基于变分模态分解样本熵的传感器故障诊断方法和装置制造方法及图纸

本发明专利技术公开了一种基于变分模态分解样本熵的传感器故障诊断方法和装置。该方法首先采集正常状态和各种故障类别下的传感器信号，利用VMD对传感器信号进行分解获得峰度值较大的n个IMF；利用样本熵算法分别求取n个最优IMF对应的样本熵值；样本熵值组成特征向量，特征向量和故障类别编码组成特征样本，形成特征样本集；利用特征样本集对KNN模型进行训练；利用训练好的KNN模型执行传感器故障诊断，实现对不同传感器故障类型的识别。本发明专利技术所提出的故障特征提取方法具有很强的可分性，能够提高对不同传感器故障的时‑频描述能力，从而提高传感器故障识别准确率。

【技术实现步骤摘要】
基于变分模态分解样本熵的传感器故障诊断方法和装置
本专利技术涉及故障诊断
，具体涉及测控系统中的传感器故障诊断方法和装置。
技术介绍
随着传感器技术的发展，测控系统可以在极端恶劣的环境条件下实现对物理量的测量并依据测量值进行执行操作。传感器作为测控系统中最为重要的信号获取装置，对测控系统的整体性能影响巨大。然而，由于传感器工作环境、敏感材料特性等因素的影响，传感器不可避免地会发生性能退化，甚至故障。一旦传感器发生故障，其输出信号会相应地发生变化。利用传感器输出信号的时-频特性进行故障判断是对传感器故障诊断的有效实现途径。为了提升测控系统整体的可靠性，需要实时地对传感器进行可靠性监测，并对传感器的故障类型进行识别。由于传感器故障类型多种多样，而且形成原因复杂，无法利用数学模型对故障的信号进行准确描述。因此，利用模式识别方式实现传感器故障诊断是当前研究领域的热点方向。当前传感器故障诊断的解决思路是通过故障特征提取方法与分类器相结合的方式实现的。然而，由于传感器信号本身具有一定的时频特性，叠加在传感器信号中的故障信号提取是导致当前方法故障特征提取效果差的主要原因。在微弱故障情况下，这种现象尤为显著。故障特征提取效果将直接影响故障诊断方法整体性能，致使传感器故障识别准确率下降。
技术实现思路
有鉴于此，本专利技术提供了一种基于变分模态分解样本熵的传感器故障诊断方法和装置，其所提出的故障特征提取方法具有很强的可分性，能够提高对不同传感器故障的时-频描述能力，从而提高传感器故障识别准确率。为了解决上述技术问题，本专利技术是这样实现的。一种基于变分模态分解样本熵的传感器故障诊断方法，包括：步骤1：采集正常状态和各种故障类别下的传感器信号；步骤2：利用变分模态分解(VMD)对传感器信号进行分解，获得峰度值较大的n个固有模态分量(IMF)分量为最优IMF；步骤3：利用样本熵算法分别求取n个最优IMF对应的样本熵值；步骤4：采用步骤3获得的样本熵值组成特征向量，并对正常状态和故障类别进行故障类别编码，特征向量和故障类别编码组成特征样本，形成特征样本集；步骤5：利用特征样本集对K最近邻域法(KNN)模型进行训练；步骤6：利用训练好的KNN模型执行传感器故障诊断，实现对不同传感器故障类型的识别。优选地，所述步骤2中n的确定方式为：针对正常状态下的传感器信号，利用瞬时频率均值选择VMD的最优分解数量n。优选地，n＝4。优选地，所述步骤5为：将特征样本集分为训练样本集和测试样本集；利用训练样本集对KNN模型进行训练，并利用测试样本集确定最优的KNN模型。优选地，所述样本熵算法中的嵌入维数m取1或2，相似容限r的取0.1～0.25倍的std；其中，std为n个IMF的标准差。一种基于变分模态分解样本熵的传感器故障诊断装置，包括特征向量生成模块、训练模块、KNN模型和故障诊断模块；所述特征向量生成模块，用于针对输入的传感器信号，利用VMD进行分解，获取峰度值较大的n个IMF分量为最优IMF；利用样本熵算法分别求取n个最优IMF对应的样本熵值；采用样本熵值组成特征向量；所述训练模块，用于采集正常状态和各种故障类别下的传感器信号；调取所述特征向量生成模块生成样本中传感器信号的特征向量，对正常状态和故障类别进行故障类别编码，特征向量和故障类别编码组成特征样本，形成特征样本集；利用特征样本集对KNN模型进行训练；所述故障诊断模块，用于采集待诊断的传感器数据，调取所述特征向量生成模块生成对应的特征向量，输入训练好的KNN模型执行传感器故障诊断，实现对不同传感器故障类型的识别。优选地，所述特征向量生成模块所采用的n的确定方式为：针对正常状态下的传感器信号，利用瞬时频率均值选择VMD的最优分解数量n。优选地，所述训练模块在利用特征样本集对KNN模型进行训练时，将特征样本集分为训练样本集和测试样本集；利用训练样本集对KNN模型进行训练，并利用测试样本集确定最优的KNN模型。有益效果：(1)利用VMD分解能够有效提取不同时间尺度下的传感器信号，有助于有效提取故障特征。(2)利用峰度标准可以有效选取最可能发生时频变化的n个IMF，选取的n个IMF包含故障特征的可能性较大，选择最可能出现故障信号的IMF可以提升特征提取的可靠性，提升故障特征描述能力。(3)样本熵(sampleentropy,SampEn)的物理意义表示信号产生新信息的速率，这与传感器故障信号的产生形式一致，适合对分解出的IMFs分量进行特征提取。同时，样本熵适用于确定性过程和随机过程分析，具有良好的稳健性、一致性和抗噪能力。利用对n个IMF进行样本熵求取，获得传感器故障特征可以有效地描述故障特征。附图说明图1为本专利技术传感器故障诊断流程图。图2为本专利技术传感器故障诊断装置组成框图。具体实施方式下面结合附图并举实施例，对本专利技术进行详细描述。为了解决当前传感器故障诊断方法尚存在特征提取可分性不强、故障识别准确率低的问题，本专利技术提出一种VMD样本熵故障特征提取方法。首先，利用变分模态分解(VMD)对信号进行分解，获取一系列固有模态分量(IMF)分量，其中包含不同时间尺度下包含的传感器信号的特征，并从中选取最优的n个IMF分量。信号的峰度值能有效描述信号的脉冲特性，峰度值越高，信号所包含的脉冲特征越丰富，获取峰度值最大的IMF分量为最优的n个IMF分量。然后，求取n个IMF分量样本熵值，作为传感器故障特征。最后，通过训练KNN分类模型实现对故障类型的识别。如图1所示，该方法包括如下步骤：步骤1：采集正常状态和故障模式下的传感器信号，传感器信号及其类别构成样本，形成训练集。步骤2：针对正常状态下的传感器信号，利用瞬时频率均值选择变分模态分解(VMD)的最优分解数量n。本专利技术可以采用参考文献D.Xiao,J.Ding,X.Li,andL.Huang,"GearfaultdiagnosisbasedonkurtosiscriterionVMDandSOMneuralnetwork,"AppliedSciences,vol.9,no.24,p.5424,2019中所公开的理工瞬时频率均值的变化来选择VMD的最优分解数。根据文献K.DragomiretskiyandD.Zosso,"Variationalmodedecomposition,"IEEEtransactionsonsignalprocessing,vol.62,no.3,pp.531-544,2013的记载，VMD算法的惩罚因子为2000，判别精度为10-7，则经过反复实验分析，得出最优分解次数n＝4。步骤3：对于样本集中的每个样本，利用VMD对传感器信号进行分解，从得到的IMF分量中获取峰度值较大的n个IMF分量为最优IMF，IMF当中包含传感器状态。变分模态分解(VMD，Var本文档来自技高网...

