传感器的故障诊断是提高车辆等控制系统可靠性的重要手段。根据传感器故障的表现形式可将其分为缓变型故障和突变型故障，本发明仅涉及诊断传感器的突变故障。
当传感器发生突变故障时，在其输出信号中会产生瞬变，而这种包含瞬变的传感器输出信号是非平稳信号。在现有技术中，传统的基于信号分析的故障诊断方法是基于傅立叶变换的，发明人在实现本发明的过程中发现，傅立叶变换虽然能有效地分析平稳信号，但其所使用的是一种全局的变换，要么完全在时域，要么完全在频域，因此无法表述信号的时-频局域性质，而这种性质恰恰是非平稳信号最根本、最关键的性质。因此，用传统的信号分析方法诊断传感器突变故障有很大的局限性。
发明内容
本发明实施例的目的是提供一种传感器故障诊断方法及诊断装置，以对传感器的突变故障进行有效的诊断。本发明实施例公开了一种传感器故障诊断方法，包括接收传感器的输出信号；应用小波包对所述输出信号进行分解；筛选出具有最大幅值的小波包变换系数，以保留可表征故障特征的数据；根据传感器各频率成分能量的变化率进行特征提取，以获取特征向量；将所述特征向量输入到指定神经网络中，以获取传感器故障类型，其中所述指定神经网络的输入和输出层结点数分别由所述特征向量的维数和传感器故障类型数确定，网络权值和阈值经训练样本训练确定。优选的，筛选出具有最大幅值的小波包变换系数的步骤，具体包括将所有小波包系数的绝对值与指定门限值相比较，若被比较的小波包系数的绝对值小于所述指定门限值，则将所述被比较的小波包系数的值设为零，以过滤掉幅值较小的小波包系数从而筛选出具有最大幅值的小波包变换系数。优选的，所述指定门限值具体为每一小波包节点上的系数的均方根值。优选的，筛选出具有最大幅值的小波包变换系数的步骤中，将所述被比较的小波包系数的值设为零的步骤之后还包括使用相关重建误差来衡量数据筛选的质量和效果。
优选的，根据传感器各频率成分能量的变化率进行特征提取，以获取特征向量的步骤，具体包括根据小波包对所述输出信号进行分解的层数确定特征向量的维度；根据传感器突变故障发生后与发生前在不同小波包结点上能量的变化率及所述特征向量的维度构建能量变化率向量；对所述能量变化率向量进行归一化处理，以得到特征向量。本发明实施例还公开了一种传感器故障诊断装置，包括信号接收单元，用于接收传感器的输出信号；小波包分解单元，用于应用小波包对所述输出信号进行分解；·
小波包变换系数筛选单元，用于筛选出具有最大幅值的小波包变换系数，以保留·可表征故障特征的数据；特征向量提取单元，用于根据传感器各频率成分能量的变化率进行特征提取，以获取特征向量；神经网络判断单元，用于将所述特征向量输入到指定神经网络中，以获取传感器故障类型，其中所述指定神经网络的输入和输出层结点数分别由所述特征向量的维数和传感器故障类型数确定，网络权值和阈值经训练样本训练确定。优选的,所述小波包变换系数筛选单元具体包括小波包系数比较子单元，用于将所有小波包系数的绝对值与指定门限值相比较，若被比较的小波包系数的绝对值小于所述指定门限值，则触发置零子单元；所述置零子单元，用于则将所述被比较的小波包系数的值设为零，以过滤掉幅值较小的小波包系数从而筛选出具有最大幅值的小波包变换系数。优选的，所述指定门限值具体为每一小波包节点上的系数的均方根值。优选的,所述小波包变换系数筛选单元还包括筛选质量评价子单元，用于使用相关重建误差来衡量数据筛选的质量和效果。优选的,所述特征向量提取单元具体包括特征向量维度获取子单元，用于根据小波包对所述输出信号进行分解的层数确定特征向量的维度；能量变化率向量构建子单元，用于根据传感器突变故障发生后与发生前在不同小波包结点上能量的变化率及所述特征向量的维度构建能量变化率向量；归一化子单元，用于对所述能量变化率向量进行归一化处理，以得到特征向量。本发明实施例利用小波包变换能够对包含非平稳态特点的信号进行更为精细的特征提取的优势和神经网络适合多故障的复杂模式识别的特点，在无需预先建立传感器模型的情况下，采用小波包对传感器动态信号进行精细划分，一旦传感器输出信号的局部变化被检测到，根据发生故障前与发生故障后在不同频率段的小波包变换信号的能量分布的不同，提取出特征向量，并输入到神经网络中，并根据神经网络的输出确定传感器故障类型，从而能够有效诊断传感器的突变故障。
