本发明专利技术涉及一种基于深度学习的压力传感器的故障诊断方法及系统,其方法包括：获取待测压力传感器的故障信号；对所述故障信号分别进行短时傅里叶变换和经验模态分解；根据所述频率谱的谐波个数，以及所述经验模态分解过程中得到的多个模态函数的信息熵，确定变分模态分解的模态数；根据所述模态数对所述故障信号进行变分模态分解，得到所述故障信号的包络谱；将所述故障信号的频率谱、边际谱和包络谱输入到训练完成的故障识别模型中，得出待测压力传感器的故障分类以及故障原因。本发明专利技术通过模态分解和傅里叶变换获取故障的时域、时频域、能量谱等特征，再利用基于深度学习的识别模型对故障类型进行识别，从而提高了识别的通用性和灵活性。用性和灵活性。用性和灵活性。
【技术实现步骤摘要】
一种基于深度学习的压力传感器的故障诊断方法与装置
[0001]本专利技术属于压力传感器故障诊断识别和机器学习领域，具体涉及一种基于深度学习的压力传感器的故障诊断方法与装置。
技术介绍
[0002]随着5G等通信技术的日渐成熟普及各种智能设备的不断发展，对各种智能设备中的传感器的测量精度、实时性、可靠性以及自确认性提出了很高的要求。进一步，压力传感器作为各种测控系统或智能系统的基础，其结构日渐复杂，相应的型号调理电路随之变多，出现故障的可能性增大；如果一旦发生故障，可能影响整个系统的运行，后果不堪设想；近年来，基于自确认传感器技术与压力传感器相结合的故障诊断方法逐渐成为发展趋势。
[0003]另一方面，基于信号处理的传感器故障诊断方法主要是基于小波变化的方法与基于信息融合的方法。而前者小波基的选取对测量结果影响大，后者依赖专家知识，导致现有压力传感器的故障诊断模型复杂、通用性和灵活性差。
技术实现思路
[0004]为解决现有压力传感器故障诊断技术的模型复杂、通用性和灵活性差的问题，在本专利技术的第一方面提供了一种基于深度学习的压力传感器的故障诊断方法,包括如下步骤：获取待测压力传感器的故障信号；对所述故障信号分别进行短时傅里叶变换和经验模态分解，得到所述故障信号的频率谱和边际谱；根据所述频率谱的谐波个数，以及所述经验模态分解过程中得到的多个模态函数的信息熵，确定变分模态分解的模态数；根据所述模态数对所述故障信号进行变分模态分解，得到所述故障信号的包络谱；将所述故障信号的频率谱、边际谱和包络谱输入到训练完成的故障识别模型中，得出待测压力传感器的故障分类以及故障原因。
[0005]在本专利技术的一些实施例中，所述对所述故障信号分别进行短时傅里叶变换和经验模态分解，得到所述故障信号的频率谱和边际谱还包括：对所述故障信号分别进行短时傅里叶变换、S变换和经验模态分解，得到所述故障信号的频率谱、时频谱和边际谱。
[0006]在本专利技术的一些实施例中，所述根据所述频率谱的谐波个数，以及所述经验模态分解过程中得到的多个模态函数的信息熵，确定变分模态分解的模态数包括如下步骤：计算经验模态分解过程中得到的多个模态函数的信息熵；将最大信息熵所在模态函数的序数，经过频率谱的谐波个数，作为候选模态数；对所述候选模态数中的最小值向上取整，将取整后的模态数确定为变分模态分解的模态数。
[0007]进一步的，所述多个模态函数的信息熵通过如下方法计算：，，；其中：H（x）表示信息熵，pi表示每个离散点出现的概率，χ为频带信号内每个离散
点对应的幅值，i为频带中的每个离散点的序号，N为频带中的离散点总数；E
j
为频带信号的能量和，j为模态函数的序数。
[0008]在本专利技术的一些实施例中，所述故障识别模型包括双向GRU和隐马尔可夫模型，所述双向GRU的输出层与隐马尔可夫模型输入层连接，所述双向GRU，用于根据待测压力传感器的频率谱、边际谱和包络谱识别其故障分类；所述隐马尔可夫模型，用于根据所述故障分类构建待测压力传感器的故障原因的有向无环图。
[0009]在上述的实施例中，所述双向GRU通过如下步骤训练：获取压力传感器的多个故障信号、及每个故障信号对应的频率谱、边际谱、包络谱和故障分类；根据每个故障信号对应的频率谱、边际谱、包络谱作为样本，与其对应的故障类型作为标签，构建训练集；根据所述训练集对双向GRU进行训练，直至趋于稳定且误差低于阈值，得到训练完成的双向GRU。
[0010]本专利技术的第二方面，提供了一种基于深度学习的压力传感器的故障诊断系统，包括：获取模块，用于获取待测压力传感器的故障信号；确定模块，用于对所述故障信号分别进行短时傅里叶变换和经验模态分解，得到所述故障信号的频率谱和边际谱；根据所述频率谱的谐波个数，以及所述经验模态分解过程中得到的多个模态函数的信息熵，确定变分模态分解的模态数；分解模块，用于根据所述模态数对所述故障信号进行变分模态分解，得到所述故障信号的包络谱；识别模块，用于将所述故障信号的频率谱、边际谱和包络谱输入到训练完成的故障识别模型中，得出待测压力传感器的故障分类以及故障原因。
[0011]进一步的，所述确定模块包括计算单元、候选单元、确定单元，所述计算单元，用于计算经验模态分解过程中得到的多个模态函数的信息熵；所述候选单元，用于将所述多个模态函数中的最大信息熵所在模态函数的序数和频率谱的谐波个数，作为候选模态数；所述确定单元，用于对所述候选模态数中的最小值向上取整，将取整后的模态数确定为变分模态分解的模态数。
