基于熵的传感器故障诊断方法研究

摘要

随着自动化技术和智能化技术的发展和提高，传感器广泛地应用于各种系统中。无论是多传感网络的应用系统，还是单传感器的应用系统，单个传感器都是每种应用中获取数据的最基础的单元，其工作状态直接影响系统的正常运行。在实际应用中，由于外部环境因素以及传感器内部原因，传感器极易发生故障甚至损坏，降低被测信息的准确性，在低质量信息基础上进行的后续的判断、识别、决策和控制等处理就失去了真正的意义，因此传感器故障的正确诊断识别是确保系统正常工作的基础，具有重要的现实意义。
　　本论文针对三种传感器常见的基础故障，综合利用信号处理技术手段，联合多维度信息分析和研究单个传感器故障的特征提取和诊断识别方法，从数据采集的基本单元提高被测信息的可靠性，保证传感器的有效使用。
　　论文基于传感器故障特征跨子带分布的特性，在小波时间熵的基础上，以多个子带小波系数为整体作为信息熵的计算对象，提出了基于多子带小波时间总熵的传感器故障特征提取方法。以BP神经网络为分类器，形成了基于多子带小波时间总熵的特征提取和故障识别方法。通过实验验证，这种识别方法的识别准确度可达到96％，比小波时间熵为特征的识别准确度提高约20％，验证了该识别方法的有效性，同时也说明了多子带小波时间总熵能有效的表示传感器故障特征。
　　其次，本文将排列熵引入到传感器故障特征表示中，利用多尺度加权排列熵表示多个尺度上信号的局部结构特性和幅度特性，结合小波变换的多分辨率分析对信号全局结构特性的有效表示，提出了基于小波变换的多尺度加权排列熵的传感器故障特征提取方法。针对提取的特征矢量维度高的问题，提出了联合特征选择MCFS和BP神经网络的分类器。利用上述特征提取方法和分类器形成传感器故障识别方法。通过实验验证，信号特征矢量维度从20维降低到5维，识别准确度仍旧保持在99％，验证了该识别方法和分类器有效可行，同时说明基于小波变换的多尺度加权排列熵能有效表示传感器故障的多层面特征。
　　第三，本文从计算耗时、识别准确度和抗噪声性能方面分析比较了基于多子带小波时间总熵和BP神经网络分类器的识别方法，以及基于小波变换的多尺度加权排列熵和特征选择MCFS-BP神经网络分类器的识别方法的优缺点。后一种方法比前一种方法的识别准确度提高3％，抗噪声性能好，但是计算耗时大。另外，应用不同幅度变化的传感器数据进行识别算法的普适性分析，实验证明，第一种识别方法对于幅度变化小的数据有效，识别性能明显改善，对于幅度变化大的数据的识别效果改善不大，第二种识别方法对于两种数据都是有效的。
　　最后，基于信息熵是信息产生率的一种量化测度，能表示信号每个时刻信息的变化，本文利用小波时间熵和排列熵对故障特征的提取能力，针对传感器故障发生时刻的判断问题，将滑动窗口与特征表示相结合，提出了基于多子带小波熵的传感器故障定位方法，以及基于小波变换加权排列熵的传感器故障定位方法。实验证明，第一种方法对于快变的偏移和stuck故障能通过脉冲峰值精确定位，对于慢变的漂移故障不能定位。第二种方法对于快变的偏移和stuck故障能通过脉冲上升沿精确定位，对于慢变的漂移故障能通过过渡带进行定位。

目录

声明

摘要

符号说明

第一章 绪论

1．1 课题研究背景

1．2 传感器故障诊断方法研究现状

1．3 基于熵的故障信号处理方法研究应用现状

1．3．1 信息熵的应用

1．3．2 信息熵扩展形式及其应用现状

1．4 本文研究内容

1．5 论文组织结构

第二章 传感器故障及信息量测度

2．1 引言

2．2 传感器故障

2．2．1 传感器故障分类

2．2．2 典型传感器故障数学描述

2．3 故障信息量测度

2．3．1 信息熵

2．3．2 小波熵

2．3．3 排列熵

2．4 本章小结

第三章 基于小波熵和排列熵的故障特征提取方法

3．1 引言

3．2 小波基选择标准

3．2．1 最大能量-香农熵比值准则

3．2．2 其他小波基选择标准

3．3 基于多子带小波时间总熵的传感器故障特征提取方法

3．3．1 基于小波时间熵的传感器故障特性分析

3．3．2 多子带小波时间总熵

3．3．3 多子带小波时间-能量总熵

3．3．4 特征提取方法

3．3．5 特征提取方法性能分析

3．4 基于小波变换和多尺度加权排列熵的传感器故障特征提取方法

3．4．1 基于排列熵的传感器故障特性分析

3．4．2 多尺度加权排列熵

3．4．3 特征提取方法

3．4．4 参数选择

3．4．5 特征提取方法性能分析

3．5 本章小结

第四章 基于熵和神经网络的故障识别方法

4．1 引言

4．2 BP神经网络分类器及参数选择

4．2．1 BP神经网络原理概述

4．2．2 BP神经网络结构的确定

4．3 基于神经网络的传感器故障识别方法及性能分析

4．3．1 基于多子带小波时间总熵和BPNN的识别实验及性能分析

4．3．2 基于小波变换的多尺度加权排列熵和BPNN的识别实验及性能分析

4．4 特征选择

4．5 基于特征选择的神经网络分类器和识别方法

4．5．1 MCFS-BP神经网络分类器及识别方法

4．5．2 实验及性能分析

4．6 两种识别方法性能比较

4．7 识别方法抗噪性能分析

4．8 识别方法普适性分析

4．9 本章小结

第五章 基于熵的故障定位方法

5．1 引言

5．2 基于多子带小波熵的传感器故障定位方法

5．2．1 定位方法

5．2．2 实验及性能分析

5．2．3 参数对定位结果的影响

5．3 基于小波变换和加权排列熵的传感器故障定位方法

5．3．1 定位方法

5．3．2 实验及性能分析

5．3．3 参数对定位结果的影响

5．3．4 两种定位方法性能比较

5．4 定位方法普适性分析

5．5 本章小结

第六章 结论与展望

参考文献

致谢

研究成果及发表的学术论文

作者和导师简介