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图I是本发明实施例一方法流程图；图2是三层小波包分解树状结构示意图；图3是本发明实施例二装置示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。实施例一本实施例将小波包变换和神经网络结合起来对传感器的突变故障进行诊断。小波包可以看成是函数空间逐级正交剖分的扩展，并继承了相应小波函数的特性。小波包分析能够为信号提供一种更加精细的分析方法，它将频带进行多层次划分，对信号的高频部分实行与低频部分相同的进一步分解，并能够根据被分析信号的特征，自适应地选择相应频带，使之与信号频谱相匹配，从而提高了时-频分辨率。其每次分解都相当于同时进行低频和高频滤波，进一步分解出低频和高频两部分，这样一直下去，使低频和高频都能达到很精细的程度。图I为本发明实施例一方法的流程图，提供了一种传感器故障诊断方法，所述方法包括SlOl :接收传感器的输出信号。S102 :应用小波包对所述输出信号进行分解。本实施例采用小波包变换对传感器动态信号进行精细划分。小波包是小波函数线性组合形成的替代基，各个空间都有自己的整数位移正交归一基。小波包函数W;k(t) = 2j,2Wn(2jt-k)[I]Wfk(t)为小波包函数。与一般的小波一样，整数j代表尺度因子，整数k代表平移因子，上标n是调制参数，代表j尺度级别下的空间序号。第一级的小波包函数分别是通常的尺度函数和小波函数W0 (t) = (t) , W1 (t) = ￥ (t)通过尺度的伸缩，对n=0，1，2…，小波包函数可以由以下关系确立旷(0=抱h -k)= ^gkW1'(2t-k)[2]
. .k . . . _ k某一函数的小波包变换系数可以通过下式计算.V；U) =<./'(aIK(0>Pj是小波包系数，n为在结点(j，k)上的系数的个数，f(t)为传感器输出信号。应用小波包对传感器输入信号进行分解，一旦传感器输出信号的局部变化被检测至IJ，发生故障前与发生故障后在不同频率段的小波包变换信号的能量分布的不同，将作为特征向量被提取出来。图2示出了三层小波包分解的树状结构示意图。S103 :筛选出具有最大幅值的小波包变换系数，以保留可表征故障特征的数据。在所采集的传感器输出数据中只保留可表征数据特征(故障)的一些数据，而这些特征是由具有最大幅值的小波包变换系数所表述的，据此来选择小波包变换系数。在小波包树结构中,『么(0为小波包函数(5X6),整数j和k分别为尺度和变换因子，n为调整参数。
权利要求
1.一种传感器故障诊断方法，其特征在于，包括 接收传感器的输出信号； 应用小波包对所述输出信号进行分解； 筛选出具有最大幅值的小波包变换系数，以保留可表征故障特征的数据； 根据传感器各频率成分能量的变化率进行特征提取，以获取特征向量； 将所述特征向量输入到指定神经网络中，以获取传感器故障类型，其中所述指定神经网络的输入和输出层结点数分别由所述特征向量的维数和传感器故障类型数确定，网络权值和阈值经训练样本训练确定。