[0012]本专利技术的第三方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本专利技术第一方面提供的基于深度学习的压力传感器的故障诊断方法。
[0013]本专利技术的第四方面，提供了一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现本专利技术第一方面提供的基于深度学习的压力传感器的故障诊断方法。
[0014]本专利技术的有益效果是：1.本专利技术通过模态分解和傅里叶变换获取故障的频域、时频域、能量谱等特征，再利用基于深度学习的识别模型对故障类型进行识别，从而提高了识别的通用性和灵活性；2.通过对故障信号的S变换，提高故障特征表达的多样性，进而提高故障识别模型的通用性和灵活性；3.通过短时傅里叶变换和经验模态分解可动态确定变分模态分解的模态函数个数，减少由人工根据经验指定带来的不确定性，并提高变分模态分解过程的自动化程度；4.由于GRU具有处理时序数据的优势，而隐马尔可夫模型具有预测事件发生概率优势，利用GRU和隐马尔可夫模型分别处理波形和预测故障原因，从而提高了单一模型预测或诊断故障的准确性。
附图说明
[0015]图1为本专利技术的一些实施例中的基于深度学习的压力传感器的故障诊断方法的流程示意图；图2为本专利技术的一些实施例中的基于深度学习的压力传感器的故障诊断方法的原理示意图之一；图3为本专利技术的一些实施例中的基于深度学习的压力传感器的故障诊断方法的步骤S200的具体流程示意图；图4为本专利技术的一些实施例中的故障信号经变分模态分解得到的各个模态函数的波形示意图；图5为本专利技术的一些实施例中的变分模态分解过程的时域波形与其对应的包络谱；图6为本专利技术的一些实施例中的基于深度学习的压力传感器的故障诊断方法的原理示意图之二；图7为本专利技术的一些实施例中的基于深度学习的压力传感器的故障诊断系统的结构示意图；图8为本专利技术的一些实施例中的电子设备的基本结构图。
具体实施方式
[0016]以下结合附图对本专利技术的原理和特征进行描述，所举实例只用于解释本专利技术，并非用于限定本专利技术的范围。
[0017]参考图1与图2，在本专利技术的第一方面提供了一种基于深度学习的压力传感器的故障诊断方法,包括如下步骤：S100.获取待测压力传感器的故障信号；S200.对所述故障信号分别进行短时傅里叶变换（Short Time Fouri本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的压力传感器的故障诊断方法,其特征在于，包括如下步骤：获取待测压力传感器的故障信号；对所述故障信号分别进行短时傅里叶变换和经验模态分解，得到所述故障信号的频率谱和边际谱；根据所述频率谱的谐波个数，以及所述经验模态分解过程中得到的多个模态函数的信息熵，确定变分模态分解的模态数；根据所述模态数对所述故障信号进行变分模态分解，得到所述故障信号的包络谱；将所述故障信号的频率谱、边际谱和包络谱输入到训练完成的故障识别模型中，得出待测压力传感器的故障分类以及故障原因。2.根据权利要求1所述的基于深度学习的压力传感器的故障诊断方法,其特征在于，所述对所述故障信号分别进行短时傅里叶变换和经验模态分解，得到所述故障信号的频率谱和边际谱还包括：对所述故障信号分别进行短时傅里叶变换、S变换和经验模态分解，得到所述故障信号的频率谱、时频谱和边际谱。3.根据权利要求1所述的基于深度学习的压力传感器的故障诊断方法,其特征在于，所述根据所述频率谱的谐波个数，以及所述经验模态分解过程中得到的多个模态函数的信息熵，确定变分模态分解的模态数包括如下步骤：计算经验模态分解过程中得到的多个模态函数的信息熵；将最大信息熵所在模态函数的序数，经过频率谱的谐波个数，作为候选模态数；对所述候选模态数中的最小值向上取整，将取整后的模态数确定为变分模态分解的模态数。4.根据权利要求3所述的基于深度学习的压力传感器的故障诊断方法,其特征在于，所述多个模态函数的信息熵通过如下方法计算：，，；其中：H（x）表示信息熵，pi表示每个离散点出现的概率，χ为频带信号内每个离散点对应的幅值，i为频带中的每个离散点的序号，N为频带中的离散点总数；E
j
为频带信号的能量和，j为模态函数的序数。5.根据权利要求1所述的基于深度学习的压力传感器的故障诊断方法,其特征在于，所述故障识别模型包括双向GRU和隐马尔可夫模型，所述双向GRU的输出层与隐马尔可夫模型输入层连接，所述双向GRU，用于根据待测压力传感器的频率谱、边际谱和包络谱识别其故障分类；所述隐马尔可夫模型，用于根据所述故障分类构建待测压力传感器...
【专利技术属性】
技术研发人员：王小平，曹万，熊波，
申请(专利权)人：武汉飞恩微电子有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。