多尺度分析和集成学习的气敏传感器故障模式识别方法技术

本发明专利技术公开的一种基于多尺度分析和集成学习的气敏传感器故障模式识别方法，包括：对气敏传感器故障信号进行多尺度分析，得到不同尺度因子下的时间序列，分别计算每个时间序列的加权排列熵构成复合多尺度加权排列熵特征向量；通过Fisher判别法对复合多尺度加权排列熵进行降维，作为模式识别的故障特征样本；利用集成学习方法构建多个基学习器，用于对故障特征样本集的子样本集进行分类预测，然后将多个基学习器的分类结果进行汇总，得到气敏传感器故障模式识别结果。本发明专利技术能够突出不同故障类型的差异性，并且选择的集成学习分类器对气敏传感器故障识别具有更优越的泛化性能和更好的分类准确率，避免严重事故发生。

【技术实现步骤摘要】
多尺度分析和集成学习的气敏传感器故障模式识别方法
本专利技术属于机器嗅觉
，涉及一种基于多尺度分析和集成学习的气敏传感器故障模式识别方法。
技术介绍
模式识别是当前实现传感器故障识别的主要方法。主要过程是：首先，对传感器正常情况下和各种不同故障情况下的传感器信号进行采集，构成传感器各种不同状态的训练样本集；然后选择合适的故障信号特征提取方法，提取不同故障状态下的故障特征信息，构成故障特征训练样本集；接下来，利用故障特征训练样本集训练基于模式识别方法的分类器；最后，利用训练好的分类器对传感器测试样本进行模式识别，并由分类器输出识别出的故障类型。通过以上的过程描述可知，传感器模式识别方法主要有两个关键步骤，分别是故障特征提取方法的选择和分类器的选择。时频分析方法是当前传感器信号故障特征分析的主要方法，其主要通过傅里叶变换、小波变换、经验模态分解等方法在时域和频域对传感器信号进行分解。将原始故障信号分解成若干个简单的平稳分量信号，然后通过对各分量信号进行处理获取时频域的数据信息，实现特征提取。但是由于传感器信号通常表现为非线性行为，时频本文档来自技高网...

【技术保护点】
1.基于多尺度分析和集成学习的气敏传感器故障模式识别方法，其特征在于，包括如下步骤：/nS1、对气敏传感器输出的故障信号进行复合多尺度分析，得到不同尺度因子下的时间序列，分别计算每个时间序列的加权排列熵并构成复合多尺度加权排列熵特征向量；/nS2、通过Fisher判别法计算复合多尺度加权排列熵特征向量的最优鉴别矢量集，对复合多尺度加权排列熵进行降维，作为模式识别的故障特征样本集；/nS3、利用bagging集成学习方法构建多个基学习器，基学习器用于对故障特征样本集的子样本集进行分类预测，然后将多个基学习器的分类结果进行筛选汇总，得到气敏传感器故障模式识别结果。/n

【技术特征摘要】
1.基于多尺度分析和集成学习的气敏传感器故障模式识别方法，其特征在于，包括如下步骤：
S1、对气敏传感器输出的故障信号进行复合多尺度分析，得到不同尺度因子下的时间序列，分别计算每个时间序列的加权排列熵并构成复合多尺度加权排列熵特征向量；
S2、通过Fisher判别法计算复合多尺度加权排列熵特征向量的最优鉴别矢量集，对复合多尺度加权排列熵进行降维，作为模式识别的故障特征样本集；
S3、利用bagging集成学习方法构建多个基学习器，基学习器用于对故障特征样本集的子样本集进行分类预测，然后将多个基学习器的分类结果进行筛选汇总，得到气敏传感器故障模式识别结果。


2.根据权利要求1所述的基于多尺度分析和集成学习的气敏传感器故障模式识别方法，其特征在于，所述S1包括：
S11、对故障信号时间序列{x(1),x(2),...x(N)}进行改进的粗粒化处理，得到粗粒化序列



其中，τ为尺度因子；
S12、计算每个尺度因子τ对应的粗粒化序列的加权排列熵，再对当前τ对应的加权排列熵求均值，则得到当前尺度因子下的CM...

【专利技术属性】
技术研发人员：许永辉，刘玉奇，杨子萱，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙江;23