【技术保护点】
1.一种基于变分模态分解样本熵的传感器故障诊断方法，其特征在于，包括：/n步骤1：采集正常状态和各种故障类别下的传感器信号；/n步骤2：利用变分模态分解(VMD)对传感器信号进行分解，获得峰度值较大的n个固有模态分量(IMF)分量为最优IMF；/n步骤3：利用样本熵算法分别求取n个最优IMF对应的样本熵值；/n步骤4：采用步骤3获得的样本熵值组成特征向量，并对正常状态和故障类别进行故障类别编码，特征向量和故障类别编码组成特征样本，形成特征样本集；/n步骤5：利用特征样本集对K最近邻域法(KNN)模型进行训练；/n步骤6：利用训练好的KNN模型执行传感器故障诊断，实现对不同传感器故障类型的识别。/n

【技术特征摘要】
1.一种基于变分模态分解样本熵的传感器故障诊断方法，其特征在于，包括：
步骤1：采集正常状态和各种故障类别下的传感器信号；
步骤2：利用变分模态分解(VMD)对传感器信号进行分解，获得峰度值较大的n个固有模态分量(IMF)分量为最优IMF；
步骤3：利用样本熵算法分别求取n个最优IMF对应的样本熵值；
步骤4：采用步骤3获得的样本熵值组成特征向量，并对正常状态和故障类别进行故障类别编码，特征向量和故障类别编码组成特征样本，形成特征样本集；
步骤5：利用特征样本集对K最近邻域法(KNN)模型进行训练；
步骤6：利用训练好的KNN模型执行传感器故障诊断，实现对不同传感器故障类型的识别。


2.如权利要求1所述的方法，其特征在于，所述步骤2中n的确定方式为：针对正常状态下的传感器信号，利用瞬时频率均值选择VMD的最优分解数量n。


3.如权利要求1所述的方法，其特征在于，n＝4。


4.如权利要求1所述的方法，其特征在于，所述步骤5为：将特征样本集分为训练样本集和测试样本集；利用训练样本集对KNN模型进行训练，并利用测试样本集确定最优的KNN模型。


5.如权利要求1所述的方法，其特征在于，所述样本熵算法中的嵌入维数m取1或2，相似容限r的取0.1～0.25倍的std；其中，...

【专利技术属性】
技术研发人员：周磊，宋凯，金诚，李达银，柴栋栋，王成刚，李斌，陈寅生，姜宗泽，
申请(专利权)人：北京航天试验技术研究所，哈尔滨工业大学，
类型：发明
国别省市：北京;11