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，时频分析的信号分解过程，难免会丢失一定的故障信息。非线性分析的方法可以不对信号进行分解，而是直接对传感器信号中的数据信息进行特征提取。非线性分析方法主要包括关联维数、样本熵、排列熵、多尺度熵等。但从MOS气敏传感器故障信号中提取的特征信息对于不同故障类型区分性较差。传感器故障识别过程中的分类方法多采用模式识别方法，通过训练样本对分类器进行模型构建，然后将测试样本输入到训练模型中得到分类结果，例如决策树、贝叶斯分类器、K近邻法(KNN)、支持向量机(SVM)、神经网络等算法均被广泛应用在传感器故障识别中。而为了提高各分类器的分类性能，研究学者们提出了各种分类器的改进方法，包括基于SLIQ算法的决策树、Tan贝叶斯网络、LS-SVM、SVR等等。但上述改进方法都比较复杂，并且分类结果依赖模型本身的性能，不同的参数设置很大程度影响最终分类结果，模型训练过程容易发生过拟合现象，从而导致分类准确率不高。因此，提供一种对不同故障类型区分性强，且分类准确率高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是本领域技术人员亟待解决的技术问题。
技术实现思路
本专利技术针对传感器故障模式识别过程中，提取的故障特征对不同故障类型区分性差以及分类器分类准确率不佳的问题。提出一种基于复合多尺度加权排列熵，Fisher判别和bagging集成学习分类器的气敏传感器故障模式识别方法。该方法能够突出不同故障类型的差异性，并且选择的基于bagging集成学习的分类器对MOS气敏传感器最终故障识别具有更优越的泛化性能和更好的分类准确率。为实现上述目的其具体方案如下：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，作为故障信号的特征；S2、通过Fisher判别法计算复合多尺度加权排列熵的最优鉴别矢量集，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。优选的，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CMWPE：S13、将得到的CMWPE表示成尺度因子τ的函数，得到复合多尺度加权排列熵，其中给定τmax，则τ∈[1,τmax]。优选的，所述S2中，将m组故障信号时间序列对应的CMWPE作为样本矩阵XL进行映射变换，使同类别故障信号时间序列间距离最近，具体包括：定义Fisher判别的目标函数：其中，W为映射矩阵，Sw为类内离散度矩阵，Sb为类间离散度矩阵；调整W的值，使得类内离散度矩阵Sw的值达到最小，类间离散度矩阵Sb达到最大，得到映射矩阵W的最优鉴别矢量解；确定样本矩阵从m维空间到K-1维空间的降维的线性变换过程为：ZL＝WTXL得到故障特征样本集ZL。优选的，所述S3中，采用决策树进行基学习器的训练，并基于故障特征样本集的信息增益率作为属性选择度量进行类别划分。本专利技术相较现有技术具有以下有益效果：本专利技术针对现有技术中不同传感器故障类型区分性差以及故障模式识别准确率低的问题，提出一种基于复合多尺度加权排列熵(CMWPE)，Fisher判别(FDA)和bagging集成学习分类器的MOS气敏传感器故障模式识别方法。根据综合特征评估方法计算提取的特征样本集中复合多尺度加权排列熵特征向量的评估因子可知，本专利技术提出的特征提取方法相对于传统方法提取的特征值包含更为丰富的特征信息，很好的突出不同故障类型的差异性。并且选择的基于bagging集成学习的分类器对MOS气敏传感器最终故障识别准确率达到97.85％。集成学习方法通过集合多个弱学习器可以采用投票方式获取最终分类结果，相比传统单一学习器具有更优越的泛化性能和更好的分类准确率。附图说明为了更清楚地说明本专利技术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专利技术的实施例，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，还可以根据提供的附图获得其他的附图。图1是本专利技术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流程图；图2是本专利技术Bagging算法原理框图；图3是本专利技术实施例提供的不同故障类型下CMWPE值示意图；图4是本专利技术实施例提供的不同故障类型下CMWPE值的FDA降维结果比较结果示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。参见附图1，为本实施例提供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流程图，本实施例的具体执行过程如下：S1、对气敏传感器输出的故障信号时间序列进行加权排列熵的多尺度分析，得到故障信号在不同尺度因子下的复合多尺度加权排列熵。S1的执行过程是在现有加权排列熵的技术基础之上提出的，因此，首先对加权排列熵WPE进行说明：排列熵是一种不需要考虑时间序列的具体大小的非线性分本文档来自技高网...

【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