2.根据权利要求I所述的方法，其特征在于，筛选出具有最大幅值的小波包变换系数的步骤，具体包括 将所有小波包系数的绝对值与指定门限值相比较，若被比较的小波包系数的绝对值小于所述指定门限值，则将所述被比较的小波包系数的值设为零，以过滤掉幅值较小的小波包系数从而筛选出具有最大幅值的小波包变换系数。
3.根据权利要求2所述的方法，其特征在于，所述指定门限值具体为每一小波包节点上的系数的均方根值。
4.根据权利要求2所述的方法，其特征在于，筛选出具有最大幅值的小波包变换系数的步骤中，将所述被比较的小波包系数的值设为零的步骤之后还包括 使用相关重建误差来衡量数据筛选的质量和效果。
5.根据权利要求I所述的方法，其特征在于，根据传感器各频率成分能量的变化率进行特征提取，以获取特征向量的步骤，具体包括 根据小波包对所述输出信号进行分解的层数确定特征向量的维度； 根据传感器突变故障发生后与发生前在不同小波包结点上能量的变化率及所述特征向量的维度构建能量变化率向量； 对所述能量变化率向量进行归一化处理，以得到特征向量。
6.一种传感器故障诊断装置，其特征在于，包括 信号接收单元，用于接收传感器的输出信号； 小波包分解单元，用于应用小波包对所述输出信号进行分解； 小波包变换系数筛选单元，用于筛选出具有最大幅值的小波包变换系数，以保留可表征故障特征的数据； 特征向量提取单元，用于根据传感器各频率成分能量的变化率进行特征提取，以获取特征向量； 神经网络判断单元，用于将所述特征向量输入到指定神经网络中，以获取传感器故障类型，其中所述指定神经网络的输入和输出层结点数分别由所述特征向量的维数和传感器故障类型数确定，网络权值和阈值经训练样本训练确定。
7.根据权利要求6所述的装置，其特征在于，所述小波包变换系数筛选单元具体包括 小波包系数比较子单元，用于将所有小波包系数的绝对值与指定门限值相比较，若被比较的小波包系数的绝对值小于所述指定门限值，则触发置零子单元； 所述置零子单元，用于则将所述被比较的小波包系数的值设为零，以过滤掉幅值较小的小波包系数从而筛选出具有最大幅值的小波包变换系数。
8.根据权利要求7所述的装置，其特征在于，所述指定门限值具体为每一小波包节点上的系数的均方根值。
9.根据权利要求7所述的装置，其特征在于，所述小波包变换系数筛选单元还包括 筛选质量评价子单元，用于使用相关重建误差来衡量数据筛选的质量和效果。
10.根据权利要求6所述的装置，其特征在于，所述特征向量提取单元具体包括 特征向量维度获取子单元，用于根据小波包对所述输出信号进行分解的层数确定特征向量的维度； 能量变化率向量构建子单元，用于根据传感器突变故障发生后与发生前在不同小波包结点上能量的变化率及所述特征向量的维度构建能量变化率向量； 归一化子单元，用于对所述能量变化率向量进行归一化处理，以得到特征向量。
全文摘要
本发明实施例公开了一种传感器故障诊断方法及诊断装置，所述方法包括接收传感器的输出信号；应用小波包对所述输出信号进行分解；筛选出具有最大幅值的小波包变换系数，以保留可表征故障特征的数据；根据传感器各频率成分能量的变化率进行特征提取，以获取特征向量；将所述特征向量输入到指定神经网络中，以获取传感器故障类型，其中所述指定神经网络的输入和输出层结点数分别由所述特征向量的维数和传感器故障类型数确定，网络权值和阈值经训练样本训练确定。本发明实施例采用小波包对传感器动态信号进行精细划分，并根据神经网络的输出确定传感器故障类型，从而能够有效诊断传感器的突变故障。
文档编号G01D18/00GK102680017SQ20121017632
公开日2012年9月19日 申请日期2012年5月31日 优先权日2012年5月31日
发明者刘信奎, 张洪坤, 文武红, 潘凤文, 陈雪丽 申请人:潍柴动力股份有